數(shù)字圖像處理實(shí)驗(yàn)報(bào)告(圖像邊緣檢測(cè))

1、如實(shí)報(bào)告實(shí)驗(yàn)名稱實(shí)驗(yàn)3圖像邊緣檢測(cè)學(xué)科課程名稱數(shù)字圖像處理名字成績(jī)上課學(xué)號(hào)日期地點(diǎn)注意事項(xiàng)：1、實(shí)驗(yàn)?zāi)康?1)理解和掌握使用微分算子檢測(cè)圖像邊緣的基本原理。(2)編寫(xiě)程序使用laplacian運(yùn)算符(二階導(dǎo)數(shù)運(yùn)算符)實(shí)現(xiàn)圖像銳化，并進(jìn)一步了解圖像銳利化的本質(zhì)；(3)使用其他漸變運(yùn)算符(一階導(dǎo)數(shù)運(yùn)算符)了解圖像邊緣檢測(cè)的原理和方法實(shí)驗(yàn)結(jié)果分析了各種運(yùn)算符的工作效果。(4)實(shí)驗(yàn)過(guò)程摘要(實(shí)驗(yàn)報(bào)告，左裝訂):方案、編程、調(diào)試、結(jié)果、分析、結(jié)論。2、實(shí)驗(yàn)環(huán)境(1)Windows XP/7(2)Matlab 7.1/7.143、實(shí)驗(yàn)方法這個(gè)實(shí)驗(yàn)需要處理25656大小，256灰色的數(shù)字圖像lena.img

2、。(1)要使用laplacian運(yùn)算符銳化圖像，必須用兩種情況分隔：a=1和a=2，如下所示： G1 (m，n)=f (m，n) -af g 2 (m，n)=4af (m，n)-a f (m-1，n) f (m 1，n) f (m，n-1) f()I，要處理圖像，首先讀取該圖像，實(shí)驗(yàn)代碼為：Close allClear allFid=fopen(lena.img，r)；Image=fread (FID，256，256，uint 8)；f close(FID)；II，讀取圖像后，遍歷該圖像的每個(gè)像素(不管圖像的邊界部分)，根據(jù)公式(公式的差異)計(jì)算每個(gè)灰度，并將結(jié)果存儲(chǔ)在用以下代碼初始化的G1(

3、如果矩陣G1初始化為該圖像的矩陣)中。G1=imagea=1；x，y=size(image)；For I=23360 (x-1)For j=23360 (y-1) G1 (I，j)=(1 4 * a) * image (I，j)-a * (image (I 1，j)EndEndIII，正式無(wú)論圖像的邊界部分如何，圖像的每個(gè)像素都以類似以下代碼的方式存儲(chǔ)在矩陣G2中(G2初始化值是該圖像的矩陣值):G2=imagea=1；x，y=size(image)；For I=23360 (x-1)For j=23360 (y-1)G2 (I，j)=4 * a * image (I，j)-a * (imag

4、e (I 1，j) image (I-1，j) image)EndEnd(2)分別使用Roberts、Prewitt和Sobel邊緣檢測(cè)運(yùn)算符檢測(cè)原始圖像的邊緣顯示處理前/處理后圖像。I，從相同(1)到I，不再詳細(xì)說(shuō)明。II、圖像的邊緣檢測(cè)、圖像中每個(gè)像素的灰度橫移(不考慮圖像的邊界部分)，以及通過(guò)公式檢測(cè)和存儲(chǔ)圖像的水平和垂直邊緣來(lái)合成圖像。使用其他運(yùn)算符時(shí)，轉(zhuǎn)換公式會(huì)有所不同。合成時(shí)，可以使用三種算法(塊、棋盤(pán)、歐洲幾何)，在這次實(shí)驗(yàn)中，我們總共可以得到三種圖像。代碼如下(僅限塊式Roberts運(yùn)算符).x，y=size(image)；G1=imageGh1=imageGv1=imageF

5、or I=23360 (x-1)For j=23360 (y-1)Gh1 (I，j)=image (I，j)-image (I-1，j-1)；Gv1 (I，j)=image (I，j-1)-image (I-1，j)；G1 (I，j)=ABS (gh1 (I，j) ABS (gv1 (I，j)；EndEnd4、分析實(shí)驗(yàn)結(jié)果(1)，圖像銳化圖像銳化結(jié)果如圖a和圖b(注：圖a是情況結(jié)果；圖b是情況結(jié)果):圖a圖b如果比較圖a和圖b，您會(huì)發(fā)現(xiàn)圖像的銳化效果與原始圖像和漸變信息重疊，因此圖像邊緣信息比原始圖像更強(qiáng)。使用圖b的不同值獲得的圖像比較結(jié)果，尺寸越大，邊界越清晰，通過(guò)比較圖a的不同值獲得的圖像

6、確定漸變信息與原始圖像疊加時(shí)所占的比例。(2)，圖像邊緣檢測(cè)塊方法、板方法和歐洲距離方法的其他測(cè)試運(yùn)算符結(jié)果分別為圖c、圖d和圖e:圖c圖d圖e比較圖c、圖d和圖e表明，使用塊法獲得的邊界清晰度最高，在歐洲幾何中，第二種板法是最差的。與同一圖中的其他子圖形進(jìn)行比較可以提高“Sobel”操作符的性能，并表明“Prewitt”操作符其次是“Roberts”操作符最差的操作符。5、實(shí)驗(yàn)結(jié)論本實(shí)驗(yàn)對(duì)圖像進(jìn)行了銳化和邊緣檢測(cè)，通過(guò)此次實(shí)驗(yàn)，我們對(duì)數(shù)字圖像處理中圖像的銳化和邊緣檢測(cè)有了更深入的了解。深化了圖像銳化和邊緣檢測(cè)的原理，掌握了圖像邊緣檢測(cè)的各種方法。學(xué)習(xí)了使用laplacian運(yùn)算符(二階微分運(yùn)

