结合SVD和小波变换的图像增强

Question

我的目标是处理图像上的照明和表情变化 。 因此，我尝试实现MATLAB代码，以便仅处理图像中的重要信息。 换句话说，仅使用图像上的“有用”信息。 为此，必须从图像中删除所有不重要的信息。

参考： 本文

让我们看看我的步骤：

1）应用直方图均衡化以获得histo_equalized_image=histeq(MyGrayImage) 。 因此可以在一定程度上处理较大的强度变化。

2）在histo_equalized_image上应用svd近似值。 但是在执行此操作之前，我应用了svd分解（ [LDR]=svd(histo_equalized_image) ），然后使用这些奇异值使派生图像J=L*power(D, i)*R ，其中i在1之间变化和2。

3）最后，将派生图像与原始图像合并为： C=(MyGrayImage+(a*J))/1+a 。 其中a从0到1。

4）但以上所有步骤在不同条件下均无法正常执行。 因此，最后，应该使用小波变换来处理这些变化（我们仅使用LL图像块）。 低频成分包含有用的信息，不重要的信息也会丢失在该成分中。 （LL）组件在光照变化和表情变化方面无效。

我为此编写了一个matlab代码，我想知道我的代码是否正确（如果不正确，那么如何更正）。 此外，我想知道是否可以优化这些步骤。 我们可以改善这种方法吗？ 如果是，那怎么办？ 请我帮忙。

现在让我们看看我的Matlab代码：

%Read the RGB image
image=imread('img.jpg');

%convert it to grayscale
image_gray=rgb2gray(image);

%convert it to double
image_double=im2double(image_gray);

%Apply histogram equalization
histo_equalized_image=histeq(image_double);

%Apply the svd decomposition
[U S V] = svd(histo_equalized_image);

%calculate the derived image
P=U * power(S, 5/4) * V';


%Linearly combine both images
    J=(single(histo_equalized_image) + (0.25 * P)) / (1 + 0.25);

    %Apply DWT
    [c,s]=wavedec2(J,2,'haar');
    a1=appcoef2(c,s,'haar',1); % I need only the LL bloc.

Answer 1

1. 您需要定义“有用”或“重要”信息的含义。 然后再执行一些步骤。

2. 直方图均衡是全局变换，它在不同的图像上给出不同的结果。 您可以进行实验-对图像进行histeq，这会从中受益。 然后制作原始图像的两个副本，并画一个黑色正方形（占图像面积的30％），然后画一个白色正方形。 然后应用histeq并比较结果。

低频成分包含有用的信息，不重要的信息也会丢失在该成分中。

真？ 边缘和形状-（至少对我来说很重要）在高频中。 同样，我们需要定义“有用的”信息。

我看不到理论背景为何以及您的方法会如何工作。 您能否解释一下，为什么选择这种方法？

附注：我不确定本文是否与您相关，但建议使用Bansal等人的文章《 Where Edges Matter？ 》。 V. Vonikakis和I. Andreadis的“多尺度图像对比度增强”。