2023年圖像分割實驗報告

評分

實驗報告

課程名稱__________醫(yī)學圖像解決_______________

實驗名稱______________圖像分割________________

專業(yè)班級_____________________________________

姓名_______________________________________

學號_______________________________________

實驗日期_____________________________________

實驗地點_____________________________________

2023—2023學年度第，學期

一、實驗目的

掌握常用的邊沿提取算法，從圖像中提取感愛好的區(qū)域，實現(xiàn)圖像分割。在圖像中，尋找灰度

相同或相似的區(qū)域，區(qū)分圖像中的背景區(qū)域和目的區(qū)域，運用Matlab實現(xiàn)圖像的邊沿檢測，進

行圖像分割。

二'實驗環(huán)境

1、硬件配置：Intel(R)Core(TM)i5-421OUCPU@1.7GHz1.7GHz

安裝內(nèi)存(RAM)：4.OOGB系統(tǒng)類型：64位操作系統(tǒng)

2、軟件環(huán)境：MATLABR2023b軟件

三、實驗內(nèi)容

(涉及本實驗要完畢的實驗問題及需要的相關知識簡樸概述)

圖像邊沿是圖像中特性(如像素灰度、紋理等)分布的不連續(xù)處，圖像周邊特性有階躍變化

或屋脊狀變化的那些像素的集合。圖像邊沿存在于目的與背景、目的與目的、基元與基元的邊

界,標示出目的物體或基元的實際含量，是圖像辨認信息最集中的地方。

圖像分割解決重要用于檢測出圖像中的輪廓邊沿、細節(jié)以及灰度跳變部分，形成完整的物體

邊界，達成將物體從圖像中分離出來或將表達同一物體表面的區(qū)域檢測出來的目的。常用的分割

方法是邊沿檢測。邊沿檢測是采用多種邊沿算子實現(xiàn)突出圖像邊沿，克制圖像中非邊沿信息，使

圖像輪廓更加清楚。

1.梯度算子法

對于圖像f(x,y),它在點f(x,y)處的梯度是一個矢量，定義為

Gg聘M

dy)

梯度的方向在函數(shù)f(x,y)最大變化率的方向上，梯度的幅值為

|v/i=JSF?J

梯度的數(shù)值就是f(x,y)在其最大變化率方向上的單位距離所增長的量。對于圖像而言，微

分運算可以用差分運算來近似。

M=畫+|聞=|/Uy)-f(x-1,y)|+\f(x,y)-f(x,y-1)|

簡化成模板可以表達成如下形式：

「10]「01]

Robert梯度算子

0-1J0

當梯度計算完后，可采用以下幾種形式突出圖像的輪廓。

梯度直接輸出

使各點的灰度g(x,y)等于該點的梯度，即

g(x,y)=G[f(x,y)]

這種方法簡樸、直接。但增強的圖像僅顯示灰度變化比較陡的邊沿輪廓，而灰度變換比較

平緩的區(qū)域則呈暗色。

加閾值的梯度輸出

加閾值的梯度輸出表達式為

G[/(x,y)]G[f(x,y)]>T

g(x,y)=<

f(x,y)其他

式中,T是一個非負的閾值,適當選取T,既可以使明顯的邊沿得到突出，又不會破壞本來灰

度變化比較平緩的背景。

給邊沿指定一個特定的灰度級

G[f(x,y)]>T

LG

g(x,y)=<

./(尤,y)其他

式中LG是根據(jù)需要指定的一個灰度級,它將明顯的邊沿用一個固定的灰度級表現(xiàn)，而其他的

非邊沿區(qū)域的灰度級仍保持不變。

。給背景指定一個特定的灰度級

fG[/(x,j)]G[f(x,y)]>T

=k其他

該方法將背景用一個固定灰度級LG表現(xiàn)，便于研究邊沿灰度的變化。

二值圖像輸出

在某些場合(如字符辨認等)，既不關心非邊沿像素的灰度級差別，又不關心邊沿像素的灰

度級差別，只關心每個像素是邊沿像素還是非邊沿像素,這時可采用二值化圖像輸出方式，其表達

式為

\LGG[f(x,y)]>T

=k其他

此法將背景和邊沿用二值圖像表達，便于研究邊沿所在位置。

2.Sobel算子法

Sobel相對于先對圖像進行加權平均再做差分。

abc

X=(c+2/+i)-(a+2d+g)

