图像处理matlab浮转定

时间: 2024-04-25 09:19:40 浏览: 150

图像处理matlab

str='F:\\code\\matlab\\face\\face'; %图像存放路径 S=0.0;%行向量 dis=zeros(1,100,'double');%每一个人脸跟平均脸的距离 b=zeros(2700,400,'double');%人脸向量矩阵 for i=1:2700 B=imread([str,num2str(i),'.bmp']); %依次读取每一幅图像 m = size(B, 3); if m==1 I = B; else I=rgb2gray(B); end %在此处进行你的图像处理即可 A = I';%I的转置 C = A(:)';%矩阵转换为行向量，即一张图片对应一个行向量 b(i,:)=C; %S = S+C; end Avg=mean(b);%平均脸 %% %显示平均脸 AvgImg = reshape(Avg,20,20)'; AvgImgInt=uint8(AvgImg); imshow(AvgImgInt)%显示平均脸 %% %使用PCA分析b [coef,score,latent,t2] = princomp(b); %% % 通过latent,可以知道提取前几个主成分就可以了. figure(1); percent_explained = 100*latent/sum(latent); pareto(percent_explained); xlabel('Principal Component'); ylabel('Variance Explained (%)'); print -djpeg 2; %选取前10个主特征组成新的特征空间 pca10 = coef(:,1:10); %% %人脸的读取及重构 facestr='F:\\code\\matlab\\face\\'; %图像存放路径 faceagr=zeros(100,10,'double');%每一张非人脸图像映射到特征空间的系数 for i=1:2700 faceagr(i,:) = (b(i,:)-Avg)*pca10; end for i=1:2700 faceImg(i,:)=Avg+(pca10*(faceagr(i,:)'))';%人脸图像图像重构 faceJuli(i)=norm(b(i,:)-faceImg(i,:)); end avgJuli = mean(faceJuli); %分布图 figure(2); faceymin=min(faceJuli); faceymax=max(faceJuli); facex=linspace(faceymin,faceymax,20); %将最大最小区间分成20个等分点(19等分),然后分别计算各个区间的个数 faceyy=hist(faceJuli,facex); %计算各个区间的个数 faceyy=faceyy/length(faceJuli); %计算各个区间的个数 bar(facex,faceyy) %画出概率密度分布图 %% %非人脸的读取及重构 nofacestr='F:\\code\\matlab\\noface\\'; %图像存放路径 b1=zeros(4300,400,'double');%非人脸向量矩阵 for i=1:4300 B1=imread([nofacestr,num2str(i),'.bmp']); %依次读取每一幅图像 m = size(B1, 3); if m==1 I1 = B1; else I1=rgb2gray(B1); end %在此处进行你的图像处理即可 A1 = I1';%I的转置 C1 = A1(:)';%矩阵转换为行向量，即一张图片对应一个行向量 b1(i,:)=C1; %S = S+C; end %非人脸的映射 bb1=zeros(1000,10,'double');%每一张非人脸图像映射到特征空间的系数 for i=1:1000 bb1(i,:) = (b1(i,:)-Avg)*pca10; end for i=1:1000 nofaceImg(i,:)=Avg+(pca10*(bb1(i,:)'))';%非人脸图像重构 nofaceJuli(i)=norm(b1(i,:)-nofaceImg(i,:)); end nofaceavgJuli = mean(nofaceJuli); figure(3); nofaceymin=min(nofaceJuli); nofaceymax=max(nofaceJuli); nofacex=linspace(nofaceymin,nofaceymax,20); %将最大最小区间分成20个等分点(19等分),然后分别计算各个区间的个数 nofaceyy=hist(nofaceJuli,nofacex); %计算各个区间的个数 nofaceyy=nofaceyy/length(nofaceJuli); %计算各个区间的个数 bar(nofacex,nofaceyy) %画出概率密度分布图 %Img=reshape(X1,20,20)'; %ImgInt=uint8(Img); %imshow(ImgInt) str='F:\\code\\matlab\\face\\face'; %图像存放路径 S=0.0;%行向量 dis=zeros(1,100,'double');%每一个人脸跟平均脸的距离 b=zeros(2700,400,'double');%人脸向量矩阵 for i=1:2700 B=imread([str,num2str(i),'.bmp']); %依次读取每一幅图像 m = size(B, 3); if m==1 I = B; else I=rgb2gray(B); end %在此处进行你的图像处理即可 A = I';%I的转置 C = A(:)';%矩阵转换为行向量，即一张图片对应一个行向量 b(i,:)=C; %S = S+C; end Avg=mean(b);%平均脸 %% %显示平均脸 AvgImg = reshape(Avg,20,20)'; AvgImgInt=uint8(AvgImg); imshow(AvgImgInt)%显示平均脸 %% %使用PCA分析b [coef,score,latent,t2] = princomp(b); %% % 通过latent,可以知道提取前几个主成分就可以了. figure(1); percent_explained = 100*latent/sum(latent); pareto(percent_explained); xlabel('Principal Component'); ylabel('Variance Explained (%)'); print -djpeg 2; %选取前10个主特征组成新的特征空间 pca10 = coef(:,1:10); %% %人脸的读取及重构 facestr='F:\\code\\matlab\\face\\'; %图像存放路径 faceagr=zeros(100,10,'double');%每一张非人脸图像映射到特征空间的系数 for i=1:2700 faceagr(i,:) = (b(i,:)-Avg)*pca10; end for i=1:2700 faceImg(i,:)=Avg+(pca10*(faceagr(i,:)'))';%人脸图像图像重构 faceJuli(i)=norm(b(i,:)-faceImg(i,:)); end avgJuli = mean(faceJuli); %分布图 figure(2); faceymin=min(faceJuli); faceymax=max(faceJuli); facex=linspace(faceymin,faceymax,20); %将最大最小区间分成20个等分点(19等分),然后分别计算各个区间的个数 faceyy=hist(faceJuli,facex); %计算各个区间的个数 faceyy=faceyy/length(faceJuli); %计算各个区间的个数 bar(facex,faceyy) %画出概率密度分布图 %% %非人脸的读取及重构 nofacestr='F:\\code\\matlab\\noface\\'; %图像存放路径 b1=zeros(4300,400,'double');%非人脸向量矩阵 for i=1:4300 B1=imread([nofacestr,num2str(i),'.bmp']); %依次读取每一幅图像 m = size(B1, 3); if m==1 I1 = B1; else I1=rgb2gray(B1); end %在此处进行你的图像处理即可 A1 = I1';%I的转置 C1 = A1(:)';%矩阵转换为行向量，即一张图片对应一个行向量 b1(i,:)=C1; %S = S+C; end %非人脸的映射 bb1=zeros(1000,10,'double');%每一张非人脸图像映射到特征空间的系数 for i=1:1000 bb1(i,:) = (b1(i,:)-Avg)*pca10; end for i=1:1000 nofaceImg(i,:)=Avg+(pca10*(bb1(i,:)'))';%非人脸图像重构 nofaceJuli(i)=norm(b1(i,:)-nofaceImg(i,:)); end nofaceavgJuli = mean(nofaceJuli); figure(3); nofaceymin=min(nofaceJuli); nofaceymax=max(nofaceJuli); nofacex=linspace(nofaceymin,nofaceymax,20); %将最大最小区间分成20个等分点(19等分),然后分别计算各个区间的个数 nofaceyy=hist(nofaceJuli,nofacex); %计算各个区间的个数 nofaceyy=nofaceyy/length(nofaceJuli); %计算各个区间的个数 bar(nofacex,nofaceyy) %画出概率密度分布图 %Img=reshape(X1,20,20)'; %ImgInt=uint8(Img); %imshow(ImgInt)

