计算机科学与技术毕业论文人脸识别技术综述.doc

计算机科学与技术毕业论文-人脸识别技术综述 摘 要 随着社会信息化网络化得不断发展个人身份趋于数字化隐性化如何准确的鉴定确保信息安全得到越来越多的重视人脸识别一种应用比较广泛的生物识别方法在基于人脸固有的生物特征信息利用模式识别和图行图像处理技术来对个人身份进行鉴定在国家安全计算机交互家庭娱乐等其他很多领域发挥着举足轻重的作用能提高办事效率防止社会犯罪等有着重大的经济和社会意义 本文主要研究了人脸识别在图像检测识别方面的一些常用的方法由于图像处理的好坏直接影响着定位和识别的准确率因此本文对图像的一些识别算法做了着重的介绍例如基于二维Gabor小波矩阵表征人脸的识别算法基于模型匹配人脸识别算法等此外本文还提及了一般人脸识别系统的设计并着重介绍了图像预处理环节的光线补偿图像灰度化等技术使图像预处理模块在图像处理过程中能取到良好的作用提高图像识别和定位的准确率关键词人脸识别 特征提取 图像预处理 光线补偿 Face Recognition OverviewAbstract With the information society network was growing personal identity tends to digital hidden how to accurately identify to ensure that information security is more and more attention Face recognition an application of biometric identification methods more widely based on biometric facial information inherent in the use of pattern recognition and image processing techniques to map line of personal identity play a great role in the national security computer interaction family entertainment and many other areas Face recognition can improve efficiency prevent social crime of course it has significant economic and social significance This paper studies aspects of face recognition in image detection and some common methods of identification As the image processing directly impact on the accuracy of location and identification so some of image recognition algorithm will be focused presentation such as Gabor wavelet-based two-dimensional matrix representation of face recognition algorithms model-based matching face recognition algorithm In addition the article also mentioned a general recognition system design and highlights the image preprocessing part of the light compensation gray image techniques the image preprocessing module in the image