实验图像增强和图像分割实验.docx
《实验图像增强和图像分割实验.docx》由会员分享，可在线阅读，更多相关《实验图像增强和图像分割实验.docx（38页珍藏版）》请在冰豆网上搜索。
实验图像增强和图像分割实验
实验一图像增强和图像分割实验
（1）分别用图中给出的直线和曲线作为增强函数进行增强，比较它们的效果并讨论其特点。
线性变换对指数变换
图片1图片2
实验步骤：
1.在MATLAB中编写灰度图像的线性变换点运算程序
图片1处理程序
I=imread（'图片1.png'）;
%读入原图像
I=im2double（I）;
%转换数据类型为double
[M,N]=size（I）;
figure
（1）;
imshow（I）;%显示原图像
title（'原图像'）;
figure
（2）;
I=rgb2gray（I）;
%转化为灰度图像
[H,x]=imhist（I,64）;
stem（x,（H/M/N）,'.'）;
title（'原图像'）;
%tan=30`
a=sqrt（3）/3;b=0;
y=a.*I+b;
figure（3）;
imshow（y）;
title（'tan=30'）;
figure（4）;
[H,x]=imhist（y,64）;
stem（x,（H/M/N）,'.'）;
title（'tan=30'）;
%tan=45`
a=1;b=0;
y=a.*I+b;
figure（5）;
imshow（y）;
title（'tan=45'）;
figure（6）;
[H,x]=imhist（y,64）;
stem（x,（H/M/N）,'.'）;
title（'tan=45'）;
%tan=60`
a=sqrt（3）;b=0;
y=a.*I+b;
figure（7）;
imshow（y）;
title（'tan=60'）;
figure（8）;
[H,x]=imhist（y,64）;
stem（x,（H/M/N）,'.'）;
title（'tan=60'）;
实验结果如下图所示：
图片1的原图像
图片1的30度线性变换图像
图片1的45度线性变换图像
图片1的60度线性变换图像
原图像的直方图30度变换后直方图
45度变换后的直方图60度变换后直方图
图片2处理程序参考图片1处理程序。
图片2实验结果如图所示：
图片2原图像
30度变换后图像
45度变换后图像
60度变换后图像
2.实验结果分析
由实验结果可以看出，当按照30度线性变换后图像变暗，按照45度变换后图像没有任何改变，按照60度变换后图像变亮，由变换后的直方图可以确认像素点的变化。
由以上分析可以得出，当线性变换函数的斜率大于1时，图像的对比度将增大；当线性变换的斜率小于时，图像的对比度将减小；当线性变换函数的斜率等于1时，图像的对比度不变，只是像素点整体的移动。
虽然线性变换可以改变对比度，但是对图像的细节部分增强有限。
1.在MATLAB中编写灰度图像的对指数点运算程序
图片1对数处理程序：
I=imread（'图片1.png'）;
%读入原图像
I=im2double（I）;
%转换数据类型为double
I=rgb2gray（I）;
figure
（1）;
imshow（I）;
%显示原图像
title（'原图像'）;
figure（3）;
[H,x]=imhist（I,64）;
stem（x,（H/M/N）,'.'）;
title（'原图像'）;
figure
（2）;
y=log（I+1）;
imshow（I）;
title（'对数变换'）;
figure（4）;
[H,x]=imhist（y,64）;
stem（x,（H/M/N）,'.'）;
title（'对数变换'）;
实验结果如下图所示：
图片1直方图图片1对数变换直方图
对数变换后图像
图片1指数处理程序：
I=imread（'图片1.png'）;
%读入原图像
I=im2double（I）;
%转换数据类型为double
I=rgb2gray（I）;
[M,N]=size（I）;
figure
（1）;
imshow（I）;
%显示原图像
title（'原图像'）;
figure（3）;
[H,x]=imhist（I,64）;
stem（x,（H/M/N）,'.'）;
title（'原图像'）;
figure
（2）;
imshow（imadjust（I,[],[],3））;
figure（4）;
[H,x]=imhist（imadjust（I,[],[],4）,64）;
stem（x,（H/M/N）,'.'）;
title（'指数变换'）;
实验结果如下图所示：
图片1直方图指数变换后直方图
图片1指数变换后图像
图片2对指数处理程序参考图片1处理程序。
对指数处理结果如图所示：
图片2指数变换后图像
图片2直方图指数变换后直方图
对数变换后直方图
图片2对数变换后图像
2.实验结果分析
A、对数变换
采用对数变换，当函数自变量为低值时，曲线斜率很高；自变量为高值时，曲线斜率变小。
由变换后图像和直方图可以得出，对数变换是增强图像中较暗的细节，从而可用来扩展被压缩的高值图像中较暗的像素。
B、指数变换
对数变换采用的是伽玛变换（γ>1），同理图像的高灰度区域对比度得到增加。
