图像处理期末大作业 09电气4班 30530434 曾思涛.docx
《图像处理期末大作业 09电气4班 30530434 曾思涛.docx》由会员分享，可在线阅读，更多相关《图像处理期末大作业 09电气4班 30530434 曾思涛.docx（14页珍藏版）》请在冰豆网上搜索。
图像处理期末大作业09电气4班30530434曾思涛
华南农业大学期末图像处理与分析开放考查题
09电气4班
曾思涛
200930530434
一、简答题。
1.如图所示，A和B的图形完全一样，其背景与目标的灰度值分别标注于图中，请问哪一个目标人眼感觉更亮一些？
为什么？
答：
B感觉更亮一些。
,
因为目标比背景暗，所以越大，感觉越暗，所以A更暗，即B更亮一些。
2.简述图像平滑、图像锐化和边缘检测模板各自的特点。
答：
图像平滑的特点：
模板内系数全为正，且之和为1；对常数图像处理前后不变，对一般图像处理前后平均亮度不变。
图像锐化：
模板内系数有正有负，且之和为1；对常数图像处理前后不变，对一般图像处理前后平均亮度不变。
边沿检测：
模板内系数有正有负，且之和为0；对常数图像处理前后为0，对一般图像处理前后为边沿点。
3.有一幅包含水平的、垂直的、45度的和-45度直线的二值图像。
假设直线的宽度为1个像素，灰度值是1（背景的灰度值为0）。
请给出一组能够检测出上述直线的3×3模板。
答：
如下图所示。
4.简要说明开运算和闭运算各自在图像处理与分析中的作用。
答：
1.先腐蚀后膨胀称为开运算；开运算能够有效的消除细小物体、毛刺，能在纤细连续点出分离物体，能平滑较大物体的边界但不明显改变物体的形状、面积和位置。
2.先膨胀后腐蚀称为闭运算：
闭运算能够有效地填充物体内部细小的空洞，连接临近物体，能在不明显改变物体面积的情况下平滑物体的边界。
5.简述描述区域边界的原链码、差分码和形状数的相互关系及各自的特点。
答：
原链码具有平移不变性，没有唯一性，没有旋转不变性；差分码具有平移和旋转不变性，没有唯一性；形状数具有唯一性，平移和旋转不变性。
6.目标区域的骨架指的是什么？
请画出下列图形的骨架:
（1）一个圆
（2）一个正方形。
答：
骨架指的是图像经过细化之后得到的中轴。
圆的骨架是它的圆心，正方形的骨架就是它的对角线。
如下图所示。
二、计算分析
7.一幅16级灰度的图像，请分别采用3×3的均值滤波器和中值滤波器对该图像进行降噪处理。
绘出这两种滤波器对图像的滤波结果（只处理灰色区域即可），并说明各自的特点。
答：
均值滤波：
，
中值滤波：
均值滤波可以去除突然变化的点噪声，从而滤除一定的噪声，但其代价是图像有一定程度的模糊；中值滤波容易去除孤立的点、线噪声，同时保持图像的边缘。
均值滤波：
中值滤波：
8.采用区域生长法分割下列数字图像，分别以图中的灰色点P（5，3）、Q（5，7）为起始生长点，生长准则为相邻像素的灰度差不超过2。
画出分割后的图像，并计算目标区域的面积和欧拉数。
答：
第一个区域面积为50，第二个区域的面积为1，欧拉数为0。
0
1
1
0
2
3
0
2
1
1
2
6
3
0
2
6
0
1
2
5
7
2
2
5
1
7
1
2
3
7
3
3
6
1
6
0
3
2
6
2
3
0
5
1
2
4
1
2
1
1
7
1
6
4
2
2
6
2
2
6
0
7
3
0
6
7
5
2
3
6
2
0
1
0
2
2
1
2
2
1
2
分割后的二值图像
9.绘制X被结构元素S腐蚀后的图像。
答：
如右图所示
图像
10.下图是一幅分割后的数字图像，试按四连通和八连通分别标出图中所示目标区域的边界。
答：
如下图所示。
四连通目标区域八连通目标区域
11.给出图像中红色区域的边界描述：
写出各自的原链码、差分码和形状数（※号表示起点）。
三、综合应用题
12.给定一个3×3正方形结构元素S，试采用数学形态学方法提取图中所示月球的边界？
写出算法流程，并编程测试。
如果结构元素换成5×5的正方形，提取到的边界会有何变化？
答：
算法流程：
（1）图像分割；
（2）用结构化元素S对图像进行腐蚀；
（3）把二值化的图像减去腐蚀后的图像。
如果结构元素换成5×5的正方形，那么提取到的边界会加粗。
（具体测试程序如附录一所示）。
13.编程计算图中荔枝果实的质心点和采摘点的图像坐标（果楴点）。
写出解题分析、算法流程，上机编程测试，并给出测试结果。
答：
荔枝果实图像的分割主要根据果实的颜色和背景颜色的差异进行的，在RGB颜色空间里，R通道代表了像素点的红色分量，根据R分量的大小，可以分割出荔枝果实部分图像，但是，由于图像有白色的背景，而白色的R分量也是很大的，所以，根据R分量的大小进行分割，其效果并不好。
因而采用Lab颜色空间进行分割，Lab颜色模型由三个要素组成，一个要素是亮度（L），a和b是两个颜色通道。
a包括的颜色是从深绿色（低亮度值）到灰色（中亮度值）再到亮粉红色（高亮度值）；b是从亮蓝色（底亮度值）到灰色（中亮度值）再到黄色（高亮度值）。
算法流程如图所示。
测试过程如下图所示（程序见附录二）：
最终的结果图像H，白色点（圆心）可以认为是荔枝果实的质心，绿色点（圆心正上方）可认为果柄位置。
14.图A与图B是两张核桃果实的CT图像，今采用断层果仁面积Ar与果壳内轮廓区域面积Ak之比表示断层果实的饱满度S,即：
S=Ar/Ak。
试通过编程对比分析两张CT图像中所示核桃果实的饱满度。
答：
图像经过中值滤波、腐蚀膨胀后，采用Opencv中轮廓检测的方法对核桃壳和果肉部分进行分离并计算各自的面积，最终计算饱和度。
（程序见附录三）