processing to get to the good and improve image recognition and positioning accuracyKey Words Face recognition feature extraction image preprocessing light compensation目 录1 前言611 课题背景6com 人脸识别技术研究的背景1612人脸识别技术研究的意义613国内外现状与趋势7com 人脸识别的发展阶段17com 国内的发展概况82人脸识别技术921 人脸识别概述9com 人脸识别的研究范围922 人脸检测算法10com 基于肤色特征的检测方法10com 基于启发式模型的方法10com 基于特征空间的方法10com 基于统计模型的方法1023 人脸识别算法11com 基于二维Gabor小波矩阵表征人脸的识别方法11com 基于多特征融合和Boosting RBF神经网络的人脸识别方法12com 基于模型匹配人脸识别方法15com 基于分块小波变换与奇异值阈值压缩的人脸特征提取与识别算法173 人脸图像预处理实验2131 需求分析2132 预处理技术21com 光线补偿21com 灰度变化21com 高斯平滑处理21com 对比度增强22com 直方图均衡2233 概要设计2234 程序设计与实验22com 光线补偿22com 图像灰度化23com 高斯平滑处理24com 直方图均衡264 总结29参考文献30声 明31致谢32附录 原文及译文 331 前言11 课题背景com 人脸识别技术研究的背景1现在地球上居住着亿人每个人的都由眉毛眼睛鼻子嘴巴组成大体位置固定的并且每张脸的然而这个世界上找不出两张完全相同的人脸即使是面容极其相似的双胞胎能够容易地根据他们细微差异将他们区分区多的不同人脸的特征是什么设计出具有人类一样的人脸识别能力的自动机器这自动机器的人脸识别能力能够超越人类身分析和解答这些问题具有重要的理论和应用价值正是从事人脸识别研究人员所面临的挑战这些问题并那么容易计算机视觉模式识别神经计算生理学等领域的科学问题困惑着我们每天都区分着亲人同事朋友等大多数人却很难出如何区分他们的描述不出自己熟悉的人具体特征意味着仿生学人脸识别研究路线找基本科学问题1第一阶段1964年1990年人脸识别只是作为一个一般性的模式识别问题来研究基于人脸几何结构特征Geometric feature based的方法剪影Profile人们面部剪影曲线的结构特征提取分析布莱索Bledsoe戈登斯泰因Goldstein哈蒙Harmon以及金出武雄 Kanade Takeo 等较早从事AFR研究的研究人员总阶段是人脸识别研究的初级阶段重要的成果也基本没有获得实际应用第二阶段1991年1997年阶段尽管时间短暂但却是人脸识别研究的高期诞生了代表性的人脸识别算法并出现了商业化运作的人脸识别系统比如著名的Visionics的FaceIt系统麻省理工学院MIT媒体实验室潘特兰德Pentland特克Turk提出的特征脸方法是最负盛名的人脸识别方法的很多人脸识别技术或多或少与特征脸有关系特征脸已经归一化的协相关量 Normalized Correlation 方法一成为人脸识别的性能测试基准算法人脸识别中的另一种重要方法弹性图匹配技术 Elastic Graph MatchingEGM 基本思想是用一个属性图来描述人脸属性图顶点代表面部关键特征点相应特征点处的多分辨率多方向局部特征称为Jet对任输入人脸图像弹性图匹配通过优化搜索策略来定位预先定义的若干面部关键特征点同时提取它们的Jet特征得到输入图像的属性图最后通过计算与已知人脸属性图的相似来完成识别过程方法的优点是既对人脸的关键局部特征进行了建模保留了面部的全局结构特征总体而言阶段的人脸识别技术发展迅速提出的算法在图像采集对象配合正面人脸数据库上了非常好的性能也出现了人脸识别商业公司第三阶段1998年FERET96人脸识别算法评估主流的人脸识别技术对或者对象不配合造成的变化鲁棒性比较差问题逐渐成为研究人