图像上机实验.docx
《图像上机实验.docx》由会员分享，可在线阅读，更多相关《图像上机实验.docx（18页珍藏版）》请在冰豆网上搜索。
图像上机实验
实验一图像处理的基本操作
一，实验目的
1．熟悉有关数字图像处理的MATLAB基本操作和编写；
2．掌握数字图像的基本读写、显示与保存；
3．能够利用MATLAB工具箱完成图像处理的基本运算；
二，实验内容
1．
（1）读取图像并显示真彩色图像house.tiff；
（2）读取图像并显示索引色图像canoe.tif，并转换为灰度图像；
（3）读取图像并显示灰度图像rice.png，并转换为二进制图像；
（4）检测内存中的图像和保存图像；
2．查看不同分辨率下图像lena.tiff的显示结果；
3．对彩色图像Peppers.png观看GRB通道各单通道图像；
4．实现马赫带效应并画出灰度直方图。
三，代码
I=imread（'house.tiff'）;
figure
（1）
imshow（I）
[A,map]=imread（'canoe.tif'）;
figure
（2）
subplot（121）
imshow（A,map）
D=ind2gray（A,map）;
subplot（122）
imshow（D）
G=imread（'rice.png'）;
figure（3）
subplot（121）
imshow（G）
th=graythresh（G）;H=im2bw（G,th）;
subplot（122）
imshow（H）
whos;imwrite
B=imread（'lena.tiff'）;
figure（4）,
subplot（121）
imshow（B）
C=imresize（B,0.2）
subplot（122）
imshow（C）
D=imread（'Peppers.png'）;
r=D,r（:
:
[23]）=0;
g=D,g（:
:
[13]）=0;
b=D,b（:
:
[12]）=0;
figure（5）,
subplot（1,3,1）,imshow（r）;
subplot（1,3,2）,imshow（g）;
subplot（1,3,3）,imshow（b）;
a=zeros（256,256）;
fori=1:
32:
256
a（:
i:
i+32）=i;
end
figure（6）;
subplot（121）
imshow（uint8（a））;
subplot（122）
imhist（uint8（a））;
四，实验结果
五，结果分析
从运行结果可以看出，实验还是比较成功的。
但是在做索引色那个图像的时候，如果索引色和灰度图像放在同一个figure里，索引色图像显示的也是灰色，因此我只能把索引色图像和灰度图像分开放到两个figure里。
在查看不同分辨率下图像lena.tiff的显示结果时，必须要对两个图像进行放大查看才能看出不同。
实验二图像变换1
一，实验目的
1．熟悉有关MATLAB工具箱中提供的图像变换函数；
2．掌握傅立叶变换和小波变换等常用的正交变换函数；
二，实验内容
1．对图像lena.png进行傅立叶变换和离散余弦变换，并分别求出其逆变换后重构图像的均方误差；
2．实现图像lena.png的两层小波分解，观察分解系数并重构，求重构图像误差值；
3．观察图像IM1.BMP经小波分解系数的方向性，实现三层小波分解，分别把HL,LH,HH子带置零和重构，观察重构图像跟原始图像的差异。
三，代码
%1．对图像lena.png进行傅立叶变换和离散余弦变换，
%并分别求出其逆变换后重构图像的均方误差；
clear;
clc;
I=imread（'lena.png'）;
%傅里叶变换
figure
（1）;
I1=fft2（I）;
I1=fftshift（I1）;
If=ifftshift（I1）;
If=uint8（real（ifft2（If）））;
subplot（231）;
imshow（I）;
subplot（232）;
imshow（log（abs（I1））,[]）;
subplot（233）;
imshow（If）;
[m,n]=size（I）;%计算均方误差
fori=1:
m
forj=1:
n
temp（i,j）=（If（i,j）-I（i,j））^2;
end
end
wucha1=sum（sum（temp））
%离散余弦变换
I2=dct2（I）;
I3=fftshift（I2）;
Id=idct2（I2）;
Id=uint8（real（Id））;
subplot（234）;
imshow（I）;
subplot（235）;
imshow（log（abs（I3））,[]）;
subplot（236）;
imshow（Id）;
[m,n]=size（I）;%计算均方误差
fori=1:
m
forj=1:
n
temp（i,j）=（If（i,j）-I（i,j））^2;
