圆形物体中心及半径的确定.docx
《圆形物体中心及半径的确定.docx》由会员分享，可在线阅读，更多相关《圆形物体中心及半径的确定.docx（9页珍藏版）》请在冰豆网上搜索。
圆形物体中心及半径的确定
燕山大学
课程设计说明书
题目：
27基于圆形物体中心和半径的确定
学院（系）：
电气工程学院
年级专业：
13级仪表二班
学号：
130103020062
学生姓名：
柴聪
指导教师：
赵彦涛
教师职称：
燕山大学课程设计（论文）任务书
院（系）：
电气工程学院基层教学单位：
自动化仪表系
学号
130********2
学生姓名
柴聪
专业（班级）
仪表二班
设计题目
27圆形物体中心及半径的确定
设
计
技
术
参
数
根据图像处理的知识，确定图像中圆形物体的中心及半径，尽量使用较多的方法实现，并且比较每种方法的处理速度。
设
计
要
求
设计确定图像中圆形物体的中心坐标及半径，尝试不同的定位方法，并进行比较。
设计中应具有自己的设计思想、设计体会。
工
作
量
了解Matlab的基本操作，查找与课程设计相关的资料，编写程序并调试，写论文，准备课程设计答辩。
工
作
计
划
12月8日，熟悉Matlab的基本操作
12月9日，查找与课程设计课题相关的资料
12月10日，设计程序并调试
12月11日，调试程序并写论文
12月12日，整理论文，课程设计答辩
参
考
资
料
1、数字图像处理学电子工业出版社贾永红2003
2、数字图像处理（Matlab版）电子工业出版社冈萨雷斯2006
3、其他数字图像处理和matlab编程方面的书籍及相关学习资料
指导教师签字
基层教学单位主任签字
说明：
此表一式四份，学生、指导教师、基层教学单位、系部各一份。
年月日
第一章图像的二值化处理
1.1图像的二值化原理
图像二值化就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果。
将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。
在数字图像处理中，二值图像占有非常重要的地位，首先，图像的二值化有利于图像的进一步处理，使图像变得简单，而且数据量减小，能凸显出感兴趣的目标的轮廓。
其次，要进行二值图像的处理与分析，首先要把灰度图像二值化，得到二值化图像。
所有灰度大于或等于阈值的像素被判定为属于特定物体，其灰度值为255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。
1.2图像的二值化程序实现
1.2.1方法一
首先将图像转变为灰度图像，再利用max，min函数求图像中灰度值的最大值与最小值，然后求出最大最小灰度值的平均值作为分割阈值，以此求出二值化图像。
程序如下，显示结果如图。
程序：
J=imread（'D:
\数字图像处理课设\-3.jpg'）;%读图像
figure;imshow（J）;%显示原始图像
P=rgb2gray（J）;%转换为灰度图像
[m,n]=size（P）;%获取图像的行数和列数
ma=max（max（P））;%求最大值
mi=min（min（P））;%求最小值
limen=（ma+mi）/2;%求分割阈值
I=（P>limen）;%二值化
figure;imshow（I）;%显示二值化图像
图1.2.1.1原始图像图1.2.1.2二值化图像
1.2.2方法二
同样转化为灰度图像后求阈值，利用graythresh函数求取。
这个函数使用最大类间方差法帮助我们获得一个合适的阈值。
利用这个阈值通常比人为设定的阈值能更好地把一张灰度图像转换为二值图像。
程序如下：
I=imread（'D:
\数字图像处理课设\-3.jpg'）;
I1=rgb2gray（I）;
level=graythresh（P）;%求分割阈值
I=im2bw（P,level）;%二值化
figure;imshow（I）;%显示二值化图像
第二章图像的去噪
2.1图像去除噪声的原理
噪声是图像中不希望有的部分，图像中不需要的部分。
对信号来说,噪声是一种外部干扰。
但噪声本身也是一种信号（携带了噪声源的信息）。
实际获得的图像一般都因受到某种干扰而含有噪声。
引起噪声的原因有敏感元器件的内部噪声、相片底片上感光材料的颗粒、传输通道的干扰及量化噪声等。
噪声产生的原因决定了噪声的分布特性及它和图像信号的关系。
2.2中值滤波法去噪
中值滤波就是用一个奇数点的移动窗口，先将小窗口内的所有像素的灰度按从大到小的顺序排列，将中间值作为（x，y）处的灰度值。
中值滤波是一种非线性滤波方法。
8*8中值滤波程序：
B=medfilt2（I,[8,8],'symmetric'）;%用3*3中值滤波滤去噪音
imshow（B,[]）;
5*5中值滤波程序：
B=medfilt2（I,[5,5],'symmetric'）;%用3*3中值滤波滤去噪音
imshow（B,[]）;
3*3中值滤波程序：
B=medfilt2（I,[3,3],'symmetric'）;
imshow（B,[]）;
各程序显示结果如下图。
从图中可以看出8*8的滤波去除噪声的效果最好，但同时对于我们要求取的图像轮廓影响太大，轮廓大部分失真,不适用本图。
而5*5中值滤波相对好些，3*3中值滤波物体轮廓保持最好，同时去噪效果不显著。
图2.2.18*8中值滤波图2.2.25*5中值滤波
图2.2.33*3中值滤波
2.3拉普拉斯滤波
拉普拉斯是一种二阶导数算子，是一个与方向无关的各向同性（旋转轴对称）边缘检测算子。
若只关心边缘点的位置而不顾其周围的实际灰度差时，一般选择该算子进行检测。
程序如下：
I=imread（'D:
\数字图像处理课设\-3.jpg'）;
imshow（I）;
I=double（I）;
w=fspecial（'laplacian',0）
g1=imfilter（I,w,'replicate'）;;%该函数的%输出输入的数据类型相同；
figure,imshow（abs（g1）,[]）;
I1=im2double（I）;
w1=fspecial（'laplacian',0）
g2=imfilter（I1,w1,'replicate'）;
figure,imshow（g2,[]）
g=I1-g2;
figure,imshow（g,[]）
2.3
in_img=imread（'lena.jpg'）;%orin_img=rgb2gray（imread（'lena.jpg'））;
in_img=rgb2gray（imread（'1.jpg'））;
in_img=double（in_img）/255;
in_img=in_img+0.05*randn（size（in_img））;
in_img（in_img<0）=0;in_img（in_img>1）=1;
%Setbilateralfilterparameters.
w =10; %bilateralfilterhalf-width
sigma_c=3;%bilateralfilterstandarddeviations
sigma_s=0.1;
out_img=bilateral_filter（in_img,w,sigma_c,sigma_s）;
figure,
subplot（1,2,1）,imshow（in_img,[]）,title（'inputimage'）;
subplot（1,2,2）,imshow（out_img,[]）,title（'outputimage'）;
clear
clc
closeall
I=imread（'Miss256G.bmp'）;
hist=zeros（256,1）;
[m,n]=size（I）;
fori=1:
m
forj=1:
n
F（i,j）=255-I（i,j）;
end
end
figure,imshow（I）
figure,imshow（F）
燕山大学课程设计评审意见表
指导教师评语：
成绩：
指导教师：
2013年12月27日
答辩小组评语：
成绩：
评阅人：
2013年12月27日
课程设计总成绩：
答辩小组成员签字：
赵彦涛程淑红王志斌童凯
2013年12月27日
升级会员 