کار با correlation در متلب

کار با correlation در متلب

در این نوشته به کمک correlation از بین یک جمع چهره ی فرد تشخیص داده می شود البته دقت کنید ممکن است کمی خطا داشته باشد یا با تصاویر مختلف به مشکل بخورد ولی تا حد زیادی الگوریتم correlation پیاده سازی شده است.

این نوشته را در سایت آموزشی camelCase بخوانید.

همراه ما باشید.

هدیه : کتاب پردازش تصویر را رایگان دانلود کنید.

پیشنهاد نویسنده : بهینه سازی هیستوگرام با تابع توزیع تجمعی در متلب

کار با correlation در متلب

کد:

main.m

clc;
clear all;
close all;

image_ref          = imread('img/image_ref.jpg');
filter             = imread('img/filter.jpg');

image               = image_ref;
filter              = filter;

correlation = normxcorr2(filter(:,:), image(:,:));
figure, imshow(correlation);
title('Correlation image');
    
[maxCorrValue, maxIndex] = max(abs(correlation(:)));
[yPeak, xPeak] = ind2sub(size(correlation), maxIndex(1));

corr_offset = [(xPeak - size(filter, 2)) (yPeak - size(filter, 2))];

if(corr_offset(1) < 0)
   corr_offset(1) = corr_offset(1) * (-1); 
end

if(corr_offset(2) < 0)
   corr_offset(2) = corr_offset(2) * (-1); 
end

axis on;
hold on;
figure, imshow(image);
title('find area');
boxRect = [corr_offset(1) corr_offset(2) 200, 200];
rectangle('position', boxRect, 'edgecolor', 'r', 'linewidth', 2);

main2.m

clc;
close all;
clear all;

image_ref          = imread('img/image_ref.jpg');
filter             = imread('img/filter_ssim.jpg');

image               = image_ref;
filter              = filter;

image_ref_size = size(image_ref);
filter_size = size(filter);
temp_result = 0;
corr2val = 0;
ssim_result = zeros(image_ref_size(1), image_ref_size(2), 'int8');
K = [0.1 0.3];
window = fspecial('gaussian', 10, 2.5);
L = 255;
   
for m = round(filter_size(1) / 2) : image_ref_size(1)
    if(m + filter_size(1) > image_ref_size(1))
    	break; 
    end
	for n = round(filter_size(2) / 2) : image_ref_size(2)
        image_temp = zeros(filter_size(1), filter_size(2));
        if(n + filter_size(2) > image_ref_size(2))
           break; 
        end
        for i = m : m + filter_size(1)
        	for j = n : n + filter_size(2)
            	image_temp(i, j) = image_ref(i, j);
            end
        end
        res = ssim(image_temp, filter, K, window, L);
        if(res < 0)
        	res = res * (-1);
        end
        temp_result = round(res * 255);
        ssim_result(m, n) = int8(temp_result);
    end
end

figure, imshow(ssim_result);
title('find area with ssim');

ssim.m

function res = ssim(image1_filename, image2_filename, K, window, L)

image1 = image1_filename;
image2 = image2_filename;
ssim_map = -Inf;
if (nargin < 2 || nargin > 5)
   res = -Inf;
   ssim_map = -Inf;
   return;
end

if (size(image1) ~= size(image2))
   res = -Inf;
   ssim_map = -Inf;
   return;
end

[M N] = size(image1);

if (nargin == 2)
   if ((M < 11) || (N < 11))
	   res = -Inf;
	   ssim_map = -Inf;
      return
   end
   window = fspecial('gaussian', 11, 1.5);
   K(1) = 0.01;
   K(2) = 0.03;
   L = 255;
end

if (nargin == 3)
   if ((M < 11) || (N < 11))
	   res = -Inf;
	   ssim_map = -Inf;
      return
   end
   window = fspecial('gaussian', 11, 1.5);
   L = 255;
   if (length(K) == 2)
      if (K(1) < 0 || K(2) < 0)
		   res = -Inf;
   		ssim_map = -Inf;
	   	return;
      end
   else
	   res = -Inf;
   	ssim_map = -Inf;
	   return;
   end
end

