matlab机器视觉工具箱，hog，sift，gabor，光流法等源代码和图片，亲测能跑

指纹图像的增强，指纹识别，sobol gabor算法

这是论文《Classification of Hyperspectral Images by Gabor Filtering Based Deep Network, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(4), 1166-1178.》的代码，更多详情可查看在纸上找到。 如果你使用这个演示，请引用这篇论文。 要运行此演示，您应该先下载minFunc matlab工具箱和drtoolbox。 minFunc matlab 工具箱和 drtoolbox 分别位于http://www.di.ens.fr/~mschmidt/Software/minFunc.html和http://homepage.tudelft.nl/19j49/Matlab_Toolb

1.前言 在深度学习出来之前，图像识别领域北有“Gabor帮主”，南有“SIFT慕容小哥”。目前，深度学习技术可以利用CNN网络和大数据样本搞事情，从而取替“Gabor帮主”和“SIFT慕容小哥”的江湖地位。但，在没有大数据和算力支撑的“乡村小镇”地带，或是对付“刁民小辈”，“Gabor帮主”可以大显身手，具有不可撼动的地位。IT武林中，有基于C++和OpenCV，或是基于matlab的Gabor图像变换与特征提取源代码，但大多招数花哨。而基于Python语言的Gabor图像变换和特征提取却很少见。本博主在实现基于Python语言的Gabor图像变换和特征提取中发现其确实比OpenCV或mat

生成二维空间 Gabor 函数。 用于生成模型简单的细胞感受野，或用于执行边缘检测。 参数允许指定空间频率、方向、宽度和中心。

gabor滤波器的matlab算法实现，有自己的独到之处，并附带一些参考文献

gabor_filter = gabor2D(w, theta, sigma, size, type) w : 中心频率theta ：角度或方向（度） sigma : 高斯包络的 sigma 值（通常选择 = 1/w） size : 输出过滤器的像素大小（大小*大小） 类型：“偶数”或“奇数”，默认值：“奇数”； 'even' : gabor 过滤器的实部'odd' : gabor 滤波器的虚部--------------------------------------------- 例子假设要过滤图像大小的中心频率 32 320*240，过滤器尺寸为 31x31。 可能是： w = [2 4 8 16 32 64]; w = w/(320/31); %标度中心频率θ = [0 45 90 135]; 西格玛 = 1./w; 大小 = 31; type = '偶数'; g = gabor2

具体算法见博客：https://blog.csdn.net/NiZjiTouA/article/details/123092437?spm=1001.2014.3001.5501 纯算法层面的加速，与cv2已知的API比较更快。

经过Gabor滤波器提取lena图像的特征，而且提出不同的Gabor滤波器的参考系数所运行出来的不同效果

自动高斯和 Gabor 曲面拟合--- 用于将一维高斯拟合到曲线以及将二维高斯或 Gabor 拟合到曲面的函数。 例程是自动的，因为它们不需要指定模型参数的起始猜测。 这是通过评估许多不同参数选择的拟合质量，然后通过最小二乘法（穷举搜索然后细化）细化最有希望的参数集来完成的。 所有函数都支持 2 种计算参数误差线的方法：bootstrapping 和 MCMC。 autoGaussianSurf（xi，yi，zi）使2D高斯拟合到曲面，定义为： zi = a*exp(-((xi-x0).^2/2/sigmax^2 + (yi-y0).^2/2/sigmay^2)) + b 它还可以拟合倾斜的 2d 高斯或各向同性的 2d 高斯。 autoGaborSurf（xi，yi，zi）适合Gabor，定义为： zi = a*exp(-(xip,.^2+yip.^2)/2/sigma^2