Gabor特征已广泛用于图像分析和处理（字符和面部识别）。Gabor（诺贝尔奖获得者，电气工程师和物理学家）使用了以下措辞，我认为在这个小插图中值得一提，“你无法预测未来，但你可以发明它。”
在下面的几行中，我将描述GaborFeatureExtract R6类，其中包括以下方法，
| GaborFeatureExtract |
|---|
| gabor_filter_bank（） |
| gabor_feature_extraction（） |
| gabor_feature_engine（） |
| 这些方法基于Matlab代码Gabor Feature Extraction of M. Haghighat，S。Zonouz，M.Abdel-Mottaleb，“CloudID：Trustworthy cloud-based and cross-enterprise biometric identification，”Expert Systems with Applications，vol。42，不。21，pp.7905-7916,2015，http：//dx.doi.org/10.1016/j.eswa.2015.06.025。修改了最初的Matlab代码（我添加了Magnitude特性和gabor_feature_engine（）方法），并在可能的地方使用Rcpp进行并行化。 |
Gabor功能
我在CRAN（综合R档案网络）上进行了常规搜索，但我找不到任何与Gabor特征提取相关的内容（截至2018年8月），因此我决定将Matlab代码移植到R中。网上有很多资源如果有人打算加深他/她对这个主题的了解，我会在Vignette的末尾添加一些我觉得有用的内容（参考文献）。
gabor_filter_bank
该gabor_filter_bank方法“......生成自定义尺寸的Gabor滤波器组。它创建一个UxV单元阵列，其元素是MxN矩阵; 根据Matlab代码的作者，每个矩阵都是2-D Gabor滤波器。以下代码块显示了它在R中是如何工作的，
library(OpenImageR)
init_gb = GaborFeatureExtract$ ()
#------------------
# gabor-filter-bank
#------------------
gb_f = init_gb$ (scales = 5, orientations = 8, gabor_rows = 39,
gabor_columns = 39, plot_data = TRUE)
#-----------------------------------------------
# plot of the real part of the gabor-filter-bank
#-----------------------------------------------
plt_f = init_gb$ (real_matrices = $gabor_real, margin_btw_plots = 0.65,
thresholding = FALSE)
对于gabor_filter_bank，我使用5个刻度和8个方向来构建大小为39 x 39的过滤器。该方法的输出是长度为3的列表，
str(gb_f)
List of 3
$ gaborArray :List of 40
..$ : cplx [1:39, 1:39] -1.58e-12-0.00i 0.00-5.02e-12i 1.50e-11-0.00i ...
..$ : cplx [1:39, 1:39] 4.86e-08-3.96e-08i 1.02e-07+4.63e-08i 6.31e-09+1.93e-07i ...
..$ : cplx [1:39, 1:39] 6.24e-06-6.24e-06i 1.18e-05+0.00i 1.10e-05+1.10e-05i ...
..$ : cplx [1:39, 1:39] -6.69e-05-3.18e-05i -4.63e-05-7.20e-05i -1.60e-06-9.81e-05i ...
..$ : cplx [1:39, 1:39] 1.40e-04+5.81e-05i 1.15e-04+1.15e-04i 6.68e-05+1.61e-04i ...
.......
$ gabor_imaginary:List of 40
..$ : num [1:39, 1:39] -4.65e-27 -5.02e-12 -1.10e-26 4.21e-11 -2.99e-25 ...
..$ : num [1:39, 1:39] -3.96e-08 4.63e-08 1.93e-07 1.53e-07 -3.04e-07 ...
..$ : num [1:39, 1:39] -6.24e-06 4.84e-20 1.10e-05 2.01e-05 1.81e-05 ...
..$ : num [1:39, 1:39] -3.18e-05 -7.20e-05 -9.81e-05 -9.58e-05 -5.78e-05 ...
..$ : num [1:39, 1:39] 5.81e-05 1.15e-04 1.61e-04 1.86e-04 1.83e-04 ...
.......
$ gabor_real :List of 40
..$ : num [1:39, 1:39] -1.58e-12 5.54e-27 1.50e-11 -4.12e-26 -1.11e-10 ...
