数字图像处理实验报告92805.docx
《数字图像处理实验报告92805.docx》由会员分享，可在线阅读，更多相关《数字图像处理实验报告92805.docx（32页珍藏版）》请在冰豆网上搜索。
数字图像处理实验报告92805
实验报告
课程名称数字图像处理
实验项目点运算和直方图处理
实验仪器PC机MATLAB软件
系别
专业
班级/学号
学生姓名
实验日期
成绩
指导老师
实验1点运算和直方图处理
一、实验目的
1.掌握利用Matlab图像工具箱显示直方图的方法
2.掌握运用点操作进行图像处理的基本原理。
3.进一步理解利用点操作这一方法进行图像处理的特点。
4.掌握利用Matlab图像工具箱进行直方图均衡化的基本方法。
二、实验的硬件、软件平台
硬件：
计算机
软件：
MATLAB
三、实验内容及步骤
1.了解Matlab图像工具箱的使用。
2.利用Matlab图像工具箱对图像进行点操作，要求完成下列3个题目中的至少2个。
⑴图1灰度范围偏小，且灰度偏低，改正之。
⑵图2暗处细节分辨不清，使其能看清楚。
⑶图3亮处细节分辨不清，使其能看清楚。
图1图2图3
3.给出处理前后图像的直方图。
4.利用MatLab图像处理工具箱中函数对以上图像进行直方图均衡化操作，观察结果。
四、思考题
1.点操作能完成哪些图像增强功能？
2.直方图均衡化后直方图为何并不平坦？
为何灰度级会减少？
五、实验报告要求
1．对点操作的原理进行说明。
2．给出程序清单和注释。
3．对处理过程和结果进行分析（包括对处理前后图像的直方图的分析）。
题目1%图1灰度范围偏小，且灰度偏低，改正之。
方法：
像素点操作
clc
clearall
closeall
I=imread（'Image1.png'）;%读取标题为“Point2”的位图，并用“I”表示该图
j=rgb2gray（I）;%转为灰度图像，并用j表示
[l,r]=size（j）;%将j的行数返回到第一个输出变量l，将列数返回到第二个输出变量r
figure
（1）;%创建一个空的窗口
subplot（221）;%将窗口分成2行2列，并在第一个位置进行操作
imshow（j）;%显示图片j
title（'原图像'）;%标题
form=1:
l%循环语句，行数m的值从1到l，下同
forn=1:
r
p（m,n）=j（m,n）*1.8;%将j图中的每一个点的像素值乘以一个常数，得到的新像素以原来的位置构成图p
end
end
subplot（222）;
imshow（p）;
title（'处理后图像'）;
subplot（2,2,3）;
imhist（j）;%显示图像j的直方图
title（'原图像直方图'）;
subplot（2,2,4）;
imhist（p）;
title（'处理后图像直方图'）;
输出的图像：
图4
对比图像处理前后的直方图可知，原图的灰度范围较小。
图像均衡化处理后。
灰度级取值的动态范围扩大了，但灰度级减少了。
直方图变得更稀疏。
并且灰度级值整体增大了，即直方图整体向右平移了一段距离。
题目2%图2暗处细节分辨不清，使其能看清楚。
方法：
像素点操作
clc
clearall
closeall
I2=imread（'Image2.png'）;
j2=rgb2gray（I2）;
INFO2=imfinfo（'Image2.png'）;
[l2,r2]=size（j2）;
figure;
subplot（221）
imshow（j2）
title（'原图'）
fora=1:
l2
forb=1:
r2
q1（a,b）=j2（a,b）*1.2;%q1（a,b）为将原图灰度值提高1.2倍
end
end
fora=1:
l2
forb=1:
r2
q2（a,b）=j2（a,b）*2;%q2（a,b）为将原图灰度值提高2倍
end
end
fora=1:
l2%q3（a,b）自定义函数
forb=1:
r2
ifj2（a,b）<60
q3（a,b）=j2（a,b）*2.38;
elseifj2（a,b）>=60
q3（a,b）=j2（a,b）*0.5263+120.7;
end
end
end
end
subplot（222）;
imshow（q1）;
title（'j（m,n）*1.2'）;
subplot（223）;
imshow（q2）;
title（'j（m,n）*2'）;
