matlab高斯差分,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...

水深无声 2023-01-15 03:36 155阅读 0赞

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

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：![a4c26d1e5885305701be709a3d33442f.png][]

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

[a4c26d1e5885305701be709a3d33442f.png]: /images/20221022/6b5e494d0d0c464e9f6cbfecb68ba27e.png

matlab高斯差分,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...

发表评论取消回复

还没有评论，来说两句吧...

相关阅读

相关 Python图像处理：双边滤波与高斯滤波

相关潜在因子模型（Latent Factor Model）差分隐私+高斯噪声和证明

相关潜在因子模型+高斯噪声差分隐私

相关 matlab高斯差分,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...

相关 opencv高斯滤波

相关差分差分差分

相关高斯噪声与高斯滤波

相关 OpenCV-------高斯滤波GaussianBlur()

相关如何确定高斯滤波的标准差和窗口大小

相关高斯滤波对图像方差有什么影响