Gabor变换的中文书籍，值得一看！浅显易懂。

Gabor变换 通过Gabor变换，信号x(t)被展开为： Gabor变换公式：

信号的gabor变换matlab代码最佳集中Gabor 局部时频分量的最优集中 Gabor 变换 这包含一组 matlab 代码，用于创建 gabor 窗口，以最佳方式将给定信号集中在时频 (TF) 平面中。 该窗口适用于信号的选定部分（TF 分量）。 此窗口提供了组件的稀疏表示。 此代码是以下论文中描述的方法的实现： Ricaud, B., Stempfel, G., Torrésani, B., Wiesmeyr, C., Lachambre, H., & Onchis, D. (2014)。 局部时频分量的最优集中 Gabor 变换。 计算数学进展，40(3)，683-702。 . 和 Feichtinger, HG、Onchis-Moaca, D.、Ricaud, B.、Torrésani, B. 和 Wiesmeyr, C.（2012 年 8 月）。 一种优化模糊函数浓度的方法。 在信号处理会议 (EUSIPCO) 中，2012 年第 20 届欧洲会议论文集（第 804-808 页）。 IEEE。 要运行代码，需要 Matlab 工具箱 LTFAT。

基于Gabor变换的微动目标微多普勒分析与仿真

【matlab代码】对仿真信号用Gabor变换进行时频分析.m

针对实际监控中人体目标轮廓的多尺度特性，提出一种用于人体目标检测的多尺度方向特征描述子(HOGG)。首先采用Gabor滤波器提取人体图像对应不同尺度、不同方向的多个Gabor幅值域图谱，然后将相同尺度不同方向的幅值域图谱融合以降低特征维数，并对每幅融合图像提取梯度方向直方图(HOG)特征，最后将这些HOG特征联合起来作为人体图像表征。利用支持向量机(SVM)对描述特征进行分类，在CAVIAR数据库中进行了实验，结果表明，该算法对人体目标检测具有较好的性能。

对于匀速直线运动的模糊图像,准确鉴别运动方向角是图像复原的关键。分析了运动模糊图像的频谱特征,介绍了Radon变换的数学原理及用其估计运动模糊方向角的思路、步骤和数值实验结果。由于实际拍摄的模糊图像在很多时候频谱特征不够明显,导致用Radon变换鉴别角度出现大的误差,为此,提出了基于Gabor变换的一种改进算法。算法运用"窗口"聚焦频谱图像中心,较好地消除了噪声干扰并克服了Radon变换的弊端,数值实验结果验证了该算法的有效性。

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

用gabor变换算法提取图像的纹理特征(用matlab编写)

该代码为用gabor变换算法提取图像的纹理特征，用matlab编写，可应用于基于纹理的图像检索系统。其中还包含一篇gabor变换相关的文献