脸识别的商业系统进一步发展基奥盖蒂斯Georghiades布兰兹Blanz和维特Vetter巴斯里Basri和雅各布Jacobs总体而言非理想成像条件下光照和姿态对象不配合大规模人脸数据库上的人脸识别问题逐渐成为统计学习理论非线性建模方法基于3D模型的人脸建模与识别方法等逐渐成为备受重视的技术发展趋势国家863项目面像检测与识别核心技术通过成果鉴定并初步应用标志着我国在人脸识别领域掌握了一定的核心技术2002年北京科瑞奇技术股份有限公司一种人脸鉴别系统对人脸图像进行处理对图像进行特征识别人脸别使用正面照别的人脸图像不同拍摄的使用的照相机不一样2005年1月国家"十五"攻关项目人脸识别系统清华大学电子系人脸识别课题组负责人苏光大教授主持通过了公安部专家鉴定鉴定委员会项技术处于国内领先水平国际先进水平人脸识别系统人脸识别2人脸识别特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术广义的人脸识别实际包括构建人脸识别系统的一系列相关技术包括人脸图像采集人脸定位人脸识别预处理身份确认以及身份查找等而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统 人脸识别是一项热门的计算机技术研究领域它属于生物特征识别技术是对生物体一般特指人本身的生物特征来区分生物体个体生物特征识别技术所研究的生物特征包括脸指纹手掌纹虹膜视网膜声音语音体形个人习惯例如敲击键盘的力度和频率签字等相应的识别技术就有人脸识别指纹识别掌纹识别虹膜识别视网膜识别语音识别用语音识别可以进行身份识别也可以进行语音内容的识别只有前者属于生物特征识别技术体形识别键盘敲击识别签字识别等 1 人脸的检测 Face Detection 在不同背景条件下检测出人脸存在并且确定其位置影响这一任务的因素主要有光照噪声面部倾斜度以及各种各样遮挡等 2 人脸的表征 Face Representation 采取某种表示方式表示检测出来的人脸一般的表示法包含代数特征几何特征固定特征模板特征脸云纹图等 3 人脸的识别 Face Identification 主要是将需要识别的人脸和所存在的数据库中人脸比较这一过程的关键是选择恰当的人脸表征方式以及匹配策略 4 表情姿态分析 ExpressionGesture Analysis 主要是对需要识别的人脸表情或者姿态信息进行分析归类 5 生理分类 Physical Classification 主要是指对需要识别的人脸的生理特征进行分析得出相关信息比如性别年龄等22 人脸检测算法com 基于肤色特征的检测方法人脸的一些面部细节特征比如眼睛鼻子嘴等受旋转表情等变化影响很大但肤色则不同它不仅是人脸的重要信息而且又具有相对的稳定性能和大多数背景物体的颜色区别一般常用肤色模型来描述肤色特征比如直方图模型高斯模型混合高斯模型等其实肤色模型和其他的数学建模也是一样的即用一种代数的或查找表等形式来说明哪些像素的色彩属于肤色或者表征出的某个像素的色彩和肤色的相似程度在用肤色模型对肤色进行检测的过程中主要有两个阶段模型的建立和模型的运用模型的建立主要是指通过对大量的肤色像素集进行统计分析然后确定模型中的一些参数而模型的运用主要是指通过已经建立好的肤色模型来判别所输入的像素或区域是否是肤色或者给出它和肤色的相似程度com 基于启发式模型的方法这种方法的过程一般是先抽取图像的几何形状灰度纹理等然后再检验他们是否符合人脸的一些基本条件由于人脸的各个器官比如眼睛鼻子嘴等具有较为恒定的模式所以一些方法首先检测出这些器官或者其他局部特征然后根据这些器官的相对位置关系判别是否该区域是人脸com 基于特征空间的方法这种方法是将人脸区域的图像变换到其他某一特征空间并且根据其分布规律划分为人脸和非人脸两种模式常用的分析方法有主分量分析 PCA 等PCA方法是根据人脸图像的统计特征进行正交变换K-L变换来消除原有向量各个分量之间的相关性通过这样的变换能够得到特征值依次递减的特征向量即特征脸com 