CN101430759A - 优化的人脸识别预处理方法 - Google Patents

Abstract

本发明涉及一种优化的人脸识别预处理方法。该方法首先将从摄像机中得到的彩色人脸图像转化为灰度图像，接着对灰度图像进行尺度归一化处理使得人脸图像都有相同的尺寸和姿势，然后利用小波变换将人脸图像分解为低频分量和高频分量，并且仅对低频分量作直方图均衡化处理，将处理过的低频分量与各高频分量进行小波重构，最后对重构的图像用优化的中值滤波处理。本方法调整了人脸图像的灰度范围，增强了对比度，对于亮度较高的人脸灰度图像有较好的改善效果，提高了复杂光照环境下和不同姿态下的人脸识别效率。

Description

优化的人脸识别预处理方法

技术领域

本专利涉及一种人脸识别预处理方法，尤其涉及结合人脸识别预处理中的基于小波分频和优化的传统人脸识别预处理方法。

背景技术

随着社会的发展和科技的进步，人脸识别的研究越来越受到重视，它在身份验证，访问控制，安全检测和监控，人机智能互动等应用领域发挥着潜在的作用。人脸识别系统是一个复杂的系统，其中处理的对象大部分都是人脸图像数据，这些图像包括动态的视频序列图像和静态的人脸与场景图像。人脸图像的获取过程中受背景、姿态、光照等环境因素的影响，会导致人脸图像信息在几何、光线、质量等都有内在的不同，这给人脸的检测和识别带来很大的困难。对图像的预处理是提高人脸识别率的关键之一，其中光照问题一直是图像预处理中的一个非常重要而又难以解决的问题。相关的研究表明，同一个人的人脸图像在不同的光照条件并且经过经典的人脸识别方法特征提取后引起的差异，往往要大于不同的人在相同光照条件下的人脸图像的差异。在过去的十年中，许多研究机构致力于这一领域的研究，取得了一系列的成果。尽管如此，可以说，还没有一个完全的解决方案可以在毫无约束的情况下出色地完成人脸定位，识别任务。环境光线的变化是影响人像识别精度的主要因素之一，因此在实验室环境的实现方法中，当环境光线变化时，传统的试验方法会变得不可用。很明显，假如不能减少环境因素对识别带来的不利影响，人脸识别正确率会很难进一步的提高。

人脸识别技术包括人脸检测、人脸预处理、特征提取和人脸识别。如何有效地对人脸图像进行预处理，在复杂光照环境下和不同姿态下对人脸图像进行改善是人脸识别重要的解决问题的。传统的人脸图像预处理技术有小波变换、尺度归一化、灰度归一化，中值滤波，但这些方法各有千秋。

发明内容

本发明的目的在于针对已有的技术存在的缺陷，提供一种优化的人脸识别预处理方法，调整人脸图像的灰度，增强对比度，提高复杂光照环境下和不同姿态下的人脸识别效率。

为达到上述目的，本发明构思是：

一种基于小波分频的多方法融合的图像预处理方法，该方法在小波分频的基础上，将尺度归一化、灰度归一化以及优化的中值滤波方法融合在一起，实现了一种鲁棒性更强且对纠正非均匀光照下人脸识别系统的图像预处理方法，并且有效的提高了复杂光照下的人脸识别的识别率。

小波变换的定义是把某一被称为小波基(也叫母小波mother wavelet)的函数Ψ(t)做位移τ后，再在不同尺度a下与待分析的信号x(t)做内积：

${\mathrm{WT}}_x(a,\mathrm{\τ})=\frac{1}{\sqrt{a}}{\∫}_{-\∞}^{\∞}x\left(t\right){\mathrm{\ψ}}^{*}\left(\frac{t-\mathrm{\τ}}{a}\right)\mathrm{dt},a>0$   ①

等效的频域表示是：

${\mathrm{WT}}_x(a,\mathrm{\τ})=\frac{\sqrt{a}}{2\mathrm{\π}}{\∫}_{-\∞}^{\∞}X\left(\mathrm{\ω}\right){\mathrm{\Ψ}}^{*}\left(\mathrm{a\ω}\right)e^{\mathrm{ja\ω}}\mathrm{d\ω},a>0$   ②

式中X(ω)和Ψ(ω)分别是x(t)和ψ(t)的傅立叶变换

可以这样理解上面的表达式意义：就好比我们用照相机镜头观察目标x(t)(即待分析信号)，ψ(t)代表镜头所起的作用(如滤波或卷积)。τ相当于是使镜头相对于目标平行移动，a的作用相当于镜头向目标推进或远离。a称为尺度伸缩因子(scale factor)，τ称为时(空)间位移因子，(τ，a)称为时间-尺度参数，