因为伽玛变换变换不是线性变换，不仅可以改变图像的对比度，还能够增强细节，从而带来整体图像效果的增强和改善。
（2）分别用Roberts算子、Sobel算子、LoG算子和Canny算子进行边缘检测，比较它们的效果并讨论其特点；
图片3图片4
实验步骤：
1.在MATLAB中编写检测程序
I=imread（'图片3.png'）;
bw1=edge（I,'roberts'）;
bw2=edge（I,'sobel'）;
bw3=edge（I,'log'）;
bw4=edge（I,'canny'）;
figure
（1）;imshow（I）;title（'原图像'）;
figure
（2）;imshow（bw1）;title（'roberts'）;
figure（3）;imshow（bw2）;title（'sobel'）;
figure（4）;imshow（bw3）;title（'log'）;
figure（5）;imshow（bw4）;title（'canny'）;
实验结果如图所示：
图片3经过roberts算子检测的图像
图片3经过sobel算子检测的图像
图片3经过LoG算子检测的图像
图片3经过canny算子检测的图像
图片4处理程序参考图片3处理程序。
实验结果如下图所示：
roberts处理后图像sobel处理后图像
LoG处理后图像canny处理后图像
2.实验结果分析
由实验结果可以看出：
Roberts利用局部差分算子寻找边缘，边缘定位精度较高，但是容易丢失一部分边缘，同时由于图像没经过平滑处理，因此不具备抑制噪声的能力，所以对含噪声少的图像的处理效果较好；
Sobel算子考虑了邻域信息，相当于对图像先做加权平滑处理，然后再做微分运算，虽然能够对噪声有抑制效果，但不能完全排除检测结果中出现的虚假边缘。
对边缘定位准确，但检测出的边缘容易出现多像素宽度；
LoG算子即高斯-拉普拉斯算子，克服了拉普拉斯抗噪声比较差的缺点，但在抑制噪声的同时也可能将原有的比较尖锐的边缘也平滑掉，造成这些尖锐的边缘无法被检测到，但是相对于Roberts算子和Sobel算子处理结果稍好;
Canny算子：
在图像边缘检测中，抑制噪声和边缘精确定位是无法同时瞒足的，Canny算子在力图在抗干扰和精确定位之间寻求最佳的折中方案。
由图像处理结果可以看出，效果较前三者边缘更细腻、清楚。
从边缘定位的精度看：
Roberts算子和LoG算子定位精度更高。
从对不同方向边缘的敏感性而言：
Sobel算子检测斜向阶跃边缘效果较好；Roberts算子检测水平和垂直边缘效果较好；LoG算子不具备边缘方向检测能力；Soberl算子可以提供最精确的边缘方向估计。
从去噪能力看：
Roberts算子和LoG算子虽然定位精度较高，但受噪声影响大。
从总体效果来衡量，Canny算子给出了一种边缘定位精确性和抗噪声干扰性的较好折中。
（3）采用不同阈值化方法（固定阈值、迭代阈值、Otsu阈值等）对图像进行分割，比较它们的效果并讨论其特点；
图片5图片6
实验步骤：
1.固定阈值：
I=imread（'图片5.png'）;
figure
（1）;imshow（I）;title（'原图像'）;
figure
（2）;imhist（I）;title（'直方图'）;
i=1;j=1;
fori=1:
1:
256
forj=1:
1:
256
if（I（i,j）<=129）
I（i,j）=0;
elseI（i,j）=255;
end
end
end
figure（3）;imshow（I）;title（'129阈值'）;
图片5直方图取129阈值分割
图片6处理过程参考图片5。
实验结果如图所示：
图片6直方图取83阈值分割
2.迭代阈值：
I=imread（'图片5.png'）;
ZMAX=max（max（I））;%取出最大灰度值
ZMIN=min（min（I））;%取出最小灰度值
TK=（ZMAX+ZMIN）/2;
bcal=1;
ISIZE=size（I）;%读出图像大小
while（bcal）
iForeground=0;%定义前景和背景数
iBackground=0;
ForegroundSum=0;
%定义前景和背景灰度总和
BackgroundSum=0;
fori=1:
ISIZE
（1）
forj=1:
ISIZE
（2）
tmp=I（i,j）;
if（tmp>=TK）
iForeground=iForeground+1;
ForegroundSum=ForegroundSum+double（tmp）;
%前景灰度值
else
iBackground=iBackground+1;
BackgroundSum=BackgroundSum+double（tmp）;
end
end
end
ZO=ForegroundSum/iForeground;
%计算前景和背景的平均值
ZB=BackgroundSum/iBackground;
TKTmp=uint8（ZO+ZB）/2;
if（TKTmp==TK）
bcal=0;
else
TK=TKTmp;
end
%当阈值不再变化的时候，说明迭代结束
end
disp（strcat（'迭代后的阀值：