end
end
wucha2=sum（sum（temp））
%%
%2．实现图像lena.png的两层小波分解，观察分解系数并重构，求重构图像误差值；
X=imread（'lena.png'）;
[c,s]=wavedec2（X,2,'bior3.7'）;
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];
c1=uint8（c1）;
Xr=waverec2（c,s,'bior3.7'）;
figure
（2）;
subplot（131）;
imshow（X）;
subplot（132）;
imshow（c1）;
subplot（133）;
imshow（uint8（Xr））;
[m,n]=size（X）;%计算均方误差
fori=1:
m
forj=1:
n
temp（i,j）=（Xr（i,j）-I（i,j））^2;
end
end
wucha3=sum（sum（temp））
%%
%3．观察图像IM1.BMP经小波分解系数的方向性，实现三层小波分解，
%分别把HL,LH,HH子带置零和重构，观察重构图像跟原始图像的差异。
P=imread（'C:
\shiyan2\IM1.BMP'）;
[c,s]=wavedec2（P,3,'bior3.7'）;
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];
c1=uint8（c1）;
figure（3）;
subplot（131）;
imshow（P）;
subplot（132）;
imshow（c1）;
subplot（133）;
imshow（uint8（a1））;
四，实验结果
五，实验结果
从运行结果可以看出，实验还是比较成功的。
上图分别是1.对图像lena.png进行傅立叶变换和离散余弦变换，并分别求出其逆变换后重构图像的均方误差；2．实现图像lena.png的两层小波分解，观察分解系数并重构，求重构图像误差值；3．观察图像IM1.BMP经小波分解系数的方向性，实现三层小波分解，分别把HL,LH,HH子带置零和重构，观察重构图像跟原始图像的差异。
最后求得误差均为零，我认为这可能是重构方法均是使用matlab自带函数的原因，使得重构图像与原图几乎一样。
实验三图像变换2
一，实验目的
1．熟悉有关图像增强的直方图方法；
2．掌握傅立叶变换和离散余弦变换等常用的正交变换函数；
二，实验内容
1．实现对图像IM2.BMP进行直方图均衡化，从而达到增强图像的目的，观察图像直方图的前后变化；
2．实现对图像IM3.BMP加入某种噪声（如椒盐噪声等），运用低通滤波和中值滤波分别进行图像平滑；
3．实现对图像IM4.BMP的同态增强：
对照明分量和反射分量进行同态滤波。
三，代码
clear;
clc;
%实现对图像IM2.BMP进行直方图均衡化，从而达到增强图像的目的，
%观察图像直方图的前后变化
i=imread（'IM2.BMP'）;
j=histeq（i）;
figure
（1）;
subplot（221）;
imshow（i）;
title（'原始图像'）;
subplot（222）;
imshow（j）;
title（'均衡化图像'）;
subplot（223）;
imhist（i,64）;
title（'原始直方图'）;
subplot（224）;
imhist（j,64）;
title（'均衡化直方图'）;
%实现对图像IM3.BMP加入某种噪声（如椒盐噪声等），
%运用低通滤波和中值滤波分别进行图像平滑
k=imread（'IM3.BMP'）;
l=imnoise（k,'salt&pepper',0.02）;
figure
（2）;
subplot（221）;
imshow（k）;
title（'原始图像'）;
subplot（222）;
imshow（l）;
title（'噪声图像'）;
p=medfilt2（l）;
subplot（223）;
imshow（p）;
title（'中值滤波图像'）;
f=double（l）;
g=fftshift（fft2（f））;
[N1,N2]=size（g）;
n=2;%butterworth滤波器的参数n=2
d0=50;%d0为截止频率（与原点的距离）
n1=fix（N1/2）;
n2=fix（N2/2）;
fori=1:
N1
forj=2:
N2
d=sqrt（（i-n1）^2+（j-n2）^2）;
h=1/（1+0.414*（d/d0）^2*n）;
result（i,j）=h*g（i,j）;
end
end
result=ifftshift（result）;
x2=ifft2（result）;
x3=uint8（real（x2））;
subplot（224）;
imshow（x3）;