對于圖像的3X3窗口def

丫=(q+2Z?+c)-(g+2〃+i)

ghi

則定義Sobel算子為g(x,y)=(X2+Y2)2

簡化成模板可以表達成如下形式：

--10f-121

Sobel模板-202000

-101-1-2-1

3.拉普拉斯運算法

拉普拉斯算子定義圖像f(x,y)的梯度為\/2/=真+戛

dx28y2

銳化后的圖像g為g=f-k\y2f]

式中k為擴散效應系數(shù)。對系數(shù)k的選擇要合理，太大會使圖像中的輪廓邊沿產(chǎn)生過沖;太

小則銳化不明顯。

-0-1o'--10-f--1-1-f

常用laplacian算子模板為-14-1040>-18-1

_0-10-10-1-1-1-1

此外尚有一些模板也常用于圖像增強，如

--ior■iii一

Prewi11模板-101000

-101-1-1-1

四、實驗結果與分析

（涉及實驗原理、數(shù)據(jù)的準備、運營過程分析、源程序（代碼）、圖形圖象界面等）

注：本項可以增長頁數(shù)

%例1手動閾值分割

[I,map]=imreadCcameraman.tif'）;%讀入圖像

imshow(I);figure;%顯示圖像

J=imhist(I);imhist(I);%生成直方圖并顯示

[M,N]=size(I);%返回圖像的行數(shù)和列數(shù)

fori—1：1:M%將i以步長1從1增長到M

forj=l:1:N%將上以步長1從1增長到N

if1(i,j)>80%假如圖像閾值大于80

g(i,j)=0;%則大于80的就變成黑的

elseg(i,j)—1;%小于80就變成白的

end

end

end

figure；imshow(g);%保持原圖，顯示圖像g

圖1原圖圖2直方圖圖3閾值分割后的二值

圖像

分析：手動閾值分割的閾值是取直方圖中雙峰的谷底的灰度值作為閾值,若有多個雙峰谷底,

則取第一個作為閾值。本題的閾值取80。

%例2迭代閾值分割

f=imread(，earneraman.tif');%讀入圖像

subplot(1,2,1)；imshow(f)；%創(chuàng)建一個一行二列的窗口，在第一個窗口

顯不圖像

title('原始圖像');%標注標題

f=double(f);%轉換位雙精度

T=(min(f(:))+max(f(:)))/2;%設定初始閾值

done=false;%定義開關變量，用于控制循環(huán)次數(shù)

i=0;%迭代,初始值i=0

while~done%while"done是循環(huán)條件，~是“非”

的意思,此

處done=0;說明是無限循環(huán)，循環(huán)體里面

應當還

有循環(huán)退出條件,否則就循環(huán)到死了；

rl=find(fV=T);%按前次結果對t進行二次分

r2=find(f>T);%按前次結果重新對t進行二次分

Tnew=(mean(f(rl))+mean(f(r2)))/2;%新閾值兩個范圍內(nèi)像素平均值和的一半

done=abs(Tnew-T)<1;%設定兩次閾值的比較，當滿足小于1時,

停止循環(huán)，

1是自己指定的參數(shù)

