数字图像处理上机图像平滑锐化Word下载.docx
《数字图像处理上机图像平滑锐化Word下载.docx》由会员分享，可在线阅读，更多相关《数字图像处理上机图像平滑锐化Word下载.docx（17页珍藏版）》请在冰豆网上搜索。
D:
\matlab2011\work\p02-01.bmp'
）;
subplot（621）
imshow（I）
title（'
图像'
）
subplot（622）,imhist（I,256）
图像直方图'
\matlab2011\work\p02-02.tif'
subplot（623）
subplot（624）,imhist（I,256）
\matlab2011\work\p02-03.tif'
subplot（625）
subplot（626）,imhist（I,256）
\matlab2011\work\p02-04.tif'
subplot（6,2,7）
subplot（6,2,8）,imhist（I,256）
\matlab2011\work\p02-05.bmp'
subplot（6,2,9）
subplot（6,2,10）,imhist（I,256）
\matlab2011\work\p02-06.tif'
subplot（6,2,11）
subplot（6,2,12）,imhist（I,256）
所用函数：
I=imread（‘path’）：
函数imread用于读取图片文件中的数据，path为图像文件存放路径。
figure（'
Name'
'
）：
打开一个命名为“图像显示类”图表显示图片。
subplot（m,n,p）：
subplot是将多个图画到一个平面上的工具。
其中，m表示是图排成m行，n表示图排成n列，也就是整个figure中有n个图是排成一行的，一共m行，如果m=2就是表示2行图。
p表示图所在的位置，p=1表示从左到右从上到下的第一个位置。
本程序中为6行2列。
imshow（I）：
imshow是matlab中显示图像的函数，I为图像中的信息。
其调用方式有很多，比如imshow（BW）;
imshow（I,[lowhigh]）等。
imhist（I,256）:
n为灰度图像灰度级，I为灰度图像，缺省值为256。
2.运行结果
要求（1-4）对灰度图象p02-04的灰度范围进行适当展宽
J=imread（'
subplot（131）
imshow（J,[100,150]）;
title（'
灰度范围100-150'
subplot（132）
imshow（J,[50,200]）;
灰度范围50-200'
subplot（133）
imshow（J,[0,255]）;
灰度范围0-255'
相关函数：
imshow（J,[50,200]）:
J代表所显示图像的灰度矩阵，[50,200]为图像数据的值域。
二图象平滑
要求（2-2）对p02-02jy、p02-02gs进行3*3方形窗口的灰度最相近的K个邻点平均法滤波
A=imread（'
图像显示'
subplot（3,2,1）;
imshow（A）;
%显示灰度图像
原图象P01-01'
J1=imnoise（A,'
salt&
pepper'
0.02）;
%加均值为0，方差为0.02的椒盐噪声
subplot（3,2,3）;
imshow（J1）;
椒盐噪声图象'
K1=filter2（fspecial（'
average'
3）,J1）/255;
subplot（3,2,4）;
imshow（K1）;
椒盐噪声平滑图象'
J2=imnoise（A,'
gaussian'
%加均值为0，方差为0.02的高斯噪声。
subplot（3,2,5）;
高斯噪声图象'
K2=filter2（fspecial（'
subplot（3,2,6）;
imshow（K2）;
高斯噪声平滑图象'
对p02-02jy、p02-02gs进行3*3方形窗口的灰度最相近的K个邻点平均法滤波，滤波后椒盐噪声和高斯噪声均减少，但图像变得模糊。
要求（2-4）对p02-04jy、p02-04gs进行方形窗口的最大均匀性平滑滤波
1.算法设计