用作能量的归一化。

在分析图像的离散小波变换之前，先简单介绍一下离散的小波变换。因此我们仅考虑在尺度和位移为a＝2^j，τ＝2^jk，(j∈Z)的网格进行采样，这种离散化的小波称为二进制小波：

ψ_j，k(t)＝2^-j/2ψ(2^-j(t-k))，，j，k∈Z  ③

经过这样处理使得我们的分析即精确又有效。二进制小波对信号的分析同样具有变焦距的作用，假定最初我们选择一个放大倍数，它对应为观测信号的某部分内容。如果想进一步观看信号更细小的细节，则需要增加放大倍数，即减小j值。

对于许多信号来说，低频分量是保持信号特征的重要部分，高频分量则仅起到提供信号细节的作用。对于一幅图像，低频分量是它的轮廓边缘，高频分量则是它的细节纹理。考虑用多个分辨率对一个平方可积分函数φ(t)∈L²(R)进行逼近。如果它是一信号，那么“用可变分辨率2^-j去逼近它”也可以叙述为“用分辨率2^-j取出信号细节来进行分析”。根据Mallat算法计算多分辨率小波变换，设cA_jf(t)和cD_jf(t)分别为第j层的逼近(粗糙)信号和细节信号。cA_jf(t)可以分解为粗糙像cA_j+1f(t)和细节cD_j+1f(t)之和：

cA_jf(t)＝cA_j+1f(t)+cD_j+1f(t)  ④

同样，对于图像的处理，我们需要将一维的离散小波变换扩展成二维的离散小波变换，这种二维的小波变换将第j层的逼近系数分解成j+1层的逼近系数和三个方向的细节系数：水平、垂直和对角方向，如图(图1a)。相反(图1b)是二维离散小波重构，基本过程是分解过程的逆变换。图中

意味着对图像的列数据点进行向下采样(保留偶数列)；

是对图像的行数据进行向下采样(保留偶数行)。

是对行数据进行向上采样(在奇数行插入0)；

是对列数据进行向上采样(在奇数列插入0)。

本图像预处理方法所选的小波为目前应用较为广泛的Daubechies-2小波，该小波不能用解析式给出，只能通过迭代方法产生，是迭代过程的极限。在所有的正交小波中，对于给定的消失矩阶数，Daubechies小波具有最短的支集(紧支集)，所以相应的FWT计算也最快。采用Daubechies-2小波对N×N的图像进行两层小波分解，首先，将N行的图像分解成两部分：低通子图像

高通子图像

然后分别对每个子图像的列进行小波变换，分解成高通部分与低通部分的子图像

结果，一幅图像分解成四个部分(如图2)：下一层低频信息是由行和列的低频组成；水平细节由行高频、列低频得到；垂直细节由行低频、列低频得到；对角信息由行高频和列高频输出。低频部分反映的是人脸图像的平滑区，而边缘、细节、噪声一般都存在于高频部分。用同样的分解方法对第一层低频信息作同样的处理，从而得到七个子频带的小波系数。经过多尺度小波分解后，只会留下一个最高层的低频信息，其余为各层的三组的高频信息。

传统的图像预处理算法有：尺度归一化、灰度归一化，中值滤波。

尺度归一化包括图像的旋转，图像的裁剪，图像大小的调整，对于一副已经标定人脸区域的图像，我们假设已经定出人眼的两个瞳孔位置，标记为E_r，E_l并根据瞳孔之间的中心位置O和距离

