圖像處理實驗

1、信 息 科 學 與 工 程 學 院 實 驗 報 告課程名稱：圖像處理專 業(yè)： 電子信息工程 班 級：電信（DB）1101學 號： 201112135012 姓 名： 劉小飛 實驗一：圖像直方圖處理及灰度變換實驗目的：1.掌握讀、寫、顯示圖像的基本方法。2.掌握圖像直方圖的概念、計算方法以及直方圖歸一化、均衡化方法。3.掌握圖像灰度變換的基本方法，理解灰度變換對圖像外觀的改善效果。實驗內(nèi)容：1. 讀入一幅圖像，判斷其是否為灰度圖像，如果不是灰度圖像，將其轉化為灰度圖像。2. 完成灰度圖像的直方圖計算、直方圖歸一化、直方圖均衡化等操作。3. 完成灰度圖像的灰度變換操作，如線性變換、伽馬變換、閾值變

2、換（二值化）等，分別使用不同參數(shù)觀察灰度變換效果（對灰度直方圖的影響）。實驗步驟：1.熟悉MATLAB語言中對圖像數(shù)據(jù)讀取，顯示等基本函數(shù)1) 文件讀取與信息顯示：load trees;X,map=imread('forest.tif');subimage(X,map);I=imread('forest.tif');imshow(I);imfinfo('forest.tif');2) map顏色矩陣的修改X,map=imread('forest.tif');map1=map+map;subimage(X,map1);3) 灰度圖像

3、的轉化RGB=imread('b747.jpg');B=rgb2gray(RGB);2.圖像灰度變換處理在圖像增強的作用g1=imadjust(I,0 1,1 0);g2=imcomplement(g1);g3=im2uint8(mat2gray(log(1+double(I);3.繪制圖像灰度直方圖的方法，對圖像進行均衡化處理1) 圖像灰度直方圖的顯示與灰度調(diào)整imhist(B);J = imadjust(B,0 1);imhist(J);subimage(J);2) 對B進行直方圖均衡化處理，試比較與原圖的異同。I = imread('pout.tif');

4、 J,T = histeq(I); figure,plot(0:255)/255,T);3) 對B進行如圖所示的分段線形變換處理，試比較與直方圖均衡化處理的異同。x1=0:0.01:0.125;x2=0.125:0.01:0.75;x3=0.75:0.01:1;y1=2*x1;y2=0.25+0.6*(x2-0.125);y3=0.625+1.5*(x3-0.75);x=x1,x2,x3;y=y1,y2,y3;subplot(2,2,4);plot(x,y);實驗結果分析與討論：1. 熟悉MATLAB語言中對圖像數(shù)據(jù)讀取，顯示等基本函數(shù)1) 圖像文件的讀出與圖像數(shù)據(jù)的觀察圖1.1 真彩色圖像與

5、灰度圖像顯示ans = Filename: 'F:MATLABR2007atoolboximagesimdemosforest.tif' FileModDate: '04-Dec-2000 13:57:58' FileSize: 124888 Format: 'tif' FormatVersion: Width: 447 Height: 301 BitDepth: 8 ColorType: 'indexed' FormatSignature: 73 73 42 0 ByteOrder: 'little-endian'

6、; NewSubFileType: 0 BitsPerSample: 8 Compression: 'PackBits' PhotometricInterpretation: 'RGB Palette' StripOffsets: 17x1 double SamplesPerPixel: 1 RowsPerStrip: 18 StripByteCounts: 17x1 double XResolution: 72 YResolution: 72 ResolutionUnit: 'Inch' Colormap: 256x3 double Plana

7、rConfiguration: 'Chunky' TileWidth: TileLength: TileOffsets: TileByteCounts: Orientation: 1 FillOrder: 1 GrayResponseUnit: 0.0100 MaxSampleValue: 255 MinSampleValue: 0 Thresholding: 1 ImageDescription: 'Carmanah Ancient Forest, British Columbia, Canada'map顏色矩陣修改后圖像顏色的變化圖1.2 原圖像與map矩陣

