2. 程式人生 > >經典的同態濾波演算法的優化及其應用引數配置。

經典的同態濾波演算法的優化及其應用引數配置。

阿新 • • 發佈：2018-12-14
% 同態濾波器 % ImageIn - 需要進行濾波的灰度影象 % High - 高頻增益,需要大於1 % Low - 低頻增益,取值在0和1之間 % C - 銳化係數 % Sigma - 截止頻率，越大影象越亮 % 輸出為進行濾波之後的灰度影象 function [ImageOut] = HomoFilter(ImageIn, High, Low, C, Sigma) Img = double(ImageIn); % 轉換影象矩陣為雙精度型,不會改變資料本身 [Height, Width]
= size(ImageIn); % 返回的行數和列數 CenterX = floor(Width / 2); % 中心點座標 CenterY = floor(Height / 2); LogImg = log(Img + 1); % 影象對數資料 Log_FFT = fft2(LogImg); % 傅立葉變換 for Y = 1 : Height for X = 1 : Width Dist= (X - CenterX) * (X - CenterX) + (Y - CenterY) * (Y - CenterY); % 點（X,Y）到頻率平面原點的距離 H(Y, X)
=(High - Low) * (1 - exp(-C * (Dist / (2 * Sigma * Sigma)))) + Low; % 同態濾波器函式 end end H = ifftshift(H); % 對H做反中心化 Log_FFT = H.* Log_FFT; % 濾波，矩陣點乘 Log_FFT
= ifft2(Log_FFT); % 反傅立葉變換 Out = exp(Log_FFT)-1; % 取指數 % 指數處理ge = exp(g)-1;% 歸一化到[0, L-1] Max = max(Out(:)); Min = min(Out(:)); Range = Max - Min; for Y = 1 : Height for X = 1 : Width ImageOut(Y, X) = uint8(255 * (Out(Y, X) - Min) / Range); end end end

相關推薦

經典的同態濾波演算法的優化及其應用引數配置。

% 同態濾波器 % ImageIn - 需要進行濾波的灰度影象 % High - 高頻增益,需要大於1 % Low - 低頻增益,取值在0和1之間 % C - 銳化係數 % Sigma - 截止頻率，越大影象越亮 % 輸出為進行

影象增強處理之：同態濾波與Retinex演算法(三)Retinex鄰域演算法:SSR,MSR,MSRCR

關於Retinex的基礎知識這裡就不再說了，http://blog.csdn.net/piaoxuezhong/article/details/78248219已經介紹過了，本篇將繼續講一下基於鄰域的

同態濾波

成像 值範圍 兩個 nbsp info 高斯 頻率 strong 函數 一 圖像成像模型 設圖像函數為f(x, y)，該函數可由兩個分量表征：，其中： 1）入射光函數i(x, y)，取值範圍為：； 2）反射系數r(x, y)，取值範圍為：。 一般情況

opencv影象增強+單引數同態濾波

    影象處理中，對於影象增強有多種技術，主要分為空域增強技術以及頻域增強技術。空域增強中，對於細節的強化有拉普拉斯銳化，對於整體影象的有直方圖歸一化，gamma變換，log變換等。而在頻域增強中，以同態濾波為主。     對於一幅影象

MATLAB影象處理_同態濾波1

原 MATLAB影象處理_同態濾波 2015年01月20日 09:54:25 風雨也無晴 閱讀數：14234 同態濾

同態濾波及影象去陰影

影象照度不均勻，或者有陰影怎麼進行二值化？相信長期做機器視覺的朋友都遇到過，下面分享我個人的一些經驗，如果有更好的方法請不吝指出，共同進步。 1、影象亮度不均勻分析 一般情況下，影象f(x,y)是由光源產生的照度場i(x,y)和目標的反射係數場r(x,y)共同作用產生的，且

同態濾波 原理及C++實現

前言 \quad 之前做的一些濾波，例如高斯，雙邊，均值，導向濾波均是在時域下做的濾波。而同態濾波是在頻域下來做濾波，用於改善動態範圍

jetty9優化,新增jvm引數配置

我jetty9中查,想看看如何優化jetty,有是有了,但沒說明在哪個檔案中寫入.後來查一看modules目錄下有jvm.mod,就使用命令 java -jar ..\jetty-distributi

菜鷄日記——KMP演算法及其優化與應用

一、什麼是KMP演算法 KMP演算法，全稱Knuth-Morris-Pratt演算法，由三位科學家的名字組合命名，是一種效能高效的字串匹配演算法。假設有主串S與模式串T，KMP演算法可以線上性的時間內匹配出S中的T，甚至還能處理由多個模式串組成的字典的匹配問題。 二、KMP演算法原理及實現

