数字人脸识别.docx

实验1:模式识别预处理实验
实验目的:
使学生掌握模式识别预处理的常用方法,包括去噪、锐化、增强、形态学运算等。在Matlab环境下,让学生熟练掌握去噪、锐化、增强、形态学等处理的代表性函数。
实验内容:
对图像进行去噪、锐化、增强、形态学运算等预处理操作,并研究相应函数的参数选择,得到最优预处理效果。
通过help 函数名进行查询相应的函数说明。
实验方法:
基于Matlab软件,采用相应的函数进行预处理操作。
实验步骤:
题目1:对“”,并对图像进行中值滤波,分别采用3×3的窗口和7×7进行中值滤波,比较他们效果的优劣,并说明理由。



3*3 7*7
答:3*3的窗口进行中值滤波比7*7的效果好,图像特征更加明显,因为3*3正方体窗口更加细致,对二维卷积效果更好。
题目2:对“”图添加均值为0、,,并采用edge命令中的’canny’方法进行锐化,、、,比较他们效果的优劣。

原图

0. 2
答:阈值越高,边缘提取效果越优秀,阈值低,背景,噪声影响存在,不能完全显示目标边缘。
代码如下:
A=imread('');
I=imnoise(A,'gaussian',0,); %对图像加高斯噪声
imshow(I);
BW1 = edge(I,'canny',); % Sobel算子
figure
imshow(BW1);
题目3:采用imadjust函数,对“”图像进行灰度分段线性变换,从而对图像进行增强,*255~*255灰度之间的值通过线性变换映射到0~255之间,效果如何?如果不好,请找出一个更优的线性映射方式。
以下是效果图:
灰度值集中,目标与背景色调一致,比较模糊,分辨困难。
**255灰度之间的值线性变换映射到0到255之间的效果。
效果明显较好,灰度值跨度大,目标特征鲜明,与背景色调对比明显,突出目标重点细节。
代码如下:
B=imread(''); %读入图像
A=rgb2gray(B);
imshow(A); %显示图像
figure
imhist(A); %显示图像的直方图
J1=imadjust(A,[ ],[]);
%*255~*255灰度之间的值通过线性变换映射到0~255之间
figure,imshow(J1); %输出图像效果图
figure
imhist(J1) %输出图像的直方图
题目4:对“”图像先进行一次开运算,对开运算的结果上再进行一次闭运算,开、闭运算的结构采用“se=strel('square',3)”(同时对比采用“se=strel('square',4)”的结果)。
答:se=strel('square',3)的对目标特征有损坏,而se=strel('square',4)的效果整体较好。
close all
clear
A=imread('');
J=rgb2gray(A);
figure
imshow(J)
se=strel('square',3); %开、闭运算结构
fo=imopen(J,se); %开运算
figure
imshow(fo)
fo1=imclose(J,se); %闭运算
figure
imshow(fo1)
se1=strel('square',4); %开、闭运算结构
fo2=imopen(J,se1); %开运算
figure
imshow(fo2)
fo3=imclose(J,se1); %闭运算
figure
imshow(fo3)
实验心得:
本次实验比较简单,进行比较顺利,没有出现太大的问题,希望能再接再厉。
实验2:基于PCA的人脸特征提取
实验目的:
使学生了解模式识别数据降维的主要思想,并以PCA为例,将其应用于人脸特征提取和降维,让学生掌握采用PCA进行图像降维和特征提取。
实验内容:
学习PCA方法的基本原理,并对PCA方法进行应用。
实验方法:
基于Matlab软件,掌握PCA方法的基本原理与应用。
题目1:运行PCA文件夹下的main函数,基于函数中的说明,进行学习理解,并完成以下任务:
(1) 基于PCA将数据降至20维(即k=20),对比当人