在图像处理、模式识别以及计算机视觉等领域中，Gabor 滤波器得到了广泛的应用。 用Gabor 函数形成的二维Gabor 滤波器具有在空间域和频率域同时取得最优局部化的特性，与人类生物视觉特性很相似，因此能够很好地描述对应于空间频率(尺度)、空间位置及方向选择性的局部结构信息。
Gabor变换是一种短时傅里叶变换方法，其实质是在傅里叶变换中加入一个窗函数，通过窗函数来实现信号的时频分析。当选取高斯函数作为窗函数时，短时傅里叶变换称为Gabor变换。
常用的偶对称二维Gabor滤波器可表示为：
- 不同方向下的Gabor滤波器：
图1 不同方向上的滤波器
在实际应用时，可以根据检测对象的方向趋势，选择合适的方向参数进行滤波。如在检测人脸的五官时，可以根据人脸的偏转角度进行滤波，可以使特征点的定位更加准确。
2. 不同频率下的滤波器：
图2 不同频率下的滤波器
从图2可以看出随着的变化，Gabor滤波器中出现了很多宽窄与纹理不同的明暗条纹。当滤波器纹理与图像作用时，滤波器覆盖下的局部纹理频率与滤波器的频率越接近响应就越大，反之越小。
3. 试验结果:
在“人脸光照调整之DCT变换”随笔中，原始图像经过DCT变换处理后，并不能完全去除光照在人脸上分布不均的影响，而且人脸的本真信息也难以被全部表达。为此在DCT变换的基础上，用Gabor滤波对其进行再处理，可以达到更好的结果。
图三 基于DCT变换的Gabor滤波
图四 基于DCT变换的Gabor滤波
图三（c）是在（b）图基础上做的Gabor滤波，效果显示已基本完全消除了高曝光对图像的影响。同理，图四（c）的右边脸的光照也被抑制下来。图四（d）是对原始图像直接做Gabor滤波，虽然局部效果较（c）图更清晰，但整体纹理没有（c）图平滑，这样会给后续特征点定位的收敛性带来影响，因此定位效果欠稳定。
这两种方法合在一起使用，时间开销还是挺大的，在人脸识别等实时系统中，需要优化或精简。一般情况下，就单比处理效果和稳定性，Gabor要由于DCT变换。因此，在容许情况下，我们可以只取Gabor对图像进行处理。比如，作者在“眼睛定位”随笔中，就只用Gabor滤波对人脸处理，以提高眼睛定位精度。
下面，作者再贴几张图，看看这两种方法合在一起时，对AAM的帮助。
图五 光照调整对AAM定位的帮助
图五中的（a）图是AAM对原始图像直接定位的结果，（b）图是在去光照后的定位效果。比较两组图像，可以很明显的看到（b）图的定位精度有了大幅度的提高。