一、前言
此示例演示如何使用纹理分割根据纹理识别区域。目标是将狗从浴室地板上分开。由于浴室地板的规则、周期性图案与狗皮毛规则、光滑的纹理之间的质地差异，这种分割在视觉上很明显。
从实验中可以知道Gabor滤光片是哺乳动物视觉系统中简单细胞的合理模型。正因为如此，Gabor滤波器被认为是人类如何区分纹理的良好模型，因此在设计识别纹理的算法时是一个有用的模型。
二、读取和显示输入图像
读取并显示输入图像。此示例缩小图像以使示例运行得更快。
三、Gabor 滤波器设计阵列
设计一系列 Gabor 滤波器，这些滤波器被调谐到不同的频率和方向。频率和方向集旨在定位输入图像中频率和方向信息的不同、大致正交的子集。以 0 度的步长定期对 [150，30] 度之间的方向进行采样。从 4/sqrt（2） 开始的 1991 次幂递增的样本波长，直到输入图像的斜边长度。
从源图像中提取Gabor星等特征。使用 Gabor 滤波器时，通常使用每个滤波器的幅度响应。Gabor幅度响应有时也被称为“Gabor Energy”。
四、将Gabor星等图像后处理为Gabor要素。
要将Gabor幅度响应用作分类中使用的特征，需要进行一些后处理。此后处理包括高斯平滑、向特征集添加其他空间信息、将特征集重塑为 and 函数预期的形式，以及将特征信息归一化为公共方差和平均值。
每个Gabor星等图像都包含一些局部变化，即使在恒定纹理的良好分割区域内也是如此。这些局部变化将抛弃细分。我们可以使用简单的高斯低通滤波来补偿这些变化，以平滑Gabor幅度信息。我们选择与提取每个特征的Gabor滤波器匹配的西格玛。我们引入了一个平滑项 K，它控制对 Gabor 幅度响应应用的平滑量。
构建用于分类的 Gabor 要素集时，在 X 和 Y 中添加空间位置信息地图非常有用。此附加信息允许分类器首选在空间上靠近的分组。
将数据重塑为函数预期形式的矩阵。图像网格中的每个像素都是一个单独的数据点，变量中的每个平面都是一个单独的特征。在此示例中，Gabor 过滤器库中的每个过滤器都有一个单独的要素，以及上一步中添加的空间信息中的两个附加要素。输入影像中的每个像素总共有 24 个 Gabor 要素和 2 个空间要素。
将特征归一化为零均值、单位方差。可视化功能集。为了了解Gabor幅度特征的外观，可以使用主成分分析从输入图像中每个像素的26维表示移动到每个像素的一维强度值。
在此可视化中很明显，Gabor 特征信息中存在足够的方差，可以为此图像获得良好的分割。与地板相比，狗非常暗，因为狗和地板之间的质地差异。
五、使用 kmeans 对 Gabor 纹理要素进行分类
重复 k 均值聚类五次，以避免在搜索最小化目标函数的均值时出现局部最小值。此示例中假设的唯一先验信息是被分割的图像中存在多少个不同的纹理区域。
使用可视化分段。
可视化细分。检查由与标签矩阵关联的蒙版生成的前景和背景图像。
