Gabor变换(2)
来源:互联网 发布:软件测试员培训班 编辑:程序博客网 时间:2024/06/11 17:34
所谓目标识别,从某种意义上说就是特征识别的问题。而红外图特征提取的角度一般可以从几何形状和上下文的判断中得到,比如说,当你在一幅图像中去搜索桥梁和机场的跑道的时候,我们可以从形状上发现他们都是一组平行线;然后基于上下文去判断,桥梁的长度肯定比跑道短,桥梁的两边一般是水域,而跑道的中间有一些联络道,而这些这些联络道本身也是平行线。 通常用这种仅仅利用图像本身的知识去判断的时候,时常由于经验的限制,识别率总是没有办法做到很好!虽然图像所一些早期的论文里都声称,识别率能够达到90%以上,但是那只是用自己搜集的有利于自己算法的图片得出来的结果而已! 言规正传,由于种种努力,我们发现了频率的概念,频率的本质就是反映变化快慢的物理量。因此当我们把一幅图像f(x,y)通过傅立叶变换变成F(u,v)进入频率域的时候,w=sqrt(u2+v2)的大小,则直接体现了原图像中灰度值变化速率的大小。于是人们发现了滤波的方法,如通过低通滤波器将图像中的噪声去掉,同时把一些突变的地方变得平滑,而高通滤波器则可以把图像的边缘特征加以锐化。 但是很快大家就发现了傅立叶变换的一个缺陷,傅立叶变换在很大程度上只是一个体现大局观的概念,而无法反映图像局部的特点,因此我们无法通过傅立叶变换来对图像进行细节上更准确的操作。幸运的是,人们之后的研究中,发现了Gabor于1946年发表的论文《theTheory ofCommunication》,于是在识别的方法上,尤其在纹理识别上达到了一个新的高度。当然小波变换的应用也是差不多这个时间段开始的,由此我们也可以理解数学在图像领域的价值! Gabor滤波的本质是提取图像的特征分量,通常应用的领域有指纹识别,虹膜识别,人脸识别等。 所谓gabor的价值由来是由于人们对傅立叶频率分析的需求来的,因此,当我们去使用gabor滤波器的时候,就一定要结合对图象频率的分析。这一点表面上简单而直接,实际却被大部分的研究者忽略。关于这部分的研究,可以在各大搜索引擎上检索关键:"fourier function imview(g,[]); |
- Gabor变换(2)
- Gabor变换(2)
- Gabor 变换(1)
- Gabor变换(1)
- Gabor 变换 Gabor函数
- Gabor 变换 Gabor函数
- Gabor变换
- Gabor变换
- Gabor变换
- Gabor变换
- Gabor变换
- Gabor变换
- Gabor 变换
- Gabor变换
- Gabor变换
- Gabor变换
- Gabor变换
- Gabor变换
- unity3d触摸屏手势控制镜头旋转与缩放
- 从零开始Labview机器视觉-图像采…
- Matlab 之meshgrid interp griddata interp2
- OpenStack Neutron运行机制解析概要
- 二维EMD_BEMDcode
- Gabor变换(2)
- 经验分享《怎么将pdf转换成word格式文件》
- Gabor变换(1)
- matlab坐标轴标注和特殊字体…
- 来自HeroKu的HTTP API 设计指南(中文版)
- 51单片机——多功能电子钟
- 恢复matlab文件关联
- Android RecyclerView 使用完全解析 体验艺术般的控件
- [转]机器视觉代码大全