基于统计模型的方法这种方法是解决复杂的人脸识别检测问题的有效途径是目前比较流行的方法它主要针对正面人脸的检测并且优点很明显1它不依赖于人脸的参数模型和先验知识能够有效地避免不完整的或者不精确的知识造成的错误2它采用实例学习方法获取模型的参数在统计意义上可靠性更好3学习实例的学习可以很好的扩充检测模式的范围提高检测系统的鲁棒性23 人脸识别算法com 基于二维Gabor小波矩阵表征人脸的识别方法3Gabor滤波器小波由于其良好的空间局部性和方向选择性在人脸识别系统中得到了很好的应用但是由于Gaboerface是由几十个Gabor滤波器和人脸图像进行卷积运算得到的所以它的特征空间维数是非常巨大的因此我们可以采样或压缩来减少特征空间的维数在基于线性相关准则的优化Gabor滤波器集合的方法中我们通过分析Gabor滤波器的相关矩阵得出当选取的尺度集合V V-2 V 5 时相关矩阵达到最小值因此可以得到一组优化的滤波器集合这样就可以尽可能的减少特征集合的冗余com1 Gabor滤波器Gabor核函数的定义其中 和v分别代表滤波器的方向和尺度因子 滤波器的参数分别是com2 基于相关准则选取Gabor滤波器集合以8个方向和8个尺度的图像为例这样就有64个Gabor滤波器采用线性相关准则来度量滤波器之间的冗余时可以先固定方向集合U 0 7 然后调整尺度集合从V1 v-4 v 3 到V5 v0 v 7 如图由于虚部得到相同的结果所以与滤波器的实部为例来分析先将滤波器的实部按行或列连接成一个矢量这样2个滤波器和的线性相关定义为全部64个滤波器的相关系数就组成了一个6464的对称矩阵对角线上的元素为1由于相关系数的范围为-11取其绝对值并且将其绝对值区间即01映射到灰度尺度区间0255这样矩阵的特性就可以用图示的方式来表示了下图为不同尺度集合下得到的相关矩阵情况由滤波器方向和尺度的相关特性将滤波器进行2种排列组合在图1-5中滤波器的排列规则是先方向后尺度而6-10是先尺度后方向的规则排列的从上图可以看出高的相关系数主要集中于低的尺度因子区域v -4-3 1中和v -32中以及高的尺度因子区域v 64中和v 67 5中相似的相关系数较高的主要集中在低尺度因子区域中子块的左上角以及高尺度因子区域中子块的右下角这和图中1-5得到的观察结果是完全一致的此外由图3和8可知当选取v3尺度集合时全部相关系数达到最小值因此选取v3 v-2 v 5 作为Gabor滤波器的尺度集合可以提取尽可能的不相关的特征数据来减少冗余com 基于多特征融合和Boosting RBF神经网络的人脸识别方法4com1人脸特征的提取com11人脸的Zernike矩特征在统计学中我们常用矩来表征随机量的分布因此我们可以把二值图或者灰度图看成是二维密度分布函数那么矩技术就可以应用于描述一幅图像的特征Zernike矩方法源于正交矩阵思想因此能构造出任意的高阶矩并且具有旋转不变性有非常强的图像表示能力用fxy表示二维离散图像函数nm阶Zernike不变矩阵表示为实质上这是一种将图像函数变换到一组正交基函数上的映射图像fxy的Zernike矩是其在一组正交多项式上的投影所谓的正交就是指在单位圆内满足以下条件其中中n是正整数或零m是正或负整数并且满足n-m 偶数是径向多项式即假设是图像的极坐标函数表示那么相应的傅里叶级数形式为其中由上可以得出Zernike矩为离散形式为其中是的共轭由于完全正交的基函数集的引入理论上Zernike矩比原来矩具有更好的数学性质com2 NMF提取人脸子空间特征NMF非负矩阵分解法Non-negative Matrix Factorization和K-L变换等其他矩阵分解方法有所不同主要在于它在分解过程中所受的约束不同因此它能克服其他分解方法的一些弊端比如在特征脸空间上投影时得到的投影系数可能出现的正负相互抵消的情况对于任一由Num幅图像可以分解成两个矩阵BH的乘积其中B是n x m维矩阵H是m x Num矩阵代表权重或者系数若m n则分解达到降维的目的com3 RBF神经网络径向基函数RBF神经网络相比传统的BP神经网络有很多优点RBF网络收敛速度快对于每一对输入输出数据只有少量权值需要进行调整下图为RBF神经网络结构com4 