R语言代写Gabor滤波进行目标图像纹理特征的提取

Gabor特征已广泛用于图像分析和处理（字符和面部识别）。Gabor（诺贝尔奖获得者，电气工程师和物理学家）使用了以下措辞，我认为在这个小插图中值得一提，“你无法预测未来，但你可以发明它。” 

在下面的几行中，我将描述GaborFeatureExtract R6类，其中包括以下方法，

GaborFeatureExtract

gabor_filter_bank（）

gabor_feature_extraction（）

gabor_feature_engine（）

 这些方法基于Matlab代码Gabor Feature Extraction of M. Haghighat，S。Zonouz，M.Abdel-Mottaleb，“CloudID：Trustworthy cloud-based and cross-enterprise biometric identification，”Expert Systems with Applications，vol。42，不。21，pp.7905-7916,2015，http：//dx.doi.org/10.1016/j.eswa.2015.06.025。修改了最初的Matlab代码（我添加了Magnitude特性和gabor_feature_engine（）方法），并在可能的地方使用Rcpp进行并行化。

Gabor功能

 我在CRAN（综合R档案网络）上进行了常规搜索，但我找不到任何与Gabor特征提取相关的内容（截至2018年8月），因此我决定将Matlab代码移植到R中。网上有很多资源如果有人打算加深他/她对这个主题的了解，我会在Vignette的末尾添加一些我觉得有用的内容（参考文献）。 

​

gabor_filter_bank

该gabor_filter_bank方法“......生成自定义尺寸的Gabor滤波器组。它创建一个UxV单元阵列，其元素是MxN矩阵; 根据Matlab代码的作者，每个矩阵都是2-D Gabor滤波器。以下代码块显示了它在R中是如何工作的，

library(OpenImageR)


init_gb = GaborFeatureExtract$ ()

#------------------
# gabor-filter-bank
#------------------

gb_f = init_gb$ (scales = 5, orientations = 8, gabor_rows = 39,

                                 gabor_columns = 39, plot_data = TRUE)


#-----------------------------------------------
# plot of the real part of the gabor-filter-bank
#-----------------------------------------------

plt_f = init_gb$ (real_matrices =  $gabor_real, margin_btw_plots = 0.65,

                           thresholding = FALSE)

​

对于gabor_filter_bank，我使用5个刻度和8个方向来构建大小为39 x 39的过滤器。该方法的输出是长度为3的列表，

str(gb_f)
List of 3
 $ gaborArray     :List of 40
  ..$ : cplx [1:39, 1:39] -1.58e-12-0.00i 0.00-5.02e-12i 1.50e-11-0.00i ...
  ..$ : cplx [1:39, 1:39] 4.86e-08-3.96e-08i 1.02e-07+4.63e-08i 6.31e-09+1.93e-07i ...
  ..$ : cplx [1:39, 1:39] 6.24e-06-6.24e-06i 1.18e-05+0.00i 1.10e-05+1.10e-05i ...
  ..$ : cplx [1:39, 1:39] -6.69e-05-3.18e-05i -4.63e-05-7.20e-05i -1.60e-06-9.81e-05i ...
  ..$ : cplx [1:39, 1:39] 1.40e-04+5.81e-05i 1.15e-04+1.15e-04i 6.68e-05+1.61e-04i ...
.......
 $ gabor_imaginary:List of 40
  ..$ : num [1:39, 1:39] -4.65e-27 -5.02e-12 -1.10e-26 4.21e-11 -2.99e-25 ...
  ..$ : num [1:39, 1:39] -3.96e-08 4.63e-08 1.93e-07 1.53e-07 -3.04e-07 ...
  ..$ : num [1:39, 1:39] -6.24e-06 4.84e-20 1.10e-05 2.01e-05 1.81e-05 ...
  ..$ : num [1:39, 1:39] -3.18e-05 -7.20e-05 -9.81e-05 -9.58e-05 -5.78e-05 ...
  ..$ : num [1:39, 1:39] 5.81e-05 1.15e-04 1.61e-04 1.86e-04 1.83e-04 ...
.......
 $ gabor_real     :List of 40
  ..$ : num [1:39, 1:39] -1.58e-12 5.54e-27 1.50e-11 -4.12e-26 -1.11e-10 ...
  ..$ : num [1:39, 1:39] 4.86e-08 1.02e-07 6.31e-09 -2.85e-07 -4.28e-07 ...
  ..$ : num [1:39, 1:39] 6.24e-06 1.18e-05 1.10e-05 -8.11e-20 -1.81e-05 ...
  ..$ : num [1:39, 1:39] -6.69e-05 -4.63e-05 -1.60e-06 5.73e-05 1.12e-04 ...
  ..$ : num [1:39, 1:39] 1.40e-04 1.15e-04 6.68e-05 -3.77e-19 -7.57e-05 ...
.......