作为图像旋转和裁剪的标准。

(1)首先我们对检测到人脸图像进行旋转，使穿过两瞳孔之间的直线例如

保持水平。这样我们就可以对任意捕捉到的旋转图像进行矫正，从而得到一个包含垂直的正脸图像。

(2)对图像进行移动，包括水平和垂直移动，使

的中心O和图像边缘之间的距离为一个固定值，例如(0.5l，d)。

(3)最后对图像进行大小调整，采用双线性插值把人脸图像从2l×2d缩小到(128×128)，这样就可以保持两眼之间的距离

为一个常量(如图3)。

经过上面的一系列步骤之后，人脸识别系统对检测到的人脸图像中人脸的位置和人脸图像的大小都是固定的，由于图像的窗口很贴近人脸边缘，所以在很大程度上消除了背景的影响。

灰度归一化有直方图均衡化、直方图规定化和灰度均值和方差标准化三种方法，本方法首先对含有人脸图像的原始图像进行灰度转化，得到一幅包含人脸图像的灰度图像，转化公式为

f(i，j)＝0.114×I(i，j，1)+0.587×I(i，j，2)+0.229×I(i，j，3)  ⑤

其中i表示图像的行位置，j表示图像的列位置，f(i，j)表示转换后的灰度图像中第i行第j列的象素的灰度值，I(i，j，1)，I(i，j，2)和I(i，j，3)分别表示彩色图像中第i行第j列的象素的R，G，B分量的值，然后通过直方图均衡化对灰度图像进行预处理，原理如下：

在一幅灰度图像中，设直方图上像素点的坐标为(D，p(D))，其中D为灰度级，p(D)为出现的概率。累积分布函数p(D)为直方图归一化的阈值面积函数：

$p\left(D\right)=\underset{0}{\overset{D}{\∫}}p\left(u\right)\mathrm{du}$       ⑥

因此累积分布函数就是能使直方图扁平的点运算，即：f(D)＝D_mp(D)，其中D_m为最大灰度级，这是我们常用的经典直方图均衡化算法。实际直方图均衡化中，采用如下的步骤实现：

(1)归一化：统计[0，255]内各灰度像素出现的次数，记为n_i，i∈[0，255]，令n为各灰度级像素总数，记 $p_i=\frac{n_i}{n},i\∈\left[\mathrm{0,255}\right];$

(2)灰度变换： $j=255\×\underset{k=0}{\overset{i}{\mathrm{\Σ}}}{p}_k,$ 即经过灰度映射后得到灰度j。

本方法中针对在对人脸图像预处理过程中会产生椒盐噪声，提出一种基于中值滤波的带有噪声检测步骤的改进滤波方法。考虑到噪声点的像素具有几乎都是领域像素的极值的特性，所以在处理该像素的时候，首先看该像素是否似乎滤波窗口所覆盖下临域像素的极大或者极小值，如果是，则用一般的中值滤波进行处理该像素；如果不是，则不处理。根据设定阈值标记出噪声点，在保留非噪声点的基础上，只对噪声点进行处理，在滤波噪声的同时可以很好地保护图像的细节，且计算简便。由于窗口中心点的灰度值须同周围相邻所有点的灰度值进行比较分析，因此滤波窗口的大小设定为3×3，窗口范围对应中心像素为x_ij，实现步骤如下：

(1)设滤波判定阈值α，β。图形白椒盐噪声的灰度范围为[255-α，255]，黑椒盐噪声的灰度范围为[0，β]。

(2)计算窗口像素中值。窗口内的9个像素设为(x₀，x₁，...，x₈)，其中，值为med(x₀，x₁，...，x₈)。

(3)如果窗口范围内的中心元素x_ij在[β，α]范围内，x_ij点是为信号点，则输出原值，相反，则x_ij点视为噪声点，输出灰度值用med(x₀，x₁，...，x₈)代替。

根据上述发明构思，本发明采用下述技术方案：

一种优化的人脸识别预处理方法，其特征在于在小波分频的基础上，将尺度归一化、灰度归一化以及优化的中值滤波方法融合在一起，对光照不均匀的人脸灰度图像有较好的改善效果，并且提高了复杂光照环境下和不同姿态下的人脸识别的效率；具体操作步骤如下：

(1)采集原始人脸图像，

(2)图像灰度转换，

(3)尺度归一化，

(4)两层小波变换，得到低频分量和高频分量，

(5)对低频分量进行直方图均衡化，

(6)将直方图均衡化的低频分量同高频分量进行小波重构，

(7)针对产生的椒盐噪声进行滤波处理，从而得到预处理图像。

上述步骤(1)的采集原始人脸图像是由摄像装置所采集得到含有人脸图像的原始图像。

上述步骤(2)的图像灰度转换是：将原始人脸图像根据公式f(i，j)＝0.114×I(i，j，1)+0.587×I(i，j，2)+0.229×I(i，j，3)得到人脸的灰度图像，其中i表示图像的行位置，j表示图像的列位置，f(i，j)表示转换后的灰度图像中第i行第j列的象素的灰度值，I(i，j，1)，I(i，j，2)和I(i，j，3)分别表示彩色图像中第i行第j列的象素的R，G，B分量的值。

