Gabor滤波器与K-means聚类的图像纹理分割实践

1. 项目概述：当纹理分析遇上聚类算法

在图像处理领域，把一张图片中有意义的部分自动分离出来一直是个经典难题。我最近用Matlab做了个实验，把Gabor滤波器提取的纹理特征和K-means聚类算法结合起来，效果出乎意料地好。这种方法特别适合处理那些靠颜色区分不明显，但纹理差异显著的图像，比如医学影像中的组织分割、工业检测中的缺陷识别，甚至是卫星图像中的地物分类。

Gabor滤波器本质上是个方向敏感的纹理检测器，它能同时捕捉空间频率和方向信息——这就像给图像戴上了能旋转的"纹理眼镜"，不同角度下看到的纹理特征都不一样。而K-means则是把多维特征空间中的数据点自动分组的利器。两者结合，相当于先用Gabor提取图像的"纹理指纹"，再让K-means根据这些指纹的相似性把图像区域归类。

实操中发现：当图像中存在周期性纹理（如织物、砖墙）时，这种方法比传统基于颜色的分割要稳健得多，即使光照条件变化也不容易失效。

2. 核心原理拆解

2.1 Gabor滤波器如何捕捉纹理特征

Gabor滤波器的数学表达式看起来有点吓人，但其实理解起来很直观。它的核心是一个正弦波乘上高斯函数，公式长这样：

matlab复制function gb = gabor_fn(sigma, theta, lambda, psi, gamma)
    sz = fix(8*sigma/gamma);
    [x, y] = meshgrid(-sz:sz, -sz:sz);
    
    % 旋转坐标
    x_theta = x*cos(theta) + y*sin(theta);
    y_theta = -x*sin(theta) + y*cos(theta);
    
    gb = exp(-(x_theta.^2 + gamma^2*y_theta.^2)/(2*sigma^2)) .* ...
         cos(2*pi*x_theta/lambda + psi);
end

关键参数有五个：

• σ(sigma)：高斯包络的标准差，控制滤波器作用范围
• θ(theta)：方向角度，决定检测哪个方向的纹理
• λ(lambda)：正弦波波长，对应要检测的纹理粗细
• ψ(psi)：相位偏移，一般取0或π/2
• γ