8、值增強一倍后的圖像 新的顏色矩陣值變成原文件的2倍，圖像明顯變亮，顏色的R、G、B值增強。2) 圖像文件轉化為灰度圖像圖1.3真彩色圖像與轉化成的灰度圖像2. 圖像灰度變換處理在圖像增強的作用圖1.4 灰度變化增強（圖像反轉、求補、對數(shù)變換）圖中對圖像文件進行了基本的灰度變換，包括用式s = L 1 r 得到的圖像反轉，對反轉圖像的求補，以及對數(shù)變換的采用。3. 繪制圖像灰度直方圖的方法，對圖像進行均衡化處理1) 圖像灰度及灰度直方圖的調(diào)整圖1.5灰度范圍的調(diào)整與直方圖顯示在原始圖像中，直方圖的組成成分集中在高灰度等級（亮）一側，且圖像灰度范圍為0,1，故將灰度值調(diào)整到0,1間后直方圖無明顯變

9、化。類似的，將灰度值調(diào)整到0,0.5時，整個圖像變暗，直方圖橫向壓縮1倍。2) 直方圖均衡化圖1.6 原圖像與灰度直方圖均衡化結果原圖像中目標物的灰度主要集中于高亮度部分，而且象素總數(shù)較多，所占的灰度等級較少。經(jīng)過直方圖均衡后，目標物的所占的灰度等級得到擴展，對比度加強，使整個圖像得到增強。數(shù)字圖像均衡化后，其直方圖并非完全均勻分布，這是因為圖像的象素個數(shù)和灰度等級均為離散值，而且均衡化使灰度級并歸。因此，均衡化后，其直方圖并非完全均勻分布。3) 對B進行如圖所示的分段線性變換處理圖1.7 原圖像與灰度直方圖均衡化結果圖1.8 線性變換函數(shù)圖通過在所關心范圍內(nèi)為所有灰度值指定一個較高值，而為其

10、他灰度指定一個較低值，或將所需范圍變亮，分段線性變換可提高圖像中特定灰度范圍的亮度，常用于圖像特征值的提取。這里將原始圖像位于0.125,0.75間的灰度值調(diào)低，放大其余的灰度值，突出顯示圖像低頻域和高頻域的部分。實驗小結：通過本次實驗，我學會了用Matlab對圖像的基本處理方法，也加深了數(shù)字圖像處理中灰度，直方圖，均衡化等一些基本概念，基本掌握了怎樣進行灰度變法，直方圖均衡化等操作，雖然這次實驗的代碼都是在網(wǎng)上找的，但是通過借鑒和學習，我對圖像處理產(chǎn)生了濃厚的學習興趣，我相信在今后的實驗中自己會慢慢編寫出自己對這方面的相關程序。實驗二：圖像平滑實驗目的：1. 理解圖像平滑的概念，掌握噪聲模擬

11、和圖像平滑濾波函數(shù)的使用方法。2. 理解圖像均值濾波、中值濾波、高斯濾波的算法原理，了解不同濾波方法的適用場合。實驗內(nèi)容：1. 對給定的同一幅圖像，加上不同強度的高斯噪聲，分別使用均值濾波器、中值濾波器、高斯平滑濾波器對加噪后的圖像進行濾波處理。2. 對給定的同一幅圖像，加上不同強度的椒鹽噪聲，分別使用均值濾波器、中值濾波器、高斯平滑濾波器對加噪后的圖像進行濾波處理。實驗步驟：1. 平滑空間濾波：1) 椒鹽噪聲和高斯噪聲的加入I=imread('eight.tif');imshow(I);J = imnoise(I,'salt & pepper',0.0

12、5); %noise density=0.05K= imnoise(I,'gaussian',0.01,0.01);2) 不同的平滑（低通）模板的處理H = fspecial('sobel');Sobel = imfilter(I,H,'replicate');H = fspecial('laplacian',0.4);lap = imfilter(I,H,'replicate');H = fspecial('gaussian',3 3,0.5);gaussian = imfilter(I,H,&#

