北航数字图象处理实验报告文档格式.docx
《北航数字图象处理实验报告文档格式.docx》由会员分享，可在线阅读，更多相关《北航数字图象处理实验报告文档格式.docx（15页珍藏版）》请在冰豆网上搜索。
end
Q=sort（G）;
fori=1:
size（Q,2）
if（i<
size（Q,2）*&
&
i+1>
=size（Q,2）*
t=Q（i）;
G（abs（G）<
t）=0;
forn=0:
form=1:
W（n+1,m）=G（n*size（P,2）+m）;
f2=ifft2（W）;
f3=uint8（f2）;
axes;
imshow（f3）
imshow（J）
psnr1=psnr（J,f3）;
set,'
string'
psnr1）;
2.DCT的源程序及结果
P=dct2（J）;
f2=idct2（W）;
3.哈达玛变换的源程序及结果
'
J=rgb2gray（J）;
P=hadamard（512）*（im2double（J））*hadamard（512）;
f2=inv（hadamard（512））*W*inv（hadamard（512））;
mm1=max（max（f2））;
mn1=min（min（f2））;
f2=255+255/（mm1-mn1）*（f2-mm1）;
3
实验三图像复原实验
利用反向滤波和维纳滤波进行降质图像复原，比较不同参数选择对复原结果的影响。
（1）利用反向滤波方法进行图像复原；
（2）利用维纳滤波方法进行图像复原。
（1）输入图像采用实验1所获取的图像，对输入图像采用运动降质模型，如下式所示
与降值图像相关的参数是：
；
（2）对每一种方法通过计算复原出来的图像的峰值信噪比，进行最优参数的选择，包括反向滤波方法中进行复原的区域半径、维纳方法中的噪声对信号的频谱密度比值K；
（3）将降质图像和利用最优参数恢复后的图像同时显示出来，以便比较。
1.运动降质的源代码及结果
I=imread（'
%I=rgb2gray（I）;
F=fft2（I）;
F=fftshift（F）;
form=-（（size（F,1）+1）/2）:
（size（F,1）+1）/2
forn=-size（F,2）/2:
size（F,2）/2
H（m+（（size（F,1）+1）/2）+1,n+size（F,2）/2+1）=5*sin（pi*（m+n））*exp（-sqrt（-1）*pi*（m+n））/（pi*（m+n））;
form=1:
size（F,1）
forn=1:
size（F,2）
if（isnan（real（H（m,n））））
G（m,n）=F（m,n）;
H（m,n）=1;
else
G（m,n）=F（m,n）*H（m,n）;
g=ifft2（G）;
t1=abs（g）;
mm=max（max（t1））;
mn=min（min（t1））;
t1=255+255/（mm-mn）*（t1-mm）;
t=uint8（t1）;
imshow（t）
2.逆滤波的源代码及结果
H（m+（（size（F,1）+1）/2）+1,n+size（F,2）/2+1）=5*sin（pi*（m+n））*exp（-sqrt（-1）*pi*（m+n））/（pi*（m+n））;
if（m^2+n^2<
200000）
F1（m,n）=G（m,n）/H（m,n）;
else
F1（m,n）=G（m,n）;
f1=ifft2（F1）;
f2=abs（f1）;
mm=max（max（f2））;
mn=min（min（f2））;
f2=255+255/（mm-mn）*（f2-mm）;
f2=uint8（f2）;
psnr1=psnr（f2,I）;
imshow（f2）
3.维纳滤波的源代码及结果
ff2（i,j）=G（i,j）/H（i,j）*（abs（H（i,j））^2）/（abs（H（i,j））^2+10^-38）;
f3=ifft2（ff2）;
f4=abs（f3）;
mm1=max（max（f4））;
mn1=min（min（f4））;
f4=255+255/（mm1-mn1）*（f4-mm1）;
f4=uint8（f4）;
psnr2=psnr（f4,I）;
psnr2）;
imshow（f4）
实验四图像分割处理实验
（1）了解图像分割的基本原理，并利用图像分割算法进行图像分割处理；
（2）掌握数学形态学的基本运算。
（1）利用类间方差阈值算法实现图像的分割处理；
（2）利用形态学处理进行处理结果修正。
（1）实验用图如图所示；
图原始图像
（2）对输入图像进行平滑处理，以减小噪声对分割处理的影响；
（3）利用类间方差阈值算法对滤波处理后图像进行分割处理，获取分割图像；
（4）利用数学形态学中的腐蚀和膨胀运算处理，剔除分割处理结果中的一些细小的残余误分割点，在进行腐蚀和膨胀运算时可采用半径为r的圆形结构元素，注意比较选取不同r值时的处理结果。
实验源代码及结果
tu2=imread（'
图像'
tu2=rgb2gray（tu2）;
max2=0;
min2=255;
[m,n]=size（tu2）;
axes;
imshow（tu2）;
tu3=zeros（m,n）;
%-----------平滑处理---------------
fork=2:
m-1
fors=2:
n-1
max4=max（tu2（k-1,s）,tu2（k,s-1））;
max5=max（tu2（k+1,s）,tu2（k,s+1））;
min4=min（tu2（k-1,s）,tu2（k,s-1））;
min5=min（tu2（k+1,s）,tu2（k,s+1））;
tu2（k,s）=（max（max4,max5）+min（min4,min5））/2;
imshow（tu2）;
%-----------平滑处理中点滤波---------------
fork=1:
m
max1=max（tu2（k,:
））;
if（max1==255）max2=max1;
break;
if（max2<
max1）max2=max1;
end%找出最大灰度值max2
n
min1=min（tu2（k,:
if（min1==0）min2=min1;
