数字图像处理程序文档格式.docx
《数字图像处理程序文档格式.docx》由会员分享，可在线阅读，更多相关《数字图像处理程序文档格式.docx（15页珍藏版）》请在冰豆网上搜索。
clc;
14499.jpg'
bw=im2bw（I,0.5）;
%选取阈值为0.5
figure;
imshow（bw）%显示二值图象
图象处理变换
（二）
1．傅立叶变换
熟悉其概念和原理,实现对一幅灰度图像的快速傅立叶变换,并求其变换后的系数分布.
2．离散余弦变换
熟悉其概念和原理,实现对一幅灰度和彩色图像作的离散余弦变换,选择适当的DCT系数阈值对其进行DCT反变换.
%图象的FFT变换
005.bmp'
subplot（1,2,1）
原图'
subplot（1,2,2）
imhist（I）;
直方图'
colorbar;
J=fft2（I）;
imshow（J）;
FFT变换结果'
K=fftshift（J）;
imshow（K）;
零点平移'
imshow（log（abs（K））,[]）,colormap（jet（64））,colorbar;
系数分布图'
%图象的DCT变换
RGB=imread（'
imshow（RGB）;
彩色原图'
a=rgb2gray（RGB）;
imshow（a）;
灰度图'
b=dct2（a）;
imshow（log（abs（b））,[]）,colormap（jet（64））,colorbar;
DCT变换结果'
b（abs（b）<
10）=0;
%idct
c=idct2（b）/255;
imshow（c）;
IDCT变换结果'
图象处理变换（三）小波变换
实验内容：
熟悉小波变换的概念和原理,熟悉matlab小波工具箱主要函数的使用.利用二维小波分析对一幅图象作2层小波分解,并在此基础上提取各层的低频信息实现图像的压缩.
程序如下：
clc
a=imread（'
subplot（1,2,1）;
原始图象'
I=rgb2gray（a）;
subplot（1,2,2）;
原始图象的灰度图'
%进行二维小波变换
[a,b]=wavedec2（I,2,'
bior3.7'
%提取各层低频信息
c=appcoef2（a,b,'
1）;
imshow（c,[]）;
一层小波变换结果'
d=appcoef2（a,b,'
2）;
imshow（d,[]）;
二层小波变换结果'
图象处理实验（四）模板运算
一、实验内容：
（1）平滑：
平滑的目的是模糊和消除噪声。
平滑是用低通滤波器来完成，在空域中全是正值。
（2）锐化：
锐化的目的是增强被模糊的细节。
锐化是用高通滤波器来完成，在空域中，接近原点处为正，在远离原点处为负。
利用模板进行图象增强就是进行模板卷积。
1、利用二个低通邻域平均模板（3×
3和9×
9）对一幅图象进行平滑，验证模板尺寸对图象的模糊效果的影响。
2、利用一个低通模板对一幅有噪图象（GAUSS白噪声）进行滤波，检验两种滤波模板（分别使用一个5×
5的线性邻域平均模板和一个非线性模板：
3×
5中值滤波器）对噪声的滤波效果。
3、选择一个经过低通滤波器滤波的模糊图象，利用sobel和prewitt水平边缘增强高通滤波器（模板）对其进行高通滤波图象边缘增强，验证模板的滤波效果。
4、选择一幅灰度图象分别利用一阶Sobel算子和二阶Laplacian算子对其进行边缘检测，验证检测效果。
二、实验步骤：
1、利用低通邻域平均模板进行平滑：
girl.bmp'
subplot（1,3,1）;
J=fspecial（'
average'
J1=filter2（J,I）/255;
subplot（1,3,2）;
imshow（J1）;
3*3滤波'
K=fspecial（'
9）;
K1=filter2（K,I）/255;
subplot（1,3,3）;
imshow（K1）;
9*9滤波'
2、中值滤波和平均滤波
J=imnoise（I,'
gaussian'
0,0.01）;
subplot（2,2,1）;
subplot（2,2,2）;
noise'
5）;
K1=filter2（K,J）/255;
subplot（2,2,3）;
L=medfilt2（J,[35]）;
subplot（2,2,4）;
imshow（L）;
medium'
3、高通滤波边缘增强
