数字图像图像增强实验报告文档格式.docx
《数字图像图像增强实验报告文档格式.docx》由会员分享，可在线阅读，更多相关《数字图像图像增强实验报告文档格式.docx（12页珍藏版）》请在冰豆网上搜索。
（4）图像平滑方法：
领域平均、中值滤波。
分析图像降质的性质，区分平稳性还是非平稳型、加性还是乘性等，采用合适的去噪方法，可以去除或降低噪声对图像的影响。
从频率域看，平均操作在降低噪声的同时衰减了图像的高频分量，会影响图像细节的重现。
中值滤波对某些信号具有不变形，适用于消除图像中的突发干扰，但如果图像含有丰富的细节，则不宜使用。
（5）图像锐化方法：
人眼对目标的边缘和轮廓较为敏感，对图像进行锐化，有助于突出图像的这些特征。
从频率域看，锐化提升了图像的高频分量。
4．实验容
（1）图像灰度修正。
（2）图像平滑方法。
（3）图像锐化方法。
5．实验步骤
读入一幅灰度级分布不协调的图像，分析其直方图。
根据直方图，设计灰度变换表达式，或调用imadjuct函数。
调整变换表达式的参数，直到显示图像的灰度级分布均衡为正。
对有噪声图像或人为加入噪声的图像进行平滑处理。
根据噪声的类型，选择不同的去噪方法，如领域平均、中值滤波等方法，调用filter2、medfilt2函数，选择不同的滤波模板和参数，观测和分析各种去噪方法对不同噪声图像处理的去噪或降噪效果。
读入一幅边缘模糊地图像，利用罗伯茨梯度对图像进行4种蜕化处理，比较各自效果。
。
1．图像灰度修正
img=imread（'
d:
\001.bmp'
）;
figure（）;
imshow（img）;
I=double（img）;
val=max（max（I））;
a=log2（val）;
b=round（a）;
max_gray=2^b;
[H,W]=size（I）;
J=zeros（H,W）;
fori=1:
H
forj=1:
W
J（i,j）=max_gray-1-I（i,j）;
end%endforj
end%endfori
img2=uint8（J）;
subplot（1,2,1）,imshow（img）;
title（'
原图'
subplot（1,2,2）,imshow（img2）;
变换后'
imwrite（img2,'
\2.bmp'
实验截图：
2.1程序代码：
\LENA_8G_4bit.bmp'
subplot（2,1,1）;
subplot（2,1,2）;
%matlab不支持uint8类型数据的矩阵运算，因此首先要将图像数据转换为double类型，计算后再转换为uint8类型
J（i,j）=255.0/15.0*I（i,j）;
end;
%endforj
end;
%endfori
subplot（1,2,1）,imshow（img,[]）;
\LENA_255G.bmp'
实验截图：
2.2程序代码：
%matlab不支持uint8类型数据的矩阵运算，因此首先要将图像数据转换为double类型，计算后再转换为uint8
ifI（i,j）<
30
J（i,j）=I（i,j）;
elseifI（i,j）<
150
J（i,j）=170.0/120.0*（I（i,j）-30）+30;
else
J（i,j）=55.0/105.0*（I（i,j）-150）+200;
end;
subplot（1,2,2）,imshow（img2,[]）;
\L.bmp'
3.1程序代码：
img=imread（'
\GIRL_8G.bmp'
max_gray=max（max（I））;
L=ceil（log2（max_gray））;
gray=2^L-1;
x=0:
gray;
y=zeros（1,gray+1）;
fori=1:
H
forj=1:
W
y（img（i,j）+1）=y（img（i,j）+1）+1;
y1=y/（H*W）;
S=zeros（1,gray+1）;
S
（1）=y1
（1）;
fori=2:
length（S）S（i）=S（i-1）+y1（i）;
S1=floor（（S*gray）+0.5）;
Z=zeros（H,W）;
Z（i,j）=S1（img（i,j）+1）;
img2=uint8（Z）;
y2=zeros（1,gray+1）;
y2（img2（i,j）+1）=y2（img2（i,j）+1）+1;
bar（x,y）;
%原直方图
bar（x,y2）;
%变换后直方图
subplot（1,2,1）;
imshow（img,[]）;
subplot（1,2,2）;
imshow（img2,[]）;
变换后'
原灰度直方图：
均衡后灰度直方图：
图像平滑和图像锐化
1.加入噪声
加入椒盐噪声的图像'
2.图像的平滑
邻域平均模板
加权平均模板
3.邻域平均
M1=（1/4）*[0,1,0;
1,0,1;
0,1,0];
M2=（1/8）*[1,1,1;
1,1,1];
L=imfilter（J,M1）;
G=imfilter（J,M2）;
imshow（L）;
4邻域平均'
）
imshow（G）;
8邻域平均'
4.加权平均
M3=（1/5）*[0,1,0;
1,1,1;
M4=（1/16）*[1,2,1;
2,4,2;
1,2,1];
L=imfilter（J,M3）;
G=imfilter（J,M4）;
1/5加权平均'
1/16加权平均'
图像的锐化
拉普拉斯模板
Laplacian锐化模板
I=imread（'
fabric.png'
%读取图像
K=rgb2gray（I）;
M1=[0,1,0;
1,-4,1;
M2=[1,1,1;
1,-8,1;
K=double（K）;
J=conv2（K,M1,'
same'
%卷积
G=conv2（K,M2,'
F=K-J;
E=K-G;
figure,imshow（K,[]）,
figure,imshow（J）,
figure,imshow（G）,
figure,imshow（F,[]）
figure,imshow（E,[]）
原图像
4－邻域
8－邻域
4－邻域锐化图像
8－邻域锐化图像
小结
∙平均滤波和加权滤波的效果都不怎么好，不能完全除去高斯噪声，它们对椒盐噪声的处理效果比较理想但仍旧存在提升的空间；
另外，在对4邻域8邻域的比较以及1/5加权以及1/16加权平均的比较可以看出，多领域的处理效果比较好，但是它的缺点是会引起图像的模糊。
可以肯定的是不同的模版其效果不同，对特定的图像要使用特定的模版。
∙图像变模糊的原因一般为成像系统聚焦不好、信道过窄以及平均过积分运算。
图像的锐化使得目标物轮廓变模糊，细节轮廓不清晰，加重目标物轮廓，使模糊图像变清晰。
拉普拉斯算子是常用的边缘增强算子，拉普拉斯运算也是偏导数运算的线性组合运算，而且是一种各向同性（旋转不变性）的线性运算。
∙在比较4邻域以及8邻域的锐化图像我们可以发现，4邻域锐化在边缘以及与原图像的相似程度上都有比较满意的效果，8邻域锐化在灰度级对比上比4邻域更加优秀，但它的一个缺点是丢失了一部分图像细节，从而导致图片看起来变得“模糊”。
升级会员 