数字图像处理程序.docx
《数字图像处理程序.docx》由会员分享,可在线阅读,更多相关《数字图像处理程序.docx(19页珍藏版)》请在冰豆网上搜索。
数字图像处理程序
数字图像处理实验
图像处理实验
(一)直方图
灰度变换是图像增强的一种重要手段,使图像对比度扩展,图像更加清晰,特征更加明显。
灰度级的直方图给出了一幅图像概貌的描述,通过修改灰度直方图来得到图像增强。
1、灰度直方图
(1)计算出一幅灰度图像的直方图
clear
closeall
I=imread(’004。
bmp');
imhist(I)
title(’实验一
(1)直方图’);
(2)对灰度图像进行简单的灰度线形变换,
figure
subplot(2,2,1)
imshow(I);
title(’试验2-灰度线性变换');
subplot(2,2,2)
histeq(I);
(3)看其直方图的对应变化和图像对比度的变化。
原图像f(m,n)的灰度范围[a,b]线形变换为图像g(m,n),灰度范围[a',b’]
公式:
g(m,n)=a’+(b'—a’)*f(m,n)/(b—a)
figure
subplot(2,2,1)
imshow(I)
J=imadjust(I,[0.3,0.7],[0,1],1);
title(’实验一(3)用g(m,n)=a’+(b’-a’)*f(m,n)/(b—a)进行变换’);
subplot(2,2,2)
imshow(J)
subplot(2,2,3)
imshow(I)
J=imadjust(I,[0.50。
8],[0,1],1);
subplot(2,2,4)
imshow(J)
(4)图像二值化(选取一个域值,(5)将图像变为黑白图像)
figure
subplot(2,2,1)
imshow(I)
J=find(I〈150);
I(J)=0;
J=find(I〉=150);
I(J)=255;
title('实验一(4)图像二值化(域值为150)’);
subplot(2,2,2)
imshow(I)
clc;
I=imread('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
clc;
I=imread(’005.bmp');
subplot(1,2,1)
imshow(I);
title('原图');
subplot(1,2,2)
imhist(I);
title('直方图');
colorbar;
J=fft2(I);
figure;
subplot(1,2,1)
imshow(J);
title('FFT变换结果');
subplot(1,2,2)
K=fftshift(J);
imshow(K);
title('零点平移');
figure;
imshow(log(abs(K)),[]),colormap(jet(64)),colorbar;
title(’系数分布图’);
%图象的DCT变换
RGB=imread(’005.bmp’);
figure;
subplot(1,2,1)
imshow(RGB);
title('彩色原图’);
a=rgb2gray(RGB);
subplot(1,2,2)
imshow(a);
title('灰度图’);
figure;
b=dct2(a);
imshow(log(abs(b)),[]),colormap(jet(64)),colorbar;
title('DCT变换结果');
figure;
b(abs(b)<10)=0;
%idct
c=idct2(b)/255;
imshow(c);
title(’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
closeall
clear
a=imread('005.bmp’);
subplot(1,2,1);
imshow(a);
title(’原始图象');
I=rgb2gray(a);
subplot(1,2,2);
imshow(I);
title(’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
figure;
c=appcoef2(a,b,’bior3.7’,1);
subplot(1,2,1);
imshow(c,[]);
title('一层小波变换结果');
d=appcoef2(a,b,'bior3.7',2);
subplot(1,2,2);
imshow(d,[]);
title(’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:
I=imread(’girl.bmp');
subplot(1,3,1);
imshow(I);
title(’原图');
J=fspecial(’average’);
J1=filter2(J,I)/255;
subplot(1,3,2);
imshow(J1);
title('3*3滤波’);
K=fspecial('average',9);
K1=filter2(K,I)/255;
subplot(1,3,3);
imshow(K1);
title('9*9滤波’);
2、中值滤波和平均滤波
I=imread('girl.bmp’);
J=imnoise(I,’gaussian',0,0.01);
subplot(2,2,1);
imshow(I);
title(’原图’);
subplot(2,2,2);
imshow(J);
title(’noise’);
K=fspecial(’average’,5);
K1=filter2(K,J)/255;
subplot(2,2,3);
imshow(K1);
title(’average');
L=medfilt2(J,[35]);
subplot(2,2,4);
imshow(L);
title(’medium’);
3、高通滤波边缘增强
I=imread('girl.bmp');
subplot(2,2,1);
imshow(I);
title('originalpic');
J=fspecial('average',3);
J1=conv2(I,J)/255;
%J1=filter2(J,I)/255;
subplot(2,2,2);
imshow(J1);
title(’3*3lowpass’);
K=fspecial(’prewitt');
K1=filter2(K,J1)*5;
subplot(2,2,3);
imshow(K1);
title('prewitt');
L=fspecial(’sobel’);
L1=filter2(L,J1)*5;
subplot(2,2,4);
imshow(L1);
title(’sibel’);
4、边缘检测
分别用sobel和laplacian算子来进行,程序如下:
I=imread('girl.bmp');
subplot(1,3,1);
imshow(I);
title('originalpic’);
K=fspecial(’laplacian’,0.7);
K1=filter2(K,I)/100;
subplot(1,3,2);
imshow(K1);
title(’laplacian');
L=fspecial('sobel’);
L1=filter2(L,I)/200;
subplot(1,3,3);
imshow(L1);
title(’sibel');
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
实验内容:
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’);
figure;
subplot(2,2,1);
imshow(i);
title(’原始图像');
subplot(2,2,3);
imshow(i);
title(’原始图像');
i1=edge(i,’sobel');
subplot(2,2,2);
imshow(i1);
title('sober方法提取的边缘');
i2=edge(i,’log');
subplot(2,2,4);
imshow(i2);
title(’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
i=imread(’eight。
tif’);
subplot(1,2,1);
imhist(i);
title('原始图像直方图’);
thread=130/255;
subplot(1,2,2);
i3=im2bw(i,thread);
imshow(i3);
title(’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
实验目的:
学习JPEG压缩编码
实验内容:
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
I=imread(’autumn.tif');
yiq=rgb2ntsc(I);
my=[1611101624405161;1212141926586055;
1413162440576956;1417222951878062;
182237566810910377;243555648110411392;
49647887103121120101;7292959811210010399];
miq=[1718244799999999;1821266699999999;
2426569999999999;4766999999999999;
9999999999999999;9999999999999999;
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;
end
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:
k*8+8,j*8+1:
j*8+8),miq,times*64+1);
times=times+1;
end
block(I2(k*8+1:
k*8+8,j*8+1:
t2),[88],'dctmtx(8)');
end
forj=0:
ti2-2
dct8x8(I1(k*8+1:
t1,j*8+1:
j*8+8),times*64+1);
times=times+1;
end
dct8x8(I1(k*8+1:
t1,j*8+1:
t2),times*64+1);
2.functiondct8x8(I,m,s)%定义DCT量化子程序
T=inline('dctmtx(8)’);
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;
end
forq=te:
—1:
1
y1(s+p)=y(te—q+1,q);p=p+1;
end
end
f=haffman(y1);
c(s:
s+64,1)=f(:
1);c(s:
s+64,2)=f(:
,2);c(s:
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;end
end
if(f==0)c(p1,1)=I(k,h);p1=p1+1;end
end
end
forg=1:
p1—1
p(g)=0;c(g,2)=0;
fork=1:
m
forh=1:
n
if(c(g,1)==I(k,h))p(g)=p(g)+1;end
end
end
p(g)=p(g)/s;
end
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:
p1-1));p(p3)=1。
1;
pn=pm+pm2;p(p1)=pn;
tree(po,1)=p2;tree(po,2)=p3;
po=po+1;p1=p1+1;
end
end
fork=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:
po-1
if(tree(h,1)==tt+g)
c(tree(k,1),2)=c(tree(k,1),2)+m1;
m2=m2+1;tt=h;break;
elseif(tree(h,2)==tt+g)
m2=m2+1;tt=h;break;
end
end
end
c(tree(k,1),3)=m2;
end
tt=k;m1=1;
if(tree(k,2)〈9)
m2=1;
while(tt
m1=m1*2;
forh=tt:
po—1
if(tree(h,1)==tt+g)
c(tree(k,2),2)=c(tree(k,2),2)+m1;
m2=m2+1;tt=h;break;
elseif(tree(l,2)==tt+g)
m2=m2+1,tt=h;break;
end
end
end
c(tree(k,2),3)=m2;
end
end
end
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)
title('原始图象');
[c,s]=wavedec2(X,2,’bior3。
7');
thr=20;
ca1=appcoed2(c,s,'bior3。
7',1);
ch1=detcoef2('h',c,s,1);
cv1=detcoef2('v',c,s,1);
cd1=detcoef2('d’,c,s,1);
a1=wrcoef2(’a',c,s,'bior3。
7’,1);
h1=wrcoef2('h',c,s,'bior3。
7',1);
v1=wrcoef2(’v’,c,s,'bior3.7’,1);
d1=wrcoef2('d',c,s,’bior3.7’,1);
c1=[a1,h1,v1,d1];
ca1=appcoed2(c,s,'bior3。
7’,1);
ca1=wcodemat(ca1,440,’mat’,0);
ca1=0。
5*ca1
subplot(2,2,2),image(ca1)
title(’压缩图象一’)
ca2=appcoed2(c,s,’bior3。
7’,2);
ca2=wcodemat(ca2,440,’mat’,0);
ca2=0.5*ca2;
subplot(2,2,3),image(ca2)
title('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:
clear
closeall
clc
M=rand(200,200);
I=imread('a。
bmp’);
[mx,my]=size(I);
imshow(I);
title(’原始图象’);
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);
end
end
end
fori=1:
200
I1(:
,:
i)=imcrop(I,[x(i),y(i),8,8]);
I2(:
i)=reshape(I1(:
,:
i),1,81);
end
I2=double(I2);
C=I2’*I2/200;
[a,s]=eig(C);
A=a(161:
200,:
);
U=A*I2’;
figure;
imshow(U);
title(’特征向量');