图像上机实验.docx

1、图像上机实验实验一 图像处理的基本操作一，实验目的1熟悉有关数字图像处理的MATLAB基本操作和编写；2掌握数字图像的基本读写、显示与保存；3能够利用MATLAB工具箱完成图像处理的基本运算；二，实验内容1（1）读取图像并显示真彩色图像house.tiff；（2）读取图像并显示索引色图像canoe.tif，并转换为灰度图像；（3）读取图像并显示灰度图像rice.png，并转换为二进制图像；（4）检测内存中的图像和保存图像；2查看不同分辨率下图像lena.tiff的显示结果；3对彩色图像Peppers.png观看GRB通道各单通道图像；4实现马赫带效应并画出灰度直方图。三，代码I=imread(

2、house.tiff);figure(1)imshow(I)A,map=imread(canoe.tif);figure(2)subplot(121)imshow(A,map)D=ind2gray(A,map);subplot(122)imshow(D)G=imread(rice.png);figure(3)subplot(121)imshow(G)th=graythresh(G);H=im2bw(G,th);subplot(122)imshow(H)whos;imwriteB=imread(lena.tiff);figure(4),subplot(121)imshow(B)C = imres

3、ize(B, 0.2)subplot(122)imshow(C)D=imread(Peppers.png);r=D,r(:,:,2 3)=0; g=D,g(:,:,1 3)=0; b=D,b(:,:,1 2)=0; figure(5), subplot(1,3,1),imshow(r); subplot(1,3,2),imshow(g); subplot(1,3,3),imshow(b);a=zeros(256,256);for i=1:32:256 a(:,i:i+32)=i;endfigure(6);subplot(121)imshow(uint8(a);subplot(122)imhis

4、t(uint8(a);四，实验结果五，结果分析 从运行结果可以看出，实验还是比较成功的。但是在做索引色那个图像的时候，如果索引色和灰度图像放在同一个figure里，索引色图像显示的也是灰色，因此我只能把索引色图像和灰度图像分开放到两个figure里。在查看不同分辨率下图像lena.tiff的显示结果时，必须要对两个图像进行放大查看才能看出不同。实验二 图像变换1一，实验目的1熟悉有关MATLAB工具箱中提供的图像变换函数；2掌握傅立叶变换和小波变换等常用的正交变换函数；二，实验内容1对图像lena.png进行傅立叶变换和离散余弦变换，并分别求出其逆变换后重构图像的均方误差；2实现图像lena.

5、png的两层小波分解，观察分解系数并重构，求重构图像误差值；3观察图像IM1.BMP经小波分解系数的方向性，实现三层小波分解，分别把HL,LH,HH子带置零和重构，观察重构图像跟原始图像的差异。三，代码%1对图像lena.png进行傅立叶变换和离散余弦变换，% 并分别求出其逆变换后重构图像的均方误差；clear;clc;I=imread(lena.png);%傅里叶变换figure(1);I1=fft2(I);I1=fftshift(I1);If=ifftshift(I1);If=uint8(real(ifft2(If);subplot(231);imshow(I);subplot(232);

6、imshow(log(abs(I1),);subplot(233);imshow(If);m,n=size(I); %计算均方误差for i=1:m for j=1:n temp(i,j)=(If(i,j)-I(i,j)2; endendwucha1=sum(sum(temp)%离散余弦变换I2=dct2(I);I3=fftshift(I2);Id=idct2(I2);Id=uint8(real(Id);subplot(234);imshow(I);subplot(235);imshow(log(abs(I3),);subplot(236);imshow(Id);m,n=size(I); %计

7、算均方误差for i=1:m for j=1:n temp(i,j)=(If(i,j)-I(i,j)2; endendwucha2=sum(sum(temp) % 2实现图像lena.png的两层小波分解，观察分解系数并重构，求重构图像误差值；X=imread(lena.png);c,s=wavedec2(X,2,bior3.7);a1=wrcoef2(a,c,s,bior3.7,1);h1=wrcoef2(h,c,s,bior3.7,1);v1=wrcoef2(v,c,s,bior3.7,1);d1=wrcoef2(d,c,s,bior3.7,1);c1=a1,h1;v1,d1;c1=uin