图像处理是指对图像进行各种操作和处理的技术。而MATLAB是一种强大的数学计算和编程环境，也被广泛应用于图像处理领域。在MATLAB中，可以使用各种函数和工具箱来实现图像处理的各种任务。浮转定（Floating Point to Fixed Point Conversion）是图像处理中的一个重要概念，它用于将浮点数表示的图像数据转换为定点数表示。定点数表示使用整数来表示图像的像素值，相比于浮点数表示，定点数表示可以节省存储空间和计算资源，并且更适合于嵌入式系统等资源受限的环境。在MATLAB中，可以使用一些函数和工具箱来进行浮转定操作。例如，可以使用`im2uint8`函数将图像数据转换为8位无符号整数表示，或者使用`im2double`函数将图像数据转换为双精度浮点数表示。此外，还可以使用`fi`函数创建定点数对象，并通过设置定点数对象的位宽、小数位数等参数来实现浮转定。

阅读全文

图像处理matlab浮转定

相关推荐

matlab 图像处理

matlab实现图像的放大及旋转_matlab图像_数字图像处理_

matlab开发-气泡消除和提升分析

水下航行器建模matlab代码.zip

自由漂浮空间机器人视觉伺服系统研究.pdf

MATLAB支持的煤泥浮选泡沫图像分析关键技术论文

Matlab CFtool在浮选尾矿灰分与图像灰度拟合中的应用

Matlab仿真实现流体浮力对流的简单模型分析

Matlab模拟冰山运输系统源码分享

MATLAB实现LBMS自然对流模拟及其结果分析

【Matlab仿真】船舶静水压及车身平面图代码解析

精确模型评估：MATLAB机器学习中的度量与验证方法

java基础GUI框架完成的贪吃蛇小游戏.zip

安卓期末大作业-Android跑步计数app期末大作业源码（高分项目）

C#毕业设计-基于ASP.NET的教师公寓管理系统源码.zip

stress-plan 是使用golang语言编写的轻量级压测工具，有着易用，从业务场景出发的压测功能 .zip

基于java的实验室考勤管理系统设计与实现.docx

基于.net的网络爬虫程序详细文档+资料齐全.zip

最新推荐

数字图像处理MATLAB实现知识点——个人笔记.docx

图像处理的matlab程序

数字图像处理MATLAB代码

实验七 彩色图像处理

MATLAB图像处理+常用源代码

Raspberry Pi OpenCL驱动程序安装与QEMU仿真指南

管理建模和仿真的文件

Fluent UDF实战攻略：案例分析与高效代码编写

如何使用DPDK技术在云数据中心中实现高效率的流量监控与网络安全分析？

Apache RocketMQ Go客户端：全面支持与消息处理功能

实验七彩色图像处理