A图像处理后的结果如下所示，饱和度。
B图像处理后的结果如下所示，饱和度。
附录
附录一月球的边界提取
clc
clear
%用数学形态学提取月亮的边界
M0=imread（'moon.bmp'）;
M1=im2bw（M0,0.8）;%变为阈值取为0.8的二值图像
figure
（1）;
imshow（M1）;
title（'原图像'）;
s1=ones（3）;%边界元素取3×3
M2=imerode（M1,s1）;%腐蚀
L1=M1-M2;
figure
（2）;
imshow（L1）;
title（'3×3的正方形图像'）;
s2=ones（5）;%边界元素取5×5
M3=imerode（M1,s2）;%腐蚀
L2=M1-M3;
figure（3）;
imshow（L2）;
title（'5×5的正方形图像'）;
附录二荔枝果实的质心点和采摘点的图像坐标
closeall
clearall
I=imread（'HLC02.jpg'）;%读取图像
subplot（1,2,1）
imshow（I）%显示原始图像
title（'原始图像'）
P1=imnoise（I,'gaussian',0.02）;%加入高斯躁声
subplot（1,2,2）
imshow（P1）%加入高斯躁声后显示图像
title（'加入高斯噪声后的图像'）;
I1=im2double（P1）;%将彩图序列变成双精度
I2=rgb2gray（I1）;%将彩色图变成灰色图
[thr,sorh,keepapp]=ddencmp（'den','wv',I2）;
I3=medfilt2（I2,[99]）;%中值滤波
I4=wdencmp（'gbl',I2,'sym4',2,thr,sorh,keepapp）;%小波除噪
I5=imresize（I4,1.5,'bicubic'）;%图像大小
BW1=edge（I5,'sobel'）;%sobel图像边缘提取
BW2=edge（I5,'roberts'）;%roberts图像边缘提取
BW3=edge（I5,'prewitt'）;%prewitt图像边缘提取
BW4=edge（I5,'log'）;%log图像边缘提取
BW5=edge（I5,'canny'）;%canny图像边缘提取
h=fspecial（'gaussian',5）;%高斯滤波
BW6=edge（I5,'zerocross',[],h）;%zerocross图像边缘提取
figure;
subplot（1,3,1）;%图划分为一行三幅图，第一幅图
imshow（I2）%绘图
title（'灰度图'）;
subplot（1,3,2）;
imshow（I3）
title（'中值滤波后图'）;
subplot（1,3,3）;
imshow（I4）
title（'小波除噪后图'）;
M0=imread（'lizhi.png'）;
M1=im2bw（M0,0.51）;%变为阈值取为0.51的二值图像
figure（3）
imshow（M1）;
s1=ones（3）;%腐蚀结构元素取3×3
M2=imerode（M1,s1）;%腐蚀
figure（4）
imshow（M2）;
title（'3×3的正方形图像'）;
M3=imdilate（M2,s1）;
figure（5）;
imshow（M3）;
%获取图像轮廓
[B,L]=bwboundaries（M3,'noholes'）;
imshow（M1）;
holdon
boundary=B{1};
%获取区域面积
stats=regionprops（L,'Area','Centroid'）;
area=stats
（1）.Area;
%找出质心
x=boundary（:
2）;
y=boundary（:
1）;
abc=[xyones（length（x）,1）]\[-（x.^2+y.^2）];
a=abc
（1）;
b=abc
（2）;
c=abc（3）;
xc=-a/2;
yc=-b/2;
%显示质心
plot（xc,yc,'yx','LineWidth',2）;
附录三两张核桃果实的CT图像
clc
clearall;
I=imread（'slice_286a.bmp'）;%读入slice_286a.bmp原图像
figure
（1）
imshow（I）;%显示原图像
J1=imnoise（I,'salt&pepper',0.02）;%加入均值为0、方差为0.02的辣椒噪声
J2=medfilt2（J1,[5,5]）;%对有辣椒噪声的图像进行5×5方形窗口中的中值滤波
figure
（2）
imshow（J2）;
M1=im2bw（J2,graythresh（J2））;%采用大津阈值法二值图像
figure（3）;
imshow（M1）;
s1=ones（3）;%腐蚀结构元素取3×3
M2=imerode（M1,s1）;%腐蚀
figure（4）
imshow（M2）;
title（'3×3的正方形图像'）;
M3=imdilate（M2,s1）;
figure（5）;
imshow（M3）;
clc
clearall;
I=imread（'slice_286b.bmp'）;%读入slice_286b.bmp原图像
figure
（1）
imshow（I）;%显示原图像
J1=imnoise（I,'salt&pepper',0.02）;%加入均值为0、方差为0.02的辣椒噪声
J2=medfilt2（J1,[5,5]）;%对有辣椒噪声的图像进行5×5方形窗口中的中值滤波
figure
（2）
imshow（J2）;
M1=im
升级会员 