if (nargin == 4)
   [H W] = size(window);
   if ((H*W) < 4 || (H > M) || (W > N))
	   res = -Inf;
	   ssim_map = -Inf;
      return
   end
   L = 255;
   if (length(K) == 2)
      if (K(1) < 0 || K(2) < 0)
		   res = -Inf;
   		ssim_map = -Inf;
	   	return;
      end
   else
	   res = -Inf;
   	ssim_map = -Inf;
	   return;
   end
end

if (nargin == 5)
   [H W] = size(window);
   if ((H*W) < 4 || (H > M) || (W > N))
	   res = -Inf;
	   ssim_map = -Inf;
      return
   end
   if (length(K) == 2)
      if (K(1) < 0 || K(2) < 0)
		   res = -Inf;
   		ssim_map = -Inf;
	   	return;
      end
   else
	   res = -Inf;
   	ssim_map = -Inf;
	   return;
   end
end


image1 = double(image1);
image2 = double(image2);
f = max(1,round(min(M,N)/256));
if(f>1)
    lpf = ones(f,f);
    lpf = lpf/sum(lpf(:));
    image1 = imfilter(image1,lpf,'symmetric','same');
    image2 = imfilter(image2,lpf,'symmetric','same');

    image1 = image1(1:f:end,1:f:end);
    image2 = image2(1:f:end,1:f:end);
end

C1 = (K(1)*L)^2;
C2 = (K(2)*L)^2;
window = window/sum(sum(window));

mu1   = filter2(window, image1, 'valid');
mu2   = filter2(window, image2, 'valid');
mu1_sq = mu1.*mu1;
mu2_sq = mu2.*mu2;
mu1_mu2 = mu1.*mu2;
sigma1_sq = filter2(window, image1.*image1, 'valid') - mu1_sq;
sigma2_sq = filter2(window, image2.*image2, 'valid') - mu2_sq;
sigma12 = filter2(window, image1.*image2, 'valid') - mu1_mu2;

if (C1 > 0 && C2 > 0)
   ssim_map = ((2*mu1_mu2 + C1).*(2*sigma12 + C2))./((mu1_sq + mu2_sq + C1).*(sigma1_sq + sigma2_sq + C2));
else
   numerator1 = 2*mu1_mu2 + C1;
   numerator2 = 2*sigma12 + C2;
	denominator1 = mu1_sq + mu2_sq + C1;
   denominator2 = sigma1_sq + sigma2_sq + C2;
   ssim_map = ones(size(mu1));
   index = (denominator1.*denominator2 > 0);
   ssim_map(index) = (numerator1(index).*numerator2(index))./(denominator1(index).*denominator2(index));
   index = (denominator1 ~= 0) & (denominator2 == 0);
   ssim_map(index) = numerator1(index)./denominator1(index);
end

res = mean2(ssim_map);

return

روش های انجام :

• بخش اول در فایل m انجام می شود.
• بدست آوردن correlation با تابع corr2 متلب انجام شده است.
• خروجی به صورت یک تصویر سیاهی و سفیدی است که مکانهایی که شباهت دارند روشن تر هستند.
• خروجی دوم در عکس اصلی می باشد که مکانی که شباهت بیشتری داشته را انتخاب کرده است.
• بخش دوم در فایل m می باشد.
• تابع مورد استفاده برای ssim که در این تمرین استفاده شده است در تمرین های قبلی انجام شده است.
• در بخش دوم تمرین یک حلقه ی تو در تو با در نظر گرفتن padding داریم که هر بار یک قسمت از عکس اصلی به اندازه ی فیلتر را می برد و مقدار ssim آن را محاسبه می کنیم.
• نتایج ssim را در یک ماتریس خروجی ذخیره می کنیم و در نهایت آن را نمایش می دهیم.

خروجی:

برای مطالعه ی محتوای بیشتر در ارتباط با متلب روی این لینک کلیک کنید.

نظرات خود را برای ما بنویسید.

موفق باشید.