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。所以我尝试实现一个 MATLAB 代码，以便只处理图像中的重要信息。换句话说，只使用图像上的“有用”信息。为此，有必要从图像中删除所有不重要的信息。

参考：this paper

让我们看看我的步骤：

1) 应用直方图均衡以获得histo_equalized_image=histeq(MyGrayImage)。使得大的强度变化 一定程度上是可以处理的。

2) 对 histo_equalized_image 应用 svd 近似值。但在此之前，我应用了 svd 分解（[L D R]=svd(histo_equalized_image)），然后这些奇异值用于生成派生图像J=L*power(D, i)*R，其中i 在 1 和 2 之间变化。

3) 最后将导出的图像与原始图像合并到：C=(MyGrayImage+(a*J))/1+a。其中 a 从 0 到 1 变化。

4) 但是上述所有步骤在不同的条件下都不能很好地执行。所以最后，应该使用小波变换来处理这些变化（我们只使用 LL 图像块）。低频分量包含有用的信息，也不重要 信息在此组件中丢失。 (LL) 组件对光照变化和表情变化无效。

我为此编写了一个 matlab 代码，我想知道我的代码是否正确（如果不是，那么如何更正它）。此外，我很想知道我是否可以优化这些步骤。我们可以改进这种方法吗？如果是，那怎么办？我需要帮助。

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”信息是什么意思。然后才做一些步骤。

2. 直方图均衡化是全局变换，在不同的图像上给出不同的结果。你可以做一个实验——在图像上做 histeq，从中受益。然后制作原始图像的两份副本，并在一个黑色正方形（图像区域的 30%）和第二个白色正方形上绘制。然后应用 histeq 并比较结果。

低频分量包含有用的信息，此外， 不重要的信息会在此组件中丢失。

真的吗？边缘和形状——（至少对我而言）非常重要的是高频。同样，我们需要定义“有用”信息。

我看不出你的方法为什么以及如何起作用的理论背景。能不能稍微解释一下，为什么选择这种方法？

附：我不确定这篇论文是否与您相关，但推荐 Bansal 等人的“Which Edges Matter?”。以及 V. Vonikakis 和 I. Andreadis 的“多尺度图像对比度增强”。