MATLAB中英文等宽字体显示

MATLAB 中默认的字体是 Monospaced （即等宽字体），这是一种非常适合用于显示程序源代码的字体。但Monospaced 是种逻辑字体，它在不同语言和操作系统上映射为不同的物理字体。

但是编辑器和workspace中文常常出现乱码，原因是等宽字体（Monospaced）没有中文版，不使用等宽字体则必将导致程序语句排版较乱，不适合编写较长的程序（多年来程序编辑器都是等宽字体即可证明等宽字体对于编程的重要性）。经过多年折磨，终于发现了文泉驿正黑体能够完美滴解决这个问题。

这个字体是开源免费的，下载后将ttc后缀名的字体copy到windows的fonts文件夹即可。

下载地址: 点击访问

MSN 9.0 同时登陆多个账号

MSN，现在全名叫Windows Live Messenger，最新版本是9.0了，但一直到这个版本MSN都无法默认实现在同一台机器登录多个实例.

网上有很多方法可以实现MSN多实例登录，大致可以分为两种：一是通过MSN shell，二是通过使用二进制编辑器编辑MSN可执行程序，对我来讲前者只是为了登录多个实例就安装一个SHELL不是很爽，后者通过修改二进制也不怎样.

下面是一个通过增加一个注册表项就可以允许多个MSN实例的方法，本方法在Windows Live Messenger 9.0下测试通过.

运行regedit，在HKEY_LOCAL_MACHINE-> SOFTWARE-> Microsoft-> Windows Live-> Messenger 下增加一个DWORD类型的键，名字是MultipleInstances，值为1.

注册表修改完成后就可以运行多个MSN了。

Print color text in MATLAB workspace

To print color text in MATLAB workspace, Yair Altman has proposed an amazing function cprintf to achieve this goal. The function can be downloaded from MATLAB file exchange.

The result is shown as following:

matlab小波分析

一、小波入门简介

(1)小波分析的起源、发展与应用
http://blog.csdn.net/chenyusiyuan/archive/2007/11/09/1876282.aspx

(2)感受小波
http://blog.csdn.net/chenyusiyuan/archive/2007/11/02/1864195.aspx


二、小波变换与信号分解重构专题

(1)小波变换与信号分解重构
http://blog.csdn.net/chenyusiyuan/archive/2007/11/09/1876329.aspx

(2)自己动手编写小波信号分解与重构的Matlab程序
http://blog.csdn.net/chenyusiyuan/archive/2007/11/13/1881781.aspx

(3)用自编的程序实现小波图像分解与重构
http://blog.csdn.net/chenyusiyuan/archive/2007/11/13/1881940.aspx

三、小波图像融合专题

(1)小波图像融合综述
http://blog.csdn.net/chenyusiyuan/archive/2007/11/14/1883889.aspx

(2)小波图像融合的Matlab实现示例
http://blog.csdn.net/chenyusiyuan/archive/2007/11/16/1888808.aspx

四、小波图像压缩专题

(1)基于小波变换的图像压缩技术初探
http://blog.csdn.net/chenyusiyuan/archive/2007/11/12/1881231.aspx

(2)零树小波图像压缩专题
http://blog.csdn.net/chenyusiyuan/archive/2007/11/15/1886395.aspx

(3)嵌入式小波零树（EZW）算法的过程详解和Matlab代码
http://blog.csdn.net/chenyusiyuan/archive/2007/11/29/1907584.aspx

(4)多级树集合分裂（SPIHT）算法的过程详解与Matlab实现
http://blog.csdn.net/chenyusiyuan/archive/2007/12/07/1923334.aspx

(5)讨论：一种基于状态位图的SPIHT改进算法
http://blog.csdn.net/chenyusiyuan/archive/2007/12/11/1930419.aspx


另外，附件 Wavelet.rar 给出了几个Matlab程序，分别是：

1、基于低频融合策略的小波图像融合程序（Imfus.rar）；
2、嵌入式零树小波（EZW）算法的图像压缩编解码程序（EZW.rar）；
3、多级树集合分裂（SPIHT）算法的图像压缩编解码程序（SPIHT.rar）；
4、一种SPIHT改进算法（Mod-SPIHT.rar）。