..$ : num [1:39, 1:39] 4.86e-08 1.02e-07 6.31e-09 -2.85e-07 -4.28e-07 ...
..$ : num [1:39, 1:39] 6.24e-06 1.18e-05 1.10e-05 -8.11e-20 -1.81e-05 ...
..$ : num [1:39, 1:39] -6.69e-05 -4.63e-05 -1.60e-06 5.73e-05 1.12e-04 ...
..$ : num [1:39, 1:39] 1.40e-04 1.15e-04 6.68e-05 -3.77e-19 -7.57e-05 ...
.......第一个子列表（gaborArray）由复杂类型的40个矩阵（5个刻度×8个方向）组成，其中每个matix的尺寸为39 x 39（gabor滤波器）。第二个子列表（gabor_imaginary）是虚部（数字），而第三个子列表是实部（gabor_real）。实部（数字）用于绘制gabor滤波器。
该文档包含所使用的每个参数的更多详细信息。
gabor_feature_extraction
该gabor_feature_extraction方法提取图像的Gabor特征。与初始Matlab代码相比，此方法得到修改，以便用户可以选择对图像进行下采样或对特征进行标准化。此外，我添加了Magnitude功能，因为根据文献，它提高了可预测性。
基于前面提到的car.png图像，
# read image
#-----------
pth_im = system.file("tmp_images", "car.png", package = "OpenImageR")
im = readImage(pth_im) * 255
# gabor-feature-extract
#----------------------
gb_im = init_gb$ (image = im, scales = 5, ,
downsample_rows = NULL,
downsample_col
, plot_data = TRUE,
normalize_features = FALSE, threads = 3)此函数再次返回长度为3的列表，
其中gaborFeatures是提取的特征，其行数等于nrow（im）x ncol（im）（或166 x 249），列数等于scale x orientationations（或5 x 8）。第二和第三个子列表是与gabor滤波器卷积后得到的图像的虚部和实部。以下代码块允许用户绘制图像的不同比例和方向，
plt_im = init_gb$plot_gabor(real_matrices = gb_im$ , thresholding = FALSE)
通过将gb_im $ gabor_features_real对象（比例，方向）阈值化为 [0,1]，可以直观地探索图像，
# thresholding parameter is set to TRUE
#--------------------------------------
plt_im_thresh = init_gb$plot_gabor(real_matrices ,
margin_btw_plots = 0.65, thresholding = TRUE)
gabor_feature_engine
该gabor_feature_engine方法是初始Matlab代码的扩展，并且允许用户从多个图像中提取Gabor特征。此方法的工作方式与HOG_apply方法相同，后者采用图像矩阵（如mnist数据集），并在处理后返回要素。以下示例说明如何将gabor_feature_engine方法与mnist数据集一起使用，
mnist <- read.table(unz("mnist.zip", "mnist.csv"), nrows = 70000, header = T,
quote = """, sep = ",")
dat = init_gb$gabor_feature_engine(img_data = x, img_nrow = 28, img_ncol = 28,
scales = 4, orientations = 8, gabor_rows = 13,
gabor_columns = 13, downsample_gabor = FALSE,
downsample_rows = NULL, downsample_cols = NULL,
normalize_features = FALSE, threads = 6,
verbose = TRUE)
Time to complete : 4.111672 mins str(dat)
List of 2
$ magnitude : num [1:70000, 1:3136] 0 0 0 0 0 0 0 0 0 0 ...
$ energy_aptitude: num [1:70000, 1:64] 2682 2576 1399 1178 2240 ...的DAT目的是长度为2的列表中的第一子列表对应于幅度，而第二子列表到本地能量和均值性向。在计算mnist数据的准确性之前要做的第一件事是减少幅度特征的维数（我将使用irlba包来实现此目的），
并且我将创建一个缩小幅度和能量 - 能力数据的中心缩放矩阵，
然后我将利用nmslibR库（近似方法'hnsw'）来计算mnist数据的准确性，
我将使用HOG_apply函数执行相同的操作，
通过平均gabor和HoG特征，平均准确度增加到98.34％，这非常接近于KernelKnn（98.4）的HoG +强力方法的得分，