为避免消除噪声时引起边缘模糊，最大均匀性平滑算法先找出环绕每像素的灰度最均匀窗口，然后用该窗口的灰度均值代替该像素原来的灰度值。
具体来说，对图像中任一像素（x,y）的5个有重叠的3*3邻域，用梯度衡量它们的灰度变换大小。
把其中灰度变换最小的邻域作为最均匀的窗口，用其平均灰度代替像素（x,y）的灰度值。
2.程序代码
0.01）;
%加椒盐噪声
G1=imnoise（A,'
%加高斯噪声
subplot（2,2,1）;
p02-04jy'
subplot（2,2,3）;
imshow（G1）;
p02-04gs'
%%%%%%%%%%%3*3最大均匀性平滑滤波%%%%%%%%%%%%
[W,L]=size（J1）;
J2=double（J1）;
G2=double（G1）;
G3=double（G1）;
J3=double（J1）;
Com=zeros（1,5）;
COM=double（Com）;
COM1=double（Com）;
%%%%%%%%%%%%%%%%计算梯度%%%%%%%%%%%%%%%
fori=3:
L-2
forj=3:
W-2
COM
（1）=abs（J2（i-2,j-2）-J2（i,j））+abs（J2（i-2,j-1）-J2（i,j））+abs（J2（i-2,j）-J2（i,j））+abs（J2（i-1,j-2）-J2（i,j））+abs（J2（i-1,j-1）-J2（i,j））+abs（J2（i-1,j）-J2（i,j））+abs（J2（i,j-2）-J2（i,j））+abs（J2（i,j-1）-J2（i,j））;
COM
（2）=abs（J2（i+2,j-2）-J2（i,j））+abs（J2（i+2,j-1）-J2（i,j））+abs（J2（i+2,j）-J2（i,j））+abs（J2（i+1,j-2）-J2（i,j））+abs（J2（i+1,j-1）-J2（i,j））+abs（J2（i+1,j）-J2（i,j））+abs（J2（i,j-2）-J2（i,j））+abs（J2（i,j-1）-J2（i,j））;
COM（3）=abs（J2（i-2,j+2）-J2（i,j））+abs（J2（i-2,j+1）-J2（i,j））+abs（J2（i-2,j）-J2（i,j））+abs（J2（i-1,j+2）-J2（i,j））+abs（J2（i-1,j+1）-J2（i,j））+abs（J2（i-1,j）-J2（i,j））+abs（J2（i,j+2）-J2（i,j））+abs（J2（i,j+1）-J2（i,j））;
COM（4）=abs（J2（i+2,j+2）-J2（i,j））+abs（J2（i+2,j+1）-J2（i,j））+abs（J2（i+2,j）-J2（i,j））+abs（J2（i+1,j+2）-J2（i,j））+abs（J2（i+1,j+1）-J2（i,j））+abs（J2（i+1,j）-J2（i,j））+abs（J2（i,j+2）-J2（i,j））+abs（J2（i,j+1）-J2（i,j））;
COM（5）=abs（J2（i-1,j-1）-J2（i,j））+abs（J2（i-1,j）-J2（i,j））+abs（J2（i-1,j+1）-J2（i,j））+abs（J2（i,j+1）-J2（i,j））+abs（J2（i,j-1）-J2（i,j））+abs（J2（i+1,j-1）-J2（i,j））+abs（J2（i+1,j）-J2（i,j））+abs（J2（i+1,j+1）-J2（i,j））;
COM1
（1）=abs（G2（i-2,j-2）-G2（i,j））+abs（G2（i-2,j-1）-G2（i,j））+abs（G2（i-2,j）-G2（i,j））+abs（G2（i-1,j-2）-G2（i,j））+abs（G2（i-1,j-1）-G2（i,j））+abs（G2（i-1,j）-G2（i,j））+abs（G2（i,j-2）-G2（i,j））+abs（G2（i,j-1）-G2（i,j））;
COM1
（2）=abs（G2（i+2,j-2）-G2（i,j））+abs（G2（i+2,j-1）-G2（i,j））+abs（G2（i+2,j）-G2（i,j））+abs（G2（i+1,j-2）-G2（i,j））+abs（G2（i+1,j-1）-G2（i,j））+abs（G2（i+1,j）-G2（i,j））+abs（G2（i,j-2）-G2（i,j））+abs（G2（i,j-1）-G2（i,j））;