其中都包含了基本的小波图像分解与重构程序，使用的是基本的Haar小波，根据Mallat算法编写。

图像边缘检测算子的比较

边缘存在于目标与背景、目标与目标、区域与区域、基元与基元之间,一般是指图像中像素灰度有阶跃变化或屋顶状变化的那些像素的集合，可以粗略地分为两 种: ① 阶跃性 边缘(step edge), 它两边 的像 素的灰度值有显著的不同; ② 屋顶状 边缘(roof edge), 它位 于灰度 值从增 加到减少的变化转折点。对于阶跃性边缘, 二阶方向导数在边缘处呈零交叉; 对于屋顶状边缘, 二阶方向导数在边缘处取极值。


图像的边缘是由灰度不 连续性 所反映 的。经典的 边缘 提取方法是考察图像的每个像素在某个区域内灰度的变化, 利用边缘邻近一阶或二阶方向导数变化规律, 用简单的方法检测边缘, 这种方法称为边缘检测局部算子法。边缘检测的基本思想是通过检测每个像元和其邻域的状态，以决定该像元是否位于一个物体的边界上。如果每一个像元位于一个物体的边界上，则其邻域像元灰度值的变化就比较大。假如可以应用某种算法检测出这种变化并进行量化表示，那么就可以确定物体的边界.

边缘对图像识别和分析十分有用，它能勾画出目标物体轮廓，使观察者一目了然，包含了丰富的信息（如方向、阶跃性质、形状等），是图像识别中抽取的重要属性。随着数学和人工智能的发展，出现了一些新的边缘检测方法，如数学形态法、小波变换法、神经网络法、模糊检测法、IFS边缘检测算子等等。而常用的方法有：基于一阶微分算子的Roberts算子、Sobel算子、Prewitt算子、Canny算子方法和基于二阶微分算子的拉Laplacian算子。下面将简要分析比较一下各种经典算子的优劣:

=============
Roberts边缘算子
=============

Roberts边缘算子是一种斜向偏差分的梯度计算方法，梯度的大小代表边缘的强度，梯度的方向与边缘走向垂直。

Roberts边缘算子定位精度高，在水平和垂直方向效果较好，但对噪声敏感。

=============
Sobel边缘算子
=============

Sobel算子是一组方向算子，从不同的方向检测边缘。索贝尔算子不是简单求平均再差分，而是加强了中心像素上下左右四个方向像素的权重，运算结果是一幅边缘图像。

Sobel算子通常对灰度渐变和噪声较多的图像处理得较好。

=============
Prewitt边缘算子
=============

Prewitt边缘算子是一种边缘样板算子，利用像素点上下、左右邻点灰度差，在边缘处达到极值检测边缘，对噪声具有平滑作用。由于边缘点像素的灰度值与其邻域点像素的灰度值有显著不同，在实际应用中通常采用微分算子和模板匹配方法检测图像的边缘.

Prewitt算子不仅能检测边缘点，而且能抑制噪声的影响，因此对灰度和噪声较多的图像处理得较好。

=============
Laplacian边缘算子
=============

拉普拉斯算子是一个二阶导数算子，而前面提到的三种算子均为一阶导数算子。该算子是一个与方向无关的各向同性（旋转轴对称）边缘检测算子。若只关心边缘点的位置而不顾其周围的实际灰度差时，一般选择该算子进行检测。

由于拉普拉斯算子为二阶差分，其方向信息丢失，常产生双像素，对噪声有双倍加强作用，因此它很少直接用于边缘检测。

鉴于此，Marr和Hildreth将高斯滤波和拉普拉斯边缘检测结合在一起，形成了 LoG（Laplacian of Gaussian）算子，即高斯-拉普拉斯算子，也常称为马尔算子（Marr-Hildreth）。该算子先用高斯算子对图像进行平滑，然后采用拉普拉斯算子根据二阶微分过零点来检测图像边缘.

