locallapfilt
快速局部拉普拉斯算子的滤波的图像
描述
例子
增加当地RGB图像的对比使用拉普拉斯算子的过滤
导入一个RGB图像
一个= imread (“peppers.png”);
设置参数小于0.4的过滤器来增加细节。
σ= 0.4;α= 0.5;
使用快速局部拉普拉斯算子的滤波
B = locallapfilt (A、σα);
显示原始和过滤图片并排。
imshowpair (A, B,“蒙太奇”)
增加当地的对比,平衡速度和质量
当地的拉普拉斯算子的滤波算法是计算密集型。加快处理,locallapfilt近似算法的离散化强度范围到定义的一些样品的NumIntensityLevels的参数。这个参数可以用来平衡速度和质量。
导入一个RGB图像并显示它。
一个= imread (“peppers.png”);图imshow (A)标题(原始图像的)
使用一个σ过程的细节和一个值α价值增加对比度,有效地提高图像的局部对比度。
σ= 0.2;α= 0.3;
使用更少的样品增加了执行速度,但会产生可见的工件,尤其在平坦的地区的对比。时间函数仅使用20强度水平。
t_speed =时间(@ ()locallapfilt(σ,α,“NumIntensityLevels”,20))
t_speed = 0.1629
现在,处理图像并显示它。
B_speed = locallapfilt(σ,α,“NumIntensityLevels”,20);图imshow (B_speed)标题([与20强度水平的提高num2str (t_speed)“秒”])
更大数量的样本收益更好看的结果牺牲更多的处理时间。时间函数使用100强度水平。
t_quality =时间(@ ()locallapfilt(σ,α,“NumIntensityLevels”,100))
t_quality = 0.7390
处理图像与100年强度水平,显示:
B_quality = locallapfilt(σ,α,“NumIntensityLevels”,100);图imshow (B_quality)标题([“与100年的强度水平增强”num2str (t_quality)“秒”])
尝试不同强度级别的数量在您自己的图片。把(对照也压扁α> 1)。你会发现最优数量的强度为每个图像和随水平是不同的α。默认情况下,locallapfilt使用启发式平衡速度和质量,但不能预测每个图像的最佳值。
促进本地色彩对比使用“ColorMode”
导入一个彩色图像,减少其大小,并显示它。
一个= imread (“car2.jpg”);= imresize (0.25);图imshow (A)标题(原始图像的)
滤波器的参数设置为小于0.3显著增加细节(标准化的范围从0到1)。
σ= 0.3;α= 0.1;
让我们来比较一下这两种不同的颜色模式过滤。过程的图像滤波分别过滤每一个颜色通道的强度和:
B_luminance = locallapfilt (A、σα);B_separate = locallapfilt(σ,α,“ColorMode”,“独立”);
显示过滤后的图像。
图imshow (B_luminance)标题(促进当地的亮度对比的增强)
图imshow (B_separate)标题(的增强,提高当地的颜色对比)
等量的已经应用于每个图像对比度增强,但颜色更饱和时设置的ColorMode”到“单独的”。
执行Edge-Aware降噪
导入一个图像。将图像转换为浮点数,这样我们可以添加人造噪音更容易。
一个= imread (“pout.tif”);= im2single ();
0.001添加高斯噪声与零均值和方差。
A_noisy = imnoise (,“高斯”,0,0.001);psnr_noisy = psnr (A_noisy);流(噪声图像的峰值信噪比% 0.4 f \ n ',psnr_noisy);
噪声图像的峰值信噪比是30.0234
设置细节光滑的振幅,那么平滑的数量设置为适用。
σ= 0.1;α= 4.0;
应用edge-aware过滤器。
B = locallapfilt (A_noisy、σα);psnr_denoised = psnr (B, A);流(是去噪图像的峰值信噪比% 0.4 f \ n ',psnr_denoised);
去噪图像的峰值信噪比是32.2016
注意改善图像的PSNR值。
显示所有三个图片并排。观察到的细节是沿着边缘平滑和锋利的强度变化不变。
图次要情节(1、3、1),imshow (A)、标题(“原始”)次要情节(1、3、2),imshow (A_noisy)、标题(“吵”次要情节(1,3,3),imshow (B)、标题(“去噪”)
光滑而不影响图像细节边缘锐度
导入图片,调整并显示它
一个= imread (“car1.jpg”);= imresize (0.25);图imshow (A)标题(原始图像的)
汽车是脏的,覆盖着的标记。让我们试着消除身体上的灰尘和标记。设置细节光滑的振幅,并设置大量的平滑申请。
σ= 0.2;α= 5.0;
当平滑(α> 1),过滤器生产高质量结果与少量的强度水平。设置少量的强度级别来处理图像更快。
numLevels = 16;
应用过滤器。
B = locallapfilt(σ,α,“NumIntensityLevels”,numLevels);
显示“干净”的车。
图imshow (B)标题(“平滑后的细节”)
输入参数
输出参数
引用
[1]巴黎,迪斯丁,塞缪尔·w·Hasinoff, Jan Kautz。当地的拉普拉斯算子过滤器:edge-aware拉普拉斯算子的金字塔图像处理ACM反式。图。30.4 (2011):68。
[2]奥布里,马修,et al。快速局部拉普拉斯算子过滤器:理论和应用程序。ACM交易图形(衣服)33.5 (2014):167。
