数字图像处理在人脸识别中的应用(3)

3图像处理的Matlab实现

3.1MATLAB简介

由MathWork公司开发的Matlab语言语法限制不严格,程序设计自由度大,程序的可移植性好。Matlab还推出了功能强大的适应于图像分析和处理的工具箱,常用的有图像处理工具箱、小波分析工具箱及数字信号处理工具箱。利用这些工具箱,我们可以很方便的从各个方面对图像的性质进行深入的研究。Matlab图像处理工具箱支持索引图像、RGB图像、灰度图像、二进制图像并能操作.bmp、.jpg、.tif等多种图像格式文件。

3.2数字图像处理及过程

图像是人类获取信息、表达信息和传递信息的重要手段。利用计算机对图像进行去除噪声、增强、复原、分割、提取特征等的理论、方法和技术称为数字图像处理。数字图像处理技术已经成为信息科学、计算机科学、工程科学、地球科学等诸多方面的学者研究图像的有效工具。数字图像处理主要包括图像变换、图像增强、图像编码、图像复原、图像重建、图像识别以及图像理解等内容。

3.2.1图像处理的基本操作

读取和显示图像可以通过imread()和imshow()来实现;图像的输出用imwrite()函数就可以很方便的把图像输出到硬盘上;另外还可以用imcrop()、imrisize()、imrotate()等来实现图像的裁剪、缩放和旋转等功能。

3.2.2图像类型的转换

Matlab支持多种图像类型,但在某些图像操作中,对图像的类型有要求,所以要涉及到对图像类型进行转换。Matlab7.0图像处理工具箱为我们提供了不同图像类型相互转换的大量函数,如mat2gray()函数可以将矩阵转换为灰度图像,rgb2gray()转换RGB图像或颜色映像表为灰度图像。在类型转换的时候,我们还经常遇到数据类型不匹配的情况,针对这种情况,Matlab7.0工具箱中,也给我们提供了各种数据类型之间的转换函数,如double()就是把数据转换为双精度类型的函数。

3.2.3图像增强

图像增强的目的是为了改善图像的视觉效果,提高图像的清晰度和工艺的适应性,以及便于人与计算机的分析和处理,以满足图像复制或再现的要求。图像增强的方法分为空域法和频域法两大类,空域法主要是对图像中的各个像素点进行

操作;而频域法是在图像的某个变换域内对整个图像进行操作,并修改变换后的系数,如傅立叶变换、DCT变换等的系数,然后再进行反变换,便可得到处理后的图像。下面以空域增强法的几种方法加以说明。

(1).灰度变换增强

有多种方法可以实现图像的灰度变换,其中最常用的就是直方图变换的方法,即直方图的均衡化。这种方法是一种使输出图像直方图近似服从均匀分布的变换算法。Matlab7.0图像处理工具箱中提供了图像直方图均衡化的具体函数histeq(),同时我们可以用函数imhist()函数来计算和显示图像的直方图。

(2).空域滤波增强

空域滤波按照空域滤波器的功能又可分为平滑滤波器和锐化滤波器。平滑滤波器可以用低通滤波实现,目的在于模糊图像或消除噪声;锐化滤波器是用高通滤波来实现,目的在于强调图像被模糊的细节。在Matlab中,各种滤波方法都是在空间域中通过不同的滤波算子实现,可用fspecial()函数来创建预定义的滤波算子,然后可以使用imfilter()或filter2()函数调用创建好的滤波器对图像进行滤波。

3.2.4边缘检测

数字图像的边缘检测是图像分割、目标区域识别、区域形状提取等图像分析领域十分重要的基础,也是图像识别中提取图像特征的一个重要属性。边缘检测算子可以检查每个像素的邻域并对灰度变化率进行量化,也包括对方向的确定,其中大多数是基于方向导数掩模求卷积的方法。常用的有Sobel算子,Prewitt算子,Roberts算子,Log算子等。Matlab7.0工具箱中提供的edge()函数可以进行边缘检测,在其参数里面,可以根据需要选择合适的算子及其参数。