高斯拉普拉斯算子是两种算子的结合，既具备高斯算子的平滑特点又具备拉普拉斯算子锐化特点。平滑和锐化，积分和微分是一对矛盾的两个侧面，统一在一起后就变成了最佳因子。因为图像中包含噪声，平滑和积分可以滤掉这些噪声，消除噪声后再进行边缘检测(锐化和微分)会得到较好的效果。

=============
Canny边缘算子
=============

坎尼算子是一类最优边缘检测算子，它在许多图像处理领域得到了广泛应用。Canny考核边缘检测算子的指标是：
（1）低误判率，即尽可能地把边缘点误认为是非边缘点；
（2）高定位精度，即准确地把边缘点定位在灰度变化最大的像素上;
（3）抑制虚假边缘.

Canny从这三项指标出发，推导出了最佳边缘检测算子-Canny边缘算子。该算子的基本思想是：先对处理的图像选择一定的Guass滤波器进行平滑滤波，抑制图像噪声；然后采用一种称之为“非极值抑制”(Nonmaxima Suppression)的技术，细化平滑后的图像梯度幅值矩阵，寻找图像中的可能边缘点；最后利用双门限检测通过双阈值递归寻找图像边缘点，实现边缘提取。

Canny方法也使用拉普拉斯算子，该方法与其它边缘检测方法的不同之处在于，它使用2种不同的阈值分别检测强边缘和弱边缘，并且仅当弱边缘与强边缘相连时才将弱边缘包含在输出图像中，因此这种方法较其它方法而言不容易被噪声“填充”，更容易检查出真正的弱边缘。

针对这些边缘检测算子,matlab提供了多个函数实现边缘检测.具体调用方法如下:

BW = edge(I,'sobel')
BW = edge(I,'sobel',thresh)
BW = edge(I,'sobel',thresh,direction)
[BW,thresh] = edge(I,'sobel',...)

BW = edge(I,'prewitt')
BW = edge(I,'prewitt',thresh)
BW = edge(I,'prewitt',thresh,direction)
[BW,thresh] = edge(I,'prewitt',...)

BW = edge(I,'roberts')
BW = edge(I,'roberts',thresh)
[BW,thresh] = edge(I,'roberts',...)

BW = edge(I,'log')
BW = edge(I,'log',thresh)
BW = edge(I,'log',thresh,sigma)
[BW,threshold] = edge(I,'log',...)

BW = edge(I,'zerocross',thresh,h)
[BW,thresh] = edge(I,'zerocross',...)

BW = edge(I,'canny')
BW = edge(I,'canny',thresh)
BW = edge(I,'canny',thresh,sigma)
[BW,threshold] = edge(I,'canny',...)

下面简单对比一下不同算子的特点;
LoG算子:对噪声很敏感，产生原因是采用的二阶求导，所以先用滤波去噪
方法之后，再用该算子提取边缘效果会比较好;
Robert算子:边缘漏检会比较多，原因是采用的一阶求导;
Canny算子:对噪声敏感，边缘提取会较多;
Sobel算子:精度不高需要门限控制对噪声敏感