13、39;replicate');3) 不同填充方法的濾波originalRGB = imread('peppers.png');h = fspecial('motion', 50, 45); %motion blurredfilteredRGB = imfilter(originalRGB, h);boundaryReplicateRGB = imfilter(originalRGB, h, 'replicate');boundary0RGB = imfilter(originalRGB, h, 'x');boundary0

14、RGB = imfilter(originalRGB, h, 0);boundarysymmetricRGB = imfilter(originalRGB, h, 'symmetric');boundarycircularRGB = imfilter(originalRGB, h, 'circular');4) 多次均值濾波J = imnoise(I,'salt & pepper',0.05);h=fspecial('average'); %Averaging FilteringJ1=imfilter(J,h);for i

15、=1:10J1=imfilter(J,h);endfor i=1:20J2=imfilter(J,h);5) 均值、中值濾波h=fspecial('average'); %Averaging FilteringJ1=imfilter(J,h);J2=medfilt2(J); %Median Filtering6) 自行設計平滑空間濾波器domain=0 0 8 0 0;0 0 8 0 0;8 8 8 8 8;0 0 8 0 0;0 0 8 0 0;K1= ordfilt2(J,5,domain);2.平滑頻域濾波高斯低通濾波器的設計與濾波I=imread('test_p

16、attern.tif');f=double(I); g=fft2(f); g=fftshift(g); M,N=size(g);d0=100;m=fix(M/2); n=fix(N/2);for i=1:M for j=1:N d=sqrt(i-m)2+(j-n)2);h=exp(-(d.2)./(2*(d02); % gaussian filter transform result(i,j)=h*g(i,j); endendresult=ifftshift(result);J1=ifft2(result);J2=uint8(real(J1);實驗結果分析與討論：1.平滑空間濾波1)

17、讀出eight.tif這幅圖像，給這幅圖像分別加入椒鹽噪聲和高斯噪聲后并與前一張圖顯示在同一圖像窗口中。圖2.1 初始圖像及椒鹽噪聲圖像、高斯噪聲污染圖2） 對加入噪聲圖像選用不同的平滑（低通）模板做運算，對比不同模板所形成的效果，要求在同一窗口中顯示。圖2.2 原圖像及各類低通濾波處理圖像3） 使用函數(shù)imfilter時，分別采用不同的填充方法（或邊界選項，如零填充、replicate、symmetric、circular）進行低通濾波，顯示處理后的圖像。圖2.3 原圖像及運動模糊圖像圖2.4 函數(shù)imfilter各填充方式處理圖像2) 運用for循環(huán)，將加有椒鹽噪聲的圖像進行10次，20次

18、均值濾波，查看其特點,顯示均值處理后的圖像。圖2.5 椒鹽噪聲污染圖像經(jīng)10次、20次均值濾波圖像 由圖2.5可得，20次濾波后的效果明顯好于10次濾波，但模糊程度也更強。3) 對加入椒鹽噪聲的圖像分別采用均值濾波法，和中值濾波法對有噪聲的圖像做處理，要求在同一窗口中顯示結果。圖2.6 椒鹽噪聲污染圖像及均值、中值濾波圖像從圖2.6中可以看出，對于椒鹽噪聲污染的圖像處理，中值濾波效果要明顯好于均值濾波。經(jīng)均值濾波器處理后的圖像比均值濾波器中結果圖像更加模糊。4) 設計平滑空間濾波器，并將其對噪聲圖像進行處理，顯示處理后的圖像。圖2.7椒鹽噪聲污染圖像及5*5平滑濾波器掩模掩模值為w=1/25*

