针对给定数据集ORL_Faces，提取多个图像的特征(可以采用多种特征） 并图像进行分类，分类方法自选。训练数据集和测试数据集采用随机划分的方法生成，测试样本占比为20%。图像 可以经过预处理。要求 给出程序和实验结果

在提取图像特征之前，需要首先对图像进行预处理。预处理可以包括去噪、灰度化、归一化等操作。

对于图像的特征提取，可以采用多种方法，例如：

- 基于像素的特征提取，如均值、方差、中位数等
- 基于图像的形态学特征提取，如轮廓、轮廓长度、周长等
- 基于图像的纹理特征提取，如 Gabor 滤波器、LBP 等

对于图像分类，可以采用多种方法，例如：

- 朴素贝叶斯分类器
- K 近邻分类器
- 决策树分类器
- SVM 分类器

下面是一个使用 SVM 分类器进行图像分类的示例程序（使用 Python 语言）：

from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC

# 读入图像数据和标签
X = ...  # 图像特征
y = ...  # 图像标签

# 对数据进行预处理（归一化）
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 将数据划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

# 训练 SVM 分类器
svm = SVC()
svm.fit(X_train, y_train)

#