图像增强和图像分割实验文档格式.docx

1、a=1;figure（5）;tan=45figure（6）;%tan=60a=sqrt（3）;figure（7）;tan=60figure（8）;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

2、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：y=log（I+1）;对数变换图片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： %显示原图像imshow（imadjust（I,3）;H,x=imhist（imadjust（I,4）,64）;指数变换图片1直方图 指数变换后直方图图片1指数变换后图像

3、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（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Ca

4、nny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41.在MATLAB中编写检测程序图片3.pngbw1=edge（I,robertsbw2=edge（I,sobelbw3=edge（I,logbw4=edge（I,cannyimshow（bw1）;imshow（bw2）;imshow（bw3）;imshow（bw4）;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。roberts处理后图像 sobel处理后图像LoG处理后图像 canny

5、处理后图像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

6、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

7、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61.固定阈值：图片5.pngimhist（I）;直方图i=1;j=1;for i=1:1:256 for j=1: if （I（i,j）=TK） iForeground=iForeground+1; ForegroundSum=ForegroundSum+double（tmp）;%前景灰度值 else iBackground=iBackground+1; BackgroundSum=BackgroundSum+double（tmp）;ZO=Foregroun

8、dSum/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; TK=TKTmp;end %当阈值不再变化的时候，说明迭代结束disp（strcat（迭代后的阀值：,num2str（double（TK）; %显示最终阈值newI=im2bw（I,double（TK）/255）;原始图像imshow（newI）;迭代法分割） 实验结果：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：104图片6迭代分割3.Otsu阈值：I = imread（

9、level = graythresh（I）;BW = im2bw（I,level）; imshow（BW）;otsuLevel=0.5137Otsu阈值分割 图片6处理过程同上，实验结果如下：Level=0.4039；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

10、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81.实验程序%基于共生矩阵纹理特征提取，d=1,=0,45,90,135

11、共四个矩阵%所用图像灰度级均为256Gray = imread（图片7.pngM,N = size（Gray）;I= zeros（M, N）;I= （ Gray - rem（Gray, 8） ） / 8; imshow（Gray, ）;256 * 256imhist（Gray）; imshow（I, ）;8 * 8%-%计算四个共生矩阵P,取距离为1，角度分别为0,45,90,135P = zeros（8,8,4）;for m = 1:8 for n = 1: for i = 1:M for j = 1:N if j1&jI（i-1,j+1）=n-1 P（m,n,2） = P（m,n,2）+1

12、; P（n,m,2） = P（m,n,2）; if iM&I（i+1,j）=n-1 P（m,n,3） = P（m,n,3）+1; P（n,m,3） = P（m,n,3）;I（i+1,j+1）=n-1 P（m,n,4） = P（m,n,4）+1; P（n,m,4） = P（m,n,4）; if m=n P（m,n,:） = P（m,n,:）*2;%-% 对共生矩阵归一化for n = 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;d

13、eltaX= H; deltaY = H;C =H; E（n） = sum（sum（P（:,n）.2）; %能量 if P（i,j,n）=0 H（n） = -P（i,j,n）*log（P（i,j,n）+H（n）; %熵 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x Uy（n） = j*P（i,j,n）+Uy（n）; %相关性中y deltaX（n） = （i-Ux（n）2*P（i,j,n）+deltaX（n）; %相关性中x deltaY（n） = （j-Uy（n）2*P（i,j,n）+deltaY（n）;

14、%相关性中y C（n） = i*j*P（i,j,n）+C（n）; C（n） = （C（n）-Ux（n）*Uy（n）/deltaX（n）/deltaY（n）; %相关性 %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）,

15、E（4） % 输出数据;0,45,90,135方向上的熵依次为：,H（1）,H（2）,H（3）,H（4） % 输出数据;0,45,90,135方向上的惯性矩依次为：,I（1）,I（2）,I（3）,I（4） % 输出数据;0,45,90,135方向上的相关性依次为：,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 = 0.170495, 0.143078, 0.164191, 0.141377 2.223837, 2.366822, 2.239749, 2.389057 0.671650, 0.907801, 0.640556, 0.982820

16、0.672787, 0.543289, 0.677332, 0.507081共生矩阵：P（:,1） = 0 0 0 0 0 0 0 0 0 0 0 0.0017 0.0036 0.0017 0.0003 0.0006 0 0 0 0.0036 0.0221 0.0293 0.0102 0.0019 0 0 0 0.0017 0.0293 0.0781 0.0537 0.0197 0 0 0 0.0003 0.0102 0.0537 0.1152 0.0941 0 0 0 0.0006 0.0019 0.0197 0.0941 0.3527,2） = 0 0 0 0 0.0035 0.0039

17、0.0007 0.0007 0 0 0 0.0035 0.0184 0.0326 0.0160 0.0064 0 0 0 0.0039 0.0326 0.0801 0.0564 0.0262 0 0 0 0.0007 0.0160 0.0564 0.0950 0.1018 0 0 0 0.0007 0.0064 0.0262 0.1018 0.3099,3） = 0 0 0 0.0019 0.0044 0.0019 0.0006 0.0003 0 0 0 0.0044 0.0246 0.0325 0.0079 0.0022 0 0 0 0.0019 0.0325 0.0840 0.0581 0

18、.0148 0 0 0 0.0006 0.0079 0.0581 0.1105 0.0960 0 0 0 0.0003 0.0022 0.0148 0.0960 0.3411,4） = 0 0 0 0 0.0029 0.0039 0.0021 0.0007 0 0 0 0.0029 0.0150 0.0358 0.0172 0.0057 0 0 0 0.0039 0.0358 0.0744 0.0576 0.0326 0 0 0 0.0021 0.0172 0.0576 0.0859 0.0981 0 0 0 0.0007 0.0057 0.0326 0.0981 0.3114 图片8的结果： 0.375000, 1.000000, 0.375000, NaN 1.039721, 0.000000, 1.039721, NaN 0.500000, 0.000000, 4.500000, NaN -1.777778, NaN, -0.197531, NaN 0 0 0 0 0 0 0 0.2500 0 0 0 0 0 0 0.2500 0.5000 0 0 0 0 0