前处理系列,结果整理。伽马校正,高斯差分滤波,对比度均衡,特征比对

本文主要是介绍前处理系列,结果整理。伽马校正,高斯差分滤波,对比度均衡,特征比对,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

http://blog.sina.com.cn/s/blog_48e673350100vcg5.html

自己调研之后,写的伽马校正:

TestImgNum =1  ;00 335
str = strcat('.\',num2str(TestImgNum),'.bmp');
L_FaceImg = imread(str);
figure,imshow(uint8(L_FaceImg));
temp = double(L_FaceImg);
temp = temp./256;
gamma = 1/2.2;
 y = imadjust(temp,[0; 1],[0; 1],gamma)
% y=gamma(temp);%实现gamma校正
 y = gamma_filter(temp,gamma);
y = y.*256;
figure,imshow(uint8(y));

 

原理不明,只是会用而已。具体过程就是归一化人脸图像到[0,1]之间之后,运用imadjust函数,将其根据伽马值gamma转换到另一个范围在[0,1]的空间中去,然后乘以255加以倍数,输出即得伽马校正的结果。

 

xb调研完之后,写的代码:

L_FaceImg=double(L_FaceImg_org);
%L_FaceImg=L_FaceImg.^0.2;
gama=2;
p=255/255^(gama);p=(1/p)^(1/gama);
for i=1:imrow
    for j=1:imcol
        %for l=1:k
       % r(i,j,l)=floor(p*double(I(i,j,l))^(1/gama));
        L_FaceImg_gmma(i,j)=floor(p*L_FaceImg(i,j)^(1/gama));
        %end
    end
end
完全是原理性的东西。

高斯查分滤波,在网上查DoG查了好久,最后终于终于在pudn上面找到相关c代码,结果被xb两句话解决了……具体见下面:

low= imfilter(L_FaceImg_gmma,fspecial('gaussian',7,1),'same','replicate');
lowlow=imfilter(L_FaceImg_gmma,fspecial('gaussian',9,2),'same','replicate');

Resimage=low-lowlow;
其中L_FaceImg_gmma是经过伽马光线校正之后的图像,分别作滤波,之后差分相减,就得到高斯差分滤波的结果了……囧。明天去pudn上查查代码,看看是不是这样写的……

下面是fspecial函数的使用样例,写上来原因是蛮喜欢subplot函数,哇咔咔~

  I = imread('cameraman.tif');
       subplot(2,2,1);imshow(I);title('Original Image');
       H = fspecial('motion',20,45);
       MotionBlur = imfilter(I,H,'replicate');%replicate表示Input array values outside the bounds of the array  are assumed to equal the nearest array border value 输入值自动对齐到最近邻
       subplot(2,2,2);imshow(MotionBlur);title('Motion Blurred Image');
       H = fspecial('disk',10);
       blurred = imfilter(I,H,'replicate');
       subplot(2,2,3);imshow(blurred);title('Blurred Image');
       H = fspecial('unsharp');
       sharpened = imfilter(I,H,'replicate');
       subplot(2,2,4);imshow(sharpened);title('Sharpened Image');

 

对比均衡化还没搞明白,先把代码贴出来,供慢慢研究……

%Contrast Equalization.
a=0.1;
for i=1:imrow
       for j=1:imcol
       Resimage_temp(i,j)=(abs(Resimage(i,j)))^a;   
    end
end
 mu=mean(mean(Resimage_temp));
 Resimage=Resimage./(mu^(1/a));

tt=10;
for i=1:imrow
       for j=1:imcol
       Resimage_temp(i,j)=min(tt,(abs(Resimage(i,j)))^a);   
    end
end
mu=mean(mean(Resimage_temp));
Resimage=Resimage./(mu^(1/a));
Resimage=tt*tanh(Resimage/tt);
Resimage_max=max(max(Resimage));
Resimage_min=min(min(Resimage));
 for i=1:imrow
       for j=1:imcol
       Resimage(i,j)=(Resimage(i,j)-Resimage_min)/(Resimage_max-Resimage_min)*255;   
    end
 end
% imshow(uint8(Resimage));
 
 %提取LBP模板
% [result , Lbpface] = lbp(L_FaceImg);
 %figure,imshow(uint8(Lbpface));
L_FaceImg_bandpass=uint8(Resimage);

    TestImage = strcat('.\M00模糊脸_bandpass\',num2str(ii),'.bmp');
    imwrite(uint8(L_FaceImg_bandpass),TestImage,'bmp');
    figure,imshow(uint8(blurred));
end

 

晕死,就俩公式:前处理系列,结果整理。伽马校正,高斯差分滤波,还有什么呢,特征比对

其中a = 0.1,t= 10.看着挺简单,我咋就做不出来呢?

