《数字图像处理》作业题目.docx

1、数字图像处理作业题目数字图像处理作业 班级： Y100501 * * * 学号： * 一、编写程序完成不同滤波器的图像频域降噪和边缘增强的 算法并进行比较，得出结论。频域降噪。对图像而言，噪声一般分布在高频区域，而图像真是信息主要集中在低频区，所以，图像降噪一般是利用低通滤波的方法来降噪。边缘增强。图像的边缘信息属于细节信息，主要由图像的高频部分决定，所以，边缘增强一般采取高通滤波，分离出高频部分后，再和原频谱进行融合操作，达到边缘增强，改善视觉效果，或者为进一步处理奠定基础的目的。1频域降噪，主程序如下：I=imread(lena.bmp); %读入原图像文件J=imnoise(I,gaus

2、sian,0,0.02);%加入高斯白噪声A=ilpf(J,0.4);%理想低通滤波figure,subplot(222);imshow(J);title(加噪声后的图像);subplot(222);imshow(A);title(理想低通滤波);B=blpf(J,0.4,4);%巴特沃斯低通滤波subplot(223);imshow(B);title(巴特沃斯低通滤波);C=glpf(J,0.4);%高斯低通滤波subplot(224);imshow(C);title(高斯低通滤波);用到的滤波器函数的程序代码如下：function O=ilpf(J,p) %理想低通滤波，p是截止频率f1,

3、f2=freqspace(size(J),meshgrid);hd=ones(size(J);r=sqrt(f1.2+f2.2);hd(rp)=0;y=fft2(double(J);y=fftshift(y);ya=y.*hd;ya=ifftshift(ya);ia=ifft2(ya);O=uint8(real(ia);function O=blpf(J,d,n) %巴特沃斯低通滤波器，d是截止频率，n是阶数f1,f2=freqspace(size(J),meshgrid);hd=ones(size(J);r=f1.2+f2.2;for i=1:size(J,1) for j=1:size(J

4、,2) t=r(i,j)/(d*d); hd(i,j)=1/(tn+1); endendy=fft2(double(J);y=fftshift(y);ya=y.*hd;ya=ifftshift(ya);ia=ifft2(ya);O=uint8(real(ia);function O=glpf(J,D) %高斯滤波器，D是截止频率f1,f2=freqspace(size(J),meshgrid);r=f1.2+f2.2;Hd=ones(size(J);for i=1:size(J,1) for j=1:size(J,2) t=r(i,j)/(D*D); Hd(i,j)=exp(-t); ende

5、ndY=fft2(double(J);Y=fftshift(Y);Ya=Y.*Hd;Ya=ifftshift(Ya);ia=ifft2(Ya);O=uint8(real(ia);运行结果如图1所示。从结果可以看出，三种滤波器都可以对图像进行降噪，经滤波器滤波后，图像更噪声部分得到抑制，但是细节部分变得模糊。这是因为，细节信息分布在高频部分，降噪会对图像起到平滑作用，细节部分减弱。2 边缘增强，程序如下：J=imread(moon.tif); figuresubplot(121),imshow(J);title(原始图像);f1,f2=freqspace(size(J),meshgrid);r=

6、f1.2+f2.2;D=0.3;Hd=ones(size(J);for i=1:size(J,1) for j=1:size(J,2) t=r(i,j)/(D*D); Hd(i,j)=1-exp(-t); %高斯高通滤波 endendY=fft2(double(J);Y=fftshift(Y);Ya=Y.*Hd; %高斯高通滤波%Ya=ifftshift(Ya);ia=Y+1.4*Ya; %原始图像频谱加上1.4倍的高频频谱Ya=ifftshift(ia);ia=ifft2(Ya);O=uint8(real(ia);subplot(122),imshow(O);title(边缘增强后的图像);

7、运行结果如下图示：边缘增强采用高斯高通滤波器将高频频谱过滤出来然后乘以1.4倍以后与原图像频谱详加，然后对所得频谱进行反变换得到增强后的图像。也可以采用其他滤波器，比如巴特沃斯滤波器或者理想高通滤波器等。从结果可以看出高频加强后图像细节增强，边缘部分更容易分辨。二、编写程序完成不同锐化方法的图像锐化的算法并进行比较，得出结论。图像锐化可以分为空域和频域锐化两大类，在此着重讨论空域。频域锐化可以参考上题中边缘增强部分。1.拉普拉斯变换锐化。f=imread(lena.bmp);w=fspecial(laplacian,0);%生成模版f2=im2double(f);g2=imfilter(f2,