基于Boosting RBF神经网络的人脸识别由Zernike矩特征及NMF提取的人脸子空间特征串行组合可以得到一个31维向量用此表示的人脸样本来作为神经网络分类器的输入数据并且用Boosting方法进行分类如下图其中S 是训练成本Di是第i轮学习样本的权向量at是第t个网络的权值X是测试样本的特征向量Y是该向量的类别com5基于Boosting RBF神经网络的人脸识别方法初始化化每个样本-相等的权重D1 i 1n For t 12-T Do在Dt下用梯度下降法和K均值聚类方法 进行学习得到对应的神经网络Ct计算该神经网络的错误率Et选择根据错误率更新样本的权重4 计算网络的权重为com6 人脸识别由Zernike矩和NMF提取的人脸识别子空间特征得到的31维向量X将其作为各个RBF神经网络的输入得到对应的输出Yt 集成其输出为其中的如果那么该脸就属于第i类com 基于模型匹配人脸识别方法5com1 特征定位 人脸内部特征主要有3个部位-眼睛鼻子嘴利用这三者之间的相互位置以及其他一些灰度变化明显的特征点比如嘴角眼角鼻子根部等进行识别由于这三个部位是关于人脸的中心线左右对称的因此可以建立一个包括这三个部位的模型由于不同的人脸在模型的特征点上大部分都不同所以可以利用脸部的特征点与脸部图像的特征点进行匹配以脸部作为背景眼鼻口为特征识别的部位将一幅脸部图像经过规范化和灰度处理之后变为X x Y大小的函数Ix y对该图像进行垂直灰度投影计算函数为PV是垂直灰度投影曲线在公式中当x确定某值时y为变量从1 到 Y的扫描灰度图像把扫描出来的灰度值累加起来就可以绘成垂直灰度投影曲线纵坐标表示不同水平位置的人脸图像的像素灰度值总和通过观察单个人的图像垂直灰度投影曲线我们可以得到人脸所在的区域将使该曲线形成一个具有一定宽度的凸峰该凸峰的左右边界基本表示了人脸的左右边界当确定人脸的左右边界之后可以取左右之间的人脸区域作为研究对象取区域大小为X x Y X Y的图像则该图像的水平灰度投影函数为人眼的水平坐标位于函数的最大值点和次最大值点之间所以可以分析该函数平滑曲线图的极大值和极小值得到人眼大概的水平位置com2 模型匹配识别在定位了眼部位置后建立特征模型框架将特征部位分成4个部件一一讨论一个眼睛模型由一个圆和两条抛物线组成用能量函数表示为上式中j取12 分别代表上下眼帘另一只眼睛可以用同样的能量函数表示嘴部模型可以用三条抛物线表示分别对应上下嘴唇和中缝而能量函数则同眼帘的鼻子的模型由于由于受角度变化影响较大所以可以用鼻尖和两侧鼻翼三个点作为模型特征点至于脸部模型由脸部形状定位出脸部位置特征部位的结构特点在脸部定位出特征部位为了与特征部位匹配需要调节模型的大小匹配的过程为选取两眼连线经过嘴部最下端的垂线作为中线和结构模型中的中线相互重合脸部水平偏转角度定义为两眼部分连线与水平x方向的夹角将中心线作为对称轴使用立体坐标xyz特征部位左半部的坐标为x1y1z右半部与此对应的对称点的坐标为x2y2z由Z轴的转动规律调整模型的参数使其识别角度能和观察角度相一致最后调整模型的系数ab使模型与特征部位基本重合接着通过对特征部位的能量函数与模型的能量函数做差建立函数方程求其极小值得出ab 那么这个差值的大小就可以作为识别的一个类依据com 基于分块小波变换与奇异值阈值压缩的人脸特征提取与识别算法6com1 二维离散小波变换选定适当的正交小波基再对图像进行二维小波变换-这是基于小波图像变换的基本思路假设I 为原始图像fxy对应的离散信号D表示图像的高频分量而A表示图像的低频分量层数用下表表示用Mallat金字塔分解算法对该离散图像实行小波变换就可以得到以下变换系数式中LLs表示第s层变换的低频系数HLsLHsHHs分别表示第s层变换的水平垂直和对角三个方向的高频系数下图为OPL人脸库中一幅人脸图像在不同层次的小波分解后图像频率分别和过程分解过程图com2 