遺傳演算法框架Geatpy學習之——基於網格化處理的多種群進化優化及其在含等式約束的優化問題中的應用

Geatpy是由華南理工大學、華南農業大學、德州奧斯汀公立大學學生聯合團隊開發的一款Python上的遺傳和進化演算法高效能權威框架。其效能遠高於matlab遺傳演算法工具箱及類似的諸如gatbx、GEATbx、gaot等第三方工具箱。尤其適合需要應用遺傳或其他進化演算法求解建

Java類的設計----多態性及其應用

強制轉換 override enter -c ont 處理 shopping exce int 多態性及其應用 多態性 多態—在Java中，子類的對象可以替代父類的對象使用一個變量只能有一種確定的數據類型一個引用類型變量可能指向(引用)多種不同類型的對象 　　Pers

圖論初步-Tarjan演算法及其應用

暑假刷了一堆Tarjan題到頭來還是忘得差不多。 這篇部落格權當複習吧。 一些定義 無向圖 割頂與橋 （劃重點） 圖G是連通圖，刪除一個點表示刪除此點以及所有與其相連的邊。 若刪除某點u後G不再連通，那麼u是G的一個割頂（割點）。 若刪除某邊e後G不再連通，那麼e是G的一個橋。 雙連通 一個圖為雙

影象處理之積分圖應用二(快速邊緣保留濾波演算法)

影象處理之積分圖應用二(快速邊緣保留濾波演算法) 一：基本原理 傳統的影象邊緣保留濾波演算法-如高斯雙邊模糊、Mean-Shift模糊等計算複雜、效率比較低，雖然有各種手段優化或者快速計算方法，當時演算法相對一般碼農來說理解起來比較費勁，不是一個的選擇，而通過積分影象實現區域性均方差

演算法優化學習：（二）二維高斯濾波的引入

1.高斯分佈 1.1一維高斯分佈 高斯分佈又稱為正態分佈，是一種廣泛應用的概率分佈，一維高斯分佈比較常見，相關數學定義如下所示。 對於不同的均值和標準差，一維高斯分佈曲線如下，可以看出標準差越大麴線越平坦，分佈越平均；標準差越小，曲線越陡峭，分佈越不均勻。 1

《資料結構與演算法設計》實驗報告書之二叉樹的基本操作實現及其應用

《資料結構與演算法設計》實驗報告書之二叉樹的基本操作實現及其應用 實驗專案 二叉樹的基本操作實現及其應用 實驗目的 1．熟悉二叉樹結點的結構和對二叉樹的基本操作。 2．掌握對二叉樹每一種操作的具體實現。 3．學會利用遞迴方法編寫對二叉樹這種遞迴資料結構進行處理的演算法。 4.會用二叉

面試：解決重點問題，計算兩個時間段是否有交集的演算法及其應用例項

1、通過 if 判斷語句進行判斷，if(endTime1 > startTime2 && endTime2 > startTime1) 那麼這兩個時間段有交集，一個時間段的結束時間大於另一個時間段的開始時間，如果成立那麼兩個時間段有交集。

《Kalman濾波原理及應用》學習筆記（一）——Kalman濾波演算法在溫度測量中的應用

Kalman濾波器 考慮用如下狀態空間模型描述的動態系統(1.1)X(k+1)=ΦX(k)+ΓW(k)X(k+1)=\Phi X(k)+\Gamma W(k) \tag{1.1}X(k+1)=ΦX(k)+ΓW(k)(1.1)(1.2)Y(k)=HX(k)+V(

基於卡爾曼濾波演算法在三維球軌跡中跟蹤應用

關於卡爾曼濾波跟蹤演算法的理解文章實在太多，絕大多數都在敘述演算法原理和一些理解，而且一般舉例都限於一維直線運動或者二維平面運動，故在此不做過多的重複表述，有關原理理解性的文章請參考本部落格後的refe

主題模型LDA及其在微博推薦&廣告演算法中的應用--第1期

因為原文偶爾會出現訪問不了的情況，所以特拷貝於此。 @吳宇WB 【前言】本篇文章中所涉及的大部分理論知識，都是由微博的推薦演算法和廣告演算法團隊共同收集，共同學習的，而現在這兩個團隊也合併成為一個更大的-

經典演算法思想及其案例

貪心演算法：總是做出在當前看來是最好的選擇。也就是說，不從整體最優上加以考慮，他所做出的僅是在某種意義上的區域性最優解。貪心演算法往往是無後性無記憶性，即當前做出的決策不會影響到下一步的決策分治法：通過分解問題為一個個小問題，知道最後子問題可以求解，原問題的解即子問題的解的合