8、w,replicate);g=f2-g2;g1=1.3*f2-g2;%高频提升figure,subplot(131);imshow(f);title(原始图片);subplot(132);imshow(g);title(标准拉普拉斯锐化);subplot(133);imshow(g1);title(高频提升锐化);运行结果如下图所示:2.梯度算子锐化。程序如下：f=imread(coins.png); h1=fspecial(prewitt); h2=fspecial(sobel); h3=fspecial(log); f2=im2double(f);g1=imfilter(f2,h1,rep

9、licate);g2=imfilter(f2,h2,replicate);g3=imfilter(f2,h3,replicate);figure,subplot(221);imshow(f);title(原始图片);subplot(222);imshow(g1);title(prewitt算子梯度锐化);subplot(223);imshow(g2);title(sobel算子梯度锐化);subplot(224);imshow(g2);title(log算子梯度锐化);运行结果如下如所示：从运行结果可以看出，拉普拉斯变换锐化效果明显，高频提升后边缘信息更加清晰，但是也同时可以看出，拉普拉斯锐化

10、会产生很多噪声。相比较一下，梯度算子没有引入噪声，边缘信息明显，很适合计算机自动检测和识别。三、编写程序完成同态滤波的算法，得出结论。同态滤波是把频率过滤和灰度变换结合起来的一种图像处理方法，它依靠图像的照度/ 反射率模型作为频域处理的基础，利用压缩亮度范围和增强对比度来改善图像的质量。同态滤波的maitlab实现如下：clear;img0 = imread(tun.jpg);%img0=rgb2gray(I);%彩色图像转化为灰度图像M,N=size(img0);img=double(img0);img = log(1+img); %取对数 img = fft2(img); %傅立叶变换 i

11、mg = fftshift(img); %将频域原点移到图像中心 for i=1:M for j=1:N D(i,j)=sqrt(i-floor(M/2)2+(j-floor(N/2)2);%求距离 end end c=4; %锐化参数，可调 Do=150 ; %一般是方差 (滤波器的高通截止频率) H=(2.0-0.5)*(1-exp(-c*(D.2/(Do2)+0.5; %滤波器函数 whos;himg=img.*H; himg=ifftshift(himg);gimg=ifft2(himg); %逆傅立叶变换 gimg=exp(gimg); %取指数 G=real(gimg); img=

12、G; img_min=min(img(:);img_max=max(img(:);img=(img-img_min)/(img_max-img_min); img=imadjust(img,0 1,0 1,0.3);w1=fspecial(gaussian,5,5,2.3);img_new=imfilter(img,w1); %高斯滤波J=histeq(img_new);%直方图均衡化处理im2=histeq(img);figure,subplot(121),imshow(img0);title(原始图像);%显示原始图像subplot(122); imshow(J);title(同态滤波后的

13、图像); %滤波处理过的图像运行结果如下图示：程序中为了得到更好的视觉效果，同态滤波后，有进行了空域高斯滤波和直方图均衡化处理。通过运行结果我们可以看出，经同态滤波后，图像中原本很暗的岩壁更加清晰，图像的亮度范围减小，对比对增强，细节信息增强，视觉效果更好。四、编写程序完成不同分割方法的图像分割的算法并进行比较，得出结论。图像分割是图像处理的重要领域，是计算机进一步处理的基础。笔者完成了两个比较有代表性的图像分割算法，一个是基于灰度的阈值分割，一个是基于边缘信息的分割，分水岭算法进行的图像分割。1. Otsu法阈值分割图像clear allI=imread(coins.png);subplot

14、(1,2,1),imshow(I);title(原始图像)level=graythresh(I); %确定灰度阈值BW=im2bw(I,level);subplot(1,2,2),imshow(BW);title(Otsu法阈值分割图像)；运行结果如下图示：从运行结果可以看出，Otsu法阈值分割图像对于前景目标和背景灰度差别较大、目标灰度范围较小，的情况下可以实现较为理想的分割。在一定的领域具有重要应用。但对背景和目标灰度分布不明显的情况下分割效果不理想。2. 分水岭算法图像分割。I=imread(rice.png); f=double(I); hv=fspecial(prewitt); hh

