数字图像处理报告Word文档格式.docx
《数字图像处理报告Word文档格式.docx》由会员分享，可在线阅读，更多相关《数字图像处理报告Word文档格式.docx（19页珍藏版）》请在冰豆网上搜索。
，
，
（1-1）
（
；
）
其中，
，图像的大小为
×
。
2.直方图均衡化
直方图均衡化是将原始图像通过某种变换，得到一幅灰度直方图为均匀分布的新图像的方法。
离散图像均衡化处理可通过变换函数：
来实现
三、实验内容与步骤
1．熟悉MATLAB语言中数字图像处理函数的使用。
2.图像灰度线性变换的实现
1）读入一幅灰度图像test1.tif，显示其灰度直方图
2）根据图像灰度直方图，选择所关心的图像景物的灰度分布范围[fa,fb]，以及拟变换的灰度分布范围[ga,gb]
3）实现对图像的灰度线性变换
4）调整
的值，观察对处理结果的影响。
3.图像的均衡化处理
1）读入一幅灰度图像test2.tif,求出其直方图
2）利用Matlab函数实现图像的均衡化处理
3）同屏显示处理前后的图像和灰度直方图，说明处理前后直方图的变化以及对应的灰度变化
四、程序代码
1、图像灰度线性变换的实现
I=imread（'
D:
\Matlab\work\imagines\test1.jpg'
）;
figure
（1）;
subplot（1,3,1）;
imshow（I）;
title（'
原始图像'
subplot（1,3,2）;
imhist（I）;
灰度直方图'
I=double（I）;
[M,N]=size（I）;
fori=1:
M
forj=1:
N
ifI（i,j）<
=30
I（i,j）=I（i,j）;
elseifI（i,j）<
=150
I（i,j）=（200-30）/（150-30）*（I（i,j）-30）+30;
else
I（i,j）=（255-200）/（255-150）*（I（i,j）-150）+200;
end
end
end
subplot（1,3,3）;
imshow（uint8（I））;
灰度线性变化图像'
2、图像的均衡化处理
\Matlab\work\imagines\test2.jpg'
subplot（2,2,1）;
subplot（2,2,2）;
I1=histeq（I）;
subplot（2,2,3）;
imshow（I1）;
图像均衡化处理'
subplot（2,2,4）;
imhist（I1）;
五、实验结果
分析：
从灰度直方图可以知道，主要分布于较暗区域，导致图像亮度偏暗。
采用灰度线性变化后，与原图对比可以提高了亮度，使边缘突出。
采用了均衡化处理后，使灰度级均衡分布于[0，255]，明显把亮度拉伸了。
六、思考问题
1．在映射关系中，分段直线的斜率的大小对图像处理结果有哪些影响？
答：
为了突出感兴趣的目标或灰度区间，相对抑制那些不感兴趣的灰度区间，可采用分段线性变换。
设原图像f（x,y）在[0，Mf],感兴趣目标的灰度范围在[a,b],欲使其灰度范围拉伸到[c,d],则对应的分段线性变换表达式为
通过调整折线拐点的位置及控制分段直线的斜率，可对任一灰度区间进行拉伸或压缩。
2.直方图均衡化适用于什么形式的灰度分布情形？
原图较暗且动态范围小，在直方图中的表现是直方图灰度范围窄且集中在低灰度值区域。
实验二图像的空间域增强
1.熟悉图像空间域增强方法，掌握增强模板使用方法
2.掌握均值滤波器、中值滤波器的理论基础和实现方法
3.掌握图像锐化的基本理论和实现方法
4.验证图像滤波处理结果
图像增强是数字图像处理的基本内容之一，其目的是根据应用需要突出图像中的某些“有用”信息，削弱或去除不需要的信息，以改善图像的视觉效果,或突出图像的特征，便于计算机处理。
图像增强可以在空间域进行，也可以在频率域中进行。
空间域滤波主要利用空间模板进行，如33，55模板等。
一般来说，使用大小为m×
n的滤波器对大小为M×
N的图像f进行空间滤波，可表示成：
其中，m=2a+1,n=2b+1,𝑤
（𝑠
𝑡
）是滤波器系数，𝑓
（𝑥
𝑦
）是图像值
均值滤波器是一种空间平滑滤波器，它是对包含噪声的图像上的每个像素点，用它邻域内像素的平均值替代原来的像素值。
例如，采用一个3×
3的模板，待处理的像素为f（i,j），则处理后图像对应的像素值为g（i-1,j+1）
g（i,j）=1/9*（f（i-1,j-1）+f（i-1,j）+f（i-1,j+1）+f（i,j-1）+f（i,j）+
