Gabor滤波器：与平均值相比存在较大的方差

Question

我试图从输入图像中提取Gabor特征。因此，我设置了一系列具有不同参数（频率、角度和标准差）的Gabor滤波器，并将每个滤波器与输入图像卷积，并查看输出幅度图像的平均值和方差。因此，在python中，它看起来像：

import numpy as np
from scipy import ndimage as nd

# Here kernel is a given Gabor filter
def filter_image(self, image):
    filtered = np.zeros((len(self.kernels)*2,) + image.shape)        
    for k, kernel in enumerate(self.kernels):            
        filtered[k*2, :] = nd.convolve(image, np.real(kernel), mode='wrap')
        filtered[k*2+1, :] = nd.convolve(image, np.imag(kernel), mode='wrap')

return filtered

现在，我将权力图像的均值和方差看作：

^{pr2}$

所以，当我查看每个过滤器响应的平均值和方差时，我注意到相对于平均值的方差确实很高。例如，我得到的值是（平均值=0.83，方差=900）。我想知道这是否是人们经常看到的东西。这是否说明我在图像中没有任何纹理？我不知道该怎么解释。在

我很抱歉，如果这不完全属于这个论坛。我也在crossvalidated上贴了这个。在

Answer 1

你只需看一眼就知道你的图像的纹理。在

我建议你看看example given in scikit-image documentation。您将能够看到纹理图像的典型结果，并检查您的代码。在

我认为你的代码片段中有一个错误：在你的函数filter_image中，你正在迭代所有的内核，你应该只做一个内核卷积。在

除此之外，您还应该检查您使用哪种类型的图像作为输入。在skimage示例中，图像首先被转换为float。所有功能都在[0，1]中。从您的结果来看，我怀疑您使用的是整数，它可以产生非常不同的均值和方差值，尽管在标准化之后它给出的输出是相同的。 如果我更改skimage示例中的代码并使用原始整数图像，那么我得到的结果更像您的结果，而不是使用float。我计算了平均值对方差的最小值/最大值/平均值比率：

print((ref_feats[:, :, 0] / ref_feats[:, :, 1]).min())
print((ref_feats[:, :, 0] / ref_feats[:, :, 1]).mean())
print((ref_feats[:, :, 0] / ref_feats[:, :, 1]).max())

（其中ref_feats是图像和内核上的（平均值，var）表，得到：

^{pr2}$