COM1（3）=abs（G2（i-2,j+2）-G2（i,j））+abs（G2（i-2,j+1）-G2（i,j））+abs（G2（i-2,j）-G2（i,j））+abs（G2（i-1,j+2）-G2（i,j））+abs（G2（i-1,j+1）-G2（i,j））+abs（G2（i-1,j）-G2（i,j））+abs（G2（i,j+2）-G2（i,j））+abs（G2（i,j+1）-G2（i,j））;
COM1（4）=abs（G2（i+2,j+2）-G2（i,j））+abs（G2（i+2,j+1）-G2（i,j））+abs（G2（i+2,j）-G2（i,j））+abs（G2（i+1,j+2）-G2（i,j））+abs（G2（i+1,j+1）-G2（i,j））+abs（G2（i+1,j）-G2（i,j））+abs（G2（i,j+2）-G2（i,j））+abs（G2（i,j+1）-G2（i,j））;
COM1（5）=abs（G2（i-1,j-1）-G2（i,j））+abs（G2（i-1,j）-G2（i,j））+abs（G2（i-1,j+1）-G2（i,j））+abs（G2（i,j+1）-G2（i,j））+abs（G2（i,j-1）-G2（i,j））+abs（G2（i+1,j-1）-G2（i,j））+abs（G2（i+1,j）-G2（i,j））+abs（G2（i+1,j+1）-G2（i,j））;
%%%%%%%%%%%%%%找出梯度值最小的3*3邻域（灰度变换最小的邻域）%%%%%%%%%%
temp=min（COM）;
fork=1:
5
iftemp==（COM（k））t=k;
end
%%%%%%%%%%%%%%%%%计算该邻域平均灰度%%%%%%%%%%%%%%%
if（k==1）
J3（i,j）=J2（i-2,j-2）/9+J2（i-2,j-1）/9+J2（i-2,j）/9+J2（i-1,j-2）/9+J2（i-1,j-1）/9+J2（i-1,j）/9+J2（i,j-2）/9+J2（i,j-1）/9+J2（i,j-2）/9;
if（k==2）
J3（i,j）=J2（i+2,j-2）/9+J2（i+2,j-1）/9+J2（i+2,j）/9+J2（i+1,j-2）/9+J2（i+1,j-1）/9+J2（i+1,j）/9+J2（i,j-2）/9+J2（i,j-1）/9+J2（i,j-2）/9;
if（k==3）
J3（i,j）=J2（i-2,j+2）/9+J2（i-2,j+1）/9+J2（i-2,j）/9+J2（i-1,j+2）/9+J2（i-1,j+1）/9+J2（i-1,j）/9+J2（i,j+2）/9+J2（i,j+1）/9+J2（i,j+2）/9;
if（k==4）
J3（i,j）=J2（i+2,j+2）/9+J2（i+2,j+1）/9+J2（i+2,j）/9+J2（i+1,j+2）/9+J2（i+1,j+1）/9+J2（i+1,j）/9+J2（i,j+2）/9+J2（i,j+1）/9+J2（i,j+2）/9;
if（k==5）
J3（i,j）=J2（i-1,j-1）/9+J2（i,j-1）/9+J2（i+1,j-1）/9+J2（i-1,j）/9+J2（i,j）/9+J2（i+1,j）/9+J2（i-1,j+1）/9+J2（i,j+1）/9+J2（i+1,j+1）/9;
temp=min（COM1）;
iftemp==（COM1（k））t=k;
G3（i,j）=G2（i-2,j-2）/9+G2（i-2,j-1）/9+G2（i-2,j）/9+G2（i-1,j-2）/9+G2（i-1,j-1）/9+G2（i-1,j）/9+G2（i,j-2）/9+G2（i,j-1）/9+G2（i,j-2）/9;
G3（i,j）=G2（i+2,j-2）/9+G2（i+2,j-1）/9+G2（i+2,j）/9+G2（i+1,j-2）/9+G2（i+1,j-1）/9+G2（i+1,j）/9+G2（i,j-2）/9+G2（i,j-1）/9+G2（i,j-2）/9;
