基于NSCT变换的人脸图像特征提取matlab仿真

目录

一、理论基础

二、MATLAB核心程序

三、MATLAB仿真测试结果

---

一、理论基础

1.1理论概述

       NSCT变换是一种多尺度图像变换方法，它结合了SCT变换和NST变换的优点，具有更好的方向性和多尺度性，因此在人脸特征提取方面具有很好的应用前景。下面是基于NSCT变换的人脸图像特征提取的详细介绍。

一、NSCT变换的基本原理

      NSCT变换是由非下采样轮廓波变换（NST）和方向可调的子带滤波器（SCT）组合而成的一种多尺度变换方法。它将图像分解成多个子带，通过对每个子带进行SCT变换，可以得到一系列的子带系数，这些子带系数反映了图像在不同方向和不同尺度的特征。

       具体来说，NSCT变换首先使用NST变换对图像进行多尺度分解，得到一系列的子带系数。然后，对于每个子带，使用SCT变换将其进一步分解成多个方向子带，得到一系列的方向子带系数。每个方向子带都对应着特定的方向滤波器，通过对滤波器的设计，可以获得更好的方向性和多尺度性。

NSCT变换的流程可以表示为：

1. 对原始图像进行NST变换，得到一系列的子带系数。

2. 对于每个子带，使用SCT变换将其进一步分解成多个方向子带。

3. 对于每个方向子带，使用相应的方向滤波器进行滤波，得到一系列的方向子带系数。

4. 将所有的子带系数和方向子带系数合并成一个特征向量，作为该尺度下图像的特征表示。

二、NSCT变换的优势

NSCT变换相对于其他多尺度变换方法，具有以下几个方面的优势：

1. 更好的方向性：NSCT变换采用SCT变换对NST变换的输出进行进一步分解，可以通过选择合适的滤波器实现更好的方向性。

2. 更好的多尺度性：NSCT变换可以同时获得多个尺度的特征，并且对于不同尺度的特征具有相同的分辨率。

3. 可扩展性：NSCT变换可以与其他多尺度变换方法相结合，形成更为复杂的多尺度变换方法，以适应不同的应用场景。

三、基于NSCT变换的人脸特征提取

基于NSCT变换的人脸特征提取主要包含以下步骤：

1. 对人脸图像进行预处理：包括人脸检测、人脸对齐、灰度化等操作，以准备后续的特征提取。

2. 对预处理后的人脸图像进行NSCT变换，得到一系列的子带系数和方向子带系数。

3. 通过对子带系数和方向子带系数的分析，提取出能够表征人脸特征的关键信息。这些关键信息可以包括纹理信息、形状信息、空间信息等等。

4. 将提取出来的关键信息进行编码或聚类处理，形成一组特征向量或特征图，用于后续的人脸识别或人脸聚类等任务。

5. 对特征向量或特征图进行训练和学习，得到相应的分类器或聚类器，用于分类或聚类任务的完成。

        NSCT变换作为一种多尺度变换方法，在人脸特征提取方面具有很好的应用前景。通过对NSCT变换的学习和分析，我们可以了解到其具有更好的方向性和多尺度性，能够有效地提取出人脸图像的关键信息，对于后续的人脸识别或人脸聚类等任务具有重要的意义。

1.2 基于NSCT变换的人脸图像特征提取详细介绍

        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]。
filtersd{1} = modulate2(dh1, 'c');%无法改进
filtersd{2} = 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
[filtersd{3}, filtersd{4}] = 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
            %NSPlow{i}=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));        
        y{nIndex}=Ihigh_dir ;
        

    %若方向分解级别为0，直接复制
    else 
        y{nIndex}=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 ;
    Insp{i}=I;
end

% 输出的第一副图为最后的低通结果。
y{1}=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(Insp{1,1}),[]);
figure;
imshow(abs(Insp{1,2}),[]);
figure;
imshow(abs(Insp{1,3}),[]);

三、MATLAB仿真测试结果

 A10-35