7、算符)實(shí)現(xiàn)圖像銳化的編程方法。使用其他漸變運(yùn)算符(一階導(dǎo)數(shù)運(yùn)算符)掌握了圖像邊緣檢測(cè)的原理和方法。6、源代碼(1)圖像銳化(G1)Close allClear allFid=fopen(lena.img，r)；Image=fread (FID，256，256，uint 8)；f close(FID)；subplot(221)；Imshow(uint8(image)，)；Title(原始圖像)；%使用拉普拉斯運(yùn)算符G1=imagea=1；x，y=size(image)；For I=23360 (x-1)For j=23360 (y-1)G1 (I，j)=(1 4 * a) * image (I，

8、j)-a * (image (I 1，j) image (I-1，j)EndEndsubplot(222)；Imshow(uint8(g1)，)；Title(當(dāng)a=1時(shí)的G1圖像)；G1=imagea=2；x，y=size(image)；For I=23360 (x-1)For j=23360 (y-1)G1 (I，j)=(1 4 * a) * image (I，j)-a * (image (I 1，j) image (I-1，j)EndEndsubplot(223)；Imshow(uint8(g1)，)；Title(當(dāng)a=2時(shí)的G1圖像)；(2)圖像銳化(G2)Close allClear

9、allFid=fopen(lena.img，r)；Image=fread (FID，256，256，uint 8)；f close(FID)；subplot(221)；Imshow(uint8(image)，)；Title(原始圖像)；%使用拉普拉斯運(yùn)算符G2=imagea=1；x，y=size(image)；For I=23360 (x-1)For j=23360 (y-1)G2 (I，j)=4 * a * image (I，j)-a * (image (I 1，j) image (I-1，j) image)EndEndsubplot(222)；Imshow(uint8(g2)，)；Titl

10、e(a=1點(diǎn)G2圖像)；G2=imagea=2；x，y=size(image)；For I=23360 (x-1)For j=23360 (y-1)G2 (I，j)=4 * a * image (I，j)-a * (image (I 1，j) image (I-1，j) image)EndEndsubplot(223)；Imshow(uint8(g2)，)；Title(a=2點(diǎn)G2圖像)；(3)邊緣檢測(cè)Close allClear allFid=fopen(lena.img，r)；Image=fread (FID，256，256，uint 8)；f close(FID)；Figure(Name

11、，塊方法，NumberTitle，off)；subplot(221)；Imshow(uint8(image)，)；Title(原始圖像)；x，y=size(image)；G1=imageGh1=imageGv1=imageFor I=23360 (x-1)For j=23360 (y-1)Gh1 (I，j)=image (I，j)-image (I-1，j-1)；Gv1 (I，j)=image (I，j-1)-image (I-1，j)；G1 (I，j)=ABS (gh1 (I，j) ABS (gv1 (I，j)；EndEndsubplot(222)；Imshow(uint8(g1)，)；Ti

12、tle(Roberts運(yùn)算符)；G2=imageGh2=imageGv2=imageFor I=23360 (x-1)For j=23360 (y-1)Gh2 (I，j)=(image (I 1，j-1) image (I 1，j) image (I 1，j 1)/3) (imageGv2 (I，j)=(image (I-1，j 1) image (I，j 1) image (I 1，j 1)/3) (imageG2 (I，j)=ABS (gh2 (I，j) ABS (gv2 (I，j)；EndEndsubplot(223)；Imshow(uint8(g2)，)；Title(Prewitt運(yùn)算

13、符)；G3=imageGh3=imageGv3=imageFor I=23360 (x-1)For j=23360 (y-1)Gh3 (I，j)=(image (I 1，j-1) 2 * image (I 1，j) image (I 1，j 1)-image(I-I)Gv3 (I，j)=(image (I-1，j 1) 2 * image (I，j 1) image (I 1，j 1)-image(I-I)G3 (I，j)=ABS (gh3 (I，j) ABS (gv3 (I，j)；% g3(i，j)=max(gh3(i，j)，gv3(i，j)；% G3 (I，j)=sqrt (gh3 (I，

14、j) * gh3 (I，j) gv3 (I，j) * gv3 (I，j)；EndEndsubplot(224)；Imshow(uint8(g3)，)；Title(Sobel運(yùn)算符)；% subplot(235)% imshow(uint8(gh3)，)；% title(水平邊界檢測(cè))；% subplot(236)；% imshow(uint8(gv3)，)；% title(垂直邊界檢測(cè))；Figure(Name，棋盤(pán)方法，NumberTitle，off)；subplot(221)；Imshow(uint8(image)，)；Title(原始圖像)；x，y=size(image)；G1=imageGh1=imageGv1=imageFor I=23360 (x-1)For j=23360 (y-1)Gh1 (I，j)=image (I，j)-image (I-1，j-1)；Gv1 (I，j)=image (I，j-1)-image (I-1，j)；% G1 (I，j)=ABS (gh1 (I，j) ABS (gv1 (I，j)；G1(i，j)=max(gh1(i，j)，gv1(i，j)；EndEndsubplot(222)；Imshow(uint8(g1)，)；Title(Roberts運(yùn)算符)；G2=imageGh2=imageGv2=imageFor I=2