實(shí)驗(yàn)六-圖像分割教學(xué)文稿

1、實(shí)驗(yàn)六- 圖像分割精品文檔信息工程學(xué)院實(shí)驗(yàn)報(bào)告課程名稱：數(shù)字圖像處理實(shí)驗(yàn)項(xiàng)目名稱：實(shí)驗(yàn)六圖像分割成 績(jī)：實(shí)驗(yàn)時(shí)間：2016.12.16指導(dǎo)老師 ( 簽班級(jí)：姓名：學(xué)號(hào)：名) ：一、實(shí)驗(yàn)?zāi)康?. 使用 MatLab 軟件進(jìn)行圖像的分割。使學(xué)生通過(guò)實(shí)驗(yàn)體會(huì)一些主要的分割算子對(duì)圖像處理的效果，以及各種因素對(duì)分割效果的影響。2. 要求學(xué)生能夠自行評(píng)價(jià)各主要算子在無(wú)噪聲條件下和噪聲條件下的分割性能。能夠掌握分割條件 (閾值等 )的選擇。完成規(guī)定圖像的處理并要求正確評(píng)價(jià)處理結(jié)果，能夠從理論上作出合理的解釋。二、實(shí)驗(yàn)內(nèi)容與步驟1.邊緣檢測(cè)(1)使用 Roberts 算子的圖像分割實(shí)驗(yàn)調(diào)入并顯示圖像 room

2、.tif 圖像；使用 Roberts 算子對(duì)圖像進(jìn)行邊緣檢測(cè)處理；Roberts 算子為一對(duì)模板：-100-10110（a）450 方向模板（b）1350 方向模板圖 1 matlab 2010 的 Roberts 算子模板相應(yīng)的矩陣為： rh = 0 1；-1 0 ； rv = 1 0；0 -1；這里的 rh 為 45 度 Roberts 算子， rv為 135 度 Roberts 算子。分別顯示處理后的 45 度方向和 135 方向的邊界檢測(cè)結(jié)果；用“歐幾里德距離”和“街區(qū)距離”方式計(jì)算梯度的模，并顯示檢測(cè)結(jié)果；對(duì)于檢測(cè)結(jié)果進(jìn)行二值化處理，并顯示處理結(jié)果。提示：先做檢測(cè)結(jié)果的直方圖，參考直

3、方圖中灰度的分布嘗試確定閾值；應(yīng)反復(fù)調(diào)節(jié)閾值的大小，直至二值化的效果最為滿意為止。(2)使用 Prewitt 算子的圖像分割實(shí)驗(yàn)收集于網(wǎng)絡(luò)，如有侵權(quán)請(qǐng)聯(lián)系管理員刪除精品文檔-1-1-1-101000-101111-101（ a）水平模型（ b）垂直模板圖 2. Prewitt 算子模板使用 Prewitt 算子進(jìn)行內(nèi)容 (1)中的全部步驟。(3)使用 Sobel 算子的圖像分割實(shí)驗(yàn)使用 Sobel 算子進(jìn)行內(nèi)容 (1)中的全部步驟。-1-2-1-101000-202121-101（a）水平模型（b）垂直模板圖 3. Sobel 算子模板(4)使用 LoG (拉普拉斯 - 高斯 )算子的圖像分割

4、實(shí)驗(yàn)使用 LoG (拉普拉斯 -高斯 )算子進(jìn)行內(nèi)容 (1)中的全部步驟。提示1：處理后可以直接顯示處理結(jié)果，無(wú)須另外計(jì)算梯度的模。提示2：注意調(diào)節(jié)噪聲的強(qiáng)度以及LoG (拉普拉斯 -高斯)算子的參數(shù)，觀察處理結(jié)果。(5) 打印全部結(jié)果并進(jìn)行討論。下面是使用 sobel 算子對(duì)圖像進(jìn)行分割的MATLAB 程序f=imread('room.tif');gv,t1=edge(f,'sobel','vertical');%使用 edge函數(shù)對(duì)圖像 f 提取垂直邊緣imshow(gv)gb,t2=edge(f,'sobel','h