subplot（224）;
imshow（q3）;
title（'j（m,n）*自定义函数'）;
figure;
subplot（221）,imhist（j2,64）;title（'原图的直方图'）;
subplot（222）,imhist（q1,64）;title（'j（m,n）*1.2'）;
subplot（223）,imhist（q2,64）;title（'j（m,n）*2'）;
subplot（224）,imhist（q3,64）;title（'j（m,n）*自定义函数'）;
输出的图像：
图5
图6
题目3%图3亮处细节分辨不清，使其能看清楚。
方法：
像素点操作
clc
clearall
closeall
I2=imread（'Image3.png'）;
j2=rgb2gray（I2）;
INFO2=imfinfo（'Image3.png'）;
[l2,r2]=size（j2）;
figure;
subplot（221）
imshow（j2）
title（'原图'）
fora=1:
l2
forb=1:
r2
q1（a,b）=j2（a,b）*0.9;%q1（a,b）为将输出图像的灰度值缩小为原图的0.9倍
end
end
fora=1:
l2
forb=1:
r2
q2（a,b）=j2（a,b）*0.75;%q2（a,b）为将输出图像的灰度值缩小为原图的0.75倍
end
end
fora=1:
l2
forb=1:
r2
q3（a,b）=j2（a,b）*0.75+25;%q3（a,b）自定义的灰度值缩小函数
end
end
subplot（222）;
imshow（q1）;
title（'j（m,n）*0.9'）;
subplot（223）;
imshow（q2）;
title（'j（m,n）*0.75'）;
subplot（224）;
imshow（q3）;
title（'j（m,n）*0.75+25'）;
figure;
subplot（221）,imhist（j2,64）;title（'原图的直方图'）;
subplot（222）,imhist（q1,64）;title（'j（m,n）*0.9'）;
subplot（223）,imhist（q2,64）;title（'j（m,n）*0.75'）;
subplot（224）,imhist（q3,64）;title（'j（m,n）*0.75+25'）;
图7
图8
这三个实验所用的方法均是对图像进行点操作处理，特别是其中对于判定和循环的运用是解题的关键，即对点进行判定并只对满足条件的点进行处理。
思考题
1．答：
点操作可以扩大灰度值的范围。
并且可以改变某点灰度值的大小，实现增强或减弱图像亮度、增强对比度以及直方图均衡化处理。
2．答：
均衡化后的直方图不平坦是由于图像中各灰度级出现的概率不同。
均衡化后的直方图使灰度级分布具有均匀概率密度。
扩展了像素取值的动态范围，但减少了灰度级。
实验感想：
通过本次实验，对与图片的点操作处理和直方图处理有了更深刻的体会。
同时我也认识到了设定优化参数的不易。
实验报告
课程名称数字图像处理
实验项目图像平滑实验
实验仪器PC机MATLAB软件
系别
专业
班级/学号
学生姓名
实验日期
成绩
指导老师
实验2图像平滑实验
一、实验目的
1．通过实验掌握图像去噪的基本方法；
2．学会根据情况选用不同方法。
二、实验的硬件、软件平台
硬件：
计算机
软件：
操作系统：
WINDOWS2000
应用软件：
MATLAB
三、实验内容及要求
1．实验内容
请在如下面方法中选择多个，完成图像去噪操作，并进行分析、比较。
（1）对静态场景的多幅图片取平均；
（2）空间域模板卷积（不同模板、不同尺寸）；
（3）频域低通滤波器（不同滤波器模型、不同截止频率）；
（4）中值滤波方法。
2．实验要求
（1）图片可根据需要选取；
（2）对不同方法和同一方法的不同参数的实验结果进行分析和比较，如空间域卷积模板可有高斯型模板、矩形模板、三角形模板和自己根据需求设计的模板等；模板大小可以是3×3，5×5，7×7或更大。
频域滤波可采用矩形或巴特沃斯等低通滤波器模型，截止频率也是可选的。
（3）分析比较不同方法的结果。
四、思考题
1．不同空间域卷积器模板的滤波效果有何不同？
2．空间域卷积器模板的大小的滤波效果有何影响？