几个人脸库

人脸数据库汇总

■Annotated Database (Hand, Meat, LV Cardiac, IMM face) (http://www2.imm.dtu.dk/~aam/)
■AR Face Database (http://cobweb.ecn.purdue.edu/~aleix/aleix_face_DB.html)
■BioID Face Database (http://www.bioid.com/downloads/facedb/index.php)
■Caltech Computational Vision Group Archive (Cars, Motorcycles, Airplanes, Faces, Leaves, Background) (http://www.vision.caltech.edu/html-files/archive.html)
■Carnegie Mellon Image Database (motion, stereo, face, car, ...) (http://vasc.ri.cmu.edu/idb/)
■CAS-PEAL Face Database (http://www.jdl.ac.cn/peal/index.html)
■CMU Cohn-Kanade AU-Coded Facial Expression Database (http://www.ri.cmu.edu/projects/project_421.html
■CMU Face Detection Databases (http://www.ri.cmu.edu/projects/project_419.html)
■CMU Face Expression Database (http://amp.ece.cmu.edu/projects/FaceAuthentication/download.htm)
■CMU Face Pose, Illumination, and Expression (PIE) Database (http://www.ri.cmu.edu/projects/project_418.html)
■CMU VASC Image Database (motion, road sequences, stereo, CIL’s stereo data with ground truth, JISCT, face, face expressions, car) (http://www.ius.cs.cmu.edu/idb/)
■Content-based Image Retrieval Database (http://www.cs.washington.edu/research/imagedatabase/groundtruth/)
■Face Video Database of the Max Planck Institute for Biological Cybernetics (http://vdb.kyb.tuebingen.mpg.de/)
■FERET Database (http://www.frvt.org/)
■FERET Color Database (http://www.itl.nist.gov/iad/humanid/colorferet/home.html http://face.nist.gov/colorferet/ )
■Georgia Tech Face Database (http://www.anefian.com/face_reco.htm)
■German Fingerspelling Database (http://www.anefian.com/face_reco.htm )
■Indian Face Database (http:// www.cs.umass.edu/~vidit/IndianFaceDatabase)
■MIT-CBCL Car Database (http://cbcl.mit.edu/software-datasets/CarData.html)
■MIT-CBCL Face Recognition Database (http://cbcl.mit.edu/software-datasets/heisele/facerecognition-database.html)
■MIT-CBCL Face Databases (http://cbcl.mit.edu/software-datasets/FaceData2.html)
■MIT-CBCL Pedestrian Database (http://cbcl.mit.edu/software-datasets/PedestrianData.html)
■MIT-CBCL Street Scenes Database (http://cbcl.mit.edu/software-datasets/streetscenes/)
■NIST/Equinox Visible and Infrared Face Image Database (http://www.equinoxsensors.com/products/HID.html)
■NIST Fingerprint Data at Columbia (Link)
■ORL Database of Faces (http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html)
■Rutgers Skin Texture Database (http://www.caip.rutgers.edu/rutgers_texture/)
■The Japanese Female Facial Expression (JAFFE) Database (http://www.kasrl.org/jaffe.html
■The Ohio State University SAMPL Image Database (3D, still, motion) (http://sampl.ece.ohio-state.edu/database.htm)
■The University of Oulu Physics-Based Face Database (http://www.ee.oulu.fi/research/imag/color/pbfd.html)
■UMIST Face Database (http://images.ee.umist.ac.uk/danny/database.html)
■USF Range Image Data (with ground truth) (http://marathon.csee.usf.edu/range/DataBase.html)
■Usenix Face Database (hundreds of images, several formats) (Link)
■UCI Machine Learning Repository (http://www1.ics.uci.edu/~mlearn/MLSummary.html)
■USC-SIPI Image Database (collection of digitized images) (http://sipi.usc.edu/services/database/Database.html)
■UCD VALID Database (multimodal for still face, audio, and video) (http://ee.ucd.ie/validdb/)
■UCD Color Face Image (UCFI) Database for Face Detection (http://ee.ucd.ie/~prag/)
■UCL M2VTS Multimodal Face Database (http://www.tele.ucl.ac.be/PROJECTS/M2VTS/m2fdb.html)
■Vision Image Archive at UMass (sequences, stereo, medical, indoor, outlook, road, underwater, aerial, satellite, space and more) (http://sipi.usc.edu/database/)
■Where can I find Lenna and other images? (http://www.faqs.org/faqs/compression-faq/part1/section-30.html)
■Yale Face Database (http://cvc.yale.edu/projects/yalefaces/yalefaces.html)
■Yale Face Database B (http://cvc.yale.edu/projects/yalefaces/yalefaces.html)

