图像处理实验报告Word文档格式.docx
《图像处理实验报告Word文档格式.docx》由会员分享，可在线阅读，更多相关《图像处理实验报告Word文档格式.docx（22页珍藏版）》请在冰豆网上搜索。
图1图像的采样和量化
根据图像数据矩阵解释方法的不同，MATLAB把其处理为4类：
Ø
亮度图像（Intensityimages）
二值图像（Binaryimages）
索引图像（Indexedimages）
RGB图像（RGBimages）
（1）亮度图像
一幅亮度图像是一个数据矩阵，其归一化的取值表示亮度。
若亮度图像的像素都是uint8类或uint16类，则它们的整数值范
围分别是[0，255]和[0，65536]。
若图像是double类，则像素取
值就是浮点数。
规定双精度型归一化亮度图像的取值范围是[0，1]
（2）二值图像
一幅二值图像是一个取值只有0和1的逻辑数组。
而一幅取
值只包含0和1的uint8类数组，在MATLAB中并不认为是二值图
像。
使用logical函数可以把数值数组转化为二值数组或逻辑数
组。
创建一个逻辑图像，其语法为：
B=logical（A）
其中，B是由0和1构成的数值数组。
要测试一个数组是否为逻辑数组，可以使用函数:
islogical（c）
若C是逻辑数组，则该函数返回1；
否则，返回0。
（3）索引图像
索引颜色通常也称为映射颜色，在这种模式下，颜色都是预
先定义的，并且可供选用的一组颜色也很有限，索引颜色的图像
最多只能显示256种颜色。
一幅索引颜色图像在图像文件里定义，当打开该文件时，构
成该图像具体颜色的索引值就被读入程序里，然后根据索引值找
到最终的颜色。
（4）RGB图像
一幅RGB图像就是彩色像素的一个M×
N×
3数组，其中每一
个彩色相似点都是在特定空间位置的彩色图像相对应的红、绿、
蓝三个分量。
按照惯例，形成一幅RGB彩色图像的三个图像常称
为红、绿或蓝分量图像。
令fR，fG和fB分别代表三种RGB分量图像。
一幅RGB图像
就利用cat（级联）操作将这些分量图像组合成彩色图像：
rgb_image=cat（3,fR,fG,fB）
在操作中，图像按顺序放置。
3、实验程序及结果
Hiyanbaoigao
J=imread（'
P1.tif'
）;
I=imresize（J,0.5）;
figure,imshow（I）
imfinfo'
;
imwrite（I,'
P1Jpg.jpg'
'
quality'
50）;
P1Bmp.bmp'
figure,imshow（'
I_g=rgb2gray（I）;
gg=im2bw（I_g）;
figure,imshow（gg）
实验二图像增强—灰度变换及直方图变换
一、实验目的：
1．了解图像增强的目的及意义，加深对图像增强的感性认识，巩固所学理论知识。
2．学会对图像直方图的分析，掌握灰度直方图的概念及其计算方法。
3．掌握直接灰度变换的图像增强方法。
4．熟练掌握直力图均衡化和直方图规定化的计算过程；
5．掌握色彩直方图的概念和计算方法
6．利用MATLAB程序进行图像增强。
二、实验原理及要求
2.1灰度变换
术语‘空间域’指的是图像平面本身，在空间与内处理图像的方法是直接对图像的像素进行处理。
空间域处理方法分为两种：
灰度级变换、空间滤波。
空间域技术直接对像素进行操作其表达式为
g（x,y）=T[f（x,y）]
其中f（x,y）为输入图像，g（x,y）为输出图像，T是对图像f进行处理的操作符，定义在点（x,y）的指定领域内。
定义点（x,y）的空间邻近区域的主要方法是，使用中心位于（x,y）的正方形或长方形区域，。
此区域的中心从原点（如左上角）开始逐像素点移动，在移动的同时，该区域会包含不同的领域。
T应用于每个位置（x,y），以便在该位置得到输出图像g。
在计算（x,y）处的g值时，只使用该领域的像素。
灰度变换T的最简单形式是使用领域大小为1×
1，此时,（x,y）处的g值仅由f在该点处的亮度决定，T也变为一个亮度或灰度级变化函数。
当处理单设（灰度）图像时，这两个术语可以互换。
由于亮度变换函数仅取决于亮度的值，而与（x,y）无关，所以亮度函数通常可写做如下所示的简单形式：
s=T（r）
其中，r表示图像f中相应点（x,y）的亮度，s表示图像g中相应点（x,y）的亮度。
2.2直方图变换
直方图是多种空间城处理技术的基础。
直方图操作能有效地用于图像增强。
除了提供有用的图像统计资料外，直方图固有的信息在其他图像处理应用中也是非常有用的，如图像压缩与分割。
直方图在软件中易于计算，也适用于商用硬件设备，因此，它们成为了实时图像处理的一个流行工具。
直方图是图像的最基本的统计特征，它反映的是图像的灰度值的分布情况。
直方图均衡化的目的是使图像在整个灰度值动态变化范围内的分布均匀化，改善图像的亮度分布状态，增强图像
的视觉效果。
灰度直方图是图像预处理中涉及最广泛的基本概念之一。