分块人脸识别变换和特征提取从上面的分解过程图可以看出经过一次小波变换后一幅人脸图像被分解成4幅不同分辨率和不同空间方向的子图其中反映原始图像平均亮度的低频变换系数LL可以表示原始图像的能量分布而且可以对这一部分进行多次小波分解下图描述了人脸的分割以及分块人脸小波变换的示意图算法具体描述为根据人脸的形状纹理和边缘轮廓将图像分成m x n 块选择合适的小波基对分割后的块状图像进行二维离散小波变换并且提取各块的高频和低频分量对于包含图像边缘轮廓的图像块用作为提取人脸边缘的局部特征对位于中间区域的图像块可以直接用其低频分量作为局部特征其中s为小波变换的层数p为包含图像边缘图像块的个数q为包含图像细节特征图像块的个数算法中人脸鉴别特征的抽取能力和效果很大程度上取决于小波变换层数和正交小波基的选取而小波基的不同对特征向量的最优化提取效果及冗余信息的压缩也有较大影响com3 小波特征的奇异值阈值压缩与特征融合com31奇异值分解与阈值压缩奇异值分解SVD 是一种很好的代数特征提取方法矩阵的奇异值分解可以将任意一个M x N 的矩阵分解成只包含几个非零值的奇异值矩阵而这种方法在人脸分解中不仅可以提取人脸图像的奇异值而且可以有效的压缩或降维图像特征引理1 SVD 设矩阵A Rm ×n 则存在两个正交矩阵U u1 u2 um Rm ×n V v1 v2 vn Rm ×n 使得A U AVT式中A diag1 2 p p min m n 其中1 2 p 0i i 1 2 p 为矩阵A 的全部非零奇异值是AAH 或AHA的特征值i 的平方根即i i引理2设矩阵A Rm ×n A 的SVD分解由引理1给出且奇异值满足1 r r 1 r 2 p 0 则k minERm ×nE F rank A E k - 1 并且存在一满足E F k 的误差矩阵E使得rank A Ek k - 1 k 1 2 p在图像描述中奇异值具有旋转不变性转置不变性镜像不变性以及平移不变性等优点因此在复杂图像特征等领域有着广泛的应用在引理1中一个m x n维的图像矩阵的所有非零奇异值个数为p min mn 而现在的许多基于奇异值分解的人脸识别方法都是以p个奇异值或者p个奇异值和n-p个0元素组合构成的n维向量作为人脸识别特征的在引理2中一个矩阵的奇异值与使得该矩阵秩减1的误差矩阵Ek的Frobenius范数相等因而在对奇异值进行适当压缩时不会影响图像的原有特性基于阈值的人脸奇异值压缩降维方法 TCSVD 是对传统的奇异值压缩方法的一种改进设i i 1 2 r 是人脸矩阵A的所有非零奇异值T为已知阈值对此矩阵的奇异值i处理if i T i X elsei 0 可以看出该方法对奇异值进行了有效的降维因为较小的奇异值直接作为零值被忽略掉了X是由剩下的所有大于阈值T的非零奇异值构成的有效秩集合p为图像的奇异值非零奇异值个数i i 1 2 r 为人脸矩阵A的全部非零奇异值因此阈值T的选取比较适中既考虑到算法的时间复杂度的减小又能有效的对人脸特征进行鉴别com32小波特征奇异值阈值压缩与特征融合小波特征奇异值阈值压缩与特征融合的具体实现步骤如下 1 对所获得的不同图像块的小波特征矩阵进行奇异值分解与阈值压缩表示边缘轮廓特征的局部特征向量而表示奇异值压缩后的特征向量对于表示人脸细节特征的低频分量是其奇异值压缩后的特征向量 2 分别对高低频分量奇异值阈值压缩特征与进行融合是利用串行组合形式构造最终的鉴别特征其中1 2 为融合系数且满足1 2 1一般为了消除光照姿态和表情变化对边缘轮廓的影响并且突出人脸的形状和纹理细节局部特征取1 2com4算法实现步骤 1 对原始输入图像进行分块并对每一块状人脸图像进行三层正交小波变换提取每个图像块的组合小波特征 2 对所得的组合小波特征进行奇异值分解与阈值压缩获得每个图像块的压缩奇异值特征 3 对每个图像块的压缩奇异值特征进行串行特征融合得到最终人脸鉴别特征 4 利用最近邻分类器对所得融合特征进行分类识别3 人脸图像预处理实验31 