数字图像处理综合作业2.docx
《数字图像处理综合作业2.docx》由会员分享，可在线阅读，更多相关《数字图像处理综合作业2.docx（34页珍藏版）》请在冰豆网上搜索。
数字图像处理综合作业2
综合作业二
（春季学期）
一．对X1照片图像增强
1.1直方图增强
1.1.1直方图拉伸增加对比度
为了增强图像，观察x1，我们考虑增加图像的对比度，看是否能使图像更清晰。
具体的编程思路是，读入x1图像，运用matlab自带的imadjust函数，对比所得结果，具体程序见附录1.1.1（a），实验结果见图1.1.1
（1）。
1.1.1（a）
结论：
由图1.1.1（a）对比发现，左右两边基本没有区别，基本没有图像增强效果。
我们考虑到运用imadjust函数可以得到原图的负片，即将原灰度图白色的地方变成黑色，黑色的地方变成白色，这种效果可能使X1图像自身对比更鲜明，起到图像增强的作用，具体程序见附录1.1.1
（2），实验结果见图1.1.1（b）。
1.1.1（b）
结论：
由图1.1.1（b）的对比发现，从人眼的视觉角度来看，右图比起左图，在感官上比较舒适，似乎有点图像增强的意思，但总体上，效果还不是很好。
1.1.2直方图均衡
在第三章的作业习题里，我们已经接触过直方图均衡，它是一种利用图像直方图对对比度进行调整的方法，也是图像增强常用的方法之一。
我们的编程思路是运用matlab中自带的一些函数对原图进行处理，具体程序见附录1.1.2，实验结果见图1.1.2。
1.1.2
结论：
由图1.1.2的对比，我们可以发现直方图均衡化后的图像整体变亮，图片中部分位置变得清晰一些，部分位置灰度值过高，图像有些发白，没有得到好的图像增强效果，甚至发白部位阻碍医生观察骨骼细节。
原因是因为这种方法对处理的数据不加选择，当原图的直方图有高峰时，经处理后对比度会不自然的过分增强。
1.2伪彩色增强
1.2.1等密度分割法
对图像中各像元亮度值进行统计，确定其最小值和最大值，确定分割的等级N，计算出分割的间隔再对输入图像的每一个像元进行亮度转换，为像元新值赋色。
（1）matlab自带函数grayslice（I，n）（源程序：
color1.m）
将灰度图X1均匀量化为n个等级，然后利用jet映射将其转化为伪彩色图像x。
程序见附录1.2.1
（1）
1.2.1（a）N=8
1.2.1（b）N=64
1.2.1（c）n=256
分析：
由上面三组图像可知，当分割等级越大，所呈现的效果越好。
（2）自编程序（源程序：
color2.m）
将图像X1按灰度分为11份
R=0：
256间隔为256/10
G=0到256再到0间隔为256/5
B=256：
0间隔为256/10
1.2.1（d）
分析：
从上面各图的分析我们知道n越大，效果越好。
但对比利用grayslice（I，n）函数n=8时的效果，自编程序n=11时的效果没有很好，可能是颜色映射不恰当，导致效果不好。
1.2.2多波段合成伪彩色显示
（源程序：
color.m）
对同一幅图像在不同波长获得多幅图像，可采用多种变换方式，最后合成R、G、B图像进而形成为彩色图像显示。
在这里使用分段线性映射法。
实验结果见1.2.2.程序见附录1.2.2.