3．用多幅图像代数平均的方法去噪对图像有何要求？
4．不同频域滤波器的效果有何不同？
五、实验报告要求
1．列出程序清单并进行功能注释；
2．说明不同方法去噪效果；
3．对去噪方法进行详细分析对比。
（1）对静态场景的多幅图片取平均：
%第一部分向Lenna.png加入8种不同的噪声
clc
clearall
closeall
M=imread（'Lenna.png'）;%读取一幅名为Lenna.png的图像
M=rgb2gray（M）;%转换为灰度值图像
subplot（3,3,1）;
imshow（M）;%显示原始图像
title（'original'）;
P1=imnoise（M,'gaussian',0.01）;%加入高斯躁声（噪声密度为0.01）
subplot（3,3,2）;
imshow（P1）;%加入高斯躁声（噪声密度为0.01）后显示图像
title（'gaussiannoise1'）;
P2=imnoise（M,'salt&pepper',0.01）;%加入椒盐躁声（噪声密度为0.01）
subplot（3,3,3）;
imshow（P2）;%加入椒盐躁声（噪声密度为0.01）后显示图像
title（'salt&peppernoise1'）;
P3=imnoise（M,'gaussian',0.02）;%加入高斯躁声（噪声密度为0.02）
subplot（3,3,4）;
imshow（P3）;%加入高斯躁声（噪声密度为0.02）后显示图像
title（'gaussiannoise2'）;
P4=imnoise（M,'salt&pepper',0.02）;%加入椒盐躁声（噪声密度为0.02）
subplot（3,3,5）;
imshow（P4）;%加入椒盐躁声（噪声密度为0.02）后显示图像
title（'salt&peppernoise2'）;
P5=imnoise（M,'gaussian',0.03）;%加入高斯躁声（噪声密度为0.03）
subplot（3,3,6）;
imshow（P5）;%加入高斯躁声（噪声密度为0.03）后显示图像
title（'gaussiannoise3'）;
P6=imnoise（M,'salt&pepper',0.03）;%加入椒盐躁声（噪声密度为0.03）
subplot（3,3,7）;
imshow（P6）;%加入椒盐躁声（噪声密度为0.03）后显示图像
title（'salt&peppernoise3'）;
P7=imnoise（M,'gaussian',0.04）;%加入高斯躁声（噪声密度为0.04）
subplot（3,3,8）;
imshow（P7）;%加入高斯躁声（噪声密度为0.04）后显示图像
title（'gaussiannoise4'）;
P8=imnoise（M,'salt&pepper',0.04）;%加入椒盐躁声（噪声密度为0.04）
subplot（3,3,9）;
imshow（P8）;%加入椒盐躁声（噪声密度为0.04）后显示图像
title（'salt&peppernoise4'）;
imwrite（P1,'lenna_noise1.png','png'）;%保存图像P1至P8
imwrite（P2,'lenna_noise2.png','png'）;
imwrite（P3,'lenna_noise3.png','png'）;
imwrite（P4,'lenna_noise4.png','png'）;
imwrite（P5,'lenna_noise5.png','png'）;
imwrite（P6,'lenna_noise6.png','png'）;
imwrite（P7,'lenna_noise7.png','png'）;
imwrite（P8,'lenna_noise8.png','png'）;
输出的图像：
图9
%第二部分对静态场景的多幅带有不同噪声的图片取平均
clc
clearall
closeall;
a1=imread（'lenna_noise1.png'）;%读入图片
a2=imread（'lenna_noise2.png'）;
a3=imread（'lenna_noise3.png'）;
a4=imread（'lenna_noise4.png'）;
a5=imread（'lenna_noise5.png'）;