title（'butterworth低通滤波图像'）;
%实现对图像IM4.BMP的同态增强：
对照明分量和反射分量进行同态滤波
%图像的动态范围压缩，图像的对比度增强，类似于高通滤波
clear;
figure;
I=imread（'IM4.BMP'）;
I1=log（double（I）+1）;
I2=fft2（I1）;
n=3;
d0=5;
rh=0.1;
rl=0.05;
[row,col]=size（I2）;
fori=1:
row
forj=1:
col
d1（i,j）=sqrt（i^2+j^2）;
h（i,j）=rl+（rh/（1+（d0/d1（i,j）^（2*n））））;
end
end
I3=I2.*h;
I4=ifft2（I3）;
I5=exp（I4）-1;
subplot（121）;
imshow（I）;
title（'原始图像'）;
subplot（122）;
imshow（I5）;
title（'同态滤波'）;
四，实验结果
五，结果分析
从运行结果可以看出，实验还是比较成功的。
但在加入椒盐噪声后进行高斯低通滤波的实验中，高斯低通滤波并不能完美的把噪声滤掉，图像中依然存在噪声，虽然变得不明显了。
我想可能是算子取得不好，导致了高斯低通滤波的失败。
实验四图像处理
一、实验目的
1．掌握图像分割中的四叉树区域分割与合并法；
2．掌握图像分割中的阈值分割法；
3．了解图像纹理分析和特征提取方法；
4．了解图像目标识别方法及其应用；
二、实验内容
1．使用四叉树（quadtree）的方法，找出图像IM5.BMP中物体的轮廓；
2．选择一个合适的初始阈值，将图像IM5.BMP分为两个区域；
3．选作题目：
选择合适的位置算子，计算出图像的共生矩阵，然后计算熵和能量来
描述纹理特征；
4．选作实验五特征提取
一、实验目的
1．了解图像纹理分析和特征提取方法；
二、实验内容
1．选择合适的位置算子，计算出图像的共生矩阵，然后计算熵和能量来描述纹理特征；
题目：
汽车牌照定位与字符识别。
三，代码
%使用四叉树（quadtree）的方法，找出图像IM5.BMP中物体的轮廓
h=imread（'L8_2.BMP'）;
s=qtdecomp（h,0.2）;
figure
（1）;
subplot（221）;
imshow（full（s））;
title（'参数为0.2'）;
s=qtdecomp（h,0.4）;
subplot（222）;
imshow（full（s））;
title（'参数为0.4'）;
s=qtdecomp（h,0.6）;
subplot（223）;
imshow（full（s））;
title（'参数为0.6'）;
s=qtdecomp（h,0.8）;
subplot（224）;
imshow（full（s））;
title（'参数为0.8'）;
%%
%选择一个合适的初始阈值，将图像IM5.BMP分为两个区域
h=imread（'L8_2.BMP'）;
h1=im2bw（h,40/255）;
h2=im2bw（h,100/255）;
h3=im2bw（h,150/255）;
h4=im2bw（h,180/255）;
figure
（2）;
subplot（221）;
imshow（h）;
title（'原图像'）;
subplot（222）;
imshow（h2）;
title（'t=100'）;
subplot（223）;
imshow（h3）;
title（'t=150'）;
subplot（224）;
imshow（h4）;
title（'t=180'）;
四，实验结果
五，结果分析
通过上图可以看出，实验还是比较成功的，在进行使用四叉树进行轮廓分析和阈值分割图像时，我分别使用了不同的参数来进行实验，得到的效果是完全不同的。
实验五特征提取
一、实验目的
1．了解图像纹理分析和特征提取方法；
二、实验内容
1．选择合适的位置算子，计算出图像的共生矩阵，然后计算熵和能量来描述纹理特征；
三，代码
clc;
clear;
[I,M]=imread（'L8_2.BMP'）;
%imhist（I）;
imshow（I,M）;
glcm=graycomatrix（I,'Offset',[060],'NumLevels',8）;
energy=graycoprops（glcm,'energy'）;
entropy=0;
[row,col]=size（glcm）;
fori=1:
row
forj=1:
col
entropy=entropy+glcm（i,j）*log10（glcm（i,j））;
end
end
%display（glcm）;
display（energy）;
display（entropy）;
四，实验结果
五，结果分析
给定不不同的向量和灰度压缩成不同个数会得到不同不同的值，原因是没有对图像进行归一化，导致有多值。
升级会员 