数字图像处理综合作业2.docx

1、数字图像处理综合作业2综合作业二( 春季学期)一对X1照片图像增强1.1 直方图增强1.1.1 直方图拉伸增加对比度为了增强图像，观察x1，我们考虑增加图像的对比度，看是否能使图像更清晰。具体的编程思路是，读入x1图像，运用matlab自带的imadjust函数，对比所得结果，具体程序见附录1.1.1（a），实验结果见图1.1.1（1）。1.1.1（a）结论：由图1.1.1（a）对比发现，左右两边基本没有区别，基本没有图像增强效果。我们考虑到运用imadjust函数可以得到原图的负片，即将原灰度图白色的地方变成黑色，黑色的地方变成白色，这种效果可能使X1图像自身对比更鲜明，起到图像增强的作用，

2、具体程序见附录1.1.1（2），实验结果见图1.1.1（b）。1.1.1（b）结论：由图1.1.1（b）的对比发现，从人眼的视觉角度来看，右图比起左图，在感官上比较舒适，似乎有点图像增强的意思，但总体上，效果还不是很好。1.1.2直方图均衡在第三章的作业习题里，我们已经接触过直方图均衡，它是一种利用图像直方图对对比度进行调整的方法，也是图像增强常用的方法之一。我们的编程思路是运用matlab中自带的一些函数对原图进行处理，具体程序见附录1.1.2，实验结果见图1.1.2。1.1.2结论：由图1.1.2的对比，我们可以发现直方图均衡化后的图像整体变亮，图片中部分位置变得清晰一些，部分位置灰度值过

3、高，图像有些发白，没有得到好的图像增强效果，甚至发白部位阻碍医生观察骨骼细节。原因是因为这种方法对处理的数据不加选择，当原图的直方图有高峰时，经处理后对比度会不自然的过分增强。1.2 伪彩色增强1.2.1等密度分割法对图像中各像元亮度值进行统计，确定其最小值和最大值，确定分割的等级N，计算出分割的间隔再对输入图像的每一个像元进行亮度转换，为像元新值赋色。（1）matlab自带函数grayslice（I，n）（源程序：color1.m）将灰度图X1均匀量化为n个等级，然后利用jet映射将其转化为伪彩色图像x。程序见附录1.2.1（1）1.2.1(a) N=81.2.1(b) N=641.2.1(

4、c) n=256分析：由上面三组图像可知，当分割等级越大，所呈现的效果越好。（2）自编程序（源程序：color2.m）将图像X1按灰度分为11份R=0：256 间隔为256/10G=0到256 再到0 间隔为256/5B=256：0 间隔为256/101.2.1(d)分析：从上面各图的分析我们知道n越大，效果越好。但对比利用grayslice（I，n）函数n=8时的效果，自编程序n=11时的效果没有很好，可能是颜色映射不恰当，导致效果不好。1.2.2多波段合成伪彩色显示（源程序：color.m）对同一幅图像在不同波长获得多幅图像，可采用多种变换方式，最后合成R、G、B图像进而形成为彩色图像显示

5、。在这里使用分段线性映射法。实验结果见1.2.2.程序见附录1.2.2.1.2.2分析：对比利用密度分割法产生的效果，多波段合成伪彩色显示法的效果不是很好，反而将图像变得更加模糊。结论：通过对图像进行伪彩色处理，主要得出以下两点。（1）对图像进行伪彩色处理时，不同的伪彩色处理方法有不同的效果，要选择合适的处理方法。（2）不同的颜色映射法也有不同的效果，根据图像选择合适的颜色映射法。二对x2照片图像增强2.1 滤波首先我们先分别观察一下X2的在MATLAB中的原始图像和频谱分布情况。因为我们观察到X2是彩色图，所以我们需要利用rgb2gray函数将它转换成灰度图再进行处理。X2的原始图像和频谱分