originalpic'
3）;
J1=conv2（I,J）/255;
%J1=filter2（J,I）/255;
3*3lowpass'
prewitt'
K1=filter2（K,J1）*5;
L=fspecial（'
sobel'
L1=filter2（L,J1）*5;
imshow（L1）;
sibel'
4、边缘检测
分别用sobel和laplacian算子来进行，程序如下：
laplacian'
0.7）;
K1=filter2（K,I）/100;
L1=filter2（L,I）/200;
图像处理实验（五）图像分割
实验目的：
1、学习边缘检测
2、学习灰度阀值分割
1、分别用sobel、Laplacian-Gaussian方法对一幅灰度图像进行边缘提取，2、给出对比结果
i=imread（'
eight.tif'
imshow（i）;
原始图像'
i1=edge（i,'
imshow（i1）;
sober方法提取的边缘'
i2=edge（i,'
log'
imshow（i2）;
Laplacian-Gaussian方法提取的边缘'
比较提取边缘的效果可以看出，sober算子是一种微分算子，对边缘的定位较精确，但是会漏去一些边缘细节。
而Laplacian-Gaussian算子是一种二阶边缘检测方法，它通过寻找图象灰度值中二阶过零点来检测边缘并将边缘提取出来，边缘的细节比较丰富。
通过比较可以看出Laplacian-Gaussian算子比sober算子边缘更完整，效果更好。
3、利用双峰法对一幅灰度图像进行灰度分割处理
imhist（i）;
原始图像直方图'
thread=130/255;
i3=im2bw（i,thread）;
imshow（i3）;
分割结果'
根据原图像的直方图，发现背景和目标的分割值大约在130左右，并将灰度图像转为二值图像，分割效果比较理想。
图像处理实验（六）图像压缩与编码
学习JPEG压缩编码
一．实现基本JPEG的压缩和编码分三个步骤：
1．首先通过DCT变换去除数据冗余；
2．使用量化表对DCT系数进行量化；
3．对量化后的系数进行Huffman编码。
具体源程序由主程序及两个子程序（DCT量化、Huffman编码）组成：
1．主程序
autumn.tif'
yiq=rgb2ntsc（I）;
my=[1611101624405161;
1212141926586055;
1413162440576956;
1417222951878062;
182237566810910377;
243555648110411392;
49647887103121120101;
7292959811210010399];
miq=[1718244799999999;
1821266699999999;
2426569999999999;
4766999999999999;
9999999999999999;
9999999999999999];
I1=yiq（:
:
1）;
I2=（:
2）;
[mn]=size（I1）;
t1=8;
ti1=1;
while（t1
t1=t1+8;
ti1=ti1+1;
end
t2=8;
ti2=1;
while（t2
t2=t2+8;
ti2=ti2+1;
times=0;
fork=0:
ti1-2
forj=0:
ti2-2
dct8x8（I1（k*8+1:
k*8+8,j*8+1:
j*8+8）,my,times*64+1）;
dct8x8（I2（k*8+1:
j*8+8）,miq,times*64+1）;
times=times+1;
block（I2（k*8+1:
t2）,[88],'
dctmtx（8）'
t1,j*8+1:
j*8+8）,times*64+1）;
t2）,times*64+1）;
2．functiondct8x8（I,m,s）%定义DCT量化子程序
T=inline（'
y=blkproc（I,[88],T）;
y=round（y./m）;
p=1;
te=1;
while（p<
=64）
forq=1:
te
y1（s+p）=y（te-q+1,q）;
p=p+1;
forq=te:
-1:
1
f=haffman（y1）;
c（s:
s+64,1）=f（:
s+64,2）=f（:
s+64,3）=f（:
3）
3．functionc=haffman（I）%定义Huffman编码子程序
[m,n]=size（I）;
p1=1;
s=m*n;
fork=1:
m
forh=1:
n
f=0;
forb=1:
p1-1
if（c（b,1）==I（k,h））f=1;
break;
if（f==0）c（p1,1）=I（k,h）;
p1=p1+1;
forg=1:
p（g）=0;
c（g,2）=0;
if（c（g,1）==I（k,h））p（g）=p（g）+1;
p（g）=p（g）/s;
pn=0;
po=1;
while
（1）
if（pn>
=1.0）break;
else
[pmp2]=min（p（1:
p1-1））;
p（p2）=1.1;
[pm2,p3]=min（p（1:
p（p3）=1.1;
pn=pm+pm2;
p（p1）=pn;
tree（po,1）=p2;
tree（po,2）=p3;
po=po+1;
po-1
tt=k;
m1=1;
if（or（tree（k,1）<
9,tree（k,2）<
9））
if（tree（k,1）<
9）
c（tree（k,1）,2）=c（tree（k,1）,2）+m1;
m2=1;
while（tt
m1=m1*2;
forh=tt:
if（tree（h,1）==tt+g）
m2=m2+1;
tt=h;
elseif（tree（h,2）==tt+g）
c（tree（k,1）,3）=m2;
if（tree（k,2）<
c（tree（k,2）,2）=c（tree（k,2）,2）+m1;
elseif（tree（l,2）==tt+g）
m2=m2+1,tt=h;
c（tree（k,2）,3）=m2;
二．JPEG2000采用小波变换编码，
小波变换压缩编码实现程序为
loadwbarb;
subplot（2,2,1）,image（X）;
colormap（map）
[c,s]=wavedec2（X,2,'
thr=20;
ca1=appcoed2（c,s,'
ch1=detcoef2（'
h'
c,s,1）;
cv1=detcoef2（'
v'
cd1=detcoef2（'
d'
a1=wrcoef2（'
a'
c,s,'
h1=wrcoef2（'
v1=wrcoef2（'
d1=wrcoef2（'
c1=[a1,h1,v1,d1];
ca1=wcodemat（ca1,440,'
mat'
0）;
ca1=0.5*ca1
subplot（2,2,2）,image（ca1）
压缩图象一'
）
ca2=appcoed2（c,s,'
ca2=wcodemat（ca2,440,'
ca2=0.5*ca2;
subplot（2,2,3）,image（ca2）
压缩图象二'
图象处理实验（七）应用KL变换进行图象的特征提取
一、实验要求：
应用KL变换进行图象的特征提取。
熟悉MATLAB的相关命令。
二、实验目的：
掌握如何应用KL变换进行图象的特征提取。
三、实验内容：
选择一幅稍大的灰度图象（最好用纹理图象），按下面步骤进行实验：
（1）应用9×
9的窗口对上述图象进行随机抽样，共抽样200块子图象；
（2）将所有子图象按列相接变成一个81维的行向量；
（3）对所有200个行向量进行KL变换，求出其对应的协方差矩阵的特征向量和特征值，按降序排列特征值以及所对应的特征向量；
（4）选择前40个最大特征值所对应的特征向量作为主元，将原图象块向这40个特征向量上投影，所获得的投影系数就是这个子块的特征向量。
（5）求出所有子块的特征向量。
四、实验结果：
源程序如下：
M=rand（200,200）;
a.bmp'
[mx,my]=size（I）;
fori=1:
200
forj=1:
199
if（ceil（M（i,j）*mx）
x（i）=ceil（M（i,j）*mx）;
y（i）=ceil（M（i,j+1）*my）;
I1（:
i）=imcrop（I,[x（i）,y（i）,8,8]）;
I2（:
i）=reshape（I1（:
i）,1,81）;
I2=double（I2）;
C=I2'
*I2/200;
[a,s]=eig（C）;
A=a（161:
200,:
U=A*I2'
;
imshow（U）;
特征向量'
升级会员 