',num2str（double（TK））））;
%显示最终阈值
newI=im2bw（I,double（TK）/255）;
figure
（1）;imshow（I）;title（'原始图像'）;
figure
（2）;imshow（newI）;title（'迭代法分割'）
实验结果：
迭代后的阀值：
128
图片5迭代分割
图片6处理过程同上，实验结果如图所示：
迭代后的阀值：
104
图片6迭代分割
3.Otsu阈值：
I=imread（'图片5.png'）;
level=graythresh（I）;
BW=im2bw（I,level）;
figure
（1）;imshow（I）;title（'原图像'）;
figure
（2）;imshow（BW）;title（'otsu'）;
实验结果：
Level=0.5137
Otsu阈值分割
图片6处理过程同上，实验结果如下：
Level=0.4039；
Otsu阈值分割
4.实验结果分析
固定阈值：
由图片5和图片6的处理结果看出，固定阈值适合具有明显双峰的图像，但是当两个峰值相差很远时不适用，而且容易受到噪声的干扰，进而导致阈值的选取误差。
又因为直方图是各灰度的像素统计，其峰值和谷底并不一定代表目标和背景，所以没有图像其他方面的知识，只靠直方图进行图像分割是不一定准确的。
迭代阈值：
基本思想是：
开始选择一个阈值作为初始值，然后按照某种方法不断更新这个阈值，直到满足给定的条件为止。
由处理结果可以看出，迭代阈值法不需要再依靠直方图或其他方法给出分割阈值，就能够很好的分割图像。
对于图片6效果不是很好。
Otsu阈值：
Otsu阈值又称最大类间方差法，函数Graythresh可以自适应地确定变换所用的最优阈值。
由图像处理结果可以看出，对于简单图像处理效果稍好，但是对于复杂图像的处理效果不好，常常给物体的边缘带来误差。
（4）对于2幅不同的纹理图像，计算其灰度共生矩阵及相关的二次统计量（能量、惯性、相关性、熵等），并比较有何不同？
从这些统计量中可以看出纹理图像有何特点？
图片7图片8
实验步骤：
1.实验程序
%基于共生矩阵纹理特征提取，d=1,θ=0°,45°,90°,135°共四个矩阵
%所用图像灰度级均为256
Gray=imread（'图片7.png'）;
[M,N]=size（Gray）;
I=zeros（M,N）;
I=（Gray-rem（Gray,8））/8;
figure
（1）;imshow（Gray,[]）;
title（'256*256'）;figure（3）;imhist（Gray）;
figure
（2）;imshow（I,[]）;
title（'8*8'）;figure（4）;imhist（I）;
%--------------------------------------------
%计算四个共生矩阵P,取距离为1，角度分别为0,45,90,135
%--------------------------------------------
P=zeros（8,8,4）;
form=1:
8
forn=1:
8
fori=1:
M
forj=1:
N
ifjP（m,n,1）=P（m,n,1）+1;
P（n,m,1）=P（m,n,1）;
end
ifi>1&jP（m,n,2）=P（m,n,2）+1;
P（n,m,2）=P（m,n,2）;
end
ifiP（m,n,3）=P（m,n,3）+1;
P（n,m,3）=P（m,n,3）;
end
ifiP（m,n,4）=P（m,n,4）+1;
P（n,m,4）=P（m,n,4）;
end
end
end
ifm==n
P（m,n,:
）=P（m,n,:
）*2;
end
end
end
%%-------------------------------------------
%对共生矩阵归一化
%%-------------------------------------------
forn=1:
4
P（:
:
n）=P（:
:
n）/sum（sum（P（:
:
n）））;
end%----------------------------------------
%4.对共生矩阵计算能量、熵、惯性矩、相关4个纹理参数
%--------------------------------------------
H=zeros（1,4）;
I=H;
Ux=H;Uy=H;
deltaX=H;deltaY=H;
C=H;
forn=1:
4
E（n）=sum（sum（P（:
:
n）.^2））;%%能量
fori=1:
8
forj=1:
8
ifP（i,j,n）~=0
H（n）=-P（i,j,n）*log（P（i,j,n））+H（n）;%%熵
end
I（n）=（i-j）^2*P（i,j,n）+I（n）;
%%惯性矩
Ux（n）=i*P（i,j,n）+Ux（n）;
%相关性中μx
Uy（n）=j*P（i,j,n）+Uy（n）;
%相关性中μy
end
end
end
forn=1:
4
fori=1:
8
forj=1:
8
