Compressive Sensing (matlab code using DCT)

clc;clear
load DCTq;  %讀量化表格
% Read the input image;           
xtatal = double(imread('lena512.bmp')); %讀圖檔 目前應該是黑白
figure(1);
imshow(uint8(xtatal));  %秀出原始圖檔

% keep an original copy of the input signal

for i=0:size(xtatal,1)/8-1                  %每格寬8像素 總共 (寬/8) 格 需整除
    for j=0:size(xtatal,1)/8-1              %每格高8像素 總共 (高/8) 格 需整除
        x0 = xtatal(1+i*8:8+i*8,1+j*8:8+j*8);       %一個block 處理

%         xmean = mean(x0(:));

%         x0=x0-xmean;

        % figure(1);

        % imshow(uint8(x0));

        f=floor((dct2(x0)+floor(Q/2))./Q);      %一個block作DCT和量化後的 係數(稀疏)
        f = f(:);                               %拉成一維 (n*1)
        n= size(x0,1)*size(x0,1);               %總點數 n

        s=length(find(floor((dct2(x0)+floor(Q/2))./Q)~=0)); %不等於0的有s個
       
        M=32;                                           %設定M大小 每個block 都用一樣

%         M=s*log(n/s)+1;                               %需大於s*log(n/s) 公式?

%         if (M<32)                                     %補不足的點(自己設定的)

%             M=32;

%         end

        A = get_A_random(n,M);          %sensing matrix (M*n)
        Psi=dctmtx(n);                  %DCT基底 (n*n)
        y = A*Psi*f;                    %measurment (壓縮後大小 y(M*1)) (編碼)

        %用(l1 magic)tool 求l1 最佳稀疏解 (解碼)

%         % S o l v e u s ing l 1 magic .

%         path(path ,'./Optimization') ;

%         xinit = pinv(A)*y; % i n i t i a l g u e s s = min ene r g y

%         tic

%         xp = l1eq_pd ( xinit , A, [ ] , y , 1e-3);

%         toc

        %用CVX tool 求l1 最佳稀疏解 (解碼)
        cvx_begin
            variable xp(n);
            minimize (norm( xp , 1 ) ) ;
            subject to
                A*Psi*xp == y ;
        cvx_end
       
        %norm(f-xp)/norm(f);        %計算誤差??
        hat_x=reshape(round(xp),8,8);       %(n*1)一維轉換成8*8
        xhatall(1+i*8:8+i*8,1+j*8:8+j*8)=(idct2(floor(hat_x.*Q)));  %反量化&反DCT 還原圖檔
       
        %調整超過的像素值
        [r1,c1]=(find(xhatall>255));
        for l=1:length(r1)
            xhatall(r1(l),c1(l))=255;
        end
        [r2,c2]=(find(xhatall<0));
        for l=1:length(r2)
            xhatall(r2(l),c2(l))=0;
        end

        %不確定對不對的方式

%         xhatall(1+i*8:8+i*8,1+j*8:8+j*8)=reshape(Psi*reshape(hat_x.*Q,64,1),8,8);

    end
end

figure(2);
imshow(uint8(xhatall));     %秀出還原的圖檔

android porting note

參考http://www.mask.org.tw/data/BringUp_Android_on_PXA270.pdf
必須安裝g++ bison flex 等套件

最後遇到
prebuilt/linux-x86/sdl/include/SDL/SDL_syswm.h:75: error: syntax error before '}' token
類似這種問題

所以google大神說
(http://webcache.googleusercontent.com/search?q=cache:1mLuKdvgfvYJ:dev.firnow.com/course/6_system/linux/Linuxjs/20090314/161469.html+prebuilt/linux-x86/sdl/include/SDL/SDL_syswm.h+error:+syntax+error+before+%27*%27+token&cd=1&hl=zh-TW&ct=clnk&gl=tw&client=firefox-a)

以下不確定什麼要裝 (管他的 全裝)
apt-get install sun-java6-jdk
apt-get install flex bison gperf libesd0-dev libwxgtk2.6-dev build-essential zip curl libncurses5-dev zlib1g-dev
apt-get install libsdl-dev

跑快1小時就可以過了

Local Binary Patterns, LBP

Ojala 等人提出的區域二元特徵（Local Binary Patterns, LBP）已在多篇論文中被證實在描述影像上的表現很好[3]，LBP 是一種用來描述區域紋理變化的特徵計算方式。

優點是運算簡單、速度也相當的快，且不受陰影困擾，非常適合使用在真實的即時系統（real-time system）上

缺點是在平滑影像（如轉灰階後，灰階值太過於相近的天空及海洋影像）上的效果較差強人意，但既然是描述影像中的紋理資訊，所以也極少會將區域二元特徵應用在平滑影像上。

uniform patterns

uniform patterns，即8-bit 二元編碼中，
最多只能有2 個0 到1 或1 到0 的轉換，例如：00001111、10001111 和11111111
都是uniform patterns

BCB轉灰階code範例

Bitmap *result = new Bitmap();
result->PixelFormat = pf24bit;
result->Width = Image1->Picture->Bitmap->Width;
result->Height = Image1->Picture->Bitmap->Height;
for (int row = 0; row <>Picture->Bitmap->Height ; row++) {
   BYTE *Pixel1=(BYTE *)Image1->Picture->Bitmap->ScanLine[row];
   BYTE *Pixel2=(BYTE *)result->ScanLine[row];
   for (int col = 0; col <>Picture->Bitmap->Width ; col++) {
      Byte Gray = (*Pixel1+*(Pixel1+1)+*(Pixel1+2))/3;
      *Pixel2=*(Pixel2+1)=*(Pixel2+2) = Gray;
      Pixel1+=3;
      Pixel2+=3;
   }
}
Image2->Picture->Bitmap->Assign(result);
delete result;