Array diseño de filtros de Gabor

TEXTURA-http://www.mathworks.com/examples/image/mw/images-ex67378297-texture-segmentation-using-gabor-filters?s_tid=srchtitle

Leer y mostrar la imagen de entrada

Leer y mostrar la imagen de entrada. En este ejemplo se reduce la imagen para hacer ejemplo de ejecución más rápida.

A = imread('kobi.png');

A = imresize(A,0.25);

Agray = rgb2gray(A);

figure

imshow(A)

Array diseño de filtros de Gabor

Diseñar una serie de filtros de Gabor, que están sintonizados a diferentes frecuencias y orientaciones. El conjunto de frecuencias y orientaciones para localización de subconjuntos diferentes, más o menos ortogonales, de la frecuencia y la información de orientación de la imagen de entrada. Regularmente orientaciones de muestreo entre [0,150] grados en incrementos de 30 grados. wavlength de muestra en el aumento de potencias de dos a partir de 4 / sqrt (2) hasta la longitud hipotenusa de la imagen de entrada. Estas combinaciones de frecuencia y orientación se han tomado de [Jain, 1991] citado en la introducción

imageSize = size(A);

numRows = imageSize(1);

numCols = imageSize(2);

wavelengthMin = 4/sqrt(2);

wavelengthMax = hypot(numRows,numCols);

n = floor(log2(wavelengthMax/wavelengthMin));

wavelength = 2.^(0:(n-2)) * wavelengthMin;

deltaTheta = 45;

orientation = 0:deltaTheta:(180-deltaTheta);

g = gabor(wavelength,orientation);

Extraer características de magnitud Gabor imagen de la fuente de. Cuando se trabaja con filtros de Gabor, es común para trabajar con la respuesta de magnitud de cada filtro. respuesta de magnitud Gabor también se refiere a veces como "Gabor Energía". Cada imagen de salida magnitud MxN Gabor en gabormag (:,:, ind) es la salida de la correspondiente g filtro de Gabor (ind).

gabormag = imgaborfilt(Agray,g);

El proceso posterior de la magnitud de Gabor imágenes en Características de Gabor.

Para utilizar respuestas de magnitud de Gabor como características para su uso en la clasificación, se requiere un post-procedimiento. Este mensaje se procese incluye suavizado gaussiano, añadiendo la información espacial adicional para el conjunto de características, la remodelación de nuestro conjunto de características de la forma esperada por las funciones de PCA y KMeans, y la normalización de la información de la característica a una varianza común y la media.

Cada imagen magnitud Gabor contiene algunas variaciones locales, incluso dentro de regiones bien segmentados de textura constante. Estas variaciones locales se lanzan fuera de la segmentación. Podemos compensar estas variaciones mediante el filtrado de paso bajo gaussiano sencilla para alisar la información de magnitud Gabor. Elegimos un sigma que se corresponde con el filtro de Gabor que extrae cada función. Se introduce un alisado K término que controla la cantidad de suavizado se aplica a las respuestas de magnitud Gabor.

for i = 1:length(g)

    sigma = 0.5*g(i).Wavelength;

    K = 3;

    gabormag(:,:,i) = imgaussfilt(gabormag(:,:,i),K*sigma);

end

Cuando la construcción de conjuntos de características de Gabor para la clasificación, es útil añadir un mapa de información de localización espacial, tanto en X e Y. Esta información adicional permite que el clasificador para prefieren grupos que están muy juntos espacialmente.

X = 1:numCols;

Y = 1:numRows;

[X,Y] = meshgrid(X,Y);

featureSet = cat(3,gabormag,X);

featureSet = cat(3,featureSet,Y);

Cambiar la forma de los datos en una matriz X de la forma esperada por la función KMeans. Cada píxel en la cuadrícula de la imagen es un punto de datos independiente, y cada plano en el featureSet variable es una característica independiente. En este ejemplo, hay una función separada para cada filtro en el banco de filtros de Gabor, además de dos características adicionales de la información espacial que se ha añadido en el paso anterior. En total, hay 24 funciones de Gabor y 2 características espaciales para cada píxel nuestra imagen de entrada

numPoints = numRows*numCols;

X = reshape(featureSet,numRows*numCols,[]);

Normalizar las características para ser media cero, varianza unitaria.

X = bsxfun(@minus, X, mean(X));

X = bsxfun(@rdivide,X,std(X));

Visualizar el conjunto de características. Para tener una idea de cuáles son las características de magnitud Gabor parecen, Análisis de Componentes Principales se puede utilizar para pasar de una representación 26-D de cada píxel de la imagen de entrada en un valor de intensidad 1-D para cada píxel

...