Gabor是一个用于边缘提取的线性滤波器，其频率和方向表达与人类视觉系统类似，能够提供良好的方向选择和尺度选择特性，而且对于光照变化不敏感，因此十分适合纹理分析。
图1. Gabor与脊椎动物视觉皮层感受野响应的比较
图1中第一行是脊椎动物的视觉响应，第二行是Gabor滤波器的响应，可以看到，二者相差极小。
基于以上特性，Gabor滤波器被广泛应用于人脸识别的预处理。
Gabor理论及公式
我们知道，傅里叶变换可以将信号从时域转换到频域，但无法获得频谱中不同频率之间的先后关系。
然而实际应用中我们更多的关心信号局部范围内的的特性，Gabor和小波变换突破了傅里叶变换的局限性。
Gabor变换是D.Gabor于1946年提出的，为了提取傅里叶变换的局部信息，引入了时间局部化的窗函数（把信号划分成许多小的时间间隔，用傅里叶变换分析每一个间隔）。因此Gabor变换又称为窗口傅里叶变换（短时傅里叶变换）。
表1. 二维Gabor滤波器参数解释
| 参数 | 物理意义 | 描述 |
|---|---|---|
| λλ | 波长 | 直接影响滤波器的滤波尺度，通常大于等于2 |
| θθ | 方向 | 滤波器的方向 |
| ψψ | 相位偏移 | 调谐函数的相位偏移，取值-180到180 |
| γγ | 空间纵横比 | 决定滤波器的形状，取1时为圆形，通常取0.5 |
| σσ | 带宽 | 高斯滤波器的方差，通常取2ππ |
实验
本节参考自【图像处理】Gabor滤波器、Gabor滤波器学习、Gabor的OpenCV代码
图2. 取不同参数的Gabor滤波器
图4使用图2的滤波器对图3中两幅人脸做卷积
图3. FERET中同一人在不同光照不同角度的人脸
图4.1. 使用图2滤波器对图3左卷积结果
图4.2. 使用图2滤波器对图3右卷积结果
可以看到，不同方向不同尺度的Gabor滤波器可以提取人脸中不同特征
此外还可以看到，Gabor滤波结果对不同光照也能保持较稳定结果