真是的啊我

这篇关于前处理系列,结果整理。伽马校正,高斯差分滤波,对比度均衡,特征比对的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/770152

相关文章

Spring Security 从入门到进阶系列教程

Spring Security 入门系列 《保护 Web 应用的安全》 《Spring-Security-入门(一):登录与退出》 《Spring-Security-入门(二):基于数据库验证》 《Spring-Security-入门(三):密码加密》 《Spring-Security-入门(四):自定义-Filter》 《Spring-Security-入门(五):在 Sprin

无人叉车3d激光slam多房间建图定位异常处理方案-墙体画线地图切分方案

墙体画线地图切分方案 针对问题:墙体两侧特征混淆误匹配,导致建图和定位偏差,表现为过门跳变、外月台走歪等 ·解决思路:预期的根治方案IGICP需要较长时间完成上线,先使用切分地图的工程化方案,即墙体两侧切分为不同地图,在某一侧只使用该侧地图进行定位 方案思路 切分原理:切分地图基于关键帧位置,而非点云。 理论基础:光照是直线的,一帧点云必定只能照射到墙的一侧,无法同时照到两侧实践考虑:关

Hadoop集群数据均衡之磁盘间数据均衡

生产环境,由于硬盘空间不足,往往需要增加一块硬盘。刚加载的硬盘没有数据时,可以执行磁盘数据均衡命令。(Hadoop3.x新特性) plan后面带的节点的名字必须是已经存在的,并且是需要均衡的节点。 如果节点不存在,会报如下错误: 如果节点只有一个硬盘的话,不会创建均衡计划: (1)生成均衡计划 hdfs diskbalancer -plan hadoop102 (2)执行均衡计划 hd

Open3D 基于法线的双边滤波

目录 一、概述 1.1原理 1.2实现步骤 1.3应用场景 二、代码实现 2.1关键函数 输入参数: 输出参数: 参数影响: 2.2完整代码 三、实现效果 3.1原始点云 3.2滤波后点云 Open3D点云算法汇总及实战案例汇总的目录地址: Open3D点云算法与点云深度学习案例汇总(长期更新)-CSDN博客 一、概述         基于法线的双边

科研绘图系列:R语言扩展物种堆积图(Extended Stacked Barplot)

介绍 R语言的扩展物种堆积图是一种数据可视化工具,它不仅展示了物种的堆积结果,还整合了不同样本分组之间的差异性分析结果。这种图形表示方法能够直观地比较不同物种在各个分组中的显著性差异,为研究者提供了一种有效的数据解读方式。 加载R包 knitr::opts_chunk$set(warning = F, message = F)library(tidyverse)library(phyl

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

poj 3159 (spfa差分约束最短路) poj 1201

poj 3159: 题意: 每次给出b比a多不多于c个糖果,求n最多比1多多少个糖果。 解析: 差分约束。 这个博客讲差分约束讲的比较好: http://www.cnblogs.com/void/archive/2011/08/26/2153928.html 套个spfa。 代码: #include <iostream>#include <cstdio>#i

数论入门整理(updating)

一、gcd lcm 基础中的基础,一般用来处理计算第一步什么的,分数化简之类。 LL gcd(LL a, LL b) { return b ? gcd(b, a % b) : a; } <pre name="code" class="cpp">LL lcm(LL a, LL b){LL c = gcd(a, b);return a / c * b;} 例题:

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

poj 3169 spfa 差分约束

题意: 给n只牛,这些牛有些关系。 ml个关系:fr 与 to 牛间的距离要小于等于 cost。 md个关系:fr 与 to 牛间的距离要大于等于 cost。 隐含关系: d[ i ] <= d[ i + 1 ] 解析: 用以上关系建图,求1-n间最短路即可。 新学了一种建图的方法。。。。。。 代码: #include <iostream>#include