T=Tnew；%把丁nw的值賦給T

i=i+l;%執(zhí)行循壞,每次都加1

end

f(rl)=0;%把小于初始閾值的變成黑的

f(r2)=l：%把大于初始閾值的變成白的

subp1ot(1,2,2);%創(chuàng)建一個一行二列的窗口，在第二

個窗口顯示圖像

imshow(f);%顯示圖像

title('迭代閾值二值化圖像');%標注標題

圖4原始圖像圖5迭代閾值二值化圖像

分析：本題是迭代閾值二值化分割，環(huán)節(jié)是：1.選定初始閾值，即原圖大小取平均2用初閾

值進行二值分割；3.目的灰度值平均背景都取平均;4.迭代生成閾值，直到兩次閾值的灰

度變化不超過1,則穩(wěn)定;5.輸出迭代結果。

%例3Laplacian算子和模板匹配法

I=imread('cameraman.tif')；%讀入圖像

subp1ot(1,3,1);imshow(I);%創(chuàng)建一個一行三列的窗口，在第一個窗口顯示

圖像

titie(z原圖像');%標注標題

H=fspecia1('lap1acian，);%生成lap1acian濾波器

laplacianH=fi1ter2(H,I);%以1ap1acian為模板對圖像I進

行銳化濾波

subp1ot(1,3,2);%創(chuàng)建一個一行三列的窗口，在第二

個窗口顯示圖像

imshow(laplacianil)；%顯示圖像

title('laplacian算子銳化圖像')；%標注標題

H=fspecial('prewitt');%生成Prewitt濾波器

prewittH=filter2(H,I);%以prewitt為模板對圖像I進行銳化濾

波

subplot(1,3,3);%創(chuàng)建一個一行三列的窗口，在第三個

窗口顯木圖像

imshow(prewittH);%顯示圖像

tit1eCprewitt模板銳化圖像');%標注標題

原圖像laplacian算子銳化圖像prewitt模板銳化圖像

圖6原圖像圖71aplacian算子銳化圖像圖8prewitt模板銳

化圖像

分析：從結果圖可以看出，laplacian算子對邊沿的解決更明顯，它是二階微分算子,能加強

邊沿效果，對噪聲很敏感，Prewitt算子是平均濾波的一階的微分算子，不僅能檢測邊沿

點，并且能克制噪聲的影響。

%例4不同邊沿檢測方法比較

f=imread('cameraman.tif');%讀取圖像

subplot(2,2,1);imshow(f);%創(chuàng)建一個二行二列的窗口，在第一個窗口顯

示圖像

tit1e(，原始圖像')；%標注標題

[g,t]=edge(f,'roberts',口，'both'）;%用r。berts檢測器對圖像進行邊沿檢

測，閾值自動選

取，檢測邊沿方向（雙向）為both

subplot(2,2,2);imshow(g);%創(chuàng)建一個二行二列的窗口，在第二個窗

口顯示圖像

title('Roberts算子分割結果’)；％標注標題

[g,t]=edge(f,'sobe1',[],'both')；%用sobe1檢測器對圖像進行邊沿檢測，

閾值自動選取，檢測邊沿方向(雙向)為both

subp1ot(2,2,3);imshow(g);%創(chuàng)建一個二行二列的窗口，在第三個

窗口顯示圖像

titleCSobel算子分割結果’);%標注標題

[g,t]=edge(f,'prewittz,[],"both');%用prewitt檢測器對圖像進行邊沿檢測,

閾值自動

選取，檢測邊沿方向(雙向)為both

subplot(2,2,4)；imshow(g);%創(chuàng)建一個二行二列的窗口，在第四個

窗口顯示圖像

title('prewitt算子分割結果')；/標注標題

圖9原始圖像圖10Roberts算子分

割結果圖像

Sobel算子分害!1結果prewitt算子分害!1結果

圖11Sobel算子分割結果圖像圖12prewitt算子分割

結果圖像

分析：從結果圖可以看出，Prewitt和Sobel算子分割效果比Roberts效果要好一

些，提取

邊沿較完整,其邊沿連續(xù)性較好。但是這三種算子的邊沿的連續(xù)性都不太好,這時我們

需要采用霍夫變換使間斷變成連續(xù)，連接邊沿。

思考題

1.分析S。bel算子特點,并給予說明。

f=imreadCsku11.tif');%讀取圖像

f=doub1e(f);%轉化圖像f的類型為雙精度

subp1ot(3,3,1);%創(chuàng)建有3*3子圖像的窗口，原圖在位置1

imshow(f,□);%顯示原圖像f

titie(z原始圖像');%給圖像加標題為‘原始圖像‘

J=imnoise(f,'gaussian,,0.02);%對圖像加高斯噪聲

subplot(3,3,2)；%創(chuàng)建有3*3子圖像的窗口，原圖在位置2

imshow(J,[]);%顯示加噪聲的圖像

titleC加高斯噪聲圖像')；％給圖像加標題為‘加高斯噪聲圖像’

