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“lena.bmp”图添加密度为0.05的椒盐噪声，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。 图为0.05的椒盐噪声图 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“rice.tif”图添加均值为0、方差为0.005的高斯噪声，为0.05的椒盐噪声，并采用edge命令中的’canny’方法进行锐化，分别阈值为0.1、0.2、0.3阈值进行锐化提取边缘，比较他们效果的优劣。 原图 0.1 0. 2 0.3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(rice.tif);I=imnoise(A,gaussian,0,0.005); %对图像加高斯噪声imshow(I);BW1 = edge(I,canny,0.3); % Sobel算子figure imshow(BW1);题目3：采用imadjust函数，对“pout.jpg”图像进行灰度分段线性变换，从而对图像进行增强，首先将图像在0.4*255~0.6*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。下面是0.3*255到0.7*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(pout.jpg); %读入图像A=rgb2gray(B);imshow(A); %显示图像figureimhist(A); %显示图像的直方图J1=imadjust(A,[0.3 0.7],[]); %函数将图像在0.3*255~0.7*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figureimhist(J1) %输出图像的直方图题目4：对“fingerprint.bmp”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 allclearA=imread(fingerprint.bmp); J=rgb2gray(A);figureimshow(J)se=strel(square,3); %开、闭运算结构fo=imopen(J,se); %开运算figureimshow(fo)fo1=imclose(J,se); %闭运算figureimshow(fo1)se1=strel(square,4); %开、闭运算结构fo2=imopen(J,se1); %开运算figureimshow(fo2)fo3=imclose(J,se1); %闭运算figureimshow(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