入力イメージの読み取りと表示

入力イメージを読み取って表示します。この例では,実行を高速化するためにイメージを縮小しています。

一个= imread (“kobi.png”）;= imresize (0.25);银色= rgb2gray(一个);图imshow(一个)

ガボールフィルターの配列の設計

さまざまな周波数と方向に調整したガボールフィルターの配列を設計します。周波数と方向の組み合わせは,多様なほぼ直交する,周波数と方向の情報のサブセットを入力イメージで局所的に使うように設計されています。方向は,0 ~ 150度の範囲を30度のステップの一定間隔でサンプリングします。波長は,4 /√(2)から入力イメージの斜辺の長さまで2のべき乗で増加させながらサンプリングします。こうした周波数と方向の組み合わせは,“はじめに”で引用した[Jain, 1991]から導き出されています。

图象尺寸=大小(A);numRows =图象尺寸(1);numCols =图象尺寸(2);wavelengthMin = 4 /√(2);wavelengthMax =函数(numRows numCols);n =地板(log2 (wavelengthMax / wavelengthMin));波长= 2.^(0:(n-2)) *波长min;deltaTheta = 45;取向= 0:deltaTheta: (180 - deltaTheta);g =伽柏(波长、取向);

ソースイメージからガボール振幅の特徴を抽出します。ガボールフィルターを取り扱う场合，各フィルターの振幅応答を使用するのが一般的です。ガボール振幅応答は「ガボールエネルギー」と呼ばれることもあります。GaborMag（：，：，Ind）で示されるM行N列のガボール振幅の各出力イメージは,対応するガボールフィルターg(印第安纳州)の出力です。

gabormag = imgaborfilt(银色、g);

ガボールの特徴を得るためのガボール振幅イメージの後処理

ガボール振幅応答を分類用の特徴として使用するには,複数の後処理が必要になります。この後処理にはガウス平滑化に加え,追加的な空間情報を特徴セットに追加する,関数主成分分析やkmeansで必要となる形式に特色セットを整形する，普通の分类と平衡値に特徴を规化する，などがあり。

各ガボール振幅イメージには,良好にセグメント化された一定テクスチャの領域内でも,いくつかの局所的なばらつきが含まれています。これらの局所的なばらつきによってセグメンテーションの精度が損なわれます。単純なガウスローパスフィルターでガボール振幅情報を平滑化すると,これらのばらつきを補正できます。各特徴を抽出したガボールフィルターに適合するシグマを選びます。また,平滑化項Kを導入し,ガボール振幅応答に適用する平滑化の量を制御します。

为i = 1:长度(g) sigma = 0.5*g(i).波长;K = 3;gabormag(:,:我)= imgaussfilt (gabormag(:,:我),K *σ);结束

分類用のガボール特徴セットを作成する場合,XとYの空間位置情報のマップを追加すると役立ちます。この追加情報により空間的に近接したグループを優先する分類が可能になります。

X = 1: numCols;Y = 1: numRows;(X, Y) = meshgrid (X, Y);featureSet =猫(3 gabormag X);featureSet =猫(3 featureSet Y);

データデータを整形，关节kmeansで必要となる形式の行列Xにします。イメージグリッド内の各ピクセルは個別のデータ点であり,変数featureSetの各平面は個別の特徴になります。この例には,ガボールフィルターバンクにある各フィルターの個別の特徴に加え,前の手順で追加した空間情報の2つの特徴が存在します。全体では,入力イメージのピクセルごとにガボールの特徴が24個空間的な特徴が2個となります。

numPoints = numRows * numCols;X =重塑(featureSet numRows * numCols, []);

ゼロ平均,単位分散に特徴を正規化します。

x = bsxfun（@minus，x，均值（x））;x = bsxfun（@ rdivide，x，std（x））;

特徴セットを可視化します。ガボール振幅の特徴がどのように見えるかを把握するために,主成分分析を使用して,入力イメージ内の各ピクセルの26次元表現からピクセルごとの1次元強度値に変換することができます。

多项式系数= pca (X);feature2DImage =重塑(X *多项式系数(:1),numRows, numCols);图imshow (feature2DImage, [])

このイメージを明確にセグメンテーションするのに十分な分散がガボール特徴情報にあることが,可視化によって明らかになりました。犬と床のテクスチャの差により,床と比較して犬が非常に暗く表示されています。

kmeansを使用したガボールテクスチャの特徴の分類

目的関数を最小化する平均値を求める場合,局所的最小値を避けるためにk - meansクラスタリングを5回繰り返します。この例で前提とする唯一の情報は,セグメント化するイメージ内に独立したテクスチャ領域がいくつ存在するかです。この場合には,独立した領域が2つ存在します。例のこの部分には、Statistics and Machine Learning Toolbox™ が必要です。

l = kmeans（x，2，“复制”5);

label2RGB.を使用してセグメンテーションを可視化します。

L =重塑(L，[numRows numCols]);图imshow (label2rgb (L))

imshowpairを使用してセグメント化されたイメージを可視化します。ラベル行列Lに関連付けられたマスクBWから作成される前景と背景のイメージを確認します。

Aseg1 = 0(大小(A),“喜欢”,);ASEG2 =零（大小（a），“喜欢”,);Bw = l == 2;BW = repmat(BW，[1 1 3]);Aseg1 (BW) = (BW);Aseg2 (~ BW) = (~ BW);图imshowpair (Aseg1 Aseg2,“蒙太奇”）;