f（i,j+1）+f（i+1,j-1）+f（i+1,j）+f（i+1,j+1））;
中值滤波器也是一种空间平滑滤波器，它是对以图像像素点为中心的一个滑动窗口内的诸像素灰度值排序，用中值代替窗口中心像素的原来灰度值，因此它是一种非线性的图像平滑法。
采用Laplacian锐化算子进行图像边缘的锐化，是采用二阶差分运算获得像素间的差异值，由此，获得对图像景物边界的锐化。
Laplacian也可以算子也可以写成是模板作用的方式，如下：
设待处理的像素为f（i,j），则处理后图像对应的像素值为g（i-1,j+1），则
g（i,j）=4*f（i,j）-（f（i-1,j-1）+f（i,j-1）+f（i,j+1）+f（i+1,j））;
常用的锐化算子还有Roberts、Prewitt和Sobel算子等
1．读入一幅256×
256大小、256级灰度的数字图像test3
2.图像的平滑滤波处理
1）对原图像分别加入高斯噪声、椒盐噪声。
2）利用邻域平均法，分别采用33，55模板对加噪声图像进行平滑处理，显示原图像、加噪图像和处理后的图像。
3）利用中值滤波法，分别采用33，55模板对加噪声图像进行去噪处理，显示原图像、加噪图像和处理后的图像。
4）比较各种滤波方法和滤波模板的处理结果
3.图像的锐化处理
1）利用Laplacian锐化算子（α=-1）对256×
256大小、256级灰度
的数字图像test4进行锐化处理，显示处理前、后图像。
2）分别利用Roberts、Prewitt和Sobel边缘检测算子，对数字图像test4
进行边缘检测，显示处理前、后图像。
四、实验代码
1、图像的平滑滤波处理
\Matlab\work\imagines\test3.gif'
J=imnoise（I,'
salt&
pepper'
0.02）;
K=imnoise（I,'
gaussian'
0,0.01）;
h1=fspecial（'
average'
3）;
h2=fspecial（'
5）;
K2=imfilter（K,h1）;
K3=imfilter（K,h2）;
J2=imfilter（J,h1）;
J3=imfilter（J,h2）;
K4=medfilt2（K,[33]）;
K5=medfilt2（K,[55]）;
J4=medfilt2（J,[33]）;
J5=medfilt2（J,[55]）;
subplot（3,2,1）;
subplot（3,2,2）;
imshow（K）;
高斯噪声'
subplot（3,2,3）;
imshow（K2）;
3*3领域平均法'
subplot（3,2,4）;
imshow（K3）;
5*5领域平均法'
subplot（3,2,5）;
imshow（K4）;
3*3中值滤波'
subplot（3,2,6）;
imshow（K5）;
5*5中值滤波'
figure
（2）;
imshow（J）;
椒盐噪声'
imshow（J2）;
imshow（J3）;
5*5领域平均法‘）;
imshow（J4）;
imshow（J5）;
2、图像的锐化处理
L=imread（'
\Matlab\work\imagines\test4.gif'
h3=fspecial（'
laplacian'
0.2）;
L2=imfilter（L,h3）;
L3=edge（L,'
sobel'
%sobel
L4=edge（L,'
prewitt'
%prewitt
L5=edge（L,'
roberts'
%roberts
figure（3）;
subplot（3,2,[1,2]）;
imshow（L）;
imshow（L2）;
拉普拉斯'
imshow（L3）;
Sobel'
imshow（L4）;
Prewitt'
imshow（L5）;
Roberts'
1、高斯图像的滤波处理
领域平均算法简单，可减小图像灰度的“尖锐”变化，减小噪声。
但它在降低噪声的同时使图像产生模糊，特别在边缘和细节处。
而且邻域越大，在去噪能力增强的同时模糊程度越严重。
2、椒盐图像的滤波处理
它对脉冲干扰及椒盐噪声的抑制效果好，在抑制随机噪声的同时能有效保护边缘少受模糊。
但它对点、线等细节较多的图像却不太合适。
对中值滤波法来说，正确选择窗口尺寸的大小是很重要的环节。
一般很难事先确定最佳的窗口尺寸，需通过从小窗口到大窗口的中值滤波试验，再从中选取最佳的。
3、图像的锐化处理