6、布图如下图2.1所示：2.1我们观察到X2的灰度图存在较严重的椒盐噪声，其频谱图也存在一个十字叉的亮线，但是围绕中间亮点又有一个矩型噪声。综上，X2存在明显的噪声近似于椒盐噪声，所以我们先采用“广撒网，捞大鱼”的方法进行筛选，尝试使用不同类型的滤波器对X2进行滤波处理，分析对比哪种滤波器的滤波效果最好，然后再选择滤波效果最好的滤波器进行各种参数设置，使其滤波效果最好。2.1.1各种滤波器在这里我们使用了高斯低通滤波器，均值滤波器，中值滤波器，自适应滤波器，二维统计顺序滤波器，二阶Butterworth滤波器分别对X2图像进行滤波。程序见附录2.1.1各种滤波结果如下图2.1.1所示：高斯低通滤

7、波均值滤波中值滤波自适应滤波二维统计顺序滤波二阶butterworth滤波 2.1.1结论：对比分析后我们发现，中值滤波对于去除噪声效果最好，第二好的是二阶butterworth滤波，而自适应滤波去除效果则较差。所以接下来我们针对中值滤波器和二阶butterworth滤波器进行详细的参数设置，通过多次试验使其达到最好的效果。2.1.2 中值滤波因为观察X2的原始图像和频谱分布图，我们发现X2存在很明显的椒盐噪声，所以我们可以预见到使用中值滤波对X2进行处理后会有明显的改善。基本思路是先读入待处理图像，因为我们到观察X2是彩色图，所以我们需要利用rgb2gray函数先将它转换成灰度图，再利用中值

8、滤波器对其进行平滑滤波，分别使用3*3窗口，5*5窗口，7*7窗口，11*11窗口进行处理，分析比较处理结果。程序见附录2.1.2X2的处理结果如下图2.1.2所示：3*3窗口中值滤波7*7窗口中值滤波11*11窗口中值滤波 13*13窗口中值滤波2.1.2结论：正如预想的那样，中值滤波对X2会产生明显的效果。中值滤波对于去除椒盐噪声效果明显，是因为椒盐噪声只在画面上的部分点随机出现，而中值滤波根据数据排序，将未被污染的点代替噪声点的值的概率较大，所以抑制效果好。但是当我们选择的窗口较小时噪声依然比较严重，当我们把窗口加到11*11时只存在少数噪声，当我们把窗口加到13*13时，噪声基本消除，

9、虽然一些细节也模糊了，但是效果最好。2.1.3 二阶butterworth滤波基本步骤与中值滤波相似，这里不再赘述。但是，我们认为二阶butterworth滤波应该达不到中值滤波的效果。另外，二阶butterworth滤波需要修改与原点的距离d0,来实现最优效果,下图2.1.3分别展示了在d0=10，12,14,16,18,20时的情况。程序见附录2.1.3d0=10 d0=12d0=14 d0=16d0=18 d0=202.1.3结论：显而易见，无论我们怎么修改参数d0，其结果始终没有中值滤波好。同时，我们发现就X2图像而言，当d0=14左右时，二阶butterworth滤波器的效果是最好的

10、。因此，为了达到对X2图像最好的处理效果，我们选择了中值滤波器进行滤波处理。2.2 直方图增强由于在之前1.1的（1）中，我们发现通过直方图拉伸来增加对比度的方法几乎没有任何作用，所以对X2不再重复。因为x2明显存在噪声，所以我们对2.1中去噪后的图进行直方图均衡化处理，具体程序见附录2.2，实验结果见图2.2。2.2结论：观察并对比图2.2，我们发现，中值滤波去噪后的图像再做均衡化处理，泛白情况非常严重，严重损害了图像质量，所以直方图均衡的方法不能用于x2图像的增强。三边缘提取与增强图像的边缘部分对应图像上灰度变化剧烈的区域。图像的边缘提取有多种方法，可以采用一阶微分算子，如sobel算子，

11、Roberts算子，Prewitt算子，Canny算子。也可以采用二阶微分算子，如Laplacian算子。各种算子都有对应的优缺点，Sobel算子检测方法对灰度渐变和噪声较多的图像处理效果较好，但Sobel算子对边缘定位不是很准确，图像的边缘不止一个像素。Roberts算子检测方法对具有陡峭的低噪声的图像处理效果较好，但是利用roberts算子提取边缘的结果是边缘比较粗，因此边缘的定位不是很准确。Prewitt算子检测方法对灰度渐变和噪声较多的图像处理效果较好。但边缘较宽，而且间断点多。Laplacian算子法对噪声比较敏感，所以很少用该算子检测边缘，而是用来判断边缘像素视为与图像的明区还是暗

