Фильтр Габора¶

Фильтр Габора — это линейный фильтр в обработке изображений и компьютерном зрении, импульсная характеристика которого (ядро свертки) представляет собой произведение гармонической функции (синусоиды или косинусоиды) и гауссовой функции. Назван в честь венгерско-британского физика Денеша Габора, лауреата Нобелевской премии, который в 1946 году впервые описал подобные функции в контексте теории связи. Фильтры Габора моделируют свойства простых клеток зрительной коры млекопитающих и широко применяются для анализа текстур, выделения границ и обнаружения локальных частотных характеристик изображения.

¶Принцип работы и математическая модель

Фильтр Габора в пространственной области представляет собой комплексную функцию, состоящую из вещественной (четной) и мнимой (нечетной) частей. Вещественная часть обычно используется для обнаружения линий и границ, мнимая — для выделения перепадов яркости.

Математически двумерный фильтр Габора задается как произведение синусоидальной волны (несущей) и двумерной гауссовой функции (окна):

\[ G(x, y) = \exp\left(-\frac{x'^2 + \gamma^2 y'^2}{2\sigma^2}\right) \cdot \exp\left(i\left(2\pi \frac{x'}{\lambda} + \psi\right)\right) \]

где:

• \( x' = x \cos\theta + y \sin\theta \)
• \( y' = -x \sin\theta + y \cos\theta \)
• \(\lambda\) — длина волны несущей (определяет частоту фильтра);
• \(\theta\) — ориентация фильтра (угол полос);
• \(\psi\) — фазовый сдвиг (0 — для симметричной, \(\pi/2\) — для асимметричной формы);
• \(\sigma\) — стандартное отклонение гауссианы (определяет размер окна);
• \(\gamma\) — пространственное соотношение сторон (эллиптичность гауссианы).

Результат применения фильтра к изображению получается путем операции двумерной свертки: каждая точка изображения заменяется взвешенной суммой соседних пикселей, где веса задаются ядром Габора.

¶Параметры фильтра

Фильтр Габора характеризуется несколькими независимыми параметрами, которые позволяют настраивать его под конкретные задачи:

• Ориентация (\(\theta\)) — угол, под которым фильтр чувствителен к линиям и границам. Обычно используется набор из 4–8 ориентаций (0°, 45°, 90°, 135° и т.д.).
• Пространственная частота (\(1/\lambda\)) — определяет, насколько мелкие или крупные детали выделяет фильтр. Низкие частоты соответствуют крупным объектам, высокие — тонким линиям и текстурам.
• Размер ядра (\(\sigma\)) — влияет на область анализа. Большое \(\sigma\) позволяет захватывать более широкий контекст, но снижает локализацию.
• Соотношение сторон (\(\gamma\)) — при \(\gamma = 1\) гауссиана круглая, при \(\gamma < 1\) — вытянута вдоль ориентации, что повышает избирательность к направлению.
• Фазовый сдвиг (\(\psi\)) — определяет, является ли фильтр симметричным (четным) или асимметричным (нечетным). Четные фильтры реагируют на линии, нечетные — на границы перепадов яркости.

¶Свойства

¶Частотно-пространственная локализация

Фильтр Габора обладает оптимальной совместной локализацией в пространственной и частотной областях, что следует из принципа неопределенности Гейзенберга для сигналов. Гауссово окно минимизирует произведение ширины полосы пропускания по частоте и пространственной протяженности, что делает фильтр Габора близким к идеальному «окну» для анализа нестационарных сигналов.

¶Направленная избирательность

Фильтр чувствителен к линиям и границам определенной ориентации. При повороте изображения на угол, отличный от ориентации фильтра, отклик резко падает. Это свойство используется для выделения структур с заданным направлением (например, волокон, трещин, кровеносных сосудов).

¶Масштабная избирательность

Изменяя длину волны \(\lambda\) и размер окна \(\sigma\), можно настраивать фильтр на выделение деталей определенного размера. Это позволяет строить многомасштабные представления изображений (пирамиды Габора).

¶Применение

¶Обработка изображений и компьютерное зрение

• Выделение границ — нечетные фильтры Габора (с фазовым сдвигом \(\pi/2\)) эффективно обнаруживают перепады яркости, особенно в присутствии шума.
• Анализ текстур — набор фильтров с разными ориентациями и частотами формирует «вектор Габора» для каждого пикселя, который описывает локальную текстуру. Это используется для классификации текстур (например, распознавание тканей, древесины, горных пород).
• Распознавание лиц — фильтры Габора применяются для построения дескрипторов лиц (Gabor Jet Descriptors), устойчивых к изменениям освещения и небольшим поворотам.
• Биометрия — в системах распознавания отпечатков пальцев и радужной оболочки глаза фильтры Габора используются для выделения характерных линий и узоров.
• Анализ медицинских изображений — выделение кровеносных сосудов на снимках сетчатки глаза, обнаружение опухолей на маммограммах, анализ структуры костной ткани.

¶Обработка сигналов

В одномерном случае фильтр Габора применяется для анализа речевых сигналов, сейсмических данных и электрокардиограмм. Он позволяет выделять локальные частотные компоненты, например, форманты в речи или ритмические паттерны в ЭКГ.

¶Оптическое распознавание символов (OCR)

Фильтры Габора используются для выделения штрихов и линий в изображениях текста, что повышает точность распознавания символов, особенно при низком качестве сканирования.

¶Связь с нейрофизиологией

Денеш Габор разработал свои функции, изучая процессы передачи информации в нервной системе. Впоследствии нейрофизиологи (в частности, Дэвид Хьюбел и Торстен Визель, Нобелевская премия 1981 года) обнаружили, что простые клетки первичной зрительной коры (V1) млекопитающих имеют рецептивные поля, хорошо аппроксимируемые фильтрами Габора. Эти клетки избирательно реагируют на линии определенной ориентации и пространственной частоты, что подтверждает биологическую правдоподобность данного фильтра.

¶Ограничения и альтернативы

• Вычислительная сложность — свертка с большим ядром (например, 31×31 пиксель) требует значительных ресурсов. Для ускорения применяют разложение фильтра на одномерные свертки или использование быстрого преобразования Фурье.
• Неортогональность — фильтры Габора не образуют ортогонального базиса, что затрудняет точное восстановление сигнала из коэффициентов.
• Чувствительность к параметрам — для достижения хороших результатов требуется ручная настройка ориентаций и частот, что не всегда удобно.

Альтернативными методами локального частотного анализа являются вейвлет-преобразования (например, вейвлеты Морле, близкие по форме к фильтрам Габора), фильтры Собеля и Превитта (для выделения границ) и методы на основе локальных бинарных шаблонов (LBP) для анализа текстур.

¶Источники

• Gabor, D. (1946). «Theory of communication». Journal of the Institution of Electrical Engineers, 93(26), 429–457.
• Daugman, J. G. (1985). «Uncertainty relation for resolution in space, spatial frequency, and orientation optimized by two-dimensional visual cortical filters». Journal of the Optical Society of America A, 2(7), 1160–1169.
• Jain, A. K., Ratha, N. K., & Lakshmanan, S. (1997). «Object detection using Gabor filters». Pattern Recognition, 30(2), 295–309.
• Гонсалес, Р., Вудс, Р. (2012). «Цифровая обработка изображений». Москва: Техносфера.
• Hubel, D. H., & Wiesel, T. N. (1962). «Receptive fields, binocular interaction and functional architecture in the cat's visual cortex». The Journal of Physiology, 160(1), 106–154.