15、=hv.; gv=abs(imfilter(f,hv,replicate); gh=abs(imfilter(f,hh,replicate); g=sqrt(gv.2+gh.2);%计算梯度 df=bwdist(f);%计算到最近不为0的点的距离 L1=watershed(df); %分水岭算法 em=L1=0; im=imextendedmax(f,20);%计算大于某阈值的极大值 g2=imimposemin(g,im|em);%使用形态重构修改强度图像g，使得它在im|em非零的地方只有区域极小值。 L2=watershed(g2); wr2=L2=0; f(wr2)=255; figu

16、re, subplot(121);imshow(I);title(原始图像); subplot(122),imshow(uint8(f);title(分割结果);运行结果如下图示：由运行结果可以看出，分水岭算法可以较好的实现图像的分割。分水岭算法是图像分割的一种重要方法，但是此方法对噪声比较敏感，容易造成过分割现象。需要进行一定的预处理。本程序在进行自动标记后效果明显，分割效果比较理想。五、编写程序完成不同压缩方法的图像压缩的算法并进行比较，得出结论。图像压缩算法有有损压缩和无损压缩两大类。无损编码主要是熵编码，典型的有哈夫曼编码，还有利用图像空间冗余的游程编码。有损编码主要是变换域编码，如D

17、CT变换编码，小波压缩编码等。笔者完成了而至图像的游程编码和灰度图像的DCT变换编码。1.游程编码 matlab程序如下：tu1=imread(lena.bmp); %读入图像tu2=tu1(1:65536); %将原始图像写成一维的数据并设为 tu2tu2length=length(tu2); % 计算tu2的长度for i=1:1:tu2length % for 循环，目的在于转换为二值图像if tu2(i)=120tu2(i)=255;else tu2(i)=0;endend tu3=reshape(tu2,256,256); % 重建二维数组图像，并设为tu3 figure, subp

18、lot(121);imshow(tu3);title(原始二值图像); X=tu3(:); %令X为新建的二值图像的一维数据组 j=1;tu4(1)=1;for z=1:1:(length(X)-1) % 游程编码程序段if X(z)=X(z+1)tu4(j)=tu4(j)+1;elsedata(j)=X(z); % data(j)代表相应的像素数据j=j+1;tu4(j)=1;endend data(j)=X(length(X); % 最后一个像素数据赋给data tu4length=length(tu4); % 计算游程编码后的所占字节数，记为tu4length % 下面程序是游程编码解压

19、l=1;for m=1:tu4length for n=1:1:tu4(m); rec_tu(l)=data(m); l=l+1; end end rec2_tu=reshape(rec_tu,256,256); % 重建二维二维图像数组subplot(122);imshow(rec2_tu);title(恢复后的图像);%显示解压后的图像运行结果如下图示：压缩后数据如下（whos命令）： Name Size Bytes Class tu4 1x3826 30608 double 由图可以看出，对于二值图像（或灰度变化不大的灰度图像）可以无失真的压缩，压缩前图像为256*256大小，压缩后为1

20、*3826，压缩效果比较明显。如果灰度变化较大，则压缩效果不明显，甚至可能会比原来图像还大。2.DCT变换压缩。I=imread(lena.bmp);I=im2double(I) ; %转换图像矩阵为双精度型。T=dctmtx(8);%产生二维DCT变换矩阵B=blkproc(I,8,8,P1*x*P2,T,T); %二值掩模，用来压缩DCT系数，只留下DCT系数中左上角的10个mask=1 1 1 0 0 0 0 0 1 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

21、0 0 0 0 0 0 0 0 0 0 0 0 ;B2=blkproc(B,8 8,P1.*x,mask) ; %只保留DCT变换的10个系数I2=blkproc(B2,8 8,P1*x*P2,T,T) ; %重构图像figure,subplot(1,2,1);imshow(I);title(原始图像);subplot(1,2,2);imshow(I2);title(压缩图像);运行结果如下图所示:从运行结果可以看出，对图像压缩后会产生一定的失真，因为程序主要保留低频系数，所以图像细节部分有失真，但失真不是很明显。本程序只保留了左上角6个系数，理论上压缩比约达到11：1。可见DCT变换编码可以大幅压缩图像。如果改善滤波的模版，对于高频系数进行阈值处理，而不是简单置零，则可以在保证具有较大压缩比的前提下改善视觉效果。