人脸图像预处理方法简析

张诚　陈银环

摘要：人脸识别是生物特征识别中一个十分重要的课题，在身份认证领域应用十分广泛且前景广阔。本文主要对灰度归一化，去噪，图像增强等方法进行介绍。

關键词：人脸识别； 图像预处理；灰度归一化

用于人脸识别的人脸图像一般都采用摄像头进行采集，因此环境的光线问题，摄像设备性能不同等原因都会使图像含有噪音、模糊等问题。这些不利于我们进行之后的特征提取与人脸识别，因此一般在进行人脸识别之前先对图像进行预处理，使采集的人脸图像大小、位置、对比度、及偏斜程度与人脸库中相一致，达到利于人脸识别的目的。

一、人脸图像的预处理方法

1）图像的灰度归一化。图像的灰度归一化处理，目的是去除光线对采集图像的影响。灰度归一化的常用方法有直方图均衡化、直方图规定化以及灰度均值方差标准化三种方法，本文主要介绍直方图均衡化。直方图是一幅图像中全部或部分区域内相同亮度值的统计分布图，表示数字图像中每一个灰度级与其出现的频率之间的统计关系。

对于人脸图像，设L为灰度级数，则第j级灰度出现的频率为：f（j）=Nj/N，j=1，2，...，L-1（1）

式中，Nj为灰度级为j的像素数，N为图像中的总像素数。可得到的直方图变换函数为：

H（j）=∑ji=0Nj/N=∑f（i）（2）

有上式可知，H（j）∈[0，1]，并且H（j）在[0，1]区间内单调递增。灰度级j的像素经过直方图变换后的灰度级为：

L'=L×H（j）（3）

灰度图像的灰度级数有256个，但原图像的实际灰度范围一般没有占满全部的灰度级，而是集中在几个区域段中。直方图的均衡化是将输入的人脸图像的直方图分布变换成近似特定的直方图，使图像的灰度分布范围尽可能的覆盖所有灰度级，从而部分地消除光照对灰度图像的影响。

下面图1（a）和（b）分别给出了直方图均衡化前后的直方图。

利用MATLAB来实现图像的灰度归一化，先输入原彩色图像并将其灰度化，然后计算该灰度图像每级灰度出现的概率，并绘制相应的灰度值直方图，之后再利用直方图变换函数得到均衡过后的直方图，最后将各个像素归一化后的灰度值赋给每个对应的像素，从而将均衡化后的灰度图像显示出来。图2就是将原彩色图像进行灰度化，并且灰度归一化处理后的结果。

2）图像去噪。对于图像去噪，本文使用的是MATLAB教程中的lena图像进行处理，下面图3（a）是加了高斯噪音的人脸图像，可以看出噪音对于人脸图像的清晰度有很大的影响十分大，会使人脸图像变得模糊，不便于识别。本文利用MATLAB中的wiener2功能函数，对噪音进行去除。图3（b）是去除噪音之后的人脸图像。

上图可以看出，噪音去除之后也使图像变得比较清晰，达到了人脸图像预处理的作用。

3）人脸图像的图像增强。图像增强采用小波变换进行，方法分三步a.将人脸图像分解为大小、位置和方向均不相同的分量b.根据需要放大需要强调的分量，减少不必要的分量c.利用小波逆转得到增强后的人脸图像。小波变换具有保留主要信息，去除噪音的作用，对人脸图像进行小波变换，之后才用于识别。

下面所示的图4（b）图是原始图像进行4层小波分解之后得到的结果。再对人脸识别有用的必要部分增强2倍，突出轮廓；将对识别用处不大的不必要部分减弱2倍，弱化细节背景等部分。根据上面小波分解得到的图形可以看出，已经强化了人脸图像的重要部分，弱化了不重要的部分，接下来再重构出人脸图像，验证图像是否经过小波变换得以增强。重构后的图像如图4（c）。

二、结语

本文主要是介绍人脸图像的预处理几种方法。因为采集人脸图像的环境不同等因素，会造成人脸图像与图库中的不同，造成识别不出的后果，采用图像预处理方法后就能得到一个统一的标准，便于人脸识别。关于人脸图像预处理的众多方法中，着重介绍了图像的灰度归一化、图像去图像增强三个预处理方法。并且利用MATLAB编写出程序，利用采集到的人脸图像进行仿真，得到结果，经分析后发现，预处理确实可以使人脸图像统一标准，便于识别，可以提高人脸识别的识别率。

参考文献：

[1]米晨唐，秀芬，魏秀兰.基于haar小波变换的图像分解与重构[J].实验室研究与探索，2003，（2）：7981.

[2] 金一.人脸识别中的若干算法研究[D].北京：北京交通大学，2009.