图像的直方图事实上就是图像的亮度分布的概率密度函数，是一幅图像的所有象素集合的最基本的统计规律。
直方图反映了图像的明暗分布规律，可以通过图像变换进行直方图调整，获得较好的视觉效果。
直方图均衡化是通过灰度变换将一幅图像转换为另一幅具有均衡直方图，即在每个灰度级上都具有相同的象素点数的过程。
3、实验程序及结果
1）灰度变化
f=imread（'
P2.jpg'
i=rgb2gray（f）;
subplot（1,2,1）;
imshow（i,[]）;
g=imhist（i,256）;
subplot（1,2,2）;
plot（g）;
g1=imadjust（f,[01],[10]）;
figure,imshow（g1）
g2=imadjust（i,[0.50.75],[01]）;
figure,imshow（g2）
g=imread（'
h=log（1+double（g））;
h=mat2gray（h）;
h=im2uint8（h）;
figure,imshow（h）
灰度图像8位图
2）直方图变化
A=imread（'
P=rgb2gray（A）
[m,n]=size（P）;
B=zeros（size（P））;
l=m*n;
r=zeros（1,256）;
y=zeros（1,256）;
A=double（P）;
fori=1:
m
forj=1:
n
r（A（i,j）+1）=r（A（i,j）+1）+1;
end
end
r=r./l;
fork=1:
256
k
y（k）=y（k）+r（j）;
y（k）=floor（255*y（k）+0.5）;
B（i,j）=y（A（i,j）+1）;
A=uint8（A）;
B=uint8（B）;
subplot（1,2,1）;
imshow（A）;
title（'
原图像'
）
subplot（1,2,2）;
imhist（A）;
原图像的直方图'
）
直方图变换
实验三图像增强—空域滤波及频域滤波
1、实验目的
1.进一步了解MatLab软件/语言，学会使用MatLab对图像作滤波处理，使学生有机会掌握滤波算法，体会滤波效果；
2.掌握常用的空域滤波方法；
3．掌握怎样利用傅立叶变换进行频域滤波；
4．掌握频域滤波的概念及方法；
5．熟练掌握频域空间的各类滤波器；
6．利用MATLAB程序进行空域及频域滤波。
2、实验原理及要求
1.学生应当完成对于给定图像+噪声，使用平均滤波器、中值滤波器对不同强度的高斯噪声和椒盐噪声，进行滤波处理；
能够正确地评价处理的结果；
能够从理论上作出合理的解释。
2.频域滤波分为低通滤波和高通滤波两类，对应的滤波器分别为低通滤波器和高通滤波器。
频域低通过滤的基本思想：
G（u,v）=F（u,v）H（u,v）
F（u,v）是需要钝化图像的傅立叶变换形式，H（u,v）是选取的一个低通过滤器变换函数，G（u,v）是通过H（u,v）减少F（u,v）的高频部分来得到的结果，运用傅立叶逆变换得到钝化后的图像。
理想地通滤波器（ILPF）具有传递函数：
其中，
为指定的非负数，
为（u,v）到滤波器的中心的距离。
的点的轨迹为一个圆。
n阶巴特沃兹低通滤波器（BLPF）（在距离原点
处出现截至频率）的传递函数为
与理想地通滤波器不同的是，巴特沃兹率通滤波器的传递函数并不是在
处突然不连续。
高斯低通滤波器（GLPF）的传递函数为
为标准差。
相应的高通滤波器也包括：
理想高通滤波器、n阶巴特沃兹高通滤波器、高斯高通滤波器。
给定一个低通滤波器的传递函数
，通过使用如下的简单关系，可以获得相应高通滤波器的传递函数：
3.利用MATLAB软件实现空域及频域滤波的程序：
I=rgb2gray（imread（'
P3.tif'
））;
J=imnoise（I,'
gauss'
0.02）;
salt&
pepper'
ave1=fspecial（'
average'
3）;
ave2=fspecial（'
5）;
K=filter2（ave1,J）/255;
L=filter2（ave2,J）/255;
M=medfilt2（J,[33]）;
N=medfilt2（J,[44]）;
imshow（I）;
figure,imshow（J）;
figure,imshow（K）;
figure,imshow（L）;
figure,imshow（M）;
figure,imshow（N）;
实验四图像分割
使用MatLab软件进行图像的分割。
使学生通过实验体会一些主要的分割算子对图像处理的效果，以及各种因素对分割效果的影响。
要求学生能够自行评价各主要算子在无噪声条件下和噪声条件下的分割性能。
能够掌握分割条件（阈值等）的选择。
完成规定图像的处理并要求正确评价处理结果，能够从理论上作出合理的解释。
（1）使用Roberts算子的图像分割实验
调入并显示图像room.tif中图像；
使用Roberts算子对图像进行边缘检测处理；
Roberts算子为一对模板：
相应的矩阵为：
rh=[01；
-10]；
rv=[10；
