ใช้ตัวกรอง Gabor กับภาพอินพุต

ฉันพยายามใช้ตัวกรอง Gabor ที่มีสเกลเฉพาะ (ตามค่าของแลมบ์ดาและซิกมาดังนั้นจึงเป็น ( 7x7 ) และสำหรับการหมุน 4 ทิศทาง (0, ,และ ) ไปยังอิมเมจสเกลสีเทาอินพุต$\frac{\pi}{4}$$\frac{\pi}{2}$$\frac{3\pi}{4}$

ในรหัสของฉันประสบความสำเร็จในสามขั้นตอน:

1. สร้างตัวกรอง Gabor

2. อ่านภาพ RGB จากนั้นแปลงเป็นระดับสีเทาและสุดท้ายเป็นสองเท่า

3. ใช้ gabor ที่สร้างขึ้นกับภาพอินพุต ( ที่นี่ฉันไม่แน่ใจว่ารหัสของฉันเป็นจริงหรือไม่นั่นเป็นเหตุผลที่ฉันต้องการความเห็นของคุณ )

1) -------------- สร้างตัวกรอง Gabor (ขนาด = 7x7 และ 4 การหมุน)

%define the five parameters
theta=....; %either 0 or pi/4 or pi/2 or 3pi/4
lambda=3.5;
gamma=0.3;
sigma=2.8;
psi=0;

sigma_x = sigma;
sigma_y = sigma/gamma;

nstds = 5;
xmax = max(abs(nstds*sigma_x*cos(theta)),abs(nstds*sigma_y*sin(theta)));
xmax = ceil(max(1,xmax));
ymax = max(abs(nstds*sigma_x*sin(theta)),abs(nstds*sigma_y*cos(theta)));
ymax = ceil(max(1,ymax));
xmin = -xmax; ymin = -ymax;
[x,y] = meshgrid(xmin:xmax,ymin:ymax);

x_theta=x*cos(theta)+y*sin(theta);
y_theta=-x*sin(theta)+y*cos(theta);

gb= exp(-.5*(x_theta.^2/sigma_x^2+y_theta.^2/sigma_y^2)).*cos(2*pi/lambda*x_theta+psi);

figure(2);
imshow(gb);
title('theta=...');
%imagesc(gb);
%colormap(gray);
%title('theta=...');

2) ------------ อ่านภาพอินพุต

I=imread('piano.jpg');
image_resize=imresize(I, [160,160]);
image_gray=rgb2gray(image_resize);
image_double=im2double(image_gray);
figure(1);
imshow(image_double);

3) ----- ใช้ gabor ที่สร้างขึ้นด้านบนกับภาพอินพุต (จำได้ว่าฉันไม่แน่ใจว่ารหัสในขั้นตอนนี้เป็นจริง 100% หรือไม่นั่นเป็นเหตุผลว่าทำไมฉันต้องการความคิดเห็นและความช่วยเหลือของคุณหากคุณมีคำตอบที่ถูกต้อง )

figure(3);
filtered = conv2(image_double,gb);
imagesc(filtered);
colormap(gray);
title('theta=....');

รหัสของคุณถูกต้องและผลลัพธ์สอดคล้องกัน คุณอาจแปลกใจกับพวกเขาเนื่องจาก 'คุณสมบัติที่ซ่อนอยู่'

ขั้นแรกให้ conv2ผลตอบแทนเต็มที่โดยปริยายเช่นผลลัพธ์ที่ได้คือขนาดของภาพบวกเส้นขอบขนาดครึ่งหนึ่งของเคอร์เนล (นั่นคือขนาดทั้งหมดถ้าขนาดของภาพบวกกับเคอร์เนล) เมื่อคุณตีความผลลัพธ์ของคุณโปรดระวัง!

ประการที่สองผลลัพธ์แสดงถึงค่าสัมประสิทธิ์ที่แข็งแกร่งสำหรับความสัมพันธ์ที่สูงขึ้นระหว่างเคอร์เนลและแพทช์ภาพท้องถิ่นของคุณ: ตามที่คาดไว้คุณจะแยกเส้นขอบของภาพ เห็นผลซ้ายสุดของคุณโดยเฉพาะแสดงเส้นแนวตั้งที่แข็งแกร่ง

สุดท้ายimagescปรับขนาดตามค่าเริ่มต้นระหว่างค่าสูงสุดถึงค่าสัมประสิทธิ์ต่ำสุด นั่นเป็นเหตุผลที่ผลลัพธ์ที่อยู่ทางซ้ายสุดคุณจะเห็นเส้นขอบเป็นหลัก

มีตัวเลือกต่าง ๆ ให้conv2อธิบายhelp conv2ซึ่งอนุญาตให้ควบคุมพฤติกรรมนี้

โปรดระวังด้วยว่ามีคำจำกัดความที่แตกต่างกันมากมายสำหรับการตรวจจับขอบเช่น log-Gabors

.

หากคุณมีความสนใจในการนำไปใช้อย่างเต็มรูปแบบ (ในภาษาไพ ธ อน) คุณอาจดูได้ที่: https://pythonhosted.org/LogGabor/ (shameless self-plug 😇)

รหัสของคุณถูกต้อง คุณเพียงแค่ต้องทำการแปลง 2-D กับเคอร์เนลตัวกรองซึ่งคุณทำได้ดีมาก

โชคดี