[gl>t]=edge(f,'sobel'，口，'both');%用sobe1檢測器對原圖像進行邊沿檢測，閾值

自動選

取,檢測邊沿方向(雙向)為both

[g2,t]=edge(J,'sobel',口,'b。th');%用s。bel檢測器對加噪圖像進行邊沿檢測，閾

值自動

選取,檢測邊沿方向(雙向)為both

[g3,t]=edge(f,'sobel',[],zvertical')；%用sobeI檢測器對原圖像進行邊沿檢測，

閾值自動

選取，檢測邊沿方向為垂直方向

[g4,t]=edge(J,'sobelS[J/vertical");%用sobel檢測器對加噪圖像進行邊沿檢測,

閾值自

動選取，檢測邊沿方向為垂直方向

[g5,t]=edge(f,'sobe1'，口，'horizontal');%用sobel檢測器對原圖像進行邊沿檢測,

閾值自

動選取，檢測邊沿方向為水平方向

[g6,t]=edge(J,'sobe1',zhorizontal')；%用sobel檢測器對加噪圖像進行邊沿檢

測，閾值

自動選取，檢測邊沿方向為水平方向

subplot(3,3,3);%創(chuàng)建有3*3子圖像的窗口，圖在位置3

imshow(g1);%顯示經(jīng)sobel算子解決后的圖像

title,sobel算子雙向分割結果’)；備給圖像加標題為'sobel算子雙向分割結果'

