對於本實驗，我選擇的編程語言是python，開發平台是pycharm+anaconda，選擇python作為我的開發語言的原因是，python是一種語法簡單的腳本化語言，python可以調用很多第三方庫，包括我采用的當下比較熱門的圖像處理庫OpenCV，學習成本較低，代碼可讀性也很高。選擇pycharm的原因是，比起python自帶的IDE，它內置了語法補全、語法高亮的功能的功能，最新版的pycharm也可以一鍵安裝所需的python版本，非常方便，同時加上anaconda，它包含了許多開發需要的python科學包，如numpy等，並且可以方便的使用conda命令，比起pip命令更加方便。
2.處理技術介紹（如果是算法設計，需要給出算法的基本思想介紹；如果是媒體處理，需要給出處理的基本思路）
（1）阈值二值化：這裡我采用的是二分阈值化，實現非常簡單，首先，圖像必須轉化為灰度圖像，對於RGB空間而言，需要將他們取平均，得到的為灰度值，對這個灰度圖像設置一個阈值，超過這個阈值的像素點，顯示為黑色圖像，低於這個阈值的像素點設置為白色，阈值范圍在[0,255]。
（2）邊緣檢測：邊緣是指圖像中圖像像素值變化明顯的位置。這些變化明顯的位置常常是圖像中需要關注的位置，對這些關鍵位置的檢測，就叫做邊緣檢測。也就是需要對這些位置求導數，這裡一般有兩種常用的算子，我采用了canny算子，即梯度方向的二階導數過零點，但首先需要使用高斯濾波來降噪，以排除噪點的影響（為了說明高斯濾波降噪的重要性，我設置了一個check方法來對比），接著使用canny算子來計算邊緣部分， 在獲得梯度大小和方向後，將對圖像進行全面掃描，以去除可能不構成邊緣的所有不需要的像素。為此，在每個像素處，檢查像素是否是其在梯度方向上附近的局部最大值，最後采用雙阈值法得到最終圖像，它的原理是，在非極大值抑制後的邊緣點中，設置兩個阈值TH和TL，梯度值超過TH的為強邊緣，小於TH大於TL的為弱邊緣，小於TL的不是邊緣，可以肯定的是，強邊緣必然是邊緣點，因此必須將T1設置的足夠高，以要求像素點的梯度值足夠大（變化足夠劇烈），而弱邊緣可能是邊緣，也可能是噪聲，如何判斷呢？當弱邊緣的周圍8鄰域有強邊緣點存在時，就將該弱邊緣點變成強邊緣點，以此來實現對強邊緣的補充。最終得到了一張邊緣檢測之後的視頻圖像。
目錄
《多媒體技術》實驗報告 1
一、 實驗選題 1
二、 實驗要求 1
三、 實驗內容 1
(1)圖像處理系統主題部分代碼 3
(2)CNN人臉識別部分函數代碼： 8
四、 實驗效果 8
(1) 阈值二值化 8
(2) 邊緣檢測 9
加入降噪之後： 9
(3) 輪廓檢測 10
(4) 高斯濾波 10
線性濾波： 11
(5) 色彩空間轉換: 11
(6) 調節對比度: 12
(7) 人臉識別+人眼識別 12
五、 實驗結論 14
一、實驗選題
圖像處理應用系統的開發
二、實驗要求
（正文部分）
三、實驗內容
1.平台選擇
