【文章內(nèi)容簡介】 cial()函數(shù)來創(chuàng)建預(yù)定義的濾波算子,然后可以使用imfilter()或filter2()函數(shù)調(diào)用創(chuàng)建好的濾波器對圖像進行濾波。數(shù)字圖像的邊緣檢測是圖像分割、目標(biāo)區(qū)域識別、區(qū)域形狀提取等圖像分析領(lǐng)域十分重要的基礎(chǔ),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(shù)是基于方向?qū)?shù)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。()函數(shù)可以進行邊緣檢測,在其參數(shù)里面,可以根據(jù)需要選擇合適的算子及其參數(shù)。本文通過運用圖像處理工具箱的有關(guān)函數(shù)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(zhuǎn)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。):河南城建學(xué)院本科畢業(yè)設(shè)計（論文） 圖像處理的matlab實現(xiàn) (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): 河南城建學(xué)院本科畢業(yè)設(shè)計（論文） 圖像處理的matlab實現(xiàn) (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,()函數(shù)用于實現(xiàn)中值濾波,wiener2()實現(xiàn)對圖像噪聲的自適應(yīng)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(yīng)濾波方法對圖像進行濾波。銳化處理的目的在于強調(diào)圖像被模糊的細節(jié),在本實例中采用了預(yù)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)。: 加入噪聲的圖像 濾波后的圖像 平滑濾波效果 原灰度圖像 銳化后的圖像 銳化濾波效果圖()函數(shù)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): 原灰度圖像 邊緣檢測后的圖像 邊緣檢測效果圖 本章小結(jié)以上實例只是對Matlab圖像處理工具箱函數(shù)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(yù)處理工具，有非常好的處理功能。河南城建學(xué)院本科畢業(yè)設(shè)計（論文） 人臉圖像識別計算機系統(tǒng) 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(lǐng)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(yīng)用，已成為當(dāng)前模式識別、計算機視覺領(lǐng)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(yù)處理、特征提取和匹配識別四個組成部分。其中，人臉圖像預(yù)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(shè)備或其他因素造成的退化現(xiàn)像進行復(fù)原，為后續(xù)的特征提取和識別作準(zhǔn)備。不同的人臉識別系統(tǒng)根據(jù)其采用的圖像來源和識別算法需要不同，采用的預(yù)處理方法也不同。常用的人臉圖像預(yù)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(yù)處理方法，但一旦庫中采集到的原始圖像質(zhì)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(yù)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(jié)分析了灰度變換、濾波去噪、邊緣檢測三種廣泛應(yīng)用于不同人臉識別系統(tǒng)中的預(yù)處理方法基礎(chǔ)上，設(shè)計了一個通用的人臉圖像預(yù)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(yīng)的預(yù)處理。如，用戶可根據(jù)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(yù)處理算法。人臉識別是一個復(fù)雜的過程。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(jié)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(jié)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。12河南城建學(xué)院本科畢業(yè)設(shè)計（論文） 人臉圖像識別計算機系統(tǒng) 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(jié)構(gòu)等?；陲@式特征的方法是指由人通過肉眼觀察，總結(jié)出人臉區(qū)別于“非人臉”區(qū)域的特征，然后根據(jù)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(jù)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(jù)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(biāo)準(zhǔn)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(xué)院本科畢業(yè)設(shè)計（論文） 人臉圖像識別計算機系統(tǒng) 標(biāo)準(zhǔn),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(shù)。基于先驗知識的方法則采用符合人臉生理結(jié)構(gòu)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(chǔ)上，針對人臉的灰度、邊緣、紋理等信息，建立一種關(guān)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(guān)于人臉的先驗知識。 基于顯示特征方法的特點檢測方法優(yōu)點與適用場合缺點與需要改進的地方膚色模型檢測速度快高光和陰影會造成人臉區(qū)域被分割而被漏檢；膚色區(qū)域的存在提高了預(yù)警率模板匹配直觀性好，具有較好的適應(yīng)性對表情、尺度變換敏感；可變模板的選擇和參數(shù)的確定非常困難基于知識的方法適用復(fù)雜圖像中的人臉檢測依賴先驗知識；多尺度空間遍歷工作量大，運算時間長基于隱式特征的方法將人臉區(qū)域看成一類模式，使用大量“人臉”、“非人臉”樣本訓(xùn)練、構(gòu)造分類器，通過判別圖像中所有可能區(qū)域是否屬于“人臉模式”的方法來實現(xiàn)人臉檢測。這類方法有：特征臉法、人工神經(jīng)網(wǎng)絡(luò)法、支持向量機法；積分圖像法。特征臉法（eigenface）把單個圖像看成一維向量，眾多的一維向量形成了人臉圖像特征空間，再將其變換到一個新的相對簡單的特征空間，通過計算矩陣的特征值和特征向量，利用圖像的代數(shù)特征信息，尋找“人臉”、“非人臉”兩種模式在該特征空間中的分布規(guī)律。人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）的方法是通過訓(xùn)練一個網(wǎng)絡(luò)結(jié)構(gòu)，把模式的統(tǒng)計特性隱含在神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)之中。基于人工神經(jīng)網(wǎng)絡(luò)的方法對于復(fù)雜的、難以顯式描述的模式，具有獨特的優(yōu)勢。支撐向量機（Support Vector Machine，SVM）法是在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上發(fā)展出的一種新的模式識別方法，它基于結(jié)構(gòu)風(fēng)險最小化的原理，較之于基于經(jīng)驗風(fēng)險最小化的人工神經(jīng)網(wǎng)絡(luò)，一些難以逾越的問題，如：模型選擇和過學(xué)習(xí)問題、非線性和維數(shù)災(zāi)難問題、局部極小點問題等都得到了很大程度上的解決。但是直接使用SVM方法進行人臉識別有兩方面的困難：第一，訓(xùn)練時需要求解二次規(guī)劃問題計算復(fù)雜度高，內(nèi)存需求量巨大；第二，在非人臉樣本不受限制時，需要極大規(guī)模的