利用二维Gabor滤波器组编码虹膜纹理的方法,已被广泛地应用于虹膜识别中。该方法的关键是滤波器组的参数设计，直接影响着识别准确率。深入分析了二维Gabor滤波器各参数的作用，提出了一种适用于虹膜纹理特征提取的Gabor滤波器参数设计方法。该方法根据理论分析建立起参数间的关系，借助傅里叶变换和频谱分析确定参数取值。实验证明，依据该方法设计的滤波器组用于虹膜识别，效果好、识别率高。

构造Gabor冗余字典，接下来可用于K-SVD

1.傅里叶变换的简介，2.Gabor变换；生成2维Gabor滤波器的matlab 代码：

Gabor滤波算法在邻域处理器中的实现.pdf

基于opencv实现了对给定图像Gabor小波变换；尺度、方向、高斯窗口等参数可调

道路检测相关研究多基于KITTI等车道公开数据集展开，由于车道与人行道存在颜色、材质和周围环境等差异，准确地检测出人行道区域成为一个需要解决的问题。本文将应用场景设置为室外人行道，提出了一种改进的基于多特征融合的人行道检测算法。首先使用SLIC超像素算法获取超像素图以减少噪声干扰和后续训练维度；然后计算各超像素块特征，利用新的Gabor滤波器纹理提取方法降低时间复杂度，并加入基于主成分分析（PCA）的光照不变空间特征和三维的深度梯度特征提高检测准确度，选用Adaboost分类器对融合的特征向量进行训练并预测人行道区域；最后采用马尔可夫随机场对分割结果进行优化。本方法是通用的，不依赖于道路外观和结构的先验，在创建的人行道数据集上进行实验，证明了该算法的有效性。

GaborWavelet.m 中的函数创建 Gabor Wavelet 内核。 GaborExample.m 显示了五种不同尺度和八种不同方位的 Gabor wabeletskernel。

一种基于Gabor滤波器的指纹图像改进增强算法，李小白，陈昌，在指纹匹配过程中的一个关键步骤是提取输入指纹的特征信息，而提取算法的性能很大程度上依赖于输入指纹图像的质量，因此，为了确

gabor变换和Gabor视网膜血管检测的机器学习，教程本教程将展示如何Gabor变换和广义%的线性模型（GLM）可用于视网膜血管检测%图像。%具体地说，我们将尝试检测视网膜血管%的训练图像，首先，Gabor滤波器与图像卷积。% GLM将使用Gabor变换的图像特征确定%（独立变量），以及血管的位置%的结果（因变量）。在本教程中，我们将把这种方法用于检测血管的Gabor + GLM。%的Gabor + GLM将伪*验证如何检测视网膜“测试图像”中的血管。最后，我们将计算的灵敏度，%的特异性，绘制ROC曲线，以及相应的曲线下面积（AUC）。

利用opencv库实现的Gabor滤波器