【图像处理】纹理特征整理

参考

基于OpenCV的Gabor变换及特征提取
 Gabor滤波进行目标图像纹理特征的提取
 Gabor 特征总结
 目标检测的图像特征提取之（二）LBP特征

灰度共生矩阵

灰度共生矩阵(GLDM)的统计方法是20世纪70年代初由R.Haralick等人提出的，它是在假定图像中各像素间的空间分布关系包含了图像纹理信息的前提下，提出的具有广泛性的纹理分析方法。

Gabor

Gabor变换是一种加窗短时Fourier变换（Window Fourier transform or Short Time Fourier Transform）。Gabor函数可以在频域不同尺度、不同方向上提取相关的特征。Gabor变换是短时Fourier变换中当窗函数取为高斯函数时的一种特殊情况。Gabor变换的本质实际上还是对二维图像求卷积。

二维Gabor函数的表达形式

g (x, y; λ, θ, ψ, σ, γ) = e x p (- \frac{x^{^{'} 2} + γ^{2} y^{^{'} 2}}{2 σ^{2}}) e x p (i (2 π \frac{x^{^{'}}}{λ} + ψ))

$g(x,y;\lambda,\theta,\psi,\sigma,\gamma)=exp(-\frac{x^{’2}+{\gamma}^2y^{'2}}{2\sigma^2})exp(i(2\pi\frac{x^{'}}{\lambda}+\psi))$

g (x, y; λ, θ, ψ, σ, γ) = e x p (- \frac{x^{^{'} 2} + γ^{2} y^{^{'} 2}}{2 σ^{2}}) c o s (i (2 π \frac{x^{^{'}}}{λ} + ψ))

$g(x,y;\lambda,\theta,\psi,\sigma,\gamma)=exp(-\frac{x^{’2}+{\gamma}^2y^{'2}}{2\sigma^2})cos(i(2\pi\frac{x^{'}}{\lambda}+\psi))$

g (x, y; λ, θ, ψ, σ, γ) = e x p (- \frac{x^{^{'} 2} + γ^{2} y^{^{'} 2}}{2 σ^{2}}) s i n (i (2 π \frac{x^{^{'}}}{λ} + ψ))

$g(x,y;\lambda,\theta,\psi,\sigma,\gamma)=exp(-\frac{x^{’2}+{\gamma}^2y^{'2}}{2\sigma^2})sin(i(2\pi\frac{x^{'}}{\lambda}+\psi))$

where

x^{^{'}} = x c o s θ + y s i n θ

$x^{'}=xcos\theta+ysin\theta$

y^{^{'}} = - x s i n θ + y c o s θ

$y^{'}=-xsin\theta+ycos\theta$
公式中：

λ

$\lambda$ ：正弦函数波长

θ

$\theta$ ：Gabor核函数的方向

ψ

$\psi$ ：相位偏移

σ

$\sigma$ ：高斯函数的标准差

γ

$\gamma$ ：空间的宽高比

MRA(Multi-resolution Analysis)多分辨率分析理论

DWT(Discrete Wavelet Transform)

局部二进制模式LBP(Local Binary Pattern)

LBP（Local Binary Pattern，局部二值模式）是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。