1.2.2
分析：
对比利用密度分割法产生的效果，多波段合成伪彩色显示法的效果不是很好，反而将图像变得更加模糊。
结论：
通过对图像进行伪彩色处理，主要得出以下两点。
（1）对图像进行伪彩色处理时，不同的伪彩色处理方法有不同的效果，要选择合适的处理方法。
（2）不同的颜色映射法也有不同的效果，根据图像选择合适的颜色映射法。
二．对x2照片图像增强
2.1滤波
首先我们先分别观察一下X2的在MATLAB中的原始图像和频谱分布情况。
因为我们观察到X2是彩色图，所以我们需要利用rgb2gray函数将它转换成灰度图再进行处理。
X2的原始图像和频谱分布图如下图2.1所示：
2.1
我们观察到X2的灰度图存在较严重的椒盐噪声，其频谱图也存在一个十字叉的亮线，但是围绕中间亮点又有一个矩型噪声。
综上，X2存在明显的噪声近似于椒盐噪声，所以我们先采用“广撒网，捞大鱼”的方法进行筛选，尝试使用不同类型的滤波器对X2进行滤波处理，分析对比哪种滤波器的滤波效果最好，然后再选择滤波效果最好的滤波器进行各种参数设置，使其滤波效果最好。
2.1.1各种滤波器
在这里我们使用了高斯低通滤波器，均值滤波器，中值滤波器，自适应滤波器，二维统计顺序滤波器，二阶Butterworth滤波器分别对X2图像进行滤波。
程序见附录2.1.1
各种滤波结果如下图2.1.1所示：
高斯低通滤波均值滤波
中值滤波自适应滤波
二维统计顺序滤波二阶butterworth滤波
2.1.1
结论：
对比分析后我们发现，中值滤波对于去除噪声效果最好，第二好的是二阶butterworth滤波，而自适应滤波去除效果则较差。
所以接下来我们针对中值滤波器和二阶butterworth滤波器进行详细的参数设置，通过多次试验使其达到最好的效果。
2.1.2中值滤波
因为观察X2的原始图像和频谱分布图，我们发现X2存在很明显的椒盐噪声，所以我们可以预见到使用中值滤波对X2进行处理后会有明显的改善。
基本思路是先读入待处理图像，因为我们到观察X2是彩色图，所以我们需要利用rgb2gray函数先将它转换成灰度图，再利用中值滤波器对其进行平滑滤波，分别使用3*3窗口，5*5窗口，7*7窗口，11*11窗口进行处理，分析比较处理结果。
程序见附录2.1.2
X2的处理结果如下图2.1.2所示：
3*3窗口中值滤波7*7窗口中值滤波
11*11窗口中值滤波13*13窗口中值滤波
2.1.2
结论：
正如预想的那样，中值滤波对X2会产生明显的效果。
中值滤波对于去除椒盐噪声效果明显，是因为椒盐噪声只在画面上的部分点随机出现，而中值滤波根据数据排序，将未被污染的点代替噪声点的值的概率较大，所以抑制效果好。
但是当我们选择的窗口较小时噪声依然比较严重，当我们把窗口加到11*11时只存在少数噪声，当我们把窗口加到13*13时，噪声基本消除，虽然一些细节也模糊了，但是效果最好。
2.1.3二阶butterworth滤波
基本步骤与中值滤波相似，这里不再赘述。
但是，我们认为二阶butterworth滤波应该达不到中值滤波的效果。
另外，二阶butterworth滤波需要修改与原点的距离d0,来实现最优效果,下图2.1.3分别展示了在d0=10，12,14,16,18,20时的情况。
程序见附录2.1.3
d0=10d0=12
d0=14d0=16
d0=18d0=20
2.1.3
结论：
显而易见，无论我们怎么修改参数d0，其结果始终没有中值滤波好。
同时，我们发现就X2图像而言，当d0=14左右时，二阶butterworth滤波器的效果是最好的。
因此，为了达到对X2图像最好的处理效果，我们选择了中值滤波器进行滤波处理。
2.2直方图增强
由于在之前1.1的
（1）中，我们发现通过直方图拉伸来增加对比度的方法几乎没有任何作用，所以对X2不再重复。
因为x2明显存在噪声，所以我们对2.1中去噪后的图进行直方图均衡化处理，具体程序见附录2.2，实验结果见图2.2。
2.2
结论：
观察并对比图2.2，我们发现，中值滤波去噪后的图像再做均衡化处理，泛白情况非常严重，严重损害了图像质量，所以直方图均衡的方法不能用于x2图像的增强。
三．边缘提取与增强
图像的边缘部分对应图像上灰度变化剧烈的区域。
图像的边缘提取有多种方法，可以采用一阶微分算子，如sobel算子，Roberts算子，Prewitt算子，Canny算子。
也可以采用二阶微分算子，如Laplacian算子。
各种算子都有对应的优缺点，Sobel算子检测方法对灰度渐变和噪声较多的图像处理效果较好，但Sobel算子对边缘定位不是很准确，图像的边缘不止一个像素。
Roberts算子检测方法对具有陡峭的低噪声的图像处理效果较好，但是利用roberts算子提取边缘的结果是边缘比较粗，因此边缘的定位不是很准确。
