基于NSCT变换的人脸图像特征提取matlab仿真
Posted fpga和matlab
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了基于NSCT变换的人脸图像特征提取matlab仿真相关的知识,希望对你有一定的参考价值。
目录
一、理论基础
人脸识别算法在人脸识别和匹配领域中一个非常重要的技术。为了获得一个较好的识别效果,人脸特征的提取十分关键。 但是大多数算法在实际工作中无法获得较好的识别效果。为了解决这个问题,基于NSCT变换提取人脸的特征数据。
NSCT变换是在Contourlet变换的基础上提出的,不仅具有多分辨率、局部化和多方向等特点,还具有平移不变性,从而克服了Contourlet变换存在的缺陷。NSCT变换在结构上可以分为非下采样金字塔滤波器组(NSPFB)和非下采样方向滤波器组(NSDFB)两部分。其中NSPFB采用àtrous算法设计,能实现完全重构的双通道滤波器。其结构如下图:
而NSDFB在结构上为一个双通道扇形滤波器。为了获得更高精确的分解,采用方向滤波器组,对下一级滤波器采用基于梅花矩阵的上采样。其结构如下图所示:
其插值扇形滤波器有棋盘状的频域支撑,和前一级的滤波器结合在一起实现四个方向的频域分解。通过该滤波器组,可以将频域分解为多个楔形频率区域。
二、MATLAB核心程序
关于NSCT工具箱的调用程序和完美注释:
function [Insp,Insct]= myNSCTd(I,levels,pfiltername,dfiltername,type)
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%函数功能:完成图像的level级NSCT分解
%%函数输入:I ——输入源图像
% levels ——分解级别的数组,例如[1,2,3],分解的方向数分别为[2,4,8].
% pfiltername ——塔式分解滤波器名称
% dfiltername ——方向分解滤波器名称
%%函数输出:Insct ——输出为cell类型,包括低通以及各级别各方向的分量
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%生成非下采样金字塔滤波器组%%%%%%%%%%%%%
%该函数为copy的,可选参数如下:
%'9-7'、'maxflat'、'pyr'、'pyrexc'
%输出的h0,h1是金字塔分解滤波器
%输出的g0,g1是金字塔重构滤波器
[ph0, ph1, pg0, pg1] = atrousfilters(pfiltername);%无法改进
%%%%%%%%%生成非下采样方向滤波器组%%%%%%%%%%%%%
%建立一个4*4的空矩阵,存放滤波器组
filtersd = cell(4) ;
%function [h0, h1] = dfilters(fname, type)
%copy的函数,作用是根据名字生成方向滤波器
%fname的可选参数有:'haar'、'vk'、'ko'、'kos'、
%'lax'、'sk'、'cd'、'pkva'、'oqf_362'、'sinc'
%其中测验结果看的比较舒服的有'lax'、'sk'、'cd'
%最理想的是'pkva',copy函数中的ldfilter.m、
%ld2quin.m和qupz.m都是用语生成该滤波器
%type的可选参数有:'d'、'r',分别表示生成分解
%滤波器和重构滤波器。
%输出的h0为小波函数(高频),h1为尺度函数(低频)
[dh1, dh2] = dfilters(dfiltername, 'd'); %无法改进
dh1 = dh1./sqrt(2) ;
dh2 = dh2./sqrt(2) ;
%function y = modulate2(f, type, center)
%copy的函数,作用是将输入的方向滤波器f依据type类型增加方向性
%type可选参数有:'r'生成横向梳状滤波器、'c'生成纵向梳状滤%波器、
%'d'生成网格型滤波器(综合横纵梳状滤波器的特点)
%center参数,对输入滤波器的初始中心作确定,通常默认为[0 0]。
filtersd1 = modulate2(dh1, 'c');%无法改进
filtersd2 = modulate2(dh2, 'c');%无法改进
%function [y1, y2] = parafilters( f1, f2 )
%copy的函数,输入是两个滤波器,输出是两个滤波器组
%作用是将输入的两个滤波器分别增加行列方向性之后
%再分别转置,生成四个不同的滤波器
%随后循环调用function y = resampz(x, type, shift)
%copy的函数,输入是单个滤波器x,type是上面生成的四个滤波器
%中的第几个,shift通常不输入,为默认值1.
%对每个滤波器作旋转,即生成四个旋转后的方向滤波器。
%综合结果:
%对输入的两个滤波器,输出两组旋转后的滤波器,每组四个
[filtersd3, filtersd4] = parafilters( dh1, dh2 ) ;%无法改进
%判断分解层数
clevels = length( levels );
%初始化输出缓存
nIndex = clevels + 1 ;
y = cell(1, nIndex) ;
Insp=cell(1,clevels);
%NSCT分解
for i= 1 : clevels
%对图像进行金字塔分解,xlo为低通输出,xhi为高通输出
switch type
case 'NSCT'
[Ilow, Ihigh] = NSPd(I, ph0, ph1, i-1) ;%无法改进
%NSPlowi=Ihigh;
case 'NewPM'
[Ilow,Ihigh]=Newmcd(I);
end
%如果方向分解级别不为0,进行方向分解,并将结果存入y的对应部分
if levels(nIndex-1) > 0
% function nsdfbdec中,在level高于3的时候,采样矩阵M的设定不懂,
% 所以只能copy过来。
Ihigh_dir = nsdfbdec(Ihigh, filtersd, levels(nIndex-1));
ynIndex=Ihigh_dir ;
%若方向分解级别为0,直接复制
else
ynIndex=xhigh ;
end
%更新输出缓存指针
nIndex = nIndex - 1 ;
%更新图像为分解的低通部分,进行下一次迭代
I = Ilow ;
Inspi=I;
end
% 输出的第一副图为最后的低通结果。
y1=I;
Insct=y;
end
clc;
clear;
close all;
warning off;
addpath 'func\\'
%%%%重构时间比较(差异度测试)
I = imread('1.bmp');
I = im2double(I);
levels = [1 2 3];
pname ='pyr';
dname ='pkva';
type ='NSCT';
[Insp,Insct]= myNSCTd(I,levels,pname,dname,type);
% IMf = myNSCTr(Insct,levels,pname,dname,type);
figure;
imshow(I,[]);
figure;
imshow(abs(Insp1,1),[]);
figure;
imshow(abs(Insp1,2),[]);
figure;
imshow(abs(Insp1,3),[]);
三、MATLAB仿真测试结果
A10-35
以上是关于基于NSCT变换的人脸图像特征提取matlab仿真的主要内容,如果未能解决你的问题,请参考以下文章
NSCT+GRNN网络基于NSCT变换和GRNN神经网络的无参考图像质量检测算法的MATLAB仿真
人脸识别基于garbor特征提取和SVM的人脸识别matlab仿真
图像融合基于非下采样Contourlet变换nsct算法实现红外图像和可见光图像的融合matlab源码
图像融合基于非下采样Contourlet变换nsct算法实现红外图像和可见光图像的融合matlab源码