近来对特征提取方法进行学习，课题组利用到了Gabor滤波的方法进行特征的提取工作，看了很多相关的文献，不甚了解整个的运算过程；检索到了相关代码后，查阅了相关文献和网页资料后，结合代码进行断点调试，发现了一些端倪，对Gabor滤波的运算原理有了一个初步的认识，在此立贴，也算是给后来者以一个简要的整体轮廓认识，另一方面也算是抛砖引玉请高手批评指正，以期共同进步。

Gabor的历史由来不再赘述，其运算过程中涉及到几个基本的术语：方向，尺度，卷积，模板等。

方向：主要是为了考虑样本的旋转的可能性，增加对旋转不变性的鲁棒性，与SIFT算法有相似之处；

尺度：主要考虑到图像样本的细节特征的捕捉，对细小特征的提取保留，以及对稍大变化的敏感性做出不同的取舍，与SIFT的不同尺度也有相似之处；

卷积：这个概念如果不能很好的理解汉语的意义，估计会一头雾水，实际上，这个词汇非常形象切合运算过程，就是把两个矩阵相乘积运算后的值替换原来的待运算的像素点的值，有点类似于生活中把一个面饼（平面、二维矩阵）卷绕起来形成一个点心（运算后为一个值了）（也有点类似于包混沌，本来是一个面皮卷绕形成了一个点；呵呵，不知道说清楚没有）。

模板：对图像中的每一个像素点均需要进行运算的一个蒙板或者说是矩阵。

Gabor与样本图像的运算过程：

原始人脸样本：

1、首先生成指定m个尺度和n个方向的Gabor模板，共计m*n个模板；这些模板与样本图像无关。

2、然后利用每一个模板与样本图像做一次卷积运算，得到对应的m*n个卷积图像；不同尺度不同方向的Gabor模板对同一幅图像生成 了不同视图的数据，有些类似于三生万物的意思，或者说观察的角度不同产生了不同的新的特征数据。

3、每一个卷积后的样本图像矩阵便是Gabor特征值。