8、t8(c1);Xr=waverec2(c,s,bior3.7);figure(2);subplot(131);imshow(X);subplot(132);imshow(c1);subplot(133);imshow(uint8(Xr);m,n=size(X); %计算均方误差for i=1:m for j=1:n temp(i,j)=(Xr(i,j)-I(i,j)2; endendwucha3=sum(sum(temp) % 3观察图像IM1.BMP经小波分解系数的方向性，实现三层小波分解，% 分别把HL,LH,HH子带置零和重构，观察重构图像跟原始图像的差异。P=imread(C:shiy

9、an2IM1.BMP);c,s=wavedec2(P,3,bior3.7);a1=wrcoef2(a,c,s,bior3.7,1);h1=wrcoef2(h,c,s,bior3.7,1);v1=wrcoef2(v,c,s,bior3.7,1);d1=wrcoef2(d,c,s,bior3.7,1);c1=a1,h1;v1,d1;c1=uint8(c1);figure(3);subplot(131);imshow(P);subplot(132);imshow(c1);subplot(133);imshow(uint8(a1);四，实验结果五，实验结果 从运行结果可以看出，实验还是比较成功的。上图

10、分别是1.对图像lena.png进行傅立叶变换和离散余弦变换，并分别求出其逆变换后重构图像的均方误差；2实现图像lena.png的两层小波分解，观察分解系数并重构，求重构图像误差值；3观察图像IM1.BMP经小波分解系数的方向性，实现三层小波分解，分别把HL,LH,HH子带置零和重构，观察重构图像跟原始图像的差异。最后求得误差均为零，我认为这可能是重构方法均是使用matlab自带函数的原因，使得重构图像与原图几乎一样。实验三 图像变换2一，实验目的1熟悉有关图像增强的直方图方法；2掌握傅立叶变换和离散余弦变换等常用的正交变换函数；二，实验内容1实现对图像IM2.BMP进行直方图均衡化，从而达到

11、增强图像的目的，观察图像直方图的前后变化；2实现对图像IM3.BMP加入某种噪声（如椒盐噪声等），运用低通滤波和中值滤波分别进行图像平滑；3实现对图像IM4.BMP的同态增强：对照明分量和反射分量进行同态滤波。三，代码clear; clc;% 实现对图像IM2.BMP进行直方图均衡化，从而达到增强图像的目的，% 观察图像直方图的前后变化i=imread(IM2.BMP);j=histeq(i);figure(1);subplot(221);imshow(i);title(原始图像);subplot(222);imshow(j);title(均衡化图像);subplot(223);imhist(

12、i,64);title(原始直方图);subplot(224);imhist(j,64);title(均衡化直方图);% 实现对图像IM3.BMP加入某种噪声（如椒盐噪声等），% 运用低通滤波和中值滤波分别进行图像平滑k=imread(IM3.BMP);l=imnoise(k,salt & pepper,0.02);figure(2);subplot(221);imshow(k);title(原始图像);subplot(222);imshow(l);title(噪声图像);p=medfilt2(l);subplot(223);imshow(p);title(中值滤波图像);f=double(l

13、);g=fftshift(fft2(f);N1,N2=size(g);n=2; %butterworth滤波器的参数n=2d0=50; %d0为截止频率（与原点的距离）n1=fix(N1/2);n2=fix(N2/2);for i=1:N1 for j=2:N2 d=sqrt(i-n1)2+(j-n2)2); h=1/(1+0.414*(d/d0)2*n); result(i,j)=h*g(i,j); endendresult=ifftshift(result);x2=ifft2(result);x3=uint8(real(x2);subplot(224);imshow(x3);title(b