上述步骤(3)的尺度归一化是，尺度归一化采用双线性插值法，输出像素是它在输入图像中2×2领域采样点的平均值，它是根据某像素周围4个像素的灰度值，在水平和垂直两个方向上对其插值；设m<I′<m+1，n<j′<n+1，a＝i′-m，b＝j′-n，其中I′和j′是要插值点的坐标，则双线性插值的公式为：g(i′，j′)＝(1-a)(1-b)g(m，n)+a(1-b)g(m+1，n)+(1-a)bg(m，n+1)+abg(m+1，n+1)，按上式计算出来的值赋予图像几何变换对应于(I′，j′)处的像素，即可实现双线性插值。

上述步骤(4)中的两层小波变换是：采用Daubechies-2小波进行小波分解，即将第j层的逼近系数分解成j+1层的逼近系数和三个方向的细节系数：水平、垂直和对角方向，设cA_jf(t)和cD_jf(t)分别为第j层的粗糙信号和细节信号；cA_jf(t)可以分解为粗糙像cA_j+1f(t)和细节cD_j+1f(t)之和：cA_jf(t)＝cA_j+1f(t)+cD_j+1f(t)；此外，Daubechies-2小波是目前应用较为广泛的小波，该小波不能用解析式给出，只能通过迭代方法产生，是迭代过程的极限；对128×128的人脸灰度图像进行两层小波变换，分解后得到一个低频分量和六个高频分量，低频部分反映的是人脸图像的平滑区，而边缘、细节、噪声一般都存在于高频部分。

上述步骤(5)对低频分量进行直方图均衡化的步骤如下：

①统计[0，255]内各灰度像素出现的次数，记为n_i，i∈[0，255]，令n为各灰度级像素总数，记 $p_i=\frac{n_i}{n},$ i∈[0，255]；

② $j=255\&times;\underset{k=0}{\overset{i}{\mathrm{\&Sigma;}}}{p}_k,$ 即经过灰度映射后得到灰度j。

上述步骤(6)中的将直方图均衡化的低频分量同高频分量进行小波重构将直方均衡化的低频分量同高频分量进行小波重构，其基本过程是分解过程的逆变换。

上述步骤(7)针对产生的椒盐噪声进行滤波处理是：用一种基于中值滤波的带有噪声检测步骤的滤波方法进行处理，滤波窗口的大小设定为3×3，窗口范围对应中心像素为x_ij，具体操作步骤如下：

①设滤波判定阈值α，β。图形白椒盐噪声的灰度范围为[255-α，255]，黑椒盐噪声的灰度范围为[0，β]。

②计算窗口像素中值。窗口内的9个像素设为(x₀，x₁，...，x₈)，其中，值为med(x₀，x₁，...，x₈)。

③如果窗口范围内的中心元素x_ij在[β，α]范围内，x_ij点是为信号点，则输出原值，相反，则x_ij点视为噪声点，输出灰度值用med(x₀，x₁，...，x₈)代替。

本发明和现有技术对比，具有如下显而易见的突出实质性特点和显著优点：

本发明中的直方图均衡化和小波变换人脸图像预处理方法都具有一定的光照预处理效果，但是传统的直方图均衡化方法从图像增强的角度出发，一方面使得变换后图像的灰度级减少，某些细节丢失，另一方面图像通常含有不同类型的噪声，直方图均衡算法在拉伸高频灰阶的动态范围时也会相应的放大噪声。小波变换由于其多尺度、多分辨率的固定特性以及完善的重构能力，保证了信号在分解过程没有任何信息损失，也不会产生冗余信息，小波变换把原始图像分解为逼近图像(低频信息)和细节图像(高频信息)之和，分别代表了图像的不同结构。低频部分反映的是平滑区，而边缘、细节、噪声一般存在于高频部分。因此，本专利方法首先对原始的人脸图像进行尺度归一化，减少背景的影响，然后通过小波变化将人脸图像分为低频部分和高频部分，此时再对提取的低频部分进行直方图均衡化处理一般不会使图像的细节模糊，也不会放大图像原有的噪声，对重构的人脸图像进行优化的中值滤波方法进行处理，通过设定阈值标记出噪声点，可以很好的消除噪声点，保护图像的细节，克服了传统的中值滤波方法在滤除噪声的同时也改变了一些非噪声点的值，对图像造成模糊。最后将预处理好的人脸图像用PCA算法进行训练，采用最小欧式距离进行辨别，显著提高了人脸图像的识别率。

