1、clc;14499.jpgbw=im2bw(I,0.5);%选取阈值为0.5figure;imshow(bw) %显示二值图象图象处理变换(二)1 傅立叶变换熟悉其概念和原理,实现对一幅灰度图像的快速傅立叶变换,并求其变换后的系数分布.2 离散余弦变换熟悉其概念和原理,实现对一幅灰度和彩色图像作的离散余弦变换,选择适当的DCT系数阈值对其进行DCT反变换.% 图象的FFT变换005.bmpsubplot(1,2,1)原图subplot(1,2,2)imhist(I);直方图colorbar;J=fft2(I);imshow(J);FFT变换结果K=fftshift(J);imshow(K);零
2、点平移imshow(log(abs(K),),colormap(jet(64),colorbar;系数分布图% 图象的DCT变换RGB=imread(imshow(RGB);彩色原图a=rgb2gray(RGB);imshow(a);灰度图b=dct2(a);imshow(log(abs(b),),colormap(jet(64),colorbar;DCT变换结果b(abs(b)10)=0;% idctc=idct2(b)/255;imshow(c);IDCT变换结果图象处理变换(三)小波变换实验内容: 熟悉小波变换的概念和原理,熟悉matlab小波工具箱主要函数的使用.利用二维小波分析对一幅
3、图象作2层小波分解,并在此基础上提取各层的低频信息实现图像的压缩.程序如下:clca=imread(subplot(1,2,1);原始图象I=rgb2gray(a);subplot(1,2,2);原始图象的灰度图% 进行二维小波变换a,b = wavedec2(I, 2, bior3.7% 提取各层低频信息c = appcoef2( a, b, , 1 );imshow(c, );一层小波变换结果d = appcoef2( a, b, , 2 );imshow(d, );二层小波变换结果图象处理实验(四) 模板运算一、实验内容:(1)平滑:平滑的目的是模糊和消除噪声。平滑是用低通滤波器来完成,
4、在空域中全是正值。(2)锐化:锐化的目的是增强被模糊的细节。锐化是用高通滤波器来完成,在空域中,接近原点处为正,在远离原点处为负。利用模板进行图象增强就是进行模板卷积。1、 利用二个低通邻域平均模板(33和99)对一幅图象进行平滑,验证模板尺寸对图象的模糊效果的影响。2、 利用一个低通模板对一幅有噪图象(GAUSS白噪声)进行滤波,检验两种滤波模板(分别使用一个55的线性邻域平均模板和一个非线性模板:35中值滤波器)对噪声的滤波效果。3、 选择一个经过低通滤波器滤波的模糊图象,利用sobel和prewitt水平边缘增强高通滤波器(模板)对其进行高通滤波图象边缘增强,验证模板的滤波效果。4、 选
5、择一幅灰度图象分别利用 一阶Sobel算子和二阶Laplacian算子对其进行边缘检测,验证检测效果。二、实验步骤:1、利用低通邻域平均模板进行平滑:girl.bmpsubplot(1,3,1);J=fspecial(averageJ1=filter2(J,I)/255;subplot(1,3,2);imshow(J1);3*3滤波K=fspecial(,9);K1=filter2(K,I)/255;subplot(1,3,3);imshow(K1);9*9滤波2、中值滤波和平均滤波J=imnoise(I,gaussian,0,0.01);subplot(2,2,1);subplot(2,2,
6、2);noise,5);K1=filter2(K,J)/255;subplot(2,2,3);L=medfilt2(J,3 5);subplot(2,2,4);imshow(L);medium3、高通滤波边缘增强original pic,3);J1=conv2(I,J)/255;%J1=filter2(J,I)/255;3*3lowpassprewittK1=filter2(K,J1)*5;L=fspecial(sobelL1=filter2(L,J1)*5;imshow(L1);sibel4、边缘检测分别用sobel和laplacian算子来进行,程序如下:laplacian,0.7);K1
7、=filter2(K,I)/100;L1=filter2(L,I)/200;图像处理实验(五)图像分割实验目的:1、 学习边缘检测2、 学习灰度阀值分割1、分别用sobel、Laplacian-Gaussian方法对一幅灰度图像进行边缘提取,2、给出对比结果i=imread(eight.tifimshow(i);原始图像i1=edge(i,imshow(i1);sober方法提取的边缘i2=edge(i,logimshow(i2);Laplacian-Gaussian方法提取的边缘比较提取边缘的效果可以看出,sober算子是一种微分算子,对边缘的定位较精确,但是会漏去一些边缘细节。而Lapla
8、cian-Gaussian算子是一种二阶边缘检测方法,它通过寻找图象灰度值中二阶过零点来检测边缘并将边缘提取出来,边缘的细节比较丰富。通过比较可以看出Laplacian-Gaussian算子比sober算子边缘更完整,效果更好。3、利用双峰法对一幅灰度图像进行灰度分割处理imhist(i);原始图像直方图thread=130/255;i3=im2bw(i,thread);imshow(i3);分割结果根据原图像的直方图,发现背景和目标的分割值大约在130左右,并将灰度图像转为二值图像,分割效果比较理想。图像处理实验(六)图像压缩与编码 学习JPEG压缩编码一实现基本JPEG的压缩和编码分三个步