14、utterworth低通滤波图像); %实现对图像IM4.BMP的同态增强：对照明分量和反射分量进行同态滤波%图像的动态范围压缩，图像的对比度增强，类似于高通滤波clear;figure;I=imread(IM4.BMP);I1=log(double(I)+1);I2=fft2(I1);n=3;d0=5;rh=0.1;rl=0.05;row,col=size(I2);for i=1:row for j=1:col d1(i,j)=sqrt(i2+j2); h(i,j)=rl+(rh/(1+(d0/d1(i,j)(2*n); endendI3=I2.*h;I4=ifft2(I3);I5=exp(

15、I4)-1;subplot(121);imshow(I);title(原始图像);subplot(122);imshow(I5);title(同态滤波);四，实验结果五，结果分析 从运行结果可以看出，实验还是比较成功的。但在加入椒盐噪声后进行高斯低通滤波的实验中，高斯低通滤波并不能完美的把噪声滤掉，图像中依然存在噪声，虽然变得不明显了。我想可能是算子取得不好，导致了高斯低通滤波的失败。实验四 图像处理一、实验目的1掌握图像分割中的四叉树区域分割与合并法；2掌握图像分割中的阈值分割法；3了解图像纹理分析和特征提取方法；4了解图像目标识别方法及其应用；二、实验内容1使用四叉树(quadtree)的

16、方法，找出图像IM5.BMP中物体的轮廓；2选择一个合适的初始阈值，将图像IM5.BMP分为两个区域；3选作题目：选择合适的位置算子，计算出图像的共生矩阵，然后计算熵和能量来描述纹理特征；4选作实验五 特征提取一、实验目的1了解图像纹理分析和特征提取方法；二、实验内容1选择合适的位置算子，计算出图像的共生矩阵，然后计算熵和能量来描述纹理特征；题目：汽车牌照定位与字符识别。 三，代码%使用四叉树(quadtree)的方法，找出图像IM5.BMP中物体的轮廓h=imread(L8_2.BMP);s = qtdecomp(h, 0.2);figure(1);subplot(221);imshow(f

17、ull(s);title(参数为0.2);s = qtdecomp(h, 0.4);subplot(222);imshow(full(s);title(参数为0.4);s = qtdecomp(h, 0.6);subplot(223);imshow(full(s);title(参数为0.6);s = qtdecomp(h, 0.8);subplot(224);imshow(full(s);title(参数为0.8); % 选择一个合适的初始阈值，将图像IM5.BMP分为两个区域h=imread(L8_2.BMP);h1=im2bw(h,40/255);h2=im2bw(h,100/255);h

18、3=im2bw(h,150/255);h4=im2bw(h,180/255);figure(2);subplot(221);imshow(h);title(原图像); subplot(222);imshow(h2);title(t=100); subplot(223);imshow(h3);title(t=150); subplot(224);imshow(h4);title(t=180);四，实验结果五，结果分析 通过上图可以看出，实验还是比较成功的，在进行使用四叉树进行轮廓分析和阈值分割图像时，我分别使用了不同的参数来进行实验，得到的效果是完全不同的。实验五 特征提取一、实验目的1了解图像

19、纹理分析和特征提取方法；二、实验内容1选择合适的位置算子，计算出图像的共生矩阵，然后计算熵和能量来描述纹理特征；三，代码clc;clear;I,M=imread(L8_2.BMP);% imhist(I);imshow(I,M);glcm = graycomatrix(I,Offset,0 60,NumLevels,8);energy=graycoprops(glcm,energy);entropy=0;row,col=size(glcm);for i=1:row for j=1:col entropy=entropy+glcm(i,j)*log10(glcm(i,j); endend% display(glcm);display(energy);display(entropy);四，实验结果五，结果分析 给定不不同的向量和灰度压缩成不同个数会得到不同不同的值，原因是没有对图像进行归一化，导致有多值。