### 使用Python实现Gabor滤波器进行图像特征提取 #### 参数设置 为了使用Gabor滤波器进行图像特征提取，需先确定其参数。这些参数包括取向角度 \(\theta\)、波长 \(\lambda\)、标准差 \(\sigma\) 和纵横比 \(\gamma\)。通常会创建多个具有不同参数组合的Gabor滤波器以捕捉多样的纹理信息[^1]。 ```python import numpy as np from scipy import ndimage as ndi import matplotlib.pyplot as plt from skimage.filters import gabor_kernel # 定义一系列Gabor核函数 kernels = [] for theta in range(4): # 取向角范围从0到π/2之间变化 theta = theta / 4. * np.pi for sigma in (1, 3): # 不同的标准偏差σ值 for frequency in (0.05, 0.25): # 波长λ通过频率f=1/λ表示 kernel = np.real(gabor_kernel(frequency, theta=theta, sigma_x=sigma, sigma_y=sigma)) kernels.append(kernel) def compute_feats(image, kernels): feats = np.zeros((len(kernels), 2), dtype=np.double) for k, kernel in enumerate(kernels): filtered = ndi.convolve(image, kernel, mode='wrap') feats[k, 0] = filtered.mean() feats[k, 1] = filtered.var() # 计算局部能量而非简单求和 return feats.flatten() # 加载测试图片并转换为灰度模式 from PIL import Image img = Image.open('path_to_image').convert('L') arr_img = np.asarray(img, dtype=float) / 255. feats = compute_feats(arr_img, kernels) print("Feature vector:", feats) ``` 此段代码展示了如何构建一组Gabor滤波器以及应用它们于给定图像上获取特征向量的过程。注意这里采用的是均值与方差代替简单的像素平方和来衡量局部能量，这有助于增强特征描述能力。 #### 特征图生成 对于每一个设定好的Gabor滤波器，在完成卷积操作之后都会获得一张新的响应图谱——即所谓的“Gabor特征图”。所有这些特征图共同构成了最终用来表征原始输入图像特性的高维度特征空间。 ```python fig, axes = plt.subplots(nrows=len(kernels)//4+1, ncols=4, figsize=(8, 6)) plt.gray() for i, ax in zip(range(len(kernels)), axes.flat): ax.imshow(ndi.convolve(arr_img, kernels[i], mode='constant')) ax.axis('off') plt.show() ``` 上述绘图命令能够直观展示各个Gabor滤波器作用下的视觉效果，帮助理解所提取出来的特征形态。