数字人脸识别

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*37*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0.10.20.3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figureimshow(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,[0.30.7],[]);%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。closeallclearA=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，并完成以下任务：(1)基于PCA将数据降至20维（即k=20），对比当人数为20人与当人数为40人的时候，20个主成分脸的差别，并给出两种情况下的20个主成分脸的结果；(2)给出当人数为40人，将数据降至10维的主成分脸结果（提示：当k不是20的时候，visualize_pc函数会出错，故要重写该函数）。答：（1）（40人）（20人）虽然两种情况，人脸都挺模糊，但20人的脸部特征出现了基本轮廓，比40人的效果好一点。（2）将数据降至10维的主成分脸结果：题目2：运行PCA文件夹下的main1函数，基于函数中的说明，进行学习理解，并完成以下任务：(1)对第一个人脸，请分别给出原图，以及使用50、100、150个主分量进行图像近似的结果，并给出近似误差；(2)对第二个人脸，请给出原图，以及使用200个分量进行图像近似的结果，并给出近似误差。（1）从左往右，从上往下分别是：原图，50,100,150的近似结果近似误差如下：（2）第二个人的图片和200分量近似结果：近似误差分析：实验心得体会：visualize_pc函数会出错，重写该函数的时候有点问题，不知道从何下手，经过一步步的实践和调试，分析出了原因也解决了问题。实验时候要认真细致才能减少错误。实验3：基于PCA和SVM的人脸识别系统实验目的：本实验目的是让学生了解模式识别系统的主要思想,并以PCA进行特征提取和降维，并用SVM进行分类，让学生掌握特征提取和机器学习的典型方法，并能进行推广应用。实验内容：主要使用PCA算法和SVM分类器设计人脸识别算法，从ORL人脸图像数据库中，构建自建人脸训练数据库和测试数据库，采用PCA进行特征脸提取，并实现人脸识别。通过PCA变换和SVM在人脸识别中的应用，加深对所学内容的理解和认识，进一步加深理解模式识别的算法。实验方法：基于Matlab软件，掌握PCA方法和SVM的基本原理与应用。题目：(1)一个完整的识别结果如图2所示，请进行多次识别实验，并给出3组不同的识别结果图；(2)阅读train.m文件，并将PCA维数分别降到10、15、20维，并给出相应的主成分脸（提示：要重写visualize_pc(W)函数；每次修改降到不同维数时，需要重新训练，即要再次点击“训练”按钮）以及每个给出一组识别实验结果；(3)进行测试实验，当降到20维时候，识别率是多少？阅读test.m文件，查出识别错误的有哪几个类（给出类别号码就可以），并给出2个例子，即原图以及被错分成哪一类的图；(4)当维数分别为5、10、15、20时，测试所有的样本，识别率分别为多少？（1）3组不同的识别结果图；(2)给出相应的主成分脸(10维)（15维）（20维）（3）进行测试实验，当降到20维时候，识别率是多少？识别率为84.5%查出识别错误的有哪几个类（给出类别号码就可以）错误识别为第一类。（4）识别率5维10维15维20维实验心得：查找识别错误哪一类有点困难，通过询问查找后解决困难，还是比较开心的。有成就感。