Prewitt算子检测方法对灰度渐变和噪声较多的图像处理效果较好。
但边缘较宽，而且间断点多。
Laplacian算子法对噪声比较敏感，所以很少用该算子检测边缘，而是用来判断边缘像素视为与图像的明区还是暗区。
Canny方法不容易受噪声干扰，能够检测到真正的弱边缘。
优点在于，使用两种不同的阈值分别检测强边缘和弱边缘，并且当弱边缘和强边缘相连时，才将弱边缘包含在输出图像，它是目前边缘检测最常用的算法，效果也是最理想的。
3.1对x1边缘提取与复合
3.1.1对x1边缘提取
根据上述对边缘提取的分析，我们编写了各个边缘提取的程序，希望找到一个最好的边缘提取函数，进而得到最好的图像增强效果。
X1的具体程序见附录3.1.1，实验结果见图3.1.1。
3.1.1
观察对比图3.1.1，可以很明显地发现Canny方法提取的边缘效果最好，这个结果符合我们之前的分析，所以接下来的复合边缘，我们都采取Canny方法。
3.1.2对x1边缘复合
因为对x1做直方图均衡化后，部分图像由于对比度过高而泛白，不但没有增强图像，还损害了图像的部分细节，所以复合时不再考虑叠加均衡化后的图，所以我们的思路是将canny边缘提取图叠加在原图上，进行边缘复合。
具体程序见附录3.1.2，实验结果见图3.1.2。
3.1.2
结论：
观察并分析3.1.2，利用canny算子提取边缘后的图像与原图进行叠加，复合后的图像轮廓更加清晰，对比度明显增强，达到了图像增强的效果。
但是提取的边缘过多，很多细节被模糊了，总体效果不是很理想，这是我们需要解决的问题，但是目前还没找到更好的办法。
3.2对x2边缘提取与复合
3.2.1直接对原图x2边缘提取
因为x2是彩色图，所以要对其进行灰度转化，其他操作思路同x1。
x2的具体程序见附录3.2.1，实验结果见图3.2.1。
3.2.1
结论：
观察对比图3.2.1，同图3.1.1一样，也可以很明显地发现Canny方法提取的边缘效果最好，所以接下来的复合边缘，我们也就只采取Canny方法进行图像增强。
此外，我们还发现，在提取边缘的同时，我们把噪声也当边缘提取了。
这是因为原图X2有明显的噪声存在，我们在提取边缘时，是提取图像上灰度变化剧烈的区域，自然就会把噪声也提取出来，这是我们不希望看到的，所以在提取边缘之前需要对输入图像X2进行消除噪声的处理。
3.2.2去噪后边缘提取
具体的思路是：
前面我们已经对x2滤波进行去噪处理，发现13*13的中值滤波器具有最好的效果，而且canny算子具有最好的边缘提取效果。
所以我们将采用该尺寸的中值滤波器，对滤波后所得的图，进行canny边缘提取。
具体程序见附录3.2.2，实验结果见图3.2.2。
3.2.2
观察对比图3.2.2，很明显，去噪后得到的边缘图就是我们所需要的。
3.2.3对x2边缘复合
因为直方图均衡不仅不能增强x2,反而由于对比度过高，损害了图像细节，所以复合时，不再考虑叠加直方均衡图。
在前面，我们成功的得到了中值滤波去噪后的图和去噪后的边缘提取图，接下来我们的思路是将这两幅图叠加，来增强图像。
具体程序见附录3.2.3，实验结果见图3.2.3。
3.2.3
结论：
观察对比图3.2.3，利用canny算子提取边缘后的图像与原图进行叠加，复合后的图像轮廓更加清晰，很多原来模糊的细节可被肉眼直接观察，比如复合后的图像中指甲也清晰可见。
但是手腕关节处的骨骼由于过多的细节提取被掩盖。
不过总体效果比较理想，图像的对比度明显增强。
作业合作说明
我们三个（厉宏兰，徐节速，李倩）都来自XX天光所，但是之前从未接触过MATLAB编程以与图像处理的相关内容，所以此次作业我们选择了一起合作探讨，相互学习。
徐节速同学主要做了直方图增强以与边缘函数提取复合，李倩同学主要做了图像的伪彩色增强，厉宏兰同学主要做了图像滤波去噪工作。
最后一起讨论了处理结果，利用了各自的最优算法对图像进行了最后的综合处理。
附录：
1.1.1
（1）
f=imread（'C:
\Users\Administrator\Desktop\X1.tif'）;
f1=imadjust（f,stretchlim（f）,[]）;
subplot（1,2,1）;imshow（f）
title（'原始图像'）
subplot（1,2,2）;imshow（f1）
title（'增加对比度后图像'）
1.1.1
（2）
f=imread（'C:
\Users\Administrator\Desktop\X1.tif'）;
f1=imadjust（f,[0,1],[1,0]）;
subplot（1,2,1）;imshow（f）
title（'原始图像'）