需求分析顾名思义人脸识别系统的主要功能就是识别人脸系统可以通过摄像头获取所需要的人脸并且通过对所获得图片的预处理对人脸进行定位和特征的提取因此人脸识别系统应该主要包含以下模块1图像的获取主要是通过摄像头捕获图像或者从已有图片库中获取图像2图像的预处理主要是对图像进行一些必要的处理比如光线补偿高斯平滑均衡直方图二值化变化等3人脸检测与定位主要是将预处理后的图片定位标记出眼睛鼻子嘴巴等4人脸特征的提取主要是将眼睛鼻子嘴巴等提取出来5人脸的识别将图片中提取得到的特征值和已有后台数据库中的值进行比较32 预处理技术该部分的作用主要是对所输入图像进行适当的处理使之具有的特征能够明显的显现出来通常该部分包括以下几个子模块com 光线补偿该模块主要解决系统所获得的图片存在的光线不平衡等情况消除对特征提取可能造成的影响com 灰度变化该模块的作用主要是把彩色图像转换为黑白图像使图像的信息更加具体简单的变现出来但这样会使图像的一些信息丢失因此要尽可能的在转化中用简单的方式表现图像复杂的信息com 高斯平滑处理采集的图像会存在或多或少的影响比如一些不规则的噪声像图像传输存储时产生的数据丢失等故该模块主要用来处理这些噪声而我们也将这个过程称之为平滑平滑可以降低图像的视觉噪声除去图像中的一些高频部分使剩下的低频更容易识别com 对比度增强该模块主要是对图像的进一步处理通过对原始图像的每个像素直接进行灰度处理使图像的对比度进一步拉开其处理过程主要是通过增强函数对像素的灰度级进行运算结果作为图像新的灰度com 直方图均衡该模块的目的是使输入图像转换为每一灰度级上的相同点的数目把原始图像灰度直方图从比较集中的区域均匀分布到全部灰度范围内直方图变换式一般为33 概要设计系统流程图34 程序设计与实验com 光线补偿com1算法思路在对整个图像中所有像素亮度从高到低进行排列后取其前5的像素若这些像素的数量很多那么我们就将它们的亮度假定为参考白Reference White换句话说就是将它们的色彩的RGB分量值都调整为255同理这样处理整幅图像的其他像素点的色彩值com2 光线补偿的函数LightCompensate的伪代码7下面的循环对图像进行光线补偿for i 0i heighti for int j 0j widthj 获取像素偏移lOffset this- PixelOffset ijwBytesPerLine 得到蓝色分量 lpDatalOffset colorb绿色分量colorb lpDatalOffset1 colorb coif colorb 255 colorb 255 lpDatalOffset1 colorb红色分量colorb lpDatalOffset2 colorb coif colorb 255 colorb 255 lpDatalOffset2 colorb com 图像灰度化com1 算法思路 彩色转换成灰度 彩色图像转化为灰阶图像一般采用如下公式使用RGB表示图像 gray039×R050×G011×B其中gray为灰度值RGB分别为红色绿色和蓝色分量值 灰度比例变换灰度比例变换是把原像素的灰度控制在0255空间主要通过乘以一个缩放因子实现 灰度线性变换有时成像时会因曝光不足或曝光过度而使得对比度不足从而使图像中的一些细节分辨不清因此要将图像的灰度进行线性扩展常用的计算式为其中f是原像素的灰度g为变换后的灰度这个变换主要是把属于ab的灰度级变换至灰度区间cd而不属于ab区间的像素灰度将保持不变可见a被映射为cb被映射为d abcdfg均为0255之间的整数值com2 灰度化的伪代码获取分量蓝色绿色红色分别为 ColorB lpData lOffset ColorG lpData lOffset1 ColorR lpData lOffset2 计算灰度值 gray ColorG50ColorR39ColorB11 100显示灰度图像 lpData lOffset gray lpData lOffset1 gray lpData lOffset2 gray 其中lpData是图片数据区lOffset是图片像素的偏移gray 是图像的灰度值com 高斯平滑处理com1 图像的高斯平滑图像的高斯平滑邻域平均的思想简单平滑图像的高斯平滑中图像邻域不同位置的像素的权值模板靠近邻域中心的位置权值高更多地保留图像总体的灰度分布特征把线性存储的像素转化为二维数组形式BYTE