12、区。Canny方法不容易受噪声干扰，能够检测到真正的弱边缘。优点在于，使用两种不同的阈值分别检测强边缘和弱边缘，并且当弱边缘和强边缘相连时，才将弱边缘包含在输出图像，它是目前边缘检测最常用的算法，效果也是最理想的。3.1 对x1边缘提取与复合3.1.1 对x1边缘提取根据上述对边缘提取的分析，我们编写了各个边缘提取的程序，希望找到一个最好的边缘提取函数，进而得到最好的图像增强效果。X1的具体程序见附录3.1.1，实验结果见图3.1.1。 3.1.1观察对比图3.1.1，可以很明显地发现Canny方法提取的边缘效果最好，这个结果符合我们之前的分析，所以接下来的复合边缘，我们都采取Canny方法。

13、3.1.2 对x1边缘复合因为对x1做直方图均衡化后，部分图像由于对比度过高而泛白，不但没有增强图像，还损害了图像的部分细节，所以复合时不再考虑叠加均衡化后的图，所以我们的思路是将canny边缘提取图叠加在原图上，进行边缘复合。具体程序见附录3.1.2，实验结果见图3.1.2。3.1.2结论：观察并分析3.1.2，利用canny算子提取边缘后的图像与原图进行叠加，复合后的图像轮廓更加清晰，对比度明显增强，达到了图像增强的效果。但是提取的边缘过多，很多细节被模糊了，总体效果不是很理想，这是我们需要解决的问题，但是目前还没找到更好的办法。3.2对x2边缘提取与复合3.2.1 直接对原图x2边缘提取

14、因为x2是彩色图，所以要对其进行灰度转化，其他操作思路同x1。x2的具体程序见附录3.2.1，实验结果见图3.2.1。3.2.1结论：观察对比图3.2.1，同图3.1.1一样，也可以很明显地发现Canny方法提取的边缘效果最好，所以接下来的复合边缘，我们也就只采取Canny方法进行图像增强。此外，我们还发现，在提取边缘的同时，我们把噪声也当边缘提取了。这是因为原图X2有明显的噪声存在，我们在提取边缘时，是提取图像上灰度变化剧烈的区域，自然就会把噪声也提取出来，这是我们不希望看到的，所以在提取边缘之前需要对输入图像X2进行消除噪声的处理。3.2.2 去噪后边缘提取具体的思路是：前面我们已经对x2

15、滤波进行去噪处理，发现13*13的中值滤波器具有最好的效果，而且canny算子具有最好的边缘提取效果。所以我们将采用该尺寸的中值滤波器，对滤波后所得的图，进行canny边缘提取。具体程序见附录3.2.2，实验结果见图3.2.2。3.2.2观察对比图3.2.2，很明显，去噪后得到的边缘图就是我们所需要的。3.2.3 对x2边缘复合因为直方图均衡不仅不能增强x2,反而由于对比度过高，损害了图像细节，所以复合时，不再考虑叠加直方均衡图。在前面，我们成功的得到了中值滤波去噪后的图和去噪后的边缘提取图，接下来我们的思路是将这两幅图叠加，来增强图像。具体程序见附录3.2.3，实验结果见图3.2.3。3.2

16、.3结论：观察对比图3.2.3，利用canny算子提取边缘后的图像与原图进行叠加，复合后的图像轮廓更加清晰，很多原来模糊的细节可被肉眼直接观察，比如复合后的图像中指甲也清晰可见。但是手腕关节处的骨骼由于过多的细节提取被掩盖。不过总体效果比较理想，图像的对比度明显增强。作业合作说明我们三个（厉宏兰，徐节速，李倩）都来自XX天光所，但是之前从未接触过MATLAB编程以与图像处理的相关内容，所以此次作业我们选择了一起合作探讨，相互学习。徐节速同学主要做了直方图增强以与边缘函数提取复合，李倩同学主要做了图像的伪彩色增强，厉宏兰同学主要做了图像滤波去噪工作。最后一起讨论了处理结果，利用了各自的最优算法对

