如何对2D图像应用Gabor滤波器,处理(145,145,10)矩阵并提取特征?
实现方案
你持有的形状为(145,145,10)的矩阵不需要导出为图像文件,可直接按最后一个维度拆分出10张2D单通道图像,逐张完成Gabor滤波后拼接特征,就能得到你需要的(样本数, Gabor特征)格式矩阵。下面是适配你需求的修改后代码,所有注释已翻译为中文:
import numpy as np import cv2 import pandas as pd # 假设你的10通道输入矩阵命名为input_matrix,形状为(145,145,10) # 这里可替换为你自己的矩阵加载逻辑 input_matrix = np.random.randint(0,255,size=(145,145,10), dtype=np.uint8) df = pd.DataFrame() # 先生成所有Gabor卷积核,避免重复计算 num = 1 kernels = [] kernel_params = [] # 保存核参数方便后续核对 for theta in range(8): theta = theta / 4. * np.pi for sigma in (1, 3, 5, 7): for lamda in np.arange(0, np.pi, np.pi / 4): for gamma in (0.05, 0.5): ksize=5 phi = 0 kernel = cv2.getGaborKernel((ksize, ksize), sigma, theta, lamda, gamma, phi, ktype=cv2.CV_32F) kernels.append(kernel) kernel_params.append(f"Gabor{num}: theta={theta:.2f},sigma={sigma},lamda={lamda:.2f},gamma={gamma}") num +=1 # 遍历10张2D图像逐个处理 for img_idx in range(input_matrix.shape[-1]): # 提取单张2D图像 single_img = input_matrix[:,:,img_idx] # 先存原始像素值作为第一个特征,不需要的话可以删掉这部分 img_flatten = single_img.reshape(-1) temp_df = pd.DataFrame() temp_df['original_pixel'] = img_flatten temp_df['image_index'] = img_idx # 标记特征属于第几张图,不需要可以删掉 # 逐个应用Gabor核提取特征 for kernel_idx, kernel in enumerate(kernels): # 对2D图像做滤波,再展平存入特征列 filtered_img = cv2.filter2D(single_img, cv2.CV_8UC3, kernel) filtered_flatten = filtered_img.reshape(-1) temp_df[kernel_params[kernel_idx].split(":")[0]] = filtered_flatten # 不需要保存滤波后图像可以删掉下面这行 # cv2.imwrite(f'gabor_filtered_images/img{img_idx}_{kernel_params[kernel_idx].split(":")[0]}.jpg', filtered_img) # 把当前图的特征拼接到总DataFrame中 df = pd.concat([df, temp_df], axis=0, ignore_index=True) # 最终df的形状就是(总像素数=145*145*10, 特征数=1+Gabor核数量),也就是你需要的(样本数, Gabor特征)格式 print(df.shape) print(df.head())
补充说明
- 如果你需要以单张图像为1个样本,而不是单个像素为1个样本,可对每张图像的所有像素特征做聚合统计(比如取均值、最大值、方差等),聚合后总样本数为10。
- 可以根据你的需求调整Gabor核的参数(theta数量、sigma取值范围等),参数越多提取的Gabor特征维度越高。
内容的提问来源于stack exchange,提问作者Refka
相关产品推荐
相关产品推荐