5、orizontal');%使用 edge函數(shù)對(duì)圖像 f 提取水平邊緣figure,imshow(gb)w45=-2 -1 0;-1 0 1;0 1 2;% 指定模版使用 imfilter 計(jì)算 45 度方向的邊緣g45=imfilter(double(f),w45,'replicate');T=0.3*max(abs(g45(:); %設(shè)定閾值g45=g45>=T;%進(jìn)行閾值處理figure,imshow(g45);在函數(shù)中使用 'prewitt' 和 'roberts'的過(guò)程，類(lèi)似于使用sobel 邊緣檢測(cè)器的過(guò)程。收集于網(wǎng)絡(luò)，如

6、有侵權(quán)請(qǐng)聯(lián)系管理員刪除精品文檔三、實(shí)驗(yàn)結(jié)果及結(jié)果分析1.邊緣檢測(cè)(1)使用 Roberts 算子的圖像分割實(shí)驗(yàn)實(shí)驗(yàn)結(jié)果：g45g135(1)歐幾里得距離計(jì)算梯度模(1)歐幾里得距離計(jì)算梯度模二值化(2)街區(qū)距離計(jì)算梯度模(2)街區(qū)距離計(jì)算梯度模二值化圖 4. Roberts 算子的圖像分割實(shí)驗(yàn)結(jié)果分析：Roberts 算子利用局部差分算子尋找邊緣，邊緣定位精度比較高，但容易丟失一部分邊緣，同時(shí)由于圖像沒(méi)經(jīng)過(guò)平滑處理，因此不具備抑制噪聲能力。該算子對(duì)具有陡峭邊緣且噪聲少的圖像效果較好。(2) 使用 Prewitt 算子的圖像分割實(shí)驗(yàn)實(shí)驗(yàn)結(jié)果：收集于網(wǎng)絡(luò)，如有侵權(quán)請(qǐng)聯(lián)系管理員刪除精品文檔g45g1

7、35(1)歐幾里得距離計(jì)算梯度模(1)歐幾里得距離計(jì)算梯度模二值化(2) 街區(qū)距離計(jì)算梯度模(2)街區(qū)距離計(jì)算梯度模二值化圖 5 .Prewitt 算子的圖像分割實(shí)驗(yàn)結(jié)果分析：Prewitt 算子先對(duì)圖像做加權(quán)平滑處理，然后再做微分運(yùn)算，所不同的是平滑部分的權(quán)值有些差異，因此它們對(duì)噪聲有一定的抑制能力。(3) 使用 Sobel 算子的圖像分割實(shí)驗(yàn)實(shí)驗(yàn)結(jié)果：g45g135(1)歐幾里得距離計(jì)算梯度模(1)歐幾里得距離計(jì)算梯度模二值化收集于網(wǎng)絡(luò)，如有侵權(quán)請(qǐng)聯(lián)系管理員刪除(2)街區(qū)距離計(jì)算梯度模(2)街區(qū)距離計(jì)算梯度模二值化精品文檔(1)歐幾里得距離計(jì)算梯度模(1)歐幾里得距離計(jì)算梯度模二值化(2)

8、街區(qū)距離計(jì)算梯度模(2)街區(qū)距離計(jì)算梯度模二值化圖 6. Sobel 算子的圖像分割實(shí)驗(yàn)結(jié)果分析：Sobel 算子和 Prewitt 算子一樣，都是先對(duì)圖像做加權(quán)平滑處理，然后再做微分運(yùn)算，因此它們對(duì)噪聲有一定的抑制能力。比較實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)，Sobel 算子比 Prewitt 算子在噪聲抑制方面略勝一籌，但不能排除檢測(cè)結(jié)果中出現(xiàn)的虛假邊緣。雖然這兩個(gè)算子邊緣定位效果不錯(cuò)，但檢測(cè)出的邊緣容易出現(xiàn)多像素的寬度。(4)使用 LoG (拉普拉斯 - 高斯 )算子的圖像分割實(shí)驗(yàn)實(shí)驗(yàn)結(jié)果：gvgbg45圖 7. LoG ( 拉普拉斯 -高斯 )算子的圖像分割實(shí)驗(yàn)結(jié)果分析：拉普拉斯算子，它是無(wú)方向的二階微