Prewitt和Sobel算子是计算数字梯度时最常用的算子。
Prewitt模板比Sobel模板简单，但Sobel模板能够有效抑制噪声。
拉普拉斯对噪声敏感,常产生双像素宽的边缘，无方向性。
1．采用均值滤波、中值滤波，对高斯噪声和椒盐噪声的抑制哪种比较有效？
答:
均值滤波，可减小图像灰度的“尖锐”变化，减小噪声。
中值滤波法，能有效削弱椒盐噪声，且比邻域、阈值平滑法更有效。
2．模板大小的不同，所处理效果有何不同？
为什么？
答：
对中值滤波法来说，正确选择窗口尺寸的大小是很重要的环节。
实验三图像的傅里叶变换和频域处理
1.熟悉图像空间域和频率域的关系，掌握快速傅里叶变换
2.掌握离散傅里叶变换的性质和应用
图像既能在空间域处理，也能在频率域处理。
把图像信息从空域变换到频域，可以更好地分析、加工和处理
二维离散傅立叶正变换的表达式为
逆变换为：
二维离散傅立叶变换具有若干性质，如：
线性性、平移性、可分离性、周期性、共轭对称性、旋转不变性等。
可利用离散傅里叶变换，将信号从空间域变换到频率域，在频率域选择合适的滤波器H（u,v）对图像的频谱成分进行处理，然后经逆傅立叶变换得到处理图像，实现图像处理结果。
1．产生一幅如图所示亮块图像f（x,y）（256×
256大小、暗处=0，亮处=255）,对其进行FFT：
（1）同屏显示原图f和FFT（f）的幅度谱图；
（2）若令f1（x,y）=（-1）x+yf（x,y），重复以上过程，比较二者幅度谱的异同，简述理由；
（3）若将f1（x,y）顺时针旋转45度得到f2（x,y），试显示FFT（f2）的幅度谱，并与FFT（f2）的幅度谱进行比较。
2.对256×
256大小、256级灰度的数字图像test5进行频域的理想低通、高通滤波滤波，同屏显示原图、幅度谱图和低通、高通滤波的结果图。
1、黑白图像
\Matlab\work\imagines\3_1.tif'
F=double（I）;
g=fftshift（fft2（F））;
imshow（log（abs（g））,[]）,color（jet（64））;
傅里叶图像'
J=imrotate（I,45,'
bilinear'
顺时针旋转45'
F2=double（I）;
g2=fftshift（fft2（F2））;
imshow（log（abs（g2））,[]）,color（jet（64））;
傅里叶频谱'
2、频域的理想低通、高通滤波滤波
\Matlab\work\imagines\test5.gif'
[f1,f2]=freqspace（size（I）,'
meshgrid'
Hd=ones（size（I））;
r=sqrt（f1.^2+f2.^2）;
f=fft2（I）;
g=fftshift（f）;
傅里叶变换'
[M,N]=size（f）;
n1=floor（M/2）;
n2=floor（N/2）;
d0=50;
d=sqrt（（i-n1）^2+（j-n2）^2）;
ifd<
=d0
h=1;
else
h=0;
g（i,j）=h*g（i,j）;
g=ifftshift（g）;
g=uint8（real（ifft2（g）））;
subplot（3,2,3）;
imshow（g）;
低通滤波后的图像'
G=double（g）;
f2=fft2（G）;
g2=fftshift（f2）;
subplot（3,2,4）;
Hd（r<
0.1）=0;
Y=fft2（I）;
Y=fftshift（Y）;
Y1=Y.*Hd;
Y1=ifftshift（Y1）;
Ia=ifft2（Y1）;
subplot（3,2,5）;
imshow（uint8（Ia））;
高通滤波后的图像'
Ia=double（uint8（Ia））;
f3=fft2（Ia）;
g3=fftshift（f3）;
subplot（3,2,6）;
imshow（log（abs（g3））,[]）,color（jet（64））;
变换后图像的四个对角附近对应于频谱的低频成分，中央部分对应于高频成分。
由于噪声主要集中在高频部分，为去除噪声改善图像质量，滤波器采用低通滤波器H（u,v）来抑制高频成分，通过低频成分，达到平滑图像的目的。
低通滤波器特性是连续性衰减，不同于理想滤波器那样陡峭变化，没有明显的截断。
频率域锐化是为了消除模糊，突出边缘。
因此采用高通滤波器让高频成分通过，使低频成分削弱，再经逆傅立叶变换得到边缘锐化的图像。
升级会员 