ITPub博客

首页 > 大数据 > 数据挖掘 > R语言Gabor滤波进行目标图像纹理特征的提取

R语言Gabor滤波进行目标图像纹理特征的提取

原创 数据挖掘 作者:tecdat 时间:2020-10-21 23:42:51 0 删除 编辑

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.7905-7916,2015http: //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

 

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

 

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

 

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 ...

 

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 gaborHoG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

 

 

非常感谢您阅读本文,有任何问题请在下面留言!


来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/69982319/viewspace-2728662/,如需转载,请注明出处,否则将追究法律责任。

请登录后发表评论 登录
全部评论
拓端tecdat分享最in的大数据资讯,提供“一站式”的数据分析学习和咨询体验,让我们一起做有态度的数据人。关注公众号:拓端数据部落、拓端数据。

注册时间:2020-08-21

  • 博文量
    84
  • 访问量
    32448