9、分算子，對(duì)圖像中的階躍型邊緣定位準(zhǔn)確，該算子對(duì)噪聲非常敏感，它使噪聲成分得到加強(qiáng)。這兩個(gè)特性使得該算子容易丟失一部分邊緣的方向信息，造成一些不連續(xù)的檢測(cè)邊緣。LoG 算子，該算子克服了拉普拉斯算子抗噪聲性能比較差的缺點(diǎn)，但是在抑制噪聲的同時(shí)也可能將原有的比較尖銳的邊緣平滑掉了。(5) 打印全部結(jié)果并進(jìn)行討論。收集于網(wǎng)絡(luò)，如有侵權(quán)請(qǐng)聯(lián)系管理員刪除精品文檔使用 sobel、prewitt 和 roberts 算子對(duì)圖像進(jìn)行分割實(shí)驗(yàn)。sobel(gv)sobel(gb)sobel(g45)prewitt(gv)prewitt(gb)prewitt(g45)roberts(gv)roberts(gb)

10、roberts(g45)圖 8. 全部結(jié)果四、實(shí)驗(yàn)中遇到問(wèn)題及解決方法1. 評(píng)價(jià)一下 Roberts 算子、 Prewitt 算子、 Sobel 算子對(duì)于噪聲條件下邊界檢測(cè)的性能。答： Roberts 算子采用對(duì)角線方向相鄰兩像素之差近似梯度幅值檢測(cè)邊緣。檢測(cè)水平和垂直邊緣的效果好于斜向邊緣，定位精度高，對(duì)噪聲敏感。Sobel 算子根據(jù)像素點(diǎn)上下、左右鄰點(diǎn)灰度加權(quán)差，在邊緣處達(dá)到極值這一現(xiàn)象檢測(cè)邊緣。對(duì)噪聲具有平滑作用，提供較為精確的邊緣方向信息，邊緣定位精度不夠高。當(dāng)對(duì)精度要求不是很高時(shí)，是一種較為常用的邊緣檢測(cè)方法。Prewitt 算子利用像素點(diǎn)上下、左右鄰點(diǎn)灰度差，在邊緣處達(dá)到極值檢測(cè)邊

11、緣。對(duì)噪聲具有平滑作用，定位精度不夠高。2. 實(shí)驗(yàn)中所使用的四種算子所得到的邊界有什么異同？答：算子的存在就是對(duì)這種導(dǎo)數(shù)分割原理進(jìn)行的實(shí)例化計(jì)算，是為了在計(jì)算過(guò)程中直接使用的一種計(jì)算單位。Roberts算子：邊緣定位準(zhǔn)，但是對(duì)噪聲敏感。適用于邊緣明顯且噪聲較少的圖像分割。Roberts邊緣檢測(cè)算子是一種利用局部差分算子尋找邊緣的算子,Robert 算子圖像處理后結(jié)果收集于網(wǎng)絡(luò)，如有侵權(quán)請(qǐng)聯(lián)系管理員刪除精品文檔邊緣不是很平滑。經(jīng)分析，由于 Robert 算子通常會(huì)在圖像邊緣附近的區(qū)域內(nèi)產(chǎn)生較寬的響應(yīng)，故采用上述算子檢測(cè)的邊緣圖像常需做細(xì)化處理，邊緣定位的精度不是很高。Prewitt 算子：對(duì)噪聲

12、有抑制作用，抑制噪聲的原理是通過(guò)像素平均，但是像素平均相當(dāng)于對(duì)圖像的低通濾波，所以 Prewitt 算子對(duì)邊緣的定位不如 Roberts 算子。Sobel 算子： Sobel算子和 Prewitt 算子都是加權(quán)平均，但是Sobel 算子認(rèn)為，鄰域的像素對(duì)當(dāng)前像素產(chǎn)生的影響不是等價(jià)的，所以距離不同的像素具有不同的權(quán)值，對(duì)算子結(jié)果產(chǎn)生的影響也不同。一般來(lái)說(shuō)，距離越遠(yuǎn)，產(chǎn)生的影響越小。Isotropic Sobel 算子：加權(quán)平均算子，權(quán)值反比于鄰點(diǎn)與中心點(diǎn)的距離，當(dāng)沿不同方向檢測(cè)邊緣時(shí)梯度幅度一致，就是通常所說(shuō)的各向同性。Laplacian 算子：這是二階微分算子。其具有各向同性，即與坐標(biāo)軸方向無(wú)