9、骤:1 首先通过DCT变换去除数据冗余;2 使用量化表对DCT系数进行量化;3 对量化后的系数进行Huffman编码。具体源程序由主程序及两个子程序(DCT量化、Huffman编码)组成:1主程序autumn.tifyiq=rgb2ntsc(I);my=16 11 10 16 24 40 51 61;12 12 14 19 26 58 60 55;14 13 16 24 40 57 69 56;14 17 22 29 51 87 80 62;18 22 37 56 68 109 103 77;24 35 55 64 81 104 113 92;49 64 78 87 103 121 120 1
10、01;72 92 95 98 112 100 103 99;miq=17 18 24 47 99 99 99 99;18 21 26 66 99 99 99 99;24 26 56 99 99 99 99 99;47 66 99 99 99 99 99 99;99 99 99 99 99 99 99 99;99 99 99 99 99 99 99 99;I1=yiq(:,:,1);I2=(:,2);m n=size(I1);t1=8;ti1=1;while(t1t1=t1+8;ti1=ti1+1;endt2=8;ti2=1;while(t2t2=t2+8;ti2=ti2+1;times=0;f
11、or k=0:ti1-2for j=0:ti2-2dct8x8(I1(k*8+1:k*8+8,j*8+1:j*8+8),my,times*64+1);dct8x8(I2(k*8+1:j*8+8),miq,times*64+1);times=times+1;block(I2(k*8+1:t2),8 8, dctmtx(8)t1,j*8+1:j*8+8),times*64+1);t2),times*64+1);2function dct8x8(I,m,s) %定义DCT量化子程序T=inline(y=blkproc(I,8 8,T);y=round(y./m);p=1;te=1;while(p=1
12、.0) break;elsepm p2=min(p(1:p1-1);p(p2)=1.1;pm2,p3=min(p(1:p(p3)=1.1;pn=pm+pm2;p(p1)=pn;tree(po,1)=p2;tree(po,2)=p3;po=po+1;po-1tt=k;m1=1;if(or(tree(k,1)9,tree(k,2)9)if(tree(k,1)9)c(tree(k,1),2)=c(tree(k,1),2)+m1;m2=1;while(ttm1=m1*2;for h=tt:if(tree(h,1)=tt+g)m2=m2+1;tt=h;elseif(tree(h,2)=tt+g)c(tr
13、ee(k,1),3)=m2;if(tree(k,2)c(tree(k,2),2)=c(tree(k,2),2)+m1;elseif(tree(l,2)=tt+g)m2=m2+1,tt=h;c(tree(k,2),3)=m2;二JPEG2000采用小波变换编码,小波变换压缩编码实现程序为load wbarb;subplot(2,2,1),image(X);colormap(map)c,s=wavedec2(X,2, thr=20;ca1=appcoed2(c,s, ch1=detcoef2(h,c,s,1);cv1=detcoef2(vcd1=detcoef2(da1=wrcoef2(a,c,s
14、, h1=wrcoef2(v1=wrcoef2(d1=wrcoef2(c1=a1,h1,v1,d1;ca1=wcodemat(ca1,440, mat,0);ca1=0.5*ca1subplot(2,2,2),image(ca1)压缩图象一)ca2=appcoed2(c,s, ca2=wcodemat(ca2,440, ca2=0.5*ca2;subplot(2,2,3),image(ca2)压缩图象二图象处理实验(七)应用KL变换进行图象的特征提取一、实验要求:应用KL变换进行图象的特征提取。熟悉MATLAB的相关命令。二、实验目的:掌握如何应用KL变换进行图象的特征提取。三、实验内容:选择
15、一幅稍大的灰度图象(最好用纹理图象),按下面步骤进行实验:(1)应用99的窗口对上述图象进行随机抽样,共抽样200块子图象;(2)将所有子图象按列相接变成一个81维的行向量;(3)对所有200个行向量进行KL变换,求出其对应的协方差矩阵的特征向量和特征值,按降序排列特征值以及所对应的特征向量;(4)选择前40个最大特征值所对应的特征向量作为主元,将原图象块向这40个特征向量上投影,所获得的投影系数就是这个子块的特征向量。(5)求出所有子块的特征向量。四、实验结果:源程序如下:M=rand(200,200);a.bmpmx,my=size(I);for i=1:200for j=1:199if(ceil(M(i,j)*mx)x(i)=ceil(M(i,j)*mx);y(i)=ceil(M(i,j+1)*my);I1(:,i)=imcrop(I,x(i),y(i),8,8);I2(:,i)=reshape(I1(:,i),1,81);I2=double(I2);C=I2*I2/200;a,s=eig(C);A=a(161:200,:U=A*I2;imshow(U);特征向量
copyright@ 2008-2022 冰豆网网站版权所有
经营许可证编号:鄂ICP备2022015515号-1