数字图像处理实验讲解.docx
《数字图像处理实验讲解.docx》由会员分享，可在线阅读，更多相关《数字图像处理实验讲解.docx（10页珍藏版）》请在冰豆网上搜索。
数字图像处理实验讲解
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.ti
升级会员 