13、關(guān)，坐標(biāo)軸旋轉(zhuǎn)后梯度結(jié)果不變。但是，其對(duì)噪聲比較敏感，所以，圖像一般先經(jīng)過(guò)平滑處理，因?yàn)槠交幚硪彩怯媚０暹M(jìn)行的，所以，通常的分割算法都是把Laplacian 算子和平滑算子結(jié)合起來(lái)生成一個(gè)新的模板。Laplacian 算子一般不以其原始形式用于邊緣檢測(cè)，因?yàn)槠渥鳛橐粋€(gè)二階導(dǎo)數(shù)，Laplacian算子對(duì)噪聲具有無(wú)法接受的敏感性；同時(shí)其幅值產(chǎn)生算邊緣，這是復(fù)雜的分割不希望有的結(jié)果；最后 Laplacian 算子不能檢測(cè)邊緣的方向；所以 Laplacian 在分割中所起的作用包括：（1）利用它的零交叉性質(zhì)進(jìn)行邊緣定位；（ 2）確定一個(gè)像素是在一條邊緣暗的一面還是亮的一面；一般使用的是高斯型拉普拉斯

14、算子（ Laplacian of a Gaussian,LoG)，由于二階導(dǎo)數(shù)是線性運(yùn)算，利用 LoG 卷積一幅圖像與首先使用高斯型平滑函數(shù)卷積改圖像，然后計(jì)算所得結(jié)果的拉普拉斯是一樣的。所以在 LoG 公式中使用高斯函數(shù)的目的就是對(duì)圖像進(jìn)行平滑處理，使用 Laplacian 算子的目的是提供一幅用零交叉確定邊緣位置的圖像；圖像的平滑處理減少了噪聲的影響并且它的主要作用還是抵消由 Laplacian 算子的二階導(dǎo)數(shù)引起的逐漸增加的噪聲影響。五、實(shí)驗(yàn)心得體會(huì)通過(guò)這個(gè)實(shí)驗(yàn)，我熟練學(xué)會(huì)了利用 MatLab 軟件進(jìn)行圖像的分割。在通過(guò)實(shí)驗(yàn)體會(huì)到了一些主要的分割算子對(duì)圖像處理的效果，以及各種因素對(duì)分割效

15、果的影響。在評(píng)價(jià)各主要算子在無(wú)噪聲條件下和噪聲條件下的分割性能下，掌握分割條件 (閾值等 )的選擇。完成規(guī)定圖像的處理并評(píng)價(jià)處理結(jié)果。六、源程序清單%1. 使用 Roberts算子的圖像分割實(shí)驗(yàn)I=imread('room.tif');rh=-1 0; 0 1;rv=0 -1; 1 0;g45=imfilter(double(I),rh,'replicate');g135=imfilter(double(I),rv,'replicate');subplot(3,2,1);收集于網(wǎng)絡(luò)，如有侵權(quán)請(qǐng)聯(lián)系管理員刪除精品文檔imshow(g45,);tit

16、le('g45');subplot(322);imshow(g135,);title('g135');%計(jì)算梯度模%(1) 歐幾里得距離計(jì)算梯度模OD=sqrt(g45.2+g135.2);subplot(323);imshow(OD,);title('(1)歐幾里得距離計(jì)算梯度模' );T=0.1*max(OD(:);BWOD=OD>T;subplot(324);imshow(BWOD);title('(1)歐幾里得距離計(jì)算梯度模二值化' );%(2) 街區(qū)距離計(jì)算梯度摸JD=abs(g45)+abs(g135);subp

17、lot(325);imshow(JD,);title('(2)街區(qū)距離計(jì)算梯度模' );T=0.1*max(JD(:);BWOD=OD>T;subplot(326);imshow(BWOD);title('(2)街區(qū)距離計(jì)算梯度模二值化' );%2. 使用 Prewitt算子的圖像分割實(shí)驗(yàn)I=imread('room.tif');rh=-1 -1 -1;0 0 0;1 1 1;rv=-1 0 1 ;-1 0 1;-1 0 1;g45=imfilter(double(I),rh,'replicate');g135=imfilt

18、er(double(I),rv,'replicate');subplot(3,2,1);imshow(g45,);title('g45');subplot(322);imshow(g135,);title('g135');%計(jì)算梯度模%（ 1 ）歐幾里得距離計(jì)算梯度模OD=sqrt(g45.2+g135.2);subplot(323);imshow(OD,);收集于網(wǎng)絡(luò)，如有侵權(quán)請(qǐng)聯(lián)系管理員刪除精品文檔title('(1)歐幾里得距離計(jì)算梯度模' );T=0.1*max(OD(:);BWOD=OD>T;subplot(324

