《多媒体技术》实验报告
目录
《多媒体技术》实验报告 1
一、 实验选题 1
二、 实验要求 1
三、 实验内容 1
(1)图像处理系统主题部分代码 3
(2)CNN人脸识别部分函数代码： 8
四、 实验效果 8
(1) 阈值二值化 8
(2) 边缘检测 9
加入降噪之后： 9
(3) 轮廓检测 10
(4) 高斯滤波 10
线性滤波： 11
(5) 色彩空间转换: 11
(6) 调节对比度: 12
(7) 人脸识别+人眼识别 12
五、 实验结论 14
一、实验选题
图像处理应用系统的开发
二、实验要求
（正文部分）
三、实验内容
1.平台选择
对于本实验，我选择的编程语言是python，开发平台是pycharm+anaconda，选择python作为我的开发语言的原因是，python是一种语法简单的脚本化语言，python可以调用很多第三方库，包括我采用的当下比较热门的图像处理库OpenCV，学习成本较低，代码可读性也很高。选择pycharm的原因是，比起python自带的IDE，它内置了语法补全、语法高亮的功能的功能，最新版的pycharm也可以一键安装所需的python版本，非常方便，同时加上anaconda，它包含了许多开发需要的python科学包，如numpy等，并且可以方便的使用conda命令，比起pip命令更加方便。
2.处理技术介绍（如果是算法设计，需要给出算法的基本思想介绍；如果是媒体处理，需要给出处理的基本思路）
（1）阈值二值化：这里我采用的是二分阈值化，实现非常简单，首先，图像必须转化为灰度图像，对于RGB空间而言，需要将他们取平均，得到的为灰度值，对这个灰度图像设置一个阈值，超过这个阈值的像素点，显示为黑色图像，低于这个阈值的像素点设置为白色，阈值范围在[0,255]。
（2）边缘检测：边缘是指图像中图像像素值变化明显的位置。这些变化明显的位置常常是图像中需要关注的位置，对这些关键位置的检测，就叫做边缘检测。也就是需要对这些位置求导数，这里一般有两种常用的算子，我采用了canny算子，即梯度方向的二阶导数过零点，但首先需要使用高斯滤波来降噪，以排除噪点的影响（为了说明高斯滤波降噪的重要性，我设置了一个check方法来对比），接着使用canny算子来计算边缘部分， 在获得梯度大小和方向后，将对图像进行全面扫描，以去除可能不构成边缘的所有不需要的像素。为此，在每个像素处，检查像素是否是其在梯度方向上附近的局部最大值，最后采用双阈值法得到最终图像，它的原理是，在非极大值抑制后的边缘点中，设置两个阈值TH和TL，梯度值超过TH的为强边缘，小于TH大于TL的为弱边缘，小于TL的不是边缘，可以肯定的是，强边缘必然是边缘点，因此必须将T1设置的足够高，以要求像素点的梯度值足够大（变化足够剧烈），而弱边缘可能是边缘，也可能是噪声，如何判断呢？当弱边缘的周围8邻域有强边缘点存在时，就将该弱边缘点变成强边缘点，以此来实现对强边缘的补充。最终得到了一张边缘检测之后的视频图像。