附图说明

图1是二维小波变换流程框图。途中的(a)为二维离散小波分解，图(b)是二维四散小波重构。

图2是一层图像小波分解图像。图中(a)为原始图像，(b)为低频分量，(c)为水平高频分量，(d)为垂直高频分量，(e)为对角高频分量。

图3是图像纠正图。

图4是本发明的优化的人脸识别预处理方法较佳实施例的流程图。

具体实施方式：

本发明的一个实施例结合附图说明如下：

参见图4，本优化的人脸识别预处理方法是在小波分频的基础上，将尺度归一化、灰度归一化以及优化的中值滤波方法融合在一起，对光照不均匀的人脸灰度图像有较好的改善效果，并且提高了复杂光照环境下和不同姿态下的人脸识别的效率；具体操作步骤如下：

(1)采集原始人脸图像，

(2)图像灰度转换，

(3)尺度归一化，

(4)两层小波变换，得到低频分量和高频分量，

(5)对低频分量进行直方图均衡化，

(6)将直方图均衡化的低频分量同高频分量进行小波重构，

(7)针对产生的椒盐噪声进行滤波处理，从而得到预处理图像。

具体操作步骤如下：

1.将摄像装置安装于适当位置，在被检测人进入摄像范围内后进行图像采集，得到含有人脸图像的原始图像。

2.对所得到的原始图像利用上述灰度转化公式⑤进行灰度转化，得到一幅包含人脸图像的灰度图像。

3.用尺度归一化方法对人脸灰度图像进行处理，得到128×128像素大小的人脸图像，这样做的目的一是为了满足下一步的Daubechies-2小波分解，二是有利于预处理之后的图像进行人脸特征的提取。

4.对尺度归一化的人脸灰度图像逐次进行小波变换，这是本算法的关键。经过多次小波分解后的低频分量反映图像的整体和面的关系，而高频分量反映图像的细节和点的关系。本方法中选用Daubechies-2小波，对图像进行两层小波变换，分解后得到一个低频分量和六个高频分量。

5.对图像进行两层小波变换后的低频分量LL2进行灰度均衡化。只对低频图像做灰度调整，而保持高频部分的细节图像不变，由于LL2分量反映的是图像的整体和面的关系，所以直方图均衡化在增强对比度的同时不会产生灰度级合并及放大噪声。

6.将直方图均衡化的低频分量同其余六个高频分量进行小波重构，从而得到重构后的人脸灰度图像。

7.针对前面几步所产生的椒盐噪声，对步骤4的人脸灰度图像采用优化的中值滤波方法，该方法能非常有效地去除突发噪声点，几乎不影响边缘并保持住图像的细节，体现出良好的滤波特性。

本实施例中处理的样本是我们通过摄像头采集得到的人脸图像库。人脸图像库包括40个人在不同时间拍摄的没人10幅图像，共400幅256灰度级的图像，大小为128×128。此外，人脸图像库的人脸图像为正视图像，倾斜变化和旋转变化在20％左右，人脸图像的背景光线有一定变化，人脸表情也不一样(包括睁眼和闭眼，微笑和不笑，有戴眼镜和不戴眼镜时的图像)。最后将人脸图像库用本预处理方法进行处理，处理好的人脸库作为人脸识别算法训练样本和测试样本集。

本方法主要考虑了光照不均匀对人脸识别系统的影响，通过小波变换多尺度、多分辨率的特点和优化的传统图像预处理方法，提出了基于小波分频的多方法融合的图像预处理方法，对光照不均匀和姿态不同的人脸灰度图像有较好的改善效果，既减少了噪声，又增强了对比度。

随着科技的进步和经济建设的飞速发展，性能优越的人脸识别系统具有非侵犯性、主动性、方便有好等特点，因而有更广阔的应用前景，成为人工智能、模式识别等学科的研究热点。同时，本方法提高了复杂光照环境下和不同姿态下的人脸识别的效率，其技术应用领域广泛。因此，在我国科技不断发展的推动下，本专利的申请与相应产品的研制成功并投放市场，对人脸识别系统的图像预处理算法的进一步发展将起到积极的推动作用。

Claims (8)

1.一种优化的人脸识别预处理方法，其特征在于小波分频的基础上，将尺度归一化、灰度归一化以及优化的中值滤波方法融合在一起，对光照不均匀的人脸灰度图像有较好的改善效果，并且提高了复杂光照环境下和不同姿态下的人脸识别的效率；具体操作步骤如下：

