Matlab 奇异值分解与小波变换相结合的图像增强

我的目标是处理图像上的照明和表情变化。因此，我试图实现一个MATLAB代码，以便只处理图像中的重要信息。换句话说，只处理图像上的“有用”信息。为此，必须从图像中删除所有不重要的信息

参考资料：

让我们看看我的步骤：

1）应用直方图均衡化，以获得

histo\u equalized\u image=histoeq（MyGrayImage）

。所以强度变化很大 在某种程度上可以处理

2）在

历史均衡图像上应用奇异值分解近似值。但在此之前，我应用了svd分解（
[L D R]=svd（历史均衡图像）
），然后使用这些奇异值使导出图像
J=L*幂（D，I）*R
，其中
I
在1和2之间变化

3）最后，导出图像与原始图像组合为：
C=（MyGrayImage+（a*J））/1+a
。其中，a的变化范围为0到1

4）但上述所有步骤在不同的条件下都不能很好地执行。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
此组件中的信息丢失。（LL）组件在照明变化和表达式变化时无效

我为此编写了一个matlab代码，我想知道我的代码是正确的还是错误的（如果是，那么如何更正）。此外，我想知道我是否可以优化这些步骤。我们能改进这个方法吗？如果是，怎么做？请告诉我需要帮助

现在让我们看看我的Matlab代码：

您需要定义“有用”或“重要”信息的含义。然后再做一些步骤

直方图均衡化是一种全局变换，它在不同的图像上给出不同的结果。你们可以做一个实验——在图像上做histeq，从中受益。然后将原始图像复制两份，并在第二张上绘制一个黑色正方形（图像面积的30%）和一个白色正方形。然后应用histeq并比较结果

低频分量也包含有用的信息，
不重要的信息在此组件中丢失

真的吗？边缘和形状-这是（至少对我来说）相当重要的是在高频。我们同样需要“有用”信息的定义

我看不出你的方法为什么会起作用，以及如何起作用的理论背景。你能解释一下，你为什么选择这种方法吗

另外，我不确定这篇论文是否与您相关，但推荐Bansal等人的“多尺度图像对比度增强”和V.Vonikakis和I.Andreadis的“多尺度图像对比度增强”。
您可以阅读这篇文章：“我等待您的答案：”）更好的做法是不要对这篇论文的答案发表评论，而是将重要部分放在问题本身上。关于纸张-首先，它看起来不像是一般的方法，而是一种非常特殊的技术的预处理阶段。第二，它看起来不像一张好纸。也许，对于给定的方法，它可以改善人脸识别的结果，但这并不意味着“总体上改善了图像”。例如，众所周知的SIFT描述符对许多变换都是不变的，但它不能“改善图像”。所以问题是一样的-你的目标是什么，你想归档什么？同样，“我想增强图像”不是定义。提升的标准是什么？更好的分数是一些测试？那是人脸识别吗？然后我下载或重新实现原始SVD人脸识别，然后进行预处理实验。你有识别部分已经工作了吗？我想在光照和表情变化方面增强图像。不幸的是，我没有已经工作的部分：(
%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.