deltaX（n）=（i-Ux（n））^2*P（i,j,n）+deltaX（n）;%相关性中σx
deltaY（n）=（j-Uy（n））^2*P（i,j,n）+deltaY（n）;%相关性中σy
C（n）=i*j*P（i,j,n）+C（n）;
end
end
C（n）=（C（n）-Ux（n）*Uy（n））/deltaX（n）/deltaY（n）;%相关性
end
%--------------------------------------------
%求能量、熵、惯性矩、相关的均值和标准差作为最终8维纹理特征
%--------------------------------------------
b1=sqrt（cov（E））;a1=mean（E）;
b2=sqrt（cov（H））;a2=mean（H）;
b3=sqrt（cov（I））;a3=mean（I）;
b4=sqrt（cov（C））;a4=mean（C）;
sprintf（'0,45,90,135方向上的能量依次为：
%f,%f,%f,%f',E
（1）,E
（2）,E（3）,E（4））%输出数据;
sprintf（'0,45,90,135方向上的熵依次为：
%f,%f,%f,%f',H
（1）,H
（2）,H（3）,H（4））%输出数据;
sprintf（'0,45,90,135方向上的惯性矩依次为：
%f,%f,%f,%f',I
（1）,I
（2）,I（3）,I（4））%输出数据;
sprintf（'0,45,90,135方向上的相关性依次为：
%f,%f,%f,%f',C
（1）,C
（2）,C（3）,C（4））%输出数据;
2.实验结果如下所示：
图片7的结果：
ans=
0,45,90,135方向上的能量依次为：
0.170495,0.143078,0.164191,0.141377
ans=
0,45,90,135方向上的熵依次为：
2.223837,2.366822,2.239749,2.389057
ans=
0,45,90,135方向上的惯性矩依次为：
0.671650,0.907801,0.640556,0.982820
ans=
0,45,90,135方向上的相关性依次为：
0.672787,0.543289,0.677332,0.507081
共生矩阵：
P（:
:
1）=
00000000
00000000
00000000
0000.00170.00360.00170.00030.0006
0000.00360.02210.02930.01020.0019
0000.00170.02930.07810.05370.0197
0000.00030.01020.05370.11520.0941
0000.00060.00190.01970.09410.3527
P（:
:
2）=
00000000
00000000
00000000
00000.00350.00390.00070.0007
0000.00350.01840.03260.01600.0064
0000.00390.03260.08010.05640.0262
0000.00070.01600.05640.09500.1018
0000.00070.00640.02620.10180.3099
P（:
:
3）=
00000000
00000000
00000000
0000.00190.00440.00190.00060.0003
0000.00440.02460.03250.00790.0022
0000.00190.03250.08400.05810.0148
0000.00060.00790.05810.11050.0960
0000.00030.00220.01480.09600.3411
P（:
:
4）=
00000000
00000000
00000000
00000.00290.00390.00210.0007
0000.00290.01500.03580.01720.0057
0000.00390.03580.07440.05760.0326
0000.00210.01720.05760.08590.0981
0000.00070.00570.03260.09810.3114
图片8的结果：
ans=
0,45,90,135方向上的能量依次为：
0.375000,1.000000,0.375000,NaN
ans=
0,45,90,135方向上的熵依次为：
1.039721,0.000000,1.039721,NaN
ans=
0,45,90,135方向上的惯性矩依次为：
0.500000,0.000000,4.500000,NaN
ans=
0,45,90,135方向上的相关性依次为：
-1.777778,NaN,-0.197531,NaN
共生矩阵：
P（:
:
1）=
00000000
00000000
00000000
00000000
00000000
00000000
00000000.2500
0000000.25000.5000
P（:
:
2）=
00000000
00000000
00000000
00000000
00000000
00000000
升级会员 