19、);imshow(BWOD);title('(1)歐幾里得距離計(jì)算梯度模二值化' );%(2)街區(qū)距離計(jì)算梯度模JD=abs(g45)+abs(g135);subplot(325);imshow(JD,);title('(2)街區(qū)距離計(jì)算梯度模 ');T=0.1*max(JD(:);BWOD=OD>T;subplot(326);imshow(BWOD);title('(2)街區(qū)距離計(jì)算梯度模二值化' );%3. 使用 Sobel算子的圖像分割實(shí)驗(yàn)I=imread('room.tif');rh=-1 -2 -1;0 0 0;1

20、 2 1;rv=-1 0 1 ;-2 0 2;-1 0 1;g45=imfilter(double(I),rh,'replicate');g135=imfilter(double(I),rv,'replicate');subplot(3,2,1);imshow(g45,);title('g45');subplot(322);imshow(g135,);title('g135');%計(jì)算梯度模%(1) 歐幾里得距離計(jì)算梯度模OD=sqrt(g45.2+g135.2);subplot(323);imshow(OD,);title(&#

21、39;(1)歐幾里得距離計(jì)算梯度模' );T=0.1*max(OD(:);BWOD=OD>T;subplot(324);imshow(BWOD);title('(1)歐幾里得距離計(jì)算梯度模二值化' );%(2) 街區(qū)距離計(jì)算梯度摸JD=abs(g45)+abs(g135);subplot(325);imshow(JD,);title('(2)街區(qū)距離計(jì)算梯度模' );收集于網(wǎng)絡(luò)，如有侵權(quán)請(qǐng)聯(lián)系管理員刪除精品文檔T=0.1*max(JD(:);BWOD=OD>T;subplot(326);imshow(BWOD);title('(2)街

22、區(qū)距離計(jì)算梯度模二值化' );%4. 使用 LoG (拉普拉斯 - 高斯 ) 算子的圖像分割實(shí)驗(yàn)f=imread('room.tif');gv,t1=edge(f,'log', 'vertical'); %使用 edge 函數(shù)對(duì)圖像 f提取垂直邊緣subplot(1,3,1);imshow(gv);title('gv');gb,t2=edge(f,'log', 'horizontal');%使用 edge函數(shù)對(duì)圖像f 提取水平邊緣subplot(1,3,2);imshow(gb);title

23、('gb');w45=-2 -1 0;-1 0 1;0 1 2;%指定模版使用imfilter計(jì)算 45度方向的邊緣g45=imfilter(double(f),w45,'replicate');T=0.3*max(abs(g45(:);%設(shè)定閾值g45=g45>=T;%進(jìn)行閾值處理subplot(1,3,3);imshow(g45);title('g45');%5 打印全部結(jié)果并進(jìn)行討論。%使用 sobel、 prewitt和 roberts算子對(duì)圖像進(jìn)行分割實(shí)驗(yàn)。f=imread('room.tif');gv,t1=ed

24、ge(f,'sobel', 'vertical'); %使用 edge函數(shù)對(duì)圖像f 提取垂直邊緣subplot(1,3,1);imshow(gv);title('sobel(gv)');gb,t2=edge(f,'sobel', 'horizontal');%使用 edge函數(shù)對(duì)圖像 f提取水平邊緣subplot(1,3,2);imshow(gb);title('sobel(gb)');w45=-2 -1 0;-1 0 1;0 1 2;%指定模版使用imfilter計(jì)算 45度方向的邊緣g45=im

25、filter(double(f),w45,'replicate');T=0.3*max(abs(g45(:);%設(shè)定閾值g45=g45>=T;%進(jìn)行閾值處理subplot(1,3,3);imshow(g45);title('sobel(g45)');%使用 prewitt算子對(duì)圖像進(jìn)行分割實(shí)驗(yàn)。f=imread('room.tif');gv2,t3=edge(f,'prewitt', 'vertical');%使用 edge函數(shù)對(duì)圖像 f提取垂直邊緣subplot(1,3,1);imshow(gv2);tit

26、le('prewitt(gv)');gb2,t4=edge(f,'prewitt', 'horizontal'); %使用 edge 函數(shù)對(duì)圖像f 提取水平邊緣subplot(1,3,2);imshow(gb2);title('prewitt(gb)');w45=-2 -1 0;-1 0 1;0 1 2;%指定模版使用imfilter計(jì)算 45度方向的邊緣g45=imfilter(double(f),w45,'replicate');T=0.3*max(abs(g45(:);%設(shè)定閾值g45=g45>=T;%進(jìn)行閾值