a6=imread（'lenna_noise6.png'）;
a7=imread（'lenna_noise7.png'）;
a8=imread（'lenna_noise8.png'）;
b1=double（a1）/255;%变换图像数据类型
b2=double（a2）/255;
b3=double（a3）/255;
b4=double（a4）/255;
b5=double（a5）/255;
b6=double（a6）/255;
b7=double（a7）/255;
b8=double（a8）/255;
c=（b1+b2+b3+b4+b5+b6+b7+b8）/8;%八幅图取平均
subplot（331）,imshow（a1）;title（'噪声1'）;%三行三列，显示图像1-8
subplot（332）,imshow（a2）;title（'噪声2'）;
subplot（333）,imshow（a3）;title（'噪声3'）;
subplot（334）,imshow（a4）;title（'噪声4'）;
subplot（335）,imshow（a5）;title（'噪声5'）;
subplot（336）,imshow（a6）;title（'噪声6'）;
subplot（337）,imshow（a7）;title（'噪声7'）;
subplot（338）,imshow（a8）;title（'噪声8'）;
subplot（339）,imshow（c）%显示平均后的图像
title（'平均后的图像'）;
输出的图像：
图10
原图像与经过平均处理的图像的对比：
图11
可以看到平均后得到的图像已经修复了噪声，但是仍有许多细节被损失了。
比如头发的细节几乎被抹掉。
我自己分析认为是主要是高斯噪声影响了结果，平均后得到的图像还有高斯噪声的痕迹。
（2）空间域模板卷积
%空间域模板卷积（不同模板、不同尺寸）
%第一组邻域模板
clc
clearall
closeall;
I=imread（'lenna_pepper.png'）;%读入图像
I=double（I）/255;%变换数据类型
subplot（221）;
imshow（I）;%显示图像
title（'原图像（邻域模板）'）;H=1/5*[010;101;010];%定义4邻域平均模板
A=filter2（H,I）;%进行滤波
subplot（222）;
imshow（A）;%显示图像
title（'4邻域平均模板'）;
subplot（223）;
H=1/12*[0110;1111;1111;0110];%定义8邻域平均模板
A=filter2（H,I）;
imshow（A）;title（'8邻域平均模板'）;
subplot（224）;
H=1/12*[01110;11111;11111;01110];%定义12邻域平均模板
A=filter2（H,I）;
imshow（A）;
title（'12邻域平均模板'）
邻域模板输出的图像：
图12
可以发现，随着邻域模板的增大，原图中夹杂的椒盐噪声被抑制的更彻底。
个人认为8邻域平均模板的处理效果最好，12邻域平均模板的处理后，整幅照片灰度值偏高。
%空间域模板卷积（不同模板、不同尺寸）
%第二组高斯模板
clc
clearall
closeall;
I=imread（'lenna_pepper.png'）;%读入图像
I=double（I）/255;%数值转换
subplot（231）;
imshow（I）;%显示图像
title（'原图像（高斯模板）'）
H=fspecial（'gaussian',[33]）;%产生预定义滤波器%选用3*3的高斯模板
%格式为b=fspecial（A,[m,n]）;[m,n]是邻域大小
A=filter2（H,I）;%对图像进行卷积滤波的函数格式A=filter2（h，B）
%其函数返回图像B经算子h滤波后的图像给A
subplot（232）;imshow（A）;title（'3*3的高斯模板'）
subplot（233）;H=fspecial（'gaussian',[55]）;%选用5*5的高斯模板
A=filter2（H,I）;imshow（A）;title（'5*5的高斯模板'）;
subplot（234）;H=fspecial（'gaussian',[77]）;%选用7*7的高斯模板
