数字图像处理大作业.docx

数字图像处理大作业.docx

《数字图像处理大作业.docx》由会员分享，可在线阅读，更多相关《数字图像处理大作业.docx（15页珍藏版）》请在冰豆网上搜索。

数字图像处理大作业

数字图像处理实验报告

学院：

信息学院

专业：

电科1004班

姓名：

学号：

辅导老师：

完成日期：

2013年6月29日

空域图像增强

实验要求:

（1）选择若干图像（两幅以上），完成直方图均衡化。

（2）选择若干图像（两幅以上），对图像文件分别进行均值滤波、中值滤波和拉普拉斯锐化滤波操作。

（3）添加噪声，重复上述过程观察处理结果。

实验原理：

（1）图像增强是图像处理的基本内容之一，图像增强是指按特定的需要突出一幅

图像中的某些信息，同时削弱或去除某些不需要信息的处理方法，其目的是

使得处理后的图像对某种特定的应用，比原始图像更合适。

处理的结果使图

像更适应于人的视觉特性或机器的识别系统。

图像增强主要可分为三类:

频

域图像增强方法、小波域图像增强方法、空域图像增强方法。

（2）空域图像增强主要包括:

直方图均衡化、平滑滤波和锐化滤波等方法。

（3）直方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法。

这种方法通常用来增加许多图像的局部对比度，尤其是当图像的有用数据的对比度相当接近的时候。

通过这种方法，亮度可以更好地在直方图上分布。

这样就可以用于增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效地扩展常用的亮度来实现这种功能。

直方图均衡化的基本思想是把原始图的直方图变换为均匀分布的形式，这样就增加了象素灰度值的动态范围从而可达到增强图像整体对比度的效果。

（4）平滑滤波是低频增强的空间域滤波技术。

它的目的有两类：

一类是模糊；另一类是消除噪音。

空间域的平滑滤波一般采用简单平均法进行，就是求邻近像元点的平均亮度值。

（5）均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标象素为中心的周围8个象素，构成一个滤波模板，即去掉目标象素本身）。

再用模板中的全体像素的平均值来代替原来像素值。

均值滤波也称为线性滤波，其采用的主要方法为邻域平均法。

线性滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点（x，y），选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点（x，y），作为处理后图像在该点上的灰度个g（x，y），即个g（x，y）=1/m∑f（x，y）m为该模板中包含当前像素在内的像素总个数。

（6）中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。

方法是用某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升（或下降）的为二维数据序列。

二维中值滤波输出为g（x,y）=med{f（x-k,y-l）,（k,l∈W）}，其中,f（x,y），g（x,y）分别为原始图像和处理后图像。

W为二维模板，通常为2*2，3*3区域，也可以是不同的的形状，如线状，圆形，十字形，圆环形等。

（7）拉式算子是一个刻画图像灰度的二阶商算子，它是点、线、边界提取算子，亦称为边界提取算子。

通常图像和对他实施拉式算子后的结果组合后产生一个锐化图像。

拉式算子用来改善因扩散效应的模糊特别有效，因为它符合降制模型。

拉普拉斯算子也是最简单的各向同性微分算子，具有旋转不变性。

一个二维图像函数的拉普拉斯变换是各向同性的二阶导数，定义为：

为了更适合于数字图像处理，将拉式算子表示为离散形式：

另外，拉普拉斯算子还可以表示成模板的形式，如下图

（1）所示，为离散拉普拉

斯算子的模板，图

（2）表示其扩展模板。

图

（1）图

（2）

从模板形式容易看出，如果在图像中一个较暗的区域中出现了一个亮点，那么用

拉普拉斯运算就会使这个亮点变得更亮。

因为图像中的边缘就是那些灰度发生跳

变的区域，所以拉普拉斯锐化模板在边缘检测中很有用。

一般增强技术对于陡峭

的边缘和缓慢变化的边缘很难确定其边缘线的位置。

但此算子却可用二次微分正

峰和负峰之间的过零点来确定，对孤立点或端点更为敏感，因此特别适用于以突

出图像中的孤立点、孤立线或线端点为目的的场合。

同梯度算子一样，拉普拉斯

算子也会增强图像中的噪声，有时用拉普拉斯算子进行边缘检测时，可将图像先

进行平滑处理。

实验步骤及结果：

1.图像的直方图均衡化

clearall;closeall%清除窗口

I=imread（'pout.tif'）;%读入图像

imshow（I）%显示原图像

figure,imhist（I）%获取图像数据直方图

[I2,T]=histeq（I）;%将原始图像I的直方图变成用户指定的向量

figure,imshow（I2）%Displaythenewequalizedimage,I2,inanewfigurewindow.

figure,imhist（I2）%CreateahistogramoftheequalizedimageI2.

figure,plot（（0:

255）/255,T）;%plotthetransformationcurve.

imwrite（I2,'图像2.png'）;%WritethenewlyadjustedimageI2toadiskfilenamed

%‘图像2.png’.

imfinfo（'图像2.png'）%Checkthecontentsofthenewlywrittenfile

2.图像的均值滤波

I=imread（'D:

\2.jpg'）;

subplot（2,3,1）,imshow（I）,title（'原始图像'）;

I=rgb2gray（I）;

I1=imnoise（I,'gaussian',0,0.005）;

subplot（2,3,2）,imshow（I1）,title（'添加高斯噪声的图像'）;

k1=filter2（fspecial（'average',3）,I1）/255;%进行3*3模板平滑滤波

k2=filter2（fspecial（'average',5）,I1）/255;%进行5*5模板平滑滤波

k3=filter2（fspecial（'average',7）,I1）/255;%进行7*7模板平滑滤波

k4=filter2（fspecial（'average',9）,I1）/255;%进行9*9模板平滑滤波

subplot（2,3,3）,imshow（k1）;title（'3*3模板平滑滤波'）;

subplot（2,3,4）,imshow（k2）;title（'5*5模板平滑滤波'）;

subplot（2,3,5）,imshow（k3）;title（'7*7模板平滑滤波'）;

subplot（2,3,6）,imshow（k4）;title（'9*9模板平滑滤波'）;

3.图像的中值滤波

I=imread（'NBA.jpg'）;

I=rgb2gray（I）;

J=imnoise（I,'salt&pepper',0.02）;

subplot（2,3,1）,imshow（I）;title（'原图像'）;

subplot（2,3,2）,imshow（J）;title（'添加椒盐噪声图像'）;

k1=medfilt2（J）;%进行3*3模板中值滤波

k2=medfilt2（J,[5,5]）;%进行5*5模板中值滤波

k3=medfilt2（J,[7,7]）;%进行7*7模板中值滤波

k4=medfilt2（J,[9,9]）;%进行9*9模板中值滤波

subplot（2,3,3）,imshow（k1）;title（'3*3模板中值滤波'）;

subplot（2,3,4）,imshow（k2）;title（'5*5模板中值滤波'）;

subplot（2,3,5）,imshow（k3）;title（'7*7模板中值滤波'）;

subplot（2,3,6）,imshow（k4）;title（'9*9模板中值滤波'）;

4.图像的拉普拉斯锐化滤波

[I,map]=imread（'D:

\7.jpg'）;

imshow（I,map）;title（'原始图像'）;

I=double（I）;

[Gx,Gy]=gradient（I）;%计算梯度

G=sqrt（Gx.*Gx+Gy.*Gy）;%注意是矩阵点乘

J=I;

K=find（G<=7）;

J（K）=0;

Q=find（G>=7）;

J（Q）=255;

figure,imshow（J,map）;title（'锐化后图像'）;