个人专业制作网站,html做网站需要服务器吗,寿光住房和城乡建设局网站,苏州保洁公司诗雨昨天想着看一些图形学方面的知识#xff0c;在CSDN上看到说Gabor函数可以精确是被图形细微处。于是从网上找了下面这么一篇文章看看#xff1a; 二、Gabor函数 Gabor变换属于加窗傅立叶变换#xff0c;Gabor函数可以在频域不同尺度、不同方向上提取相关的特征。另外Gabor函数…    昨天想着看一些图形学方面的知识在CSDN上看到说Gabor函数可以精确是被图形细微处。于是从网上找了下面这么一篇文章看看 二、Gabor函数 Gabor变换属于加窗傅立叶变换Gabor函数可以在频域不同尺度、不同方向上提取相关的特征。另外Gabor函数与人眼的生物作用相仿所以经常用作纹理识别上并取得了较好的效果。二维Gabor函数可以表示为 其中 v的取值决定了Gabor滤波的波长u的取值表示Gabor核函数的方向K表示总的方向数。参数 决定了高斯窗口的大小这里取 。程序中取4个频率v0, 1, ..., 38个方向即K8u0, 1, ... ,7共32个Gabor核函数。不同频率不同方向的Gabor函数可通过下图表示 图片来源 GaborFilter.html 图片来源 http://www.bmva.ac.uk/bmvc/1997/papers/033/node2.html 三、代码实现 Gabor函数是复值函数因此在运算过程中要分别计算其实部和虚部。代码如下 private void CalculateKernel(int Orientation, int Frequency) {    double real, img;    for(int x  -(GaborWidth-1)/2; x(GaborWidth-1)/21; x)       for(int y  -(GaborHeight-1)/2; y(GaborHeight-1)/21; y)       {          real  KernelRealPart(x, y, Orientation, Frequency);          img  KernelImgPart(x, y, Orientation, Frequency);          KernelFFT2[(x(GaborWidth-1)/2)  256 * (y(GaborHeight-1)/2)].Re  real;          KernelFFT2[(x(GaborWidth-1)/2)  256 * (y(GaborHeight-1)/2)].Im  img;       } } private double KernelRealPart(int x, int y, int Orientation, int Frequency) {    double U, V;    double Sigma, Kv, Qu;    double tmp1, tmp2;    U  Orientation;    V  Frequency;    Sigma  2 * Math.PI * Math.PI;    Kv  Math.PI * Math.Exp((-(V2)/2)*Math.Log(2, Math.E));    Qu  U * Math.PI  / 8;    tmp1  Math.Exp(-(Kv * Kv * ( x*x  y*y)/(2 * Sigma)));    tmp2  Math.Cos(Kv * Math.Cos(Qu) * x  Kv * Math.Sin(Qu) * y) - Math.Exp(-(Sigma/2));    return tmp1 * tmp2 * Kv * Kv / Sigma;    } private double KernelImgPart(int x, int y, int Orientation, int Frequency) {    double U, V;    double Sigma, Kv, Qu;    double tmp1, tmp2;    U  Orientation;    V  Frequency;    Sigma  2 * Math.PI * Math.PI;    Kv  Math.PI * Math.Exp((-(V2)/2)*Math.Log(2, Math.E));    Qu  U * Math.PI  / 8;    tmp1  Math.Exp(-(Kv * Kv * ( x*x  y*y)/(2 * Sigma)));    tmp2  Math.Sin(Kv * Math.Cos(Qu) * x  Kv * Math.Sin(Qu) * y) - Math.Exp(-(Sigma/2));    return tmp1 * tmp2 * Kv * Kv / Sigma;    } 有了Gabor核函数后就可以采用前文中提到的“离散二维叠加和卷积”或“快速傅立叶变换卷积”的方法求解Gabor变换并对变换结果求均值和方差作为提取的特征。32个Gabor核函数对应32次变换可以提取64个特征包括均值和方差。由于整个变换过程代码比较复杂这里仅提供测试代码供下载。该代码仅计算了一个101×101尺寸的Gabor函数变换得到均值和方差。代码采用两种卷积计算方式从结果中可以看出快速傅立叶变换卷积的效率是离散二维叠加和卷积的近50倍。 好长时间没有碰过卷积函数在CSDN上查找说卷积函数是将时域转换为频域的方法Gauss变换则是Gauss函数对图像进行卷积。于是在google上搜Gauss函数在台湾的一个大学里面找到下面内容[http://phy.ntnu.edu.tw/~moe89/GH/g4/myweb3/gau-fun.html]      高斯函數                             　      X 0 波包的平均位置   Δ波包的寬度 (deviation)  后来一看才知道这是在讲述量子化学忽然发现量子化不就是离散化嘛量子化学中的波函数不就是从光学中的波函数中衍生过来的嘛呵呵发现原来是这么的接近量子化学可以通过光学性能得到发展那么图片中的信息存储为什么不可以采用原子似的空间结构存储呢既然原子的薛定谔方程可以精确的描述原子的波函数信息那么图片中的信息波现象是否可以区域规划形成更精确的薛定谔方程也就是说比小波函数具有更高的局部区分能力。当然近似化的薛定谔方程不就是可以更为细致的描述局部的图形变换。 转载于:https://www.cnblogs.com/ubunoon/archive/2008/04/18/2058918.html