A=filter2（H,I）;imshow（A）;title（'7*7的高斯模板'）;
subplot（235）;H=fspecial（'gaussian',[99]）;%选用9*9的高斯模板
A=filter2（H,I）;imshow（A）;title（'9*9的高斯模板'）;
subplot（236）;H=fspecial（'gaussian',[1111]）;%选用11*11的高斯模板
A=filter2（H,I）;imshow（A）;title（'11*11的高斯模板'）
高斯模板输出的图像：
图13
通过观察发现，多种尺寸的高斯模板均无法去除椒盐噪声。
得到的输出结果与原图一直。
这个实验结果让我有了一个猜想，即高斯模板只适合处理高斯噪声
%空间域模板卷积（不同模板、不同尺寸）
%第三组加权模板
clc
clearall
closeall;
I=imread（'lenna_pepper.png'）;%读入图像
I=double（I）/255;%数据类型转换
subplot（1,3,1）;
imshow（I）;%显示图像
title（'原图像（加权模板）'）
H=1/10*[111;121;111];%选用3*3的加权平均模板
A=filter2（H,I）;
subplot（1,3,2）;
imshow（A）;
title（'3*3的加权平均模板'）
subplot（1,3,3）;
H=1/48*[01210;12421;24842;12421;01210];%选用5*5的加权平均模板
A=filter2（H,I）;
imshow（A）;
title（'5*5的加权平均模板'）
加权模板输出的图像：
图14
可以看到，这两种尺寸的加权平均模板的处理结果近似，都有效的滤去了原图中的椒盐噪声。
对比分析：
取上述各个模板中3*3模板（对应4邻域模板）进行比对，可以发现加权模板是效果最好的，有效的滤去了噪声，得到的图像的对比度和灰度值都与原图像相仿；4邻域模板的效果其次，基本滤去了噪声，得到的图像的灰度值与原图像相比偏低，伴有一些细节上的损失；高斯模板无效果，输出的图像与原图一致。
实验感想：
高斯模板对椒盐噪声的处理无效果，这个让我考虑了很久。
我不太明白为什么会没有效果。
我认为高斯模板应该会带来一些“负优化”，但是没有看到。
可能有时间我还得学习这些模板的相关算法，才能加以理解。
（3）频域低通滤波器（不同滤波器模型、不同截止频率）
%频域低通滤波器（不同滤波器模型、不同截止频率）
clc;
clearall;
closeall;
I=imread（'lenna_pepper.png'）;
f1=im2double（I）;
F1=fft2（double（f1））;%傅里叶变换
F1=fftshift（F1）;%将变换的原点移到频率矩形的中心
[M,N]=size（f1）;
f2=double（I）;
F2=fft2（f2）;%傅里叶变换
F2=fftshift（F2）;%将变换的原点移到频率矩形的中心
%理想低通滤波
D0=input（'输入截止频率'）;
H1=zeros（M,N）;
fori=1:
M
forj=i:
N
if（sqrt（（（i-M/2）^2+（j-N/2）^2））H1（i,j）=1;
end
end
end
H2=F1.*H1;
H2=ifftshift（H2）;
H3=real（ifft2（H2））;
%巴特沃斯低通滤波
n=input（'巴特沃斯滤波器的阶数n='）;
n1=fix（M/2）;
n2=fix（N/2）;
fori=1:
M
forj=1:
N
d=sqrt（（i-n1）^2+（j-n2）^2）;
B=1/（1+0.414*（d/D0）^（2*n））;
B1（i,j）=B*F2（i,j）;
end
end
B1=ifftshift（B1）;
B2=ifft2（B1）;
B3=uint8（real（B2））;
%绘图
subplot（1,3,1）;imshow（I）;title（'原图'）;
subplot（1,3,2）;imshow（H3）;title（'理想低通滤波'）;
subplot（1,3,3）;imshow（B3）;title（'巴特沃斯低通滤波'）;
当输入截止频率20
巴特沃斯滤波器的阶数n=2时
输出的图像：
图15
当输入截止频率40
巴特沃斯
升级会员 