subplot(3,3,4);imshow(g2);title('加噪后sobe(雙向分割結果');%在3*3子圖

像的位置4

顯示加噪后sobel雙向分割結果圖

像

subp1ot(3,3,5);imshow(g3);title(,sobe1水平方向分割結果')；%在3*3子圖

像的位置5顯示

sobel水平方向分割結果結果圖

像

subplot(3,3,6)；imshow(g4);title('加噪后sobel水平方向分割結果')；%在3*3

子圖像的位

置6顯示加噪后sobel水平方向分割結果圖像

subp1ot(3,3,7);imshow(g5)；title。sobel垂直方向分割結果')；%在3*3子圖像

的位置7顯示

sobe1垂直方向分割結果圖像

subp1ot(3,3,8);imshow(g6)；titleC加噪后sobe1垂直方向分割結果')；磕

3*3子圖像的位

置8顯示加噪后sobel垂直方向分割結果圖像

圖13原始圖像圖14加高斯噪聲圖像圖15sobe1算子雙向分

割結果圖像

加嗓后sobel雙向分割結果obel水平方向分割納德后sobel水平方向分割結果

圖16加噪后sobel雙向分割圖圖17sobel水平方向分割圖圖18加噪后sobe1水平

分割圖

sobel垂直方向分割綺躺后sobel垂直方向分割結果

圖19s。bel垂直方向分割結果圖像圖20加噪后sobel垂直方向分割結果

圖像

分析：Sobel相對于先對圖像進行加權平均再做差分。在邊沿檢測中，常用的一種模板是S。

bel

算子。Sobel算子有三個，一個是檢測雙向邊沿的，一個是檢測水平邊沿的;另一個是檢

測垂直邊沿的。由于S。bel算子是一節(jié)微分濾波算子的，用于提取邊沿，有方向性，從

結

果可以看出雙向both的分割效果最佳。缺陷：Sobel算子并沒有將圖像的主體與背景嚴

格

地區(qū)分開來,換言之就是Sobel算子沒有基于圖像灰度進行解決，由于Sobel算子沒有嚴

格地模擬人的視覺生理特性，所以提取的圖像輪廓有時并不能令人滿意。

2.分析laplacian算子特點,并解釋它為什么能增強圖像的邊沿？

I=imread('skull.tif')；%讀取原圖

subplot(2,3,1),imshow(I,[])；title('原圖留)%在2*3子圖像的位置1顯示原圖

像

H1=fspecial(?1aplacian',0)；%生成Laplacian算子

濾波器,濾波器的標

準差為0,說明H1模板的中間系數(shù)是-4

H2=fspecial('laplacian')；%生成Laplacian算子濾波

器,濾波器的標

準差為默認值0.2,說明H2模板的中間系數(shù)是-

3.333

H3=fspeciallap1acian',1)；%生成Laplacian算子濾波

器，濾波器的標

準差為1,說明H3模板的中間系數(shù)是一2

J=imnoise(I,zsalt&pepper,,0.02);%添加椒鹽噪聲

subp1ot(2,3,2),imshow(J,[]);tit1eC添加椒鹽噪聲圖像')%在2*3子圖像

的位置3顯示添

加椒鹽噪聲圖像

I1=imfilter(I,Hl);%用Hl模板進行均值濾波

subplot(2,3,3),imshow(Il,[]);tit1e('HI模板lap1acian算子濾波結果')/在2*3

子圖像的

位置3顯示'HI模板1aplacian算子濾波結果

圖像

12=imfiIter(I,H2);2模板進行均值濾波

subplot(2,3,4),imshow(12,[]);title('H2模板1aplacian算子濾波結果’)%在2*3

子圖像的

位置4顯示112模板1aplacian算子濾波結果圖

像

I3=imfilter(I,H3);%用H3模板進行均值濾波

subplot(2,3,5),imshow(13,[]):ti11e(zH3模板laplacian算子濾波結果')%在

2*3子圖像的

位置5顯示H3模板laplacian算子濾波結果圖像

圖21原圖像圖22添加椒鹽噪聲圖像圖23HI模板laplacian

算子濾波圖

H2模板laplacian算子濾波反laplacian算子濾波結果

圖24H2模板laplacian算子濾波結果圖像圖25H3模板laplacian算子濾波結果

圖像

分析：1aplacian算子對邊沿的解決明顯,它是二階微分算子,能加強邊沿效果，對噪聲很敏

感。它沒有方向性，但是可以改變模板的中間系數(shù)，會有不同的效果。

3.比較各個邊沿算子對圖像邊沿的檢測效果。

I=imreadCsku11.tif');%讀取圖像

subp1ot(3,3,1),imshow(I),title("原圖像')，imshow(I)；title('原圖像')%

在3*3子圖像的

位置1顯示原圖像

BWl=edge(I,'sobel',0.1)；%用sobe1算子進行邊沿檢測，判斷

閾值為0.1

subplot(3,3,2),imshow(BW1);tit1e('sobel算子解決后圖像')％在3*3子圖像的位置2

顯示

sobel算子解決后圖像

BW2=edge(I,'robert,0.1);%用roberts算子進行邊沿檢測，

判斷閾值為0.1

subp1ot(3,3,3),imshow(BW2);titleCroberts算子解決后圖像’)%在3*3子圖像的

位置3顯示

roberts算子解決后圖

像

BW3=edge(I,zprewittz,0.1);%用prewitt算子進行邊沿檢測，判

斷閾值為0.1

subplot(3,3,4),imshow(BW3)；titleCprewitt算子解決后圖像')%在3*3子圖像的位置

4顯示

prewitt算子解決后圖

像

BW4=edge(I/log'.O.01);%用log算子進行邊沿檢測，判斷

閾值為0.01

subplot(3,3,5),imshow(BW4);tit1eC1og算子解決后圖像')%在3*3子圖像的位

置5顯示log

算子解決后圖像

BW5=edge(I,'canny',0.1)；%用canny算子進行邊沿檢測，判斷閾值為0.1

subp1ot(3,3,6),imshow(BW5);titleCcanny算子解決后圖像’)%在3*3子圖像的位

置6顯示canny算子解決后圖像

H=fspecial('laplacian');%生成Laplacian算子濾波器(突出圖像中的小細節(jié))(它具

有各向

同性)(Laplacian算子對噪聲比較敏感，所以圖像一般先通過平

滑

解決，由于平滑解決也是用模板進行的，所以，通常的分割算法都

是把Laplacian算子和平滑算子結合起來生成一個新的模板。)