17、图像进行了最后的综合处理。附录：1.1.1（1)f=imread(C:UsersAdministratorDesktopX1.tif);f1=imadjust(f,stretchlim(f),);subplot(1,2,1) ;imshow(f)title(原始图像)subplot(1,2,2);imshow(f1)title(增加对比度后图像)1.1.1(2)f=imread(C:UsersAdministratorDesktopX1.tif);f1=imadjust(f,0,1,1,0);subplot(1,2,1) ;imshow(f)title(原始图像)subplot(1,2,2);

18、imshow(f1)title(负片)1.1.2f=imread(C:UsersAdministratorDesktopX1.tif);subplot(2,2,1),imshow(f);title(原图像);subplot(2,2,2),imhist(f);title(原图像直方图)subplot(2,2,3),f1=histeq(f); imshow(f1);title(均衡化后图像)subplot(2,2,4),imhist(f1);title(均衡化后图像直方图)1.2.1（1）I = imread(C:UserslenovoDesktop综合作业2_V3X光图像X1.tif);X=gr

19、ayslice(I,64);figure;imshow(X);title(索引图像); figure;imshow(X,jet(64);title(matlab自带程序处理图像);1.2.1 (2)I = imread(C:UserslenovoDesktop综合作业2_V3X光图像X1.tif);figure;imshow(I);title(原始图像); m,n=size(I);Imax=max(max(I);Imin=min(min(I);a=(Imax-Imin)/10;for i=1:mfor j=1:nif Imin=I(i,j)&I(i,j)=(Imin+a) R(i,j)=0;

20、G(i,j)=0; B(i,j)=256;elseif (Imin+a)I(i,j)&I(i,j)=(Imin+2*a) R(i,j)=25; G(i,j)=50; B(i,j)=225;elseif (Imin+2*a)I(i,j)&I(i,j)=(Imin+3*a) R(i,j)=50; G(i,j)=100; B(i,j)=200;elseif (Imin+3*a)I(i,j)&I(i,j)=(Imin+4*a) R(i,j)=75; G(i,j)=150; B(i,j)=175;elseif (Imin+4*a)I(i,j)&I(i,j)=(Imin+5*a) R(i,j)=100;

21、G(i,j)=200; B(i,j)=150; elseif (Imin+5*a)I(i,j)&I(i,j)=(Imin+6*a) R(i,j)=125; G(i,j)=256; B(i,j)=125;elseif (Imin+6*a)I(i,j)&I(i,j)=(Imin+7*a) R(i,j)=150; G(i,j)=200; B(i,j)=100;elseif (Imin+7*a)I(i,j)&I(i,j)=(Imin+8*a) R(i,j)=175; G(i,j)=150; B(i,j)=75; elseif (Imin+8*a)I(i,j)&I(i,j)=(Imin+9*a) R(i

22、,j)=200; G(i,j)=100; B(i,j)=50;elseif (Imin+9*a)I(i,j)&I(i,j)=(Imin+10*a) R(i,j)=225; G(i,j)=50; B(i,j)=25;else R(i,j)=256; G(i,j)=0; B(i,j)=0;endendendendendendendendendendendendfor i=1:mfor j=1:n x1(i,j,1)=R(i,j); x1(i,j,2)=G(i,j); x1(i,j,3)=B(i,j);endendx1=x1/256;figure;imshow(x1);title(密度分割法); 1

23、.2.2I=imread(C:UserslenovoDesktop综合作业2_V3X光图像X1.tif); figure;imshow(I);title(原始图像); I=double(I);m,n=size(I);L=256;for i=1:mfor j=1:nif I(i,j)L/4 R(i,j)=0; G(i,j)=4*I(i,j); B(i,j)=L;elseif I(i,j)=L/2 R(i,j)=0; G(i,j)=L; B(i,j)=-4*I(i,j)+2*L;elseif I(i,j)=3*L/4 R(i,j)=4*I(i,j)-2*L; G(i,j)