subplot（1,2,2）;imshow（f1）
title（'负片'）
1.1.2
f=imread（'C:
\Users\Administrator\Desktop\X1.tif'）;
subplot（2,2,1）,imshow（f）;
title（'原图像'）;
subplot（2,2,2）,imhist（f）;
title（'原图像直方图'）
subplot（2,2,3）,f1=histeq（f）;
imshow（f1）;
title（'均衡化后图像'）
subplot（2,2,4）,imhist（f1）;
title（'均衡化后图像直方图'）
1.2.1
（1）
I=imread（'C:
\Users\lenovo\Desktop\综合作业2_V3\X光图像\X1.tif'）;
X=grayslice（I,64）;
figure;imshow（X）;title（'索引图像'）;
figure;imshow（X,jet（64））;title（'matlab自带程序处理图像'）;
1.2.1
（2）
I=imread（'C:
\Users\lenovo\Desktop\综合作业2_V3\X光图像\X1.tif'）;
figure;imshow（I）;title（'原始图像'）;
[m,n]=size（I）;
Imax=max（max（I））;
Imin=min（min（I））;
a=（Imax-Imin）/10;
fori=1:
m
forj=1:
n
ifImin<=I（i,j）&&I（i,j）<=（Imin+a）
R（i,j）=0;
G（i,j）=0;
B（i,j）=256;
elseif（Imin+a）R（i,j）=25;
G（i,j）=50;
B（i,j）=225;
elseif（Imin+2*a）R（i,j）=50;
G（i,j）=100;
B（i,j）=200;
elseif（Imin+3*a）R（i,j）=75;
G（i,j）=150;
B（i,j）=175;
elseif（Imin+4*a）R（i,j）=100;
G（i,j）=200;
B（i,j）=150;
elseif（Imin+5*a）R（i,j）=125;
G（i,j）=256;
B（i,j）=125;
elseif（Imin+6*a）R（i,j）=150;
G（i,j）=200;
B（i,j）=100;
elseif（Imin+7*a）R（i,j）=175;
G（i,j）=150;
B（i,j）=75;
elseif（Imin+8*a）R（i,j）=200;
G（i,j）=100;
B（i,j）=50;
elseif（Imin+9*a）R（i,j）=225;
G（i,j）=50;
B（i,j）=25;
else
R（i,j）=256;
G（i,j）=0;
B（i,j）=0;
end
end
end
end
end
end
end
end
end
end
end
end
fori=1:
m
forj=1:
n
x1（i,j,1）=R（i,j）;
x1（i,j,2）=G（i,j）;
x1（i,j,3）=B（i,j）;
end
end
x1=x1/256;
figure;
imshow（x1）;title（'密度分割法'）;
1.2.2
I=imread（'C:
\Users\lenovo\Desktop\综合作业2_V3\X光图像\X1.tif'）;
figure;imshow（I）;title（'原始图像'）;
I=double（I）;
[m,n]=size（I）;
L=256;
fori=1:
m
forj=1:
n
ifI（i,j）R（i,j）=0;
G（i,j）=4*I（i,j）;
B（i,j）=L;
elseifI（i,j）<=L/2
R（i,j）=0;
G（i,j）=L;
B（i,j）=-4*I（i,j）+2*L;
elseifI（i,j）<=3*L/4
R（i,j）=4*I（i,j）-2*L;
G（i,j）=L;
B（i,j）=0;
else
R（i,j）=L;
G（i,j）=-4*I（i,j）+4*L;
B（i,j）=0;
end
end
end
end
end
fori=1:
m
forj=1:
n
x1（i,j,1）=R（i,j）;
x1（i,j,2）=G（i,j）;
x1（i,j,3）=B（i,j）;
end
end
x1=x1/256;
figure;
imshow（x1）;title（'多波段合成为彩色显示'）;
2.1.1
I1=imread（'D:
\MATLAB图像处理程序\X光图像\X2.tif'）;
I2=rgb2gray（I1）;
figure;imshow（I2）;
title（'X2灰图像'）%显示原始图像