G3（i,j）=G2（i-2,j+2）/9+G2（i-2,j+1）/9+G2（i-2,j）/9+G2（i-1,j+2）/9+G2（i-1,j+1）/9+G2（i-1,j）/9+G2（i,j+2）/9+G2（i,j+1）/9+G2（i,j+2）/9;
G3（i,j）=G2（i+2,j+2）/9+G2（i+2,j+1）/9+G2（i+2,j）/9+G2（i+1,j+2）/9+G2（i+1,j+1）/9+G2（i+1,j）/9+G2（i,j+2）/9+G2（i,j+1）/9+G2（i,j+2）/9;
G3（i,j）=G2（i-1,j-1）/9+G2（i,j-1）/9+G2（i+1,j-1）/9+G2（i-1,j）/9+G2（i,j）/9+G2（i+1,j）/9+G2（i-1,j+1）/9+G2（i,j+1）/9+G2（i+1,j+1）/9;
end;
subplot（2,2,2）;
imshow（uint8（J3））;
jy经3*3最大均匀滤波'
subplot（2,2,4）;
imshow（uint8（G3））;
gs经3*3最大均匀滤波'
3.运行结果
三图象锐化
要求（3-4）利用3*3的Krisch算子对p02-04实施图象锐化
1971年，R.Kirsch提出了一种能检测边缘方向的Kirsch算子新方法：
它使用了8个模板来确定梯度幅度值和梯度的方向。
算法流程图
读入图像，对边界点赋值，再利用krisch算子算出每个像素点梯度值，找出最大的梯度值并保存。
算出梯度后，根据需要生成三种不同的增强图像。
f=im2double（A）;
%类型转换
原图象P02-04'
B=imkrisch（f,0.7,0）
imshow（B）;
锐化图象1P02-04'
B=imkrisch（f,0.7,1）
锐化图象2P02-04'
B=imkrisch（f,0.7,2）
锐化图象3P02-04'
function[g]=imkrisch（f,T,way）
%用imkrisch算子进行图像锐化
%f为输入图像
%T为比较的阈值
%way为算子的输出方式
%way0、1、2
in=nargin;
ifin<
3
error（'
Notenoughinputargument'
end
fs=size（f）;
m=fs（1,1）;
n=fs（1,2）;
if（m<
=1）||（n<
=1）
g=f;
return;
%直接对整个图像赋值，简化算法
g=f;
fori=2:
m-1
forj=2:
n-1
m_krisch=[f（i-1,j-1）,f（i-1,j）,f（i-1,j+1）,f（i,j-1）,...
f（i,j+1）,f（i+1,j-1）,f（i+1,j）,f（i+1,j+1）];
w_krisch=[5,5,5,-3,-3,-3,-3,-3;
...
-3,-3,5,-3,5,-3,-3,5;
-3,-3,-3,-3,-3,5,5,5;
5,-3,-3,5,-3,5,-3,-3];
con=abs（m_krisch*（w_krisch'
））;
g（i,j）=max（con）;
%判定输出的形式
%使用4.3.9公式大于T:
g小于T：
0黑
ifway==2
fori=1:
forj=1:
ifg（i,j）>
T
g（i,j）=g（i,j）;
else
g（i,j）=0;
%g（i,j）=g（i,j）;
%else%使用4.3.8公式大于T:
g小于T：
f
ifway==1
ifg（i,j）<
g（i,j）=f（i,j）;
ifway==0
3.运行结果及分析
（1）采用Krisch算子，采用三种不同的增强图像方法
锐化图像1：
使原图像各点（x,y）的灰度g（x,y）等于梯度，即：
g（x,y）=grad（x,y）
此法的缺点是增强的图像仅显示灰度变化比较陡的边缘轮廓，而灰度变化比较平缓或均匀的区域呈黑色。
锐化图像2：
T为阈值。
适当选取T，可使边缘轮廓突出，又不会破坏原来灰度变化计较平缓的背景
锐化图像3：
T为阈值，适当选取T。
背景用固定灰度级表示，便于观察边缘灰度变化。
（2）采用Krisch算子，采用增强图像方法一，阈值分别设置为0.4、0.7、0.95
升级会员 