【文章內容簡介】 b 語言語法限制不嚴格 ,程序設計自由度大 ,程序的可移植性好。 Matlab 還推出了功能強大的適應于圖像分析和處理的工具箱 ,常用的有圖像 處理工具箱、小波分析工具箱及數字信號處理工具箱。利用這些工具箱 ,我們可以很方便的從各個方面對圖像的性質進行深入的研究。 Matlab 圖像處理工具箱支持索引圖像、 RGB 圖像、灰度圖像、二進制圖像并能操作 .bmp、 jpg、tif等多種圖像格式文件。 數字圖像處理及過程 圖像是人類獲取信息、表達信息和傳遞信息的重要手段。利用計算機對圖像進行去除噪聲、增強、復原、分割、提取特征等的理論、方法和技術稱為數字圖像處理。數字圖像處理技術已經成為信息科學、計算機科學、工程科學、地球科學等諸多方面的學者研究圖像的有效工 具。數字圖像處理主要包括圖像變換、圖像增強、圖像編碼、圖像復原、圖像重建、圖像識別以及圖像理解等內容。 圖像處理的基本操作 讀取和顯示圖像可以通過 imread()和 imshow()來實現(xiàn) 。圖像的輸出用imwrite()函數就可以很方便的把圖像輸出到硬盤上 。另外還可以用 imcrop()、imrisize()、 imrotate()等來實現(xiàn)圖像的裁剪、縮放和旋轉等功能。 圖像類型的轉換 Matlab 支持多種圖像類型 ,但在某些圖像操作中 ,對圖像的類型有要求 ,所以要涉及到對圖像類型進行轉換。 圖像處理工具箱為我們提供了不同圖像類型相互轉換的大量函數 ,如 mat2gray()函數可以將矩陣轉換為灰度圖像 ,rgb2gray()轉換 RGB 圖像或顏色映像表為灰度圖像。在類型轉換的時候 ,我們還經常遇到數據類型不匹配的情況 ,針對這種情況 , 工具箱中 ,也給我們提供了各種數據類型之間的轉換函數 ,如 double()就是把數據轉換為雙精度類型的函數。 圖像增強 圖像增強的目的是為了改善圖像的視覺效果 ,提高圖像的清晰度和工藝的適應性 ,以及便于人與計算機的分析和處理 ,以滿足圖像復制或 再現(xiàn)的要求。圖像增強的方法分為空域法和頻域法兩大類 ,空域法主要是對圖像中的各個像素點進行河南城建學院本科畢業(yè)設計（論文） 圖像處理的 matlab實現(xiàn) 7 操作而頻域法是在圖像的某個變換域內對整個圖像進行操作 ,并修改變換后的系數 ,如傅立葉變換、 DCT變換等的系數 ,然后再進行反變換 ,便可得到處理后的圖像。下面以空域增強法的幾種方法加以說明。 (1)灰度變換增強 有多種方法可以實現(xiàn)圖像的灰度變換 ,其中最常用的就是直方圖變換的方法 ,即直方圖的均衡化。這種方法是一種使輸出圖像直方圖近似服從均勻分布的變換算法。 histeq(),同時我們可以用函數 imhist()函數來計算和顯示圖像的直方圖。 (2)空域濾波增強 空域濾波按照空域濾波器的功能又可分為平滑濾波器和銳化濾波器。平滑濾波器可以用低通濾波實現(xiàn) ,目的在于模糊圖像或消除噪聲 。銳化濾波器是用高通濾波來實現(xiàn) ,目的在于強調圖像被模糊的細節(jié)。在 Matlab 中 ,各種濾波方法都是在空間域中通過不同的濾波算子實現(xiàn) ,可用 fspecial()函數來創(chuàng)建預定義的濾波算子 ,然后可以使用 imfilter()或 filter2()函數調用創(chuàng)建好的濾波器對圖像進行濾波。 邊緣檢測 數字圖 像的邊緣檢測是圖像分割、目標區(qū)域識別、區(qū)域形狀提取等圖像分析領域十分重要的基礎 ,也是圖像識別中提取圖像特征的一個重要屬性。邊緣檢測算子可以檢查每個像素的鄰域并對灰度變化率進行量化 ,也包括對方向的確定 ,其中大多數是基于方向導數掩模求卷積的方法。常用的有 Sobel 算子 ,Prewitt 算子 ,Roberts 算子 ,Log 算子等。 工具箱中提供的 edge()函數可以進行邊緣檢測 ,在其參數里面 ,可以根據需要選擇合適的算子及其參數。 