19、1 1 1 1 1;1 1 1 1 1;1 1 1 1 1;1 1 1 1 1;1 1 1 1 1圖2.8椒鹽噪聲污染圖像及5*5平滑濾波器掩模掩模值為w= 0 0 8 0 0;0 0 8 0 0;8 8 8 8 8;0 0 8 0 0;0 0 8 0 02.平滑頻域濾波1) 高斯低通濾波器圖2.9 高斯低通濾波器透視圖圖2.10 高斯低通濾波器濾波效果(d0=15,30,100)上圖中顯示了三種高斯低通濾波器的濾波效果，高斯低通濾波器無法達到有相同截止頻率的二階巴特沃斯低通濾波器的平滑效果，但此時結果圖像中無振鈴現(xiàn)象產(chǎn)生。實驗小結：這次實驗相比上次，感覺進步了很多，雖然我沒有去機房，但私下就

20、在理論上熟悉過均值濾波，中值濾波等基本理論，通過這次實驗，我了解了不同濾波方法的適用場合，基本掌握了加入噪聲及用各種方法去噪，濾波的相關方法，之前對于均值和中值有些模糊的地方通過這次實驗有了更加清晰的認識，還有對不不同噪聲，中值濾波器和均值濾波的差異及優(yōu)缺點，例如，對于椒鹽噪聲由于其均值不為0，所以用中值濾波效果更好等等，總之，這次實驗又學會了很多。實驗三：圖像銳化與邊緣檢測實驗目的：1.理解圖像銳化的概念，掌握圖像銳化的基本算法和函數(shù)使用方法。2.了解邊緣檢測的算法和用途，掌握邊緣檢測函數(shù)的使用方法，比較不同算子檢測邊緣的差異。實驗內(nèi)容：1.圖像銳化。對給定的同一幅圖像，分別Roberts算

21、子、Sobel算子、Laplacian算子驚醒濾波處理。2.邊緣檢測。對給定的同一幅圖像，分別使用Sobel、Prewitt、Roberts、LoG和Canny等邊緣檢測算子進行處理，使用算法的默認參數(shù)或適當調(diào)整算法參數(shù)，將處理結果顯示在同一窗口中以便進行比較。實驗步驟：1.圖像銳化I=imread('girl.bmp');h=fspecial('sobel');J=filter2(h, I); a=min(J(:);J1=J+abs(a);I1=J1/max(J1(:)*255;I1=uint8(I1);J2=abs(J);I2=J2/max(J2(:)*25

22、5;I2=uint8(I2);figure;subplot(1,3,1), imshow(I), title('原圖像');subplot(1,3,2), imshow(I1), title('銳化濾波、數(shù)據(jù)加正數(shù)后圖像');subplot(1,3,3), imshow(I2), title('銳化濾波、數(shù)據(jù)取絕對值后圖像');拉普拉斯算子拉普拉斯高斯算子Prewitt算子Sobel算子I=imread('eight.tif');subplot(2,2,1),imshow(I),title(原圖);BW1=edge(I, '

23、;roberts');subplot(2,2,2), imshow(BW1), title('用Roberts算子');BW2=edge(I, 'sobel');subplot(2,2,3), imshow(BW2), title('用Sobel算子');BW3=edge(I, 'log');subplot(2,2,4), imshow(BW3), title('用拉普拉斯高斯算子');銳化濾波2.邊緣檢測close allclear allI=imread('wamp.jpg'); %讀取

24、圖像I1=im2double(I); %將彩圖序列變成雙精度I2=rgb2gray(I1); %將彩色圖變成灰色圖thr, sorh, keepapp=ddencmp('den','wv',I2);I3=wdencmp('gbl',I2,'sym4',2,thr,sorh,keepapp); %小波除噪I4=medfilt2(I3,9 9); %中值濾波I5=imresize(I4,0.2,'bicubic'); %圖像大小BW1=edge(I5,'sobel'); %sobel圖像邊緣提取BW2=edge(I5,'roberts'); %roberts圖像邊緣提取BW3=edge(I5,'prewitt'); %prewitt圖像邊緣提取BW4=edge(