تبدیل گابور

نمایش طول موج گابور یک روش کلاسیک برای استخراج ویژگی های حالات چهره است. در جزییات، یک تصویر توسط یک مجموعه از فیلترها، فیلتربندی می شود، نتایج فیلتر شده می توانند بازتاب دهنده ی روابط بین پیکسل های محلی باشند. روش نمایش طول موج گابور به صورت گسترده ای برای استخراج ویژگی های حالت های چهره استفاده می شود. این روش می تواند مقیاس های چندگانه، تغییرات چند جهته برای بافت ها را شناسایی نموده و تأثیر نور افکنی در آن بسیار کم است.  شکل زیر نشان دهنده ی یک مثال از این روش است که در آن 18 گوشه گابور در مقیاس 3 و در 6 جهت به کار برده شده اند. لئو و سایر همکارانش  یک روش FER مبتنی بر ویژگی های طول موج گابور و آنالیز مؤلفه های اصلی مرکزی (KPCA) پیشنهاد نموده اند. در این طرح، آن ها از فیلترهای گابور محلی برای جایگذاری با فیلتر گابور سنتی استفاده نموده اند که نتیجه آن افزایش سرعت محاسبات بوده است. گو و سایر همکارانش از رمز گذاری شعاعی ویژگی های  گابور محلی و ترکیب دسته بند، FER را انجام داده اند. در این مقاله(A Review on Facial Expression Recognition: Feature Extraction and Classification) تصاویر ورودی ابتدا در معرض عملیات فیلتر گابور چند مقیاسه محلی قرار گرفته اند. سپس تجزیه گابور سر تا سری برای رمز گشایی استفاده شده است. در سال های اخیر، اوسو و سایر همکارانش یک سیستم FER  مبتنی بر AdaBoost  عصبی را پیشنهاد نمودند که در آن تکنیک های  استخراج ویژگی  گابور برای استخراج بخش  بزرگی از ویژگی های چهره با نمایش  الگوهای  تغییر شکل  چهره، استفاده شده اند.

مثال: در شبیه سازی  زیر به بررسی  و رسم دو تابع گابور در متلب پرداخته شده است. نتیجه اجرای برنامه مطابق شکل فوق می باشد:

کد متلب آن نیز به صورت زیر می باشد:

% Compute two Gabor functions often also

% called Gabor atoms, or also gaborettes.

t=-10:0.001:10;

b1=0;

a1=1;

b2=6;

a2=1./1.9;

g1=real(exp((-((t-b1)).^2)).*(exp(i.*((2).*pi).*((t-b1)))));

g2=real(exp((-((t-b2)).^2)).*(exp(i.*((4).*pi).*((t-b2)))));

plot(t,g1,'b',t,g2,'b');

axis([-10 10 -2.05 2.05]);

title('Two Gabor functions');