Matlab 實現(xiàn)實例 本文通過運用圖像處理工具箱的有關 函數對一人臉的彩色圖像進行處理。 因后面的圖像增強 ,邊緣檢測都是針對灰度圖像進行的 ,而我們的原圖是 RGB圖像 ,所以首先我們要對原圖類型進行轉換。實現(xiàn)過程代碼如下 : i=imread(39。f:\39。)。 j=rgb2gray(i)。 imshow(j)。imwrite(j,39。f:\39。) 效果如圖 :河南城建學院本科畢業(yè)設計（論文） 圖像處理的 matlab實現(xiàn) 8 圖 對原圖類型進行轉換 (1)灰度圖像直方圖均衡化 通過比較原圖和直方圖均衡化后的圖像可見 ,圖像變得更清晰 ,而且均衡化后的 直方圖比原直方圖的形狀更理想。該部分的程序代碼如下 : i=imread(39。f:\39。)。i=rgb2gray(i)。 j=histeq(i)。imshow(j)。 figure,subplot(1,2,1),imhist(i)。 subplot(1,2,2),imhist(j) 執(zhí)行后的效果圖如圖 和圖 : 圖 均衡化后的灰度圖像圖 均衡化前后的直方圖對比圖 河南城建學院本科畢業(yè)設計（論文） 圖像處理的 matlab實 現(xiàn) 9 (2)灰度圖像平滑與銳化處理 平滑濾波器的目的在于模糊圖像 或消除噪聲 , 圖像處理工具箱提供了 medfilter2()函數用于實現(xiàn)中值濾波 ,wiener2()實現(xiàn)對圖像噪聲的自適應濾波。在本文實例中 ,為了使濾波效果更明顯 ,我們事先為圖像增加濾波 ,然后用自適應濾波方法對圖像進行濾波。銳化處理的目的在于強調圖像被模糊的細節(jié) ,在本實例中采用了預定義高斯濾波器的方法對圖像進行銳化濾波。功能實現(xiàn)的代碼如下 : i=imread(39。f:\39。)。 j=imnoise(i,39。gaussian39。,0,)。 subplot(1,2,1),imshow(j)。 j1=wiener2(j)。subplot(1,2,2),imshow(j1)。 h=fspecial(39。gaussian39。,2,)。 j2=imfilter(i,h)。figure,subplot(1,2,1),imshow(i)。 subplot(1,2,2),imshow(j2)。 得到的效果圖如圖 : 加入噪聲的圖像 濾波后的圖像 圖 平滑濾波效果 原灰度圖像 銳化后的圖像 圖 銳化濾波效果圖 河南城建學院本科畢業(yè)設計（論文） 圖像處理的 matlab實 現(xiàn) 10 edge()函數實現(xiàn)邊緣檢測 ,還有各種方法算子供選擇 ,在本實例中采用了 canny 算子來進行邊緣檢測。 程序代碼如下 : i=imread(39。f:39。)。 j=edge(i,39。canny39。,[,],)。 imshow(j) 效果圖如圖 : 原灰度圖像 邊緣檢測后的圖像 圖 邊緣檢測效果圖 本章小結 以上實例只是對 Matlab 圖像處理工具箱函數的一小部分運用 ,從這些功能的運用可以看出 ,Matlab 語言簡潔 ,可讀性強。作為人臉識別系統(tǒng)中圖像預處理工具，有非常好的處理功能。 河南城建學院本科畢業(yè)設計（論文） 人臉圖像識別計算機系統(tǒng) 11 3 人臉圖像識別計算機系統(tǒng) 引言 計算機人臉識別是一個非常活躍的研究領域，因其在公安刑偵破案、銀行密碼系統(tǒng)、計算機安全系統(tǒng)以及動態(tài)監(jiān)視系統(tǒng)等方面都有廣泛應用，已成為當前模式識別、計算機視覺領域的研究熱點。人臉識別系統(tǒng)一般 包括人臉檢測與定位、人臉圖像預處理、特征提取和匹配識別四個組成部分。其中，人臉圖像預處理，作為特征提取和識別的前提步驟，是計算機人臉識別系統(tǒng)中的必要環(huán)節(jié)。