0-1]；
这里的rh为水平Roberts算子，rv为垂直Roberts算子。
分别显示处
理后的水平边界和垂直边界检测结果；
用“欧几里德距离”和“街区距离”方式计算梯度的模，并显示检测结果；
对于检测结果进行二值化处理，并显示处理结果；
提示：
先做检测结果的直方图，参考直方图中灰度的分布尝试确定阈值；
应反复调节阈值的大小，直至二值化的效果最为满意为止。
分别显示处理后的水平边界和垂直边界检测结果；
将处理结果转化为“白底黑线条”的方式；
给图像加上零均值的高斯噪声；
对于噪声图像重复步骤b~f。
（2）使用Prewitt算子的图像分割实验
使用Prewitt算子进行内容
（1）中的全部步骤。
（3）使用Sobel算子的图像分割实验
使用Sobel算子进行内容
（1）中的全部步骤。
（4）使用LoG（拉普拉斯-高斯）算子的图像分割实验
使用LoG（拉普拉斯-高斯）算子进行内容
（1）中的全部步骤。
提示1：
处理后可以直接显示处理结果，无须另外计算梯度的模。
提示2：
注意调节噪声的强度以及LoG（拉普拉斯-高斯）算子的参数，观察处理结果。
P4.png'
f=rgb2gray（f）
[gv,t1]=edge（f,'
sobel'
vertical'
imshow（gv）
[gb,t2]=edge（f,'
horizontal'
figure,imshow（gb）
w45=[-2-10;
-101;
012];
g45=imfilter（double（f）,w45,'
replicate'
T=0.3*max（abs（g45（:
）））;
g45=g45>
=T;
figure,imshow（g45）;
实验五图像变换
1．了解图像变换的意义和手段；
2．熟悉傅立叶变换、小波变换的基本性质；
3．熟练掌握FFT、小波变换方法及应用；
4．通过实验了解二维频谱的分布特点；
5．掌握利用MATLAB编程实现数字图像的傅立叶变换、小波变换。
6．评价人眼对图像幅频特性和相频特性的敏感度
2.1傅立叶变换
1应用傅立叶变换进行图像处理
傅里叶变换是线性系统分析的一个有力工具，它能够定量地分析诸如数字化系统、采样点、电子放大器、卷积滤波器、噪音和显示点
等的作用。
通过实验培养这项技能，将有助于解决大多数图像处理问题。
对任何想在工作中有效应用数字图像处理技术的人来说，把时间用在学习和掌握博里叶变换上是很有必要的。
2傅立叶（Fourier）变换的定义
对于二维信号，二维Fourier变换定义为：
逆变换：
二维离散傅立叶变换为：
图像的傅立叶变换与一维信号的傅立叶变换变换一样，有快速算法，具体参见参考书目，有关傅立叶变换的快速算法的程序不难找到。
实际上，现在有实现傅立叶变换的芯片，可以实时实现傅立叶变换。
2.2小波变换
“小波”（wavelet）就是一种“尺度”很小的波动，并具有时间和频率特性。
小波函数必须满足以下两个条件的函数：
（1）小波必须是振荡的；
（2）小波的振幅只能在一个很短的一段区间上非零，即是局部化的。
2D尺度函数和2D小波函数可由1D尺度函数和小波函数张量积得到，即：
图像的2D小波变换包括沿行向（水平方向）和列向（垂直方向）滤波和对角线方向采样。
变换后图像将得到近似系数cA1,水平细节cH1,垂直细节cV1,对角细节cD1，最后将各个图像拼接显示在同一图中。
2D小波逆变换是将图像的近似系数cA1,水平细节cH1,垂直细节
cV1,对角细节cD1经过逆变换还原成原图显示。
1）傅里叶变换
I=imread（'
P5.gif'
fftI=fft2（I）;
sfftI=fftshift（fftI）;
RR=real（sfftI）;
II=imag（sfftI）;
A=sqrt（RR.^2+II.^2）;
A=（A-min（min（A）））/（max（max（A））-min（min（A）））*225
figure;
imshow（A）;
原图原图的频谱
2）小波变换
oimg=imread（'
P5.jpg'
[cA,cH,cV,cD]=dwt2（oimg,'
db1'
X=size（oimg,1）;
cod_cA=wcodemat（cA,X）;
cod_cH=wcodemat（cH,X）;
cod_cV=wcodemat（cV,X）;
cod_cD=wcodemat（cD,X）;
new_img=[cod_cA,cod_cH;
cod_cV,cod_cD];
figure,imshow（oimg,[]）;
figure,imshow（new_img,[]）;
new_img2=idwt2（cA,cH,cV,cD,'
diff=double（oimg）-double（new_img2）;
figure,subplot（1,3,1）;
imshow（oimg,[]）;
subplot（1,3,2）;
imshow（new_img2,[]）;
subplot（1,3,3）;
imshow（diff,[]）;
升级会员 