3.3图像处理功能的Matlab实现实例

本文通过运用图像处理工具箱的有关函数对一人脸的彩色图像进行处理。

1)图像类型的转换

因后面的图像增强,边缘检测都是针对灰度图像进行的,而我们的原图是RGB图像,所以首先我们要对原图类型进行转换。结果如图3-1和3-2所示：

图3-1

原图

图3-2将原图转换为tif格式的灰度图像

2)图像增强

(1)灰度图像直方图均衡化

通过比较原图和直方图均衡化后的图像可见,图像变得更清晰,而且均衡化后的直方图比原直方图的形状更理想。结果如图3-3和3-4所示：

图3-3

灰度图像

图3-4原直方图和均衡化后的直方图

(2)灰度图像平滑与锐化处理

平滑滤波器的目的在于模糊图像或消除噪声,Matlab7.0图像处理工具箱提供了medfilter2()函数用于实现中值滤波,wiener2()实现对图像噪声的自适应滤波。在本文实例中,为了使滤波效果更明显,我们事先为图像认为增加滤波,然后用自适应滤波方法对图像进行滤波。锐化处理的目的在于强调图像被模糊的细节,

在本实例中采用了预定义高斯滤波器的方法对图像进行锐化滤波。结果如图3-5和图3-6

所示：

图3-5

平滑滤波效果图

图3-5锐化滤波效果图

3)边缘检测

Matlab7.0图像处理工具箱提供了edge()函数实现边缘检测,还有各种方法算子供选择,在本实例中采用了canny算子来进行边缘检测,结果如图3-7

所示：

图3-7边缘检测效果图

4基于肤色的人脸检系统设计

4.1系统结构设计

该系统设计的目标是实现复杂背景下RGB图像的人脸检测,通过基于肤色信息的图像分割方法,利用肤色建模的知识进行人脸区域检测以及区域标定。

本系统的结构分为人脸图像输入、人脸图像预处理(光线补偿)光线补偿、人脸区域检测和人脸区域标定等四大模块。

4.2人脸检测系统算法分析

4.2.1光线补偿

当光照条件发生变化时,人脸的颜色也会发生一定的变化。实验表明,当待检测的图像亮度高于训练图像的亮度时,人脸大部分区域的颜色不会超过正常光照条件下人脸颜色的变化范围。但当待检测的人脸图像的亮度低于训练样本图像的亮度时,人脸颜色很可能超出正常光照条件下人脸颜色的变化范围。为了解决这一问题,就要对待检测的人脸图像进行光线补偿。

精确的人脸光线补偿需要建立复杂的颜色恒常性模型,考虑到人脸检测在实际应用中的实时性要求,本文给出一种简单又有效的自适应亮度补偿算法,步骤如下:

计算训练样本图像中各点的R、G、B分量的平均值、和亮度的平均值；、、,方差、计算待检测图像中各点的R、G、B分量的平均值、、，方差、、和亮度平均值；若则进行高度补偿；分别表示点A

、、补偿前的R、G、B补偿方案：对待检测图像中的每一点A，令值，、、分别表示补偿后的R、G、B值，则其补偿方式如下所示：

光线补偿对于画面较暗的图像很有效,能极大提高后续肤色建模的效果。对人脸图像进行光线补偿前后,人脸肤色建模的效果对比图。从以上图片可以看出,对于光线较暗的图片进行光线补偿可以很好地提高人脸肤色建模的效果

4.2.2肤色建模

肤色分布模型大致可分为两类简单阀值分割和概率模型。简单阀值分割用一组阀值建立一个相应区域,区域内的像素点被判为肤色概率模型假设肤色的数学分布模型,有直方图模型,高斯模型等。概率模型精度较高,但速度较慢。

还有一些人脸检测方法采用计算相似度的方法来提取肤色区域。通过采用大量的肤色标本来训练系统,得到一个肤色分布中心,之后考虑要考察的像素距离该中心的远近得到一个相似度,一个像素一个相似度,最终得到一个待检测图像的相似度分布图,再按照一定规则和阀值对该 …… 此处隐藏：1667字，全部文档内容请下载后查看。喜欢就下载吧 ……