其目的是在去除噪聲，加強有用信息，對輸入設備或其他因素造成的退化現(xiàn)像進行復原，為后續(xù)的特征提取和識別作準備。 不同的人臉識別系統(tǒng)根據其采用的圖像來源和識別算法需要不同，采用的預處理方法也不同。常用的人臉圖像預處理方法有：濾波去噪、灰度變換、圖像二值化、邊緣檢測、尺寸歸一化、灰度歸一化等。用在同一系統(tǒng)中的可能只有其中一種或幾種預處理方法，但一旦庫中采集到的原 始圖像質量發(fā)生較大變化（如人臉大小、光照強度、拍攝條件、成像系統(tǒng)等方面變化），原有的預處理模塊便不能滿足特征提取的需要，還要更新，這是極不方便的。 鑒于此，作者在總結分析了灰度變換、濾波去噪、邊緣檢測三種廣泛應用于不同人臉識別系統(tǒng)中的預處理方法基礎上，設計了一個通用的人臉圖像預處理仿真系統(tǒng)。該系統(tǒng)可對不同條件下的原始圖像進行相應的預處理。如，用戶可根據需要選擇使用不同的濾波方法去除噪聲、不同的邊緣檢測算子檢測人臉邊緣、選擇不同的灰度變換算法實現(xiàn)圖像的灰度校正和灰度歸一化，仿真系統(tǒng)同時還實現(xiàn)了尺寸歸一化、二值 化等其他常用的圖像預處理算法。 系統(tǒng)基本機構 人臉識別是一個復雜的過程，一個計算機人臉識別的流程如圖 所示。它包括幾個步驟：對采集到的圖像，首先進行人臉檢測（在輸入圖像中尋找人臉），給出人臉有無的結果；然后進行人臉定位，確定人臉的位置并提取出來。對人臉的定位在輸入是圖像序列時一般也稱之為人臉跟蹤。通常檢測和定位結合進行。對提取出來的人臉借助人臉描述就可以進行（狹義的）人臉識別，即通過提取特征來確定其身份。 河南城建學院本科畢業(yè)設計（論文） 人臉圖像識別計算機系統(tǒng) 12 12 結 束圖 像 采 集 人 臉 檢 測 定 位是 否 定 位 成 功圖 像 與 處 理是 否 處 理 成 功人 臉 識 別是 否 識 別 成 功識 別 結 果開 始是否否是是否否是是否否 圖 基本框架圖 人臉檢測定位算法 人臉檢測定位算法大致可分為兩大類：基于顯式特征的方法和基于隱式特征的方法。 所謂顯式特征是指對人類肉眼來說直觀可見的特征，如膚色、臉部輪廓、臉部結構等?；陲@式特征的方法是指由人通過肉眼觀察，總結出人臉區(qū)別于“非人臉”區(qū)域的特征，然后根據被檢測區(qū)域是否滿足這些“人臉特征”，來判定該區(qū)域是否包含人臉。根據所選擇的“人臉特征”，基于顯式特征的方法分以下三類：基于膚色模型的方法、模板匹配的方法、基于先驗知識的方法。 在彩色圖像中，顏色是人臉表面最為顯著的特征之一，利用顏色檢測人臉是很自然的想法 。 Yang 等在考察了不同種族、不同個體的膚色后，認為人類的膚色能在顏色空間中聚成單獨的一類，而影響膚色值變化的最主要因素是亮度變化。因此他們采用廣泛使用的 RGB 顏色空間，在濾去亮度值的圖像中通過比較像素點的ｒ、ｇ值與膚色范圍來推斷該像素點及其鄰域是否屬于人臉區(qū)域。除了 RGB 顏色空間，還有諸如 HIS， LUV， GLHS 等其它顏色空間被使用。尋找到膚色區(qū)域后，必須進行驗證，排除類膚色區(qū)域。 Yoo 等利用膚色像素的連通性分割出區(qū)域，使用橢圓擬合各個區(qū)域，根據橢圓長短軸的比率判斷是否為人臉。 模板匹配的方法一般是人為地先定義一個標準人臉模板，計算輸入圖像與模板的似然度；然后，確定一個似然度閾值，用以判斷該輸入圖像中是否包含人臉河南城建學院本科畢業(yè)設計（論文） 人臉圖像識別計算機系統(tǒng) 13 標準 ,人臉模板可以是固定的樣板，也可以是帶參變量的曲線函數。 基于先驗知識的方法則采用符合人臉生理結構特征的人臉鑲嵌圖（ mosaic image）模型，并在分析了足夠多的人臉圖像樣本的基礎上，針對人臉的灰度、邊緣、紋理等信息，建立一種關于人臉的知識庫。在檢測中，首先抽取這些灰度、邊緣等信息，然后檢驗它是否符合知識庫中關于人臉的先驗知識。