G=fspecial（'gaussian',[1212],1）;%这里的gaussian滤波窗口可选任意尺寸和标准差
A=fspecial（'average',12）;%这里的average滤波窗口可选任意尺寸
f1=filter2（G,I2）;%使用G矩阵中的gaussian滤波器对图像滤波
f2=filter2（A,I2）;%使用A矩阵中的average滤波器对图像滤波
f3=medfilt2（I2,[1212]）;%使用中值滤波器对图像滤波
f4=wiener2（I2,[1212]）;%使用自适应滤波器对图像滤波
f5=ordfilt2（I2,5,ones（12,12））;%使用二维统计顺序过滤
figure;imshow（f1,[]）;
title（'高斯低通滤波器处理结果'）;
figure;imshow（f2,[]）;
title（'均值滤波器处理结果'）;
figure;imshow（f3,[]）;
title（'中值滤波器处理结果'）;
figure;imshow（f4,[]）;
title（'自适应滤波器处理结果'）;
figure;imshow（f5,[]）;
title（'二维统计顺序滤波处理结果'）;
J=double（I2）;
f=fft2（J）;
g=fftshift（f）;
[M,N]=size（f）;
n=2;d0=16;
n1=floor（M/2）;n2=floor（N/2）;
fori=1:
M;
forj=1:
N;
d=sqrt（（i-n1）^2+（j-n2）^2）;
h=1/（1+0.414*（d/d0）^（2*n））;
g（i,j）=h*g（i,j）;
end
end
g=ifftshift（g）;
f6=uint8（real（ifft2（g）））;
figure;imshow（f6）
title（'二阶Butterworth滤波图像'）
2.1.2
I1=imread（'D:
\MATLAB图像处理程序\X光图像\X2.tif'）;
I2=rgb2gray（I1）;
figure;imshow（I2）;
title（'X2灰图像'）%显示原始图像
filtered1=medfilt2（I2,[33]）;%使用3*3滤波窗口
figure;imshow（filtered1）;
title（'3x3窗的中值滤波图像'）
filtered2=medfilt2（I2,[77]）;%使用7*7滤波窗口
figure;imshow（filtered2）;
title（'7x7窗的中值滤波图像'）
filtered2=medfilt2（I2,[1111]）;%使用11*11滤波窗口
figure;imshow（filtered2）;
title（'11x11窗的中值滤波图像'）
filtered2=medfilt2（I2,[1313]）;%使用13*13滤波窗口
figure;imshow（filtered2）;
title（'13x13窗的中值滤波图像'）
2.1.3
I1=imread（'D:
\MATLAB图像处理程序\X光图像\X2.tif'）;
I2=rgb2gray（I1）;
J=double（I2）;
f=fft2（J）;
g=fftshift（f）;
[M,N]=size（f）;
n=2;d0=16;%这里的d0可任意修改
n1=floor（M/2）;n2=floor（N/2）;
fori=1:
M;
forj=1:
N;
d=sqrt（（i-n1）^2+（j-n2）^2）;
h=1/（1+0.414*（d/d0）^（2*n））;
g（i,j）=h*g（i,j）;
end
end
g=ifftshift（g）;
g=uint8（real（ifft2（g）））;
figure;imshow（g）
title（'二阶Butterworth滤波图像'）
2.2
clear;clc;
I=imread（'C:
\Users\Administrator\Desktop\x2.tif'）;
I=rgb2gray（I）;
figure;
subplot（1,2,1）,imshow（I）;
title（'原图'）;
subplot（1,2,2）,imhist（I）;
title（'原图直方图'）
filtered2=medfilt2（I,[1313]）;%使用13*13滤波窗口
figure;
subplot（221）,imshow（filtered2）;
title（'13x13窗的中值滤波去噪后的图像'）
subplot（2,2,2）,imhist（filtered2）;
title（'去噪后图像直方图'）
subplot（2,2,3）,f1=
升级会员 