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）。

基于opencv的gabor变换类，实现的多尺度，多方向gabor变换，测试没有内存泄露

matlab仿真实现人脸识别，包括gabor滤波器的构造以及在不同尺度和方向上的Gabor函数的实现

为了提高虹膜识别的准确率，通过对虹膜图像进行处理，实现了对虹膜图像的准确定位，得到了增强的归一化图像；使用Haar小波变换进行了特征提取，通过采用K-means方法对小波特征数据进行聚类，实现了粗分类得到了小样本集虹膜图像；结合虹膜的纹理特点，通过使用Log-Gabor滤波器提取虹膜局部纹理特征，量化编码后形成了虹膜特征模板；然后在得到的小样本集内通过汉明距离计算虹膜特征模板的相似度，完成对虹膜图像的识别。实验结果表明，提出的虹膜识别方法有效地避免了虹膜匹配过程中因为虹膜数据库中种类多、数量多带来的计算量大、计算时间长的问题，提高了识别准确率。

笔迹鉴别是通过分析手写笔迹信息来判断书写者身份的特征分析技术，为提高笔迹鉴别的科学性和准确性，设计了基于ARM嵌入式系统的文本独立（Text-independent）笔迹鉴别系统。系统包括笔迹采集端、数据传输部分和上位机处理端3个部分。首先给出了总体设计和详细的工作流程，并对笔迹信息采集模块和数据传输部分进行分析，最后结合笔迹图像预处理技术和纹理特征分析方法，采用基于多维度Gabor变换和支持向量机（Support Vector Machines，SVM）方法进行实时笔迹鉴别。实验表明，系统鉴别率高，达到了良好的预期效果。

matlab下，使用gabor和神经网络实现人脸识别，有代码、说明文档、样例图片。亲测可用。很好的学习材料，从网上下载的。

这里包含三个高质量的Gabor实现代码，分别基于C、OpenCV、Matlab，大家各取所需吧。Gabor变换可以实现在多个尺度、多个方位上的变换，尤其是对于纹理的检测有很好的效果，研究表明Gabor特征符合人眼感受野特性。

Gabor变换 MATLAB程序 根据理论自己编写

自己做Gabor变换图像处理试题用到，基于多尺度Gabor滤波器的彩色图像边缘检测的matlab代码，里面是3个尺度，16个方向的Gabor滤波器的检测，首先将彩色图像灰度化，利用多尺度Gabor虚部滤波器提取图像灰度变换信息，利用局部边缘连接获取图像边缘轮廓。效果十分好。

时频分析 Gabor 变换 Matlab程序