elseif（min2>
min1）min2=min1;
end%找出最小灰度值min2
max2=double（max2）;
min2=double（min2）;
%数据类型转换！
！
ni=zeros（1,max2-min2+1）;
fors=1:
temp=double（tu2（k,s））-min2+1;
ni（1,temp）=ni（1,temp）+1;
end%统计各灰度值出现次数
%---------------------------找阈值----------------------
w0=0;
ut=0;
u0=0;
max3=0;
sum=m*n;
fort=0:
size（ni,2）-1
ut=ut+t*ni（t+1）/sum;
size（ni,2）-1
w0=w0+ni（t+1）/sum;
w1=1-w0;
u0=u0+t*ni（t+1）/sum;
u1=（ut-w0*u0）/w1;
temp=w0*w1*（u1-u0）*（u1-u0）;
if（max3<
temp）
max3=temp;
tmax=t;
if（tu2（k,s）>
=tmax）
tu3（k,s）=255;
imshow（tu3）;
%-----------------------类间方差阈值分割--------------
%-----------------------腐蚀和膨胀-------------------
se=strel（'
disk'
2）;
tu4=imerode（tu3,se）;
imshow（tu4）;
tu4=imdilate（tu4,se）;
实验五用Hough变换进行曲线的参数提取
（1）了解边缘检测算子的原理，并利用边缘算子对图像进行检测；
（2）掌握Hough变换的基本原理。
（1）分别将原始图像及加高斯噪声、椒盐噪声后的图像中圆形边缘检测出来；
（2）用Hough变换对边缘进行参数提取。
（1）实验用图像文件：
原始图像（）、加高斯噪声后图像（）和加椒盐噪声后图像（）；
图原始图像
（2）在含有噪声的背景下，先对图像中值滤波，再进行边缘检测；
（3）将目标的边界提取出来。
边缘检测算子可利用matlab自带函数实现，使用Robert、Sobel和Laplacian算子；
（4）利用Hough变换提取的参数绘制曲线，并叠加在噪声图像上。
4.实验要点
（1）利用算子进行边缘检测：
可先将加噪以后的图像进行平滑滤波，如采用9*9的掩膜模板进行中值滤波；
为了对图像中图形边缘进行线性提取，可通过设置阈值将图像变为二值图像，再利用三种不同的算子（Robert、Sobel和Laplacian）来完成边缘的检测；
（2）Hough变换进行曲线参数提取：
在使用三种算子对加噪后图像进行边缘检测以后，使用Hough变换对检测后图像进行参数提取，并在提取成功以后，使用提取获得的参数进行图像的重建，最后将重建图像叠加到加噪图像中。
注意在进行Hough变换时，对比观察获得图像与使用算子进行边缘检测获得图像之间的区别。
5.实验结果
1.原图
利用Robert算子进行边缘检测
I=rgb2gray（I）;
BW=edge（I,'
roberts'
imshow（BW）
利用Sobel算子进行边缘检测
sobel'
利用Laplacian算子进行边缘检测
log'
Hough变换
r_max=100;
r_min=40;
step_r=1;
step_angle=pi/20;
p=;
[m,n]=size（BW）;
size_r=round（（r_max-r_min）/step_r）+1;
size_angle=round（2*pi/step_angle）;
hough_space=zeros（m,n,size_r）;
[rows,cols]=find（BW）;
ecount=size（rows）;
%Hough变换
%将图像空间（x,y）对应到参数空间（a,b,r）
%a=x-r*cos（angle）
%b=y-r*sin（angle）
ecount
forr=1:
size_r
size_angle
a=round（rows（i）-（r_min+（r-1）*step_r）*cos（k*step_angle））;
b=round（cols（i）-（r_min+（r-1）*step_r）*sin（k*step_angle））;
if（a>
0&
a<
=m&
b>
b<
=n）
hough_space（a,b,r）=hough_space（a,b,r）+1;
%搜索超过阈值的聚集点
max_para=max（max（max（hough_space）））;
index=find（hough_space>
=max_para*p）;
length=size（index）;
hough_circle=false（m,n）;
length
par3=floor（index（k）/（m*n））+1;
par2=floor（（index（k）-（par3-1）*（m*n））/m）+1;
par1=index（k）-（par3-1）*（m*n）-（par2-1）*m;
if（（rows（i）-par1）^2+（cols（i）-par2）^2<
（r_min+（par3-1）*step_r）^2+5&
...
（rows（i）-par1）^2+（cols（i）-par2）^2>
（r_min+（par3-1）*step_r）^2-5）
hough_circle（rows（i）,cols（i））=true;
%打印检测结果
fork=1:
par3=r_min+（par3-1）*step_r;
fprintf（1,'
Center%d%dradius%d\n'
par1,par2,par3）;
para（:
k）=[par1,par2,par3];
imshow（I）,holdon
viscircles（[par2par1],par3）;
2.加高斯噪声源代码及结果
I=imnoise（I,'
gaussian'
imshow（I）
imwrite（I,'
3.加椒盐噪声源代码及结果
salt&
pepper'
）
升级会员 