（1）计算图像中每个像素点的LBP模式(等价模式,或者旋转不变+等价模式)。 （2）然后计算每个cell的LBP特征值直方图，然后对该直方图进行归一化处理(每个cell中，对于每个bin,h[i]/=sum,sum就是一副图像中所有等价类的个数)。 （3）最后将得到的每个cell的统计直方图进行连接成为一个特征向量，也就是整幅图的LBP纹理特征向量； 然后便可利用SVM或者其他机器学习算法进行分类识别了。((1) calculate the LBP pattern of each p

实现了图像的加水印，去噪，加噪声等功能，基于欧几里得距离的聚类分析，AHP层次分析法计算判断矩阵的最大特征值。( Realize image watermarking, de-noising, plus noise and other functions, Clustering analysis based on Euclidean distance, Calculate the maximum eigenvalue judgment matrix of AHP.)

Matlab表情识别，特征脸[1 ]作为面部表情分类的方法。首先，利用训练图像创建低维人脸空间（pca）。这是通过训练图像集主成分分析（PCA）及图片主成分分析（即具有较大特征值的特征向量）获得的。 结果，所有的测试图像以所选择的主成分表示，计算投影图像与所有投影列车图像的欧几里得距离，选择最小值以找出与试验图像最相似的训练图像。(The feature face [1] is used as a facial expression classification method. Firstly,

提取文件夹下所有图像的形态特征，并将特征值存放于excel表(Extract the morphological features of all images under the folder and store the feature values in the excel table)