目前人脸识别领域常用的人脸数据库主要有:
1. FERET人脸数据库[2]
由FERET项目创建, 包含14,051张多姿态,光照的灰度人脸图像,是人脸识别领域应用最广泛
的人脸数据库之一.其中的多数人是西方人,每个人所包含的人脸图像的变化比较单一.
2. MIT人脸数据库[4]
由麻省理工大学媒体实验室创建,包含16位志愿者的2,592张不同姿态,光照和大小的面部图像.
3. Yale人脸数据库[5]
由耶鲁大学计算视觉与控制中心创建,包含15位志愿者的165张图片,包含光照,表情和姿态
的变化.
4. Yale人脸数据库B[6]
包含了10个人的5,850幅多姿态,多光照的图像.其中的姿态和光照变化的图像都是在严格控制
的条件下采集的,主要用于光照和姿态问题的建模与分析.由于采集人数较少,该数据库的进一步应
用受到了比较大的限制.
5. PIE人脸数据库[7]
由美国卡耐基梅隆大学创建,包含68位志愿者的41,368张多姿态,光照和表情的面部图像.其
中的姿态和光照变化图像也是在严格控制的条件下采集的,目前已经逐渐成为人脸识别领域的一个重
要的测试集合.
6. ORL人脸数据库[8]
由剑桥大学AT&T实验室创建,包含40人共400张面部图像,部分志愿者的图像包括了姿态,
表情和面部饰物的变化.该人脸库在人脸识别研究的早期经常被人们采用,但由于变化模式较少,多
数系统的识别率均可以达到90%以上,因此进一步利用的价值已经不大.
7. PF01人脸数据库[9]
由韩国浦项科技大学创建,包含103人的1,751张不同光照,姿态,表情的面部图像,志愿者以
韩国人为主.
8. AR人脸数据库[10]
由西班牙巴塞罗那计算机视觉中心建立,包含116人的3,288幅图像.采集环境中的摄像机参数,
光照环境,摄像机距离等都是严格控制的.
9. BANCA人脸数据库[11]
该数据库是欧洲BANCA计划的一部分,包含了208人, 每人12幅不同时间段的面部图像.
10. KFDB人脸数据库[12]
包含了1,000人,共52,000幅多姿态,多光照,多表情的面部图像,其中姿态和光照变化的图像
是在严格控制的条件下采集的.志愿者以韩国人为主.
11. MPI人脸数据库[13]
该人脸数据库包含了200人的头部3维结构数据和1,400幅多姿态的人脸图像.
12. XM2VTS人脸数据库[14]
包含了295 人在4个不同时间段的图像和语音视频片断.在每个时间段,每人被记录了2个头部
旋转的视频片断和6个语音视频片断.此外,其中的293人的3维模型也可得到.


MIT
ftp://whitechapel.media.mit.edu/pub/images
共有 16 个人的脸，每个人有 27 幅在不同光线、不同尺度、不同头部角度情况下的图像

FERET
http://www.nist.gov/humanid/feret
收集了大量的男性、女性人脸，每张图像包含了一张特定表情的人脸


UMIST
http://images.ee.umist.ac.uk/danny/database.html
分为 20 个主题，共 564 张图像，每个主题包括从侧面到正面的不同人脸姿态

Univ. of Bern
ftp://ianftp.unibe.ch/pub/images/faceimages/
30 个人的 300 张正面人脸（每人 10 张）和 150 张侧面人脸（每人 5 张）

Yale
http://cvc.yale.edu
在不同光照条件下，戴眼镜的表情人脸

AT&T (Olivetti)
http://www.uk.research.att.com
40 个主题，每个主题 10 张图像

Harvard
ftp://ftp.hrl.harvard.edu/pub/faces
在不同光照条件下的剪裁好的人脸图像

M2VTS
http://poseidon.csd.auth.gr/m2vts/index.html
一个包含不同图像序列的多态数据库

Purdue AR
http://rvl1.ecn.purdue.edu/~aleix/aleix_face_db.html
3276 张在不同光照条件下的表情和有遮挡的人脸图像

CAS-PEAL
http://www.jdl.ac.cn/peal/


more details:
http://www.face-rec.org/databases/