在数字图像处理领域，如何设计一个目标检测系统的伪代码实现过程？

在数字图像处理领域，设计一个目标检测系统通常涉及到计算机视觉和机器学习技术。以下是一个简单的目标检测系统（如基于深度学习的单阶段检测器）的伪代码实现过程概述：

**步骤1：数据预处理**

% 加载图像或视频帧
img = imread('image.jpg');

% 调整大小、归一化、可能进行颜色空间转换
img = imresize(img, [input_size input_size]);
img = rgb2gray(img); % 如果是彩色图像转为灰度

% 将图像转化为网络输入张量 (batch, channels, height, width)
input_tensor = img(:) / 255;

**步骤2：特征提取**

% 加载预训练的卷积神经网络模型，如Faster R-CNN、YOLO或SSD等
model = loadPretrainedModel('model_name.h5');

% 提取特征
features = model.layers.getOutputLayerFeatures(input_tensor);

**步骤3：区域提议（Region Proposal Network, RPN）**

[rois, rpn_scores, rpn_bboxes] = extractRPN(features);

**步骤4：分类和回归**

% 对每个提议进行分类（是否包含目标物体）
classifications = classify(model.classifier, features(roiIndexes), rpn_scores);

% 根据分类结果调整边界框位置和大小
refined_bboxes = refineBBoxes(rpn_bboxes, classifications, anchors);

% 非极大抑制（NMS）去除重叠较高的框
[nms_idx, ~] = nms(refined_bboxes, scores);
final_bboxes = refined_bboxes(nms_idx);

**步骤5：绘制检测结果**

% 将最终的边界框坐标画在原始图像上
detections = drawBoundingBoxes(img, final_bboxes, classes);

% 显示或保存结果
imshow(detections);

**相关问题--:**
1. 图像预处理中的关键参数有哪些？
2. 卷积神经网络模型是如何影响目标检测性能的？
3. NMS算法的具体作用是什么？
4. 如何评估一个目标检测系统的性能？