gabor特征提取python实现

以下是使用Python实现gabor特征提取的示例代码：

import cv2
import numpy as np
from scipy import ndimage
import matplotlib.pyplot as plt


def build_filters():
    filters = []
    ksize = 9
    for theta in np.arange(0, np.pi, np.pi / 4):
        for sigma in (1, 3):
            for frequency in (0.05, 0.25):
                kernel = cv2.getGaborKernel((ksize, ksize), sigma, theta, frequency, 0.5, 0, ktype=cv2.CV_32F)
                kernel /= 1.5 * kernel.sum()
                filters.append(kernel)
    return filters


def process(img, filters):
    features = np.zeros((img.shape[0], img.shape[1], len(filters)), dtype=np.float32)
    for i, kernel in enumerate(filters):
        filtered = ndimage.convolve(img, kernel, mode='wrap')
        features[:, :, i] = filtered
    return features


# 读取图像并转为灰度图
img = cv2.imread('lena.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 构建gabor滤波器组
filters = build_filters()

# 对图像进行gabor特征提取
features = process(gray, filters)

# 显示gabor滤波后的特征图像
for i in range(len(filters)):
    plt.subplot(4, 8, i + 1)
    plt.imshow(features[:, :, i], cmap='gray')
    plt.axis('off')
plt.show()

在上面的示例代码中，首先定义了一个`build_filters`函数，用于构建gabor滤波器组。接着定义了一个`process`函数，用于对图像进行gabor特征提取。

在主函数中，首先读取图像并转为灰度图，然后构建gabor滤波器组，最后对图像进行gabor特征提取，并显示gabor滤波后的特征图像。

注意：上述示例代码中的`lena.jpg`是一张测试图片，需要将其放在与代码同一目录下才能运行。