(1)采集原始人脸图像，

(2)图像灰度转换，

(3)尺度归一化，

(4)两层小波变换，得到低频分量和高频分量，

(5)对低频分量进行直方图均衡化，

(6)将直方图均衡化的低频分量同高频分量进行小波重构，

(7)针对产生的椒盐噪声进行滤波处理，从而得到预处理图像。

2.根据权利要求1所述的优化的人脸识别预处理方法，其特征在于所述步骤(1)的采集原始人脸图像是由摄像装置采集得到含有人脸图像的原始图像。

3.根据权利要求1所述的优化的人脸识别预处理方法，其特征在于所述步骤(2)的图像灰度转换是：将原始人脸图像根据公式f(i，j)＝0.114×I(i，j，1)+0.587×I(i，j，2)+0.229×I(i，j，3)得到人脸的灰度图像，其中i表示图像的行位置，j表示图像的列位置，f(i，j)表示转换后的灰度图像中第i行第j列的象素的灰度值，I(i，j，1)，I(i，j，2)和I(i，j，3)分别表示彩色图像中第i行第j列的象素的R，G，B分量的值。

4.根据权利要求1所述的优化的人脸识别预处理方法，其特征在于所述步骤(3)的尺度归一化是，尺度归一化采用双线性插值法，输出像素是它在输入图像中2×2领域采样点的平均值，它是根据某像素周围4个像素的灰度值，在水平和垂直两个方向上对其插值；设m<I′<m+1，n<j′<n+1，a＝i′-m，b＝j′-n，其中I′和j′是要插值点的坐标，则双线性插值的公式为：g(i′，j′)＝(1-a)(1-b)g(m，n)+a(1-b)g(m+1，n)+(1-a)bg(m，n+1)+abg(m+1，n+1)，按上式计算出来的值赋予图像几何变换对应于(I′，j′)处的像素，即可实现双线性插值。

5.根据权利要求1所述的优化的人脸识别预处理方法，其特征在于所述步骤(4)中的两层小波变换是：采用Daubechies-2小波进行小波分解，即将第j层的逼近系数分解成j+1层的逼近系数和三个方向的细节系数：水平、垂直和对角方向，设cA_jf(t)和cD_jf(t)分别为第j层的粗糙信号和细节信号；cA_jf(t)可以分解为粗糙像cA_j+1f(t)和细节cD_j+1f(t)之和：cA_jf(t)＝cA_j+1f(t)+cD_j+1f(t)；此外，Daubechies-2小波是目前应用较为广泛的小波，该小波不能用解析式给出，只能通过迭代方法产生，是迭代过程的极限；对128×128的人脸灰度图像进行两层小波变换，分解后得到一个低频分量和六个高频分量，低频部分反映的是人脸图像的平滑区，而边缘、细节、噪声一般都存在于高频部分。

6.根据权利要求1所述的优化的人脸识别预处理方法，其特征在于所述步骤(5)对低频分量进行直方图均衡化的步骤如下：

①统计[0,255]内各灰度像素出现的次数，记为n_i，i∈[0,255]，令n为各灰度级像素总数，记 $p_i=\frac{n_i}{n},$ i∈[0,255]；

② $j=255\&times;\underset{k=0}{\overset{i}{\mathrm{\&Sigma;}}}{p}_k,$ 即经过灰度映射后得到灰度j。

7.根据权利要求1所述的优化的人脸识别预处理方法，其特征在于所述步骤(6)中的将直方图均衡化的低频分量同高频分量进行小波重构将直方图均衡化的低频分量同高频分量进行小波重构，其基本过程是分解过程的逆变换。

8.根据权利要求1所述的优化的人脸识别预处理方法，其特征在于所述步骤(7)针对产生的椒盐噪声进行滤波处理是：用一种基于中值滤波的带有噪声检测步骤的滤波方法进行处理，滤波窗口的大小设定为3×3，窗口范围对应中心像素为x_ij，具体操作步骤如下：

①设滤波判定阈值α，β。图形白椒盐噪声的灰度范围为[255-α，255]，黑椒盐噪声的灰度范围为[0，β]。

②计算窗口像素中值。窗口内的9个像素设为(x₀，x₁，...，x₈)，其中，值为med(x₀，x₁，...，x₈)。

③如果窗口范围内的中心元素x_ij在[β，α]范围内，x_ij点是为信号点，则输出原值，相反，则x_ij点视为噪声点，输出灰度值用med(x₀，x₁，...，x₈)代替。

Images