第一个子列表（gaborArray）由复杂类型的40个矩阵（5个刻度×8个方向）组成，其中每个matix的尺寸为39 x 39（gabor滤波器）。第二个子列表（gabor_imaginary）是虚部（数字），而第三个子列表是实部（gabor_real）。实部（数字）用于绘制gabor滤波器。

该文档包含所使用的每个参数的更多详细信息。

gabor_feature_extraction

该gabor_feature_extraction方法提取图像的Gabor特征。与初始Matlab代码相比，此方法得到修改，以便用户可以选择对图像进行下采样或对特征进行标准化。此外，我添加了Magnitude功能，因为根据文献，它提高了可预测性。

基于前面提到的car.png图像，

# read image
#-----------

pth_im = system.file("tmp_images", "car.png", package = "OpenImageR")

im = readImage(pth_im) * 255


# gabor-feature-extract
#----------------------

gb_im = init_gb$ (image = im, scales = 5,  ,

                                             downsample_rows = NULL,

                                          downsample_col 
                                            , plot_data = TRUE, 
                                          
                                          normalize_features = FALSE, threads = 3)

此函数再次返回长度为3的列表，

其中gaborFeatures是提取的特征，其行数等于nrow（im）x ncol（im）（或166 x 249），列数等于scale x orientationations（或5 x 8）。第二和第三个子列表是与gabor滤波器卷积后得到的图像的虚部和实部。以下代码块允许用户绘制图像的不同比例和方向，

plt_im = init_gb$plot_gabor(real_matrices = gb_im$  , thresholding = FALSE)

​

通过将gb_im $ gabor_features_real对象（比例，方向）阈值化为 [0,1]，可以直观地探索图像，

# thresholding parameter is set to TRUE
#--------------------------------------

plt_im_thresh = init_gb$plot_gabor(real_matrices   ,

                                   margin_btw_plots = 0.65, thresholding = TRUE)

​

gabor_feature_engine

该gabor_feature_engine方法是初始Matlab代码的扩展，并且允许用户从多个图像中提取Gabor特征。此方法的工作方式与HOG_apply方法相同，后者采用图像矩阵（如mnist数据集），并在处理后返回要素。以下示例说明如何将gabor_feature_engine方法与mnist数据集一起使用，

 


mnist <- read.table(unz("mnist.zip", "mnist.csv"), nrows = 70000, header = T, 
                    
                    quote = """, sep = ",")
 

dat = init_gb$gabor_feature_engine(img_data = x, img_nrow = 28, img_ncol = 28,

                                    scales = 4, orientations = 8, gabor_rows = 13,

                                    gabor_columns = 13, downsample_gabor = FALSE,

                                    downsample_rows = NULL, downsample_cols = NULL,

                                    normalize_features = FALSE, threads = 6, 
                                    
                                    verbose = TRUE)

Time to complete : 4.111672 mins 

 str(dat)
List of 2
 $ magnitude      : num [1:70000, 1:3136] 0 0 0 0 0 0 0 0 0 0 ...
 $ energy_aptitude: num [1:70000, 1:64] 2682 2576 1399 1178 2240 ...

的DAT目的是长度为2的列表中的第一子列表对应于幅度，而第二子列表到本地能量和均值性向。在计算mnist数据的准确性之前要做的第一件事是减少幅度特征的维数（我将使用irlba包来实现此目的），

并且我将创建一个缩小幅度和能量 - 能力数据的中心缩放矩阵，

然后我将利用nmslibR库（近似方法'hnsw'）来计算mnist数据的准确性，

我将使用HOG_apply函数执行相同的操作，

通过平均gabor和HoG特征，平均准确度增加到98.34％，这非常接近于KernelKnn（98.4）的HoG +强力方法的得分，

如果您有任何疑问，请在下面发表评论。