1ap1acianH=filter2(H,I);%圖像I經(jīng)Laplacian算子銳

化濾波解決

subplot(3,3,7);imshow(lap1acianH)；title('Lap1acian算子銳化圖像');%

在3*3子圖像的位

置7顯示Laplacian算子銳化圖像

原圖像sobel算子處理后圖像roberts算子處理后圖像

圖26原圖像圖27sobeI算子解決后圖像圖28roberts算子解決后

圖像

prewitt算干處理后圖像log算子處理后圖像canny算子處理后圖像Laplacian算子銳化感像

圖29prewitt解決后圖圖30log解決后圖圖31canny解決后圖像圖32Lap1

acian銳化圖

分析：laplacian算子對邊沿的解決最明顯,Sobel和prewitt較差一些。Roberts算

子定位

比較精確,Prewitt算子是平均濾波的一階的微分算子，Canny是一階傳統(tǒng)微分中

檢測階

躍型邊沿效果最佳的算子之一。Prewitt和Sobel算子比Roberts效果要好一

些。Log

濾波器和Canny算子的檢測效果優(yōu)于梯度算子，可以檢測出圖像較細的邊沿部分。

比較

幾種邊沿檢測結果，可以看到Canny算子提取邊沿較完整，其邊沿連續(xù)性較好，效果

優(yōu)

于其它算子.另一方面是Prewitt算子，其邊沿比較完整。再次就是Sobel算子。

4.比較各個邊沿檢測算子對噪聲的敏感性,并提出抗噪聲性能較好的邊沿檢測的方法。

I=imread('skull,tif*)；/讀取圖像

subplot⑶3,1),imshow⑴，tit1e('原圖像')，imshow(I);title('原圖像')%

在3*3子圖像的

位置1顯示原圖像

J=imnoised/salt&pepper,0.02);%給圖像加噪聲密度為0.02的椒鹽噪聲

subplot(3,3,2),imshow(J,□);title('添加椒鹽噪聲圖像')％在3*3子圖像的位置2

顯示添加

椒鹽噪聲圖像

BWl=edge(J,'sobel',0.1);備用sobel算子進行邊沿檢測，判斷閾值

為0.1

subplot(3,3,3),imshow(BW1,口);titIe('sobel算子解決后圖像')％在3*3子圖像

的位置3顯示

sobel算子解決后圖

像

BW2=edge(J,'roberts',0.1)；%用roberts算子進行邊沿檢測，判斷

閾值為0.1

subp1ot(3,3,4),imshow(BW2,[]);title('roberts算子解決后圖像')%在3*3子

圖像的位置4

顯示roberts算子解決后圖像

BW3=edge(J,'prewitt),0.1);%用prewitt算子進行邊沿檢測，

判斷閾值為0.1

subplot(3,3,5),imshow(BW3,[]);tit1e('prewitt算子解決后圖像')％在3

*3子圖像的位置5

顯示prewitt算子解決后圖

像

B\V4=edge(J,'log,,0.01);%用log算子進行邊沿檢測，判斷閾值

為0.01

subp1ot(3,3,6),imshow(BW4,[]);tit1e(;log算子解決后圖像’)%在3*3子圖

像的位置6顯示

log算子解決后圖像

BW5=edge(J,'canny',0.1);%用canny算子進行邊沿檢測，

判斷閾值為0.1

subp1ot(3,3,7),imshow(BW5,[])；tit1eCcanny算子解決后圖像')％在3*3子圖

像的位置7顯示

canny算子解決后圖像

H=fspecial(zlaplacian');為生成Laplacian算子濾波器(突出圖像中的小細節(jié))(它具

有各向

同性)(Laplacian算子對噪聲比較敏感,所以圖像一般先通

過平

滑解決，由于平滑解決也是用模板進行的,所以通常的分割算法

都是把Lap1acian算子和平滑算子結合起來生成一個新的模

板。)

1aplacianH=fiIter2(H,J)；%圖像I經(jīng)Laplacian算子銳化濾波

解決

subp1ot(3,3,8);imshow(laplacianH);t