文档介绍：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“ ”图添加密度为的椒盐噪声,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“ ”图添加均值为 0、方差为的高斯噪声, 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、、阈值进行锐化提取边缘,比较他们效果的优劣。原图答: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,首先将图像在 *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。下面是 *255 *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 figure imhist(A); % 显示图像的直方图 J1=imadjust(A,[ ],[]); % 函数将图像在 *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****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****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