实验一 图像增强和图像分割实验.docx

1、实验一实验一 图像增强和图像分割实验图像增强和图像分割实验 实验一 图像增强和图像分割实验（1）分别用图中给出的直线和曲线作为增强函数进行增强，比较它们的效果并讨论其特点。线性变换 对指数变换 图片 1 图片 2 实验步骤：1.在 MATLAB中编写灰度图像的线性变换点运算程序 图片 1处理程序 I=imread(图片 1.png);%读入原图像 I=im2double(I);%转换数据类型为 double M,N=size(I);figure(1);imshow(I);%显示原图像 title(原图像);figure(2);I=rgb2gray(I);%转化为灰度图像 H,x=imhist(

2、I,64);stem(x,(H/M/N),.);title(原图像);%tan=30 a=sqrt(3)/3;b=0;y=a.*I+b;figure(3);imshow(y);title(tan=30);figure(4);H,x=imhist(y,64);stem(x,(H/M/N),.);title(tan=30);%tan=45 a=1;b=0;y=a.*I+b;figure(5);imshow(y);title(tan=45);figure(6);H,x=imhist(y,64);stem(x,(H/M/N),.);title(tan=45);%tan=60 a=sqrt(3);b=0

3、;y=a.*I+b;figure(7);imshow(y);title(tan=60);figure(8);H,x=imhist(y,64);stem(x,(H/M/N),.);title(tan=60);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

4、，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：I=imread(图片 1.png);%读入原图像 I=im2double(I);%转换数据类型为 double I=rgb2gra

5、y(I);figure(1);imshow(I);%显示原图像 title(原图像);figure(3);H,x=imhist(I,64);stem(x,(H/M/N),.);title(原图像);figure(2);y=log(I+1);imshow(I);title(对数变换);figure(4);H,x=imhist(y,64);stem(x,(H/M/N),.);title(对数变换);实验结果如下图所示：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：I=imread(图片 1.png);%读入原图像 I=im2double(I);%转换数据类型为 d

6、ouble I=rgb2gray(I);M,N=size(I);figure(1);imshow(I);%显示原图像 title(原图像);figure(3);H,x=imhist(I,64);stem(x,(H/M/N),.);title(原图像);figure(2);imshow(imadjust(I,3);figure(4);H,x=imhist(imadjust(I,4),64);stem(x,(H/M/N),.);title(指数变换);实验结果如下图所示：图片 1直方图 指数变换后直方图 图片 1指数变换后图像 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

7、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 2.实验结果分析 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 Canny算子进行边缘检测，

8、比较它们的效果并讨论其特点；图片 3 图片 4 实验步骤：1.在 MATLAB中编写检测程序 I=imread(图片 3.png);bw1=edge(I,roberts);bw2=edge(I,sobel);bw3=edge(I,log);bw4=edge(I,canny);figure(1);imshow(I);title(原图像);figure(2);imshow(bw1);title(roberts);figure(3);imshow(bw2);title(sobel);figure(4);imshow(bw3);title(log);figure(5);imshow(bw4);titl

9、e(canny);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。实验结果如下图所示：roberts处理后图像 sobel 处理后图像 LoG处理后图像 canny处理后图像 2.实验结果分析 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

10、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：Robert

11、s 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 6 实验步骤：1.固定阈值：I=imread(图片 5.png);figur

12、e(1);imshow(I);title(原图像);figure(2);imhist(I);title(直方图);i=1;j=1;for i=1:1:256 for j=1:1:256 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);end end end ZO=ForegroundSum/iForeground;%计算前景和背景的

13、平均值 ZB=BackgroundSum/iBackground;TKTmp=uint8(ZO+ZB)/2;if(TKTmp=TK)bcal=0;else TK=TKTmp;end%当阈值不再变化的时候，说明迭代结束 end disp(strcat(迭代后的阀值：,num2str(double(TK);%显示最终阈值 newI=im2bw(I,double(TK)/255);figure(1);imshow(I);title(原始图像);figure(2);imshow(newI);title(迭代法分割)实验结果：迭代后的阀值：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

14、：迭代后的阀值：104 图片 6迭代分割 3.Otsu 阈值：I=imread(图片 5.png);level=graythresh(I);BW=im2bw(I,level);figure(1);imshow(I);title(原图像);figure(2);imshow(BW);title(otsu);实验结果：Level=0.5137 Otsu 阈值分割 图片 6处理过程同上，实验结果如下：Level=0.4039；Otsu 阈值分割 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

15、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

16、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 8 实验步骤：1.实验程序%基于共生矩阵纹理特征提取，d=1,=0,45,90,135共四个矩阵%所用图像灰度级均为 256 Gray=imread(图片 7.png);M,N=size(Gray);I=zeros(M,N);I=(Gray-rem(Gray,8)/8;figure(1);imshow(Gray,);title(256*256);figure(3);imhist(Gray);figure(2);imsho