CreatImage BYTE image unsigned int width unsigned int height int bt 4 其中image表示线性存储的像素widthheight图像的长宽获得图像灰度RGB求平均值的方法BYTE GetAsh BYTE imageBuf0 int x int y 其中imageBuf为目标图像xy为要取得像素的坐标设定指定位置的像素灰度void SetPixelXY BYTE imageBuf1 int x int y int a 其中imageBuf为目标图像xy为要设定像素的坐标使用模板对灰度图邻域进行运算int TempltExcuteAsh BYTE imageBuf0 int w int h int templt int tw int x int y 其中imageBuf为目标图像wh为图像templt为模板tw为邻域大小 xy为要取得像素的坐标9com3 预测效果以墨西哥女郎的照片为例下图就是高斯平滑的对比图com 直方图均衡com1 直方图均衡的思想直方图均衡化处理的是把原始图像的灰度直方图从比较集中的灰度区间全部灰度范围内的均匀分布直方图均衡化就是图像非线性拉伸重新分配图像像素值使一定灰度范围内的像素数量相同设原始图像在 xy 处的灰度改变后的可表述为将在 xy 处的灰度f映射为g在灰度直方图均衡化中图像的映射函数g EQ f 映射函数EQ f 必须满足两个条件 1 EQ f 在0fL-1 其中L为图像的灰度级数 范围内是一个函数保证处理打乱原始图像的灰度排列次序 2 对于0fL-1必有0gL-1保证了变换前后灰度值动态范围的一致性累计分布函数累计分布函数 CDF cumulative distribution function 就能满足上述两个条件并且通过该函数可以完成将原图像f的分布转换成g的均匀分布此时的直方图均衡化映射函数为gk EQ fk nin pf fi k 012L-1 求和区间为0到k根据该方程可以由源图像的各像素灰度值直接得到直方图均衡化后各像素的灰度值在实际处理变换时一般先对原始图像的灰度情况进行统计分析并计算出原始直方图分布然后根据计算出的累计直方图分布求出fk到gk的灰度映射关系在重复上述步骤得到源图像所有灰度级到目标图像灰度级的映射关系后按照这个映射关系对源图像各点像素进行灰度转换即可完成对源图的直方图均衡化对于一个直方图 设 Pr r 是原始图像直方图Ps s 是均衡化的直方图由于其是一个概率分布函数 所以有 Ps s ds Pr r dr dsdr是积分变量 令 Ps s 1 ds Pr r dr1 两边积分得 s Pr r dr 由于数字图像是离散的因此离散化上式得 sk E j 0k njN 其中左式kj是离散量下标编辑关系E 0k 表示下标0到k的连加符号N是象素总数 由此得出每一象素的sk为均衡化后的正规化灰度即灰度正规化到01 统计sk即可得出均衡化后的直方图在均衡化过程中可以对每一象素映射到新的实际灰度值sk255就实现了图像的变换保存原始直方图double h new double255 for i 0i 255i hi 00 保存变换后的直方图double nh new double255 for i 0i 255i nhi 00 统计每一灰度级的象素数量long count new long255 for i 0i 255i counti 0 for i 0i Ni countimagei 统计正规化灰度概率 for i 0i 255i hi counti double N 正规化新灰度图 double hc for i 0i Ni hc 0 for j 0j imageij hc hj nhimagei hc 保存新正规化灰度图 newimagei hc255 保存新图像灰度索引 随着毕业日子的毕业设计也接近尾声经过奋战我的毕业设计完成在没有做毕业设计前觉得毕业设计只是对这几年来所学知识的总结但是