17、w(I,);title(8*8);figure(4);imhist(I);%-%计算四个共生矩阵 P,取距离为 1，角度分别为 0,45,90,135%-P=zeros(8,8,4);for m=1:8 for n=1:8 for i=1:M for j=1:N if j1&jN&I(i,j)=m-1&I(i-1,j+1)=n-1 P(m,n,2)=P(m,n,2)+1;P(n,m,2)=P(m,n,2);end if iM&I(i,j)=m-1&I(i+1,j)=n-1 P(m,n,3)=P(m,n,3)+1;P(n,m,3)=P(m,n,3);end if iM&jN&I(i,j)=m-1

18、&I(i+1,j+1)=n-1 P(m,n,4)=P(m,n,4)+1;P(n,m,4)=P(m,n,4);end end end if m=n P(m,n,:)=P(m,n,:)*2;end end end%-%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;deltaX=H;deltaY=H;C=H;for n=1:4 E(n)=sum(sum(P(:,:,n).2);%能量 for i=1:8 for j

19、=1:8 if P(i,j,n)=0 H(n)=-P(i,j,n)*log(P(i,j,n)+H(n);%熵 end 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 end end end for n=1:4 for i=1:8 for j=1:8 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);%相关性中 y C(n)=i*j*P(i

20、,j,n)+C(n);end end C(n)=(C(n)-Ux(n)*Uy(n)/deltaX(n)/deltaY(n);%相关性 end%-%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),E(4)%输出数据;sprintf(0,45,90,135 方向上的

21、熵依次为：%f,%f,%f,%f,H(1),H(2),H(3),H(4)%输出数据;sprintf(0,45,90,135 方向上的惯性矩依次为：%f,%f,%f,%f,I(1),I(2),I(3),I(4)%输出数据;sprintf(0,45,90,135 方向上的相关性依次为：%f,%f,%f,%f,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=0,45,90,135方向上的能量依次为：0.170495,0.143078,0.164191,0.141377 ans=0,45,90,135方向上的熵依次为：2.223837,2.366822,

22、2.239749,2.389057 ans=0,45,90,135方向上的惯性矩依次为：0.671650,0.907801,0.640556,0.982820 ans=0,45,90,135方向上的相关性依次为：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 0 0 0 0 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

23、.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 P(:,:,2)=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 0.0035 0.0039 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 0.0

24、160 0.0564 0.0950 0.1018 0 0 0 0.0007 0.0064 0.0262 0.1018 0.3099 P(:,:,3)=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 0.0019 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 0.0148 0 0 0 0.0006 0.0079 0.0581 0.1105 0.0960 0 0 0 0.0003

25、0.0022 0.0148 0.0960 0.3411 P(:,:,4)=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 0.0029 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：ans=0,4

26、5,90,135方向上的能量依次为：0.375000,1.000000,0.375000,NaN ans=0,45,90,135方向上的熵依次为：1.039721,0.000000,1.039721,NaN ans=0,45,90,135方向上的惯性矩依次为：0.500000,0.000000,4.500000,NaN ans=0,45,90,135方向上的相关性依次为：-1.777778,NaN,-0.197531,NaN 共生矩阵：P(:,:,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 0

27、 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.2500 0 0 0 0 0 0 0.2500 0.5000 P(:,:,2)=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 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 1 P(:,:,3)=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 0 0 0 0 0.25

28、00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.2500 0 0 0.5000 P(:,:,4)=NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN Na

29、N NaN NaN NaN NaN NaN NaN 3.实验结果分析：灰度共生矩阵是对图像上保持某距离的两象素分别具有某灰度的状况进行统计。实验获取了 0、45、90 和 135 方向分别的灰度共生矩阵，及各灰度共生矩阵的相关特征。能量：反映了图像灰度分布均匀程度和纹理粗细度。由图片 7 实验结果可以看出，图片 7在 0 和 90 方向分布较均匀，与实际图片相符合；图片 8 在 45 方向分布均匀。熵：图像所具有的信息量的度量。图片 7的熵值较大且各方向近似相等，表明图片 7 中充满纹理；图片 8 中熵值差别较大，且灰度共生矩阵接近零矩阵，则图片 8几乎没有纹理。惯性矩：反映了图像的清晰度和纹

30、理沟纹深浅的程度。图片 7 在 45 和 135 方向惯性矩稍大，表明在这两个方向纹理沟纹深；而图片 8 在 90 方向惯性矩稍大，图像清晰。相关性：度量空间灰度共生矩阵元素在行和列方向上的相似程度，相关值大小反映了图像中局部灰度相关性。图片 7在 45 和 135 方向相关性小，可以认为这两个方向为纹理的主方向；图片 8在 0 和 90 出现负值，在另外两个方向出现错误，可以认为0 和 90 为主方向。总结：通过这四个简单的图像处理小实验，简单了解了灰度图像的简单处理，例如由真彩转灰度、图像数据格式转换、灰度级的压缩等。不仅仅是从眼睛分辨图片的特征，更要依据数据的理论分析。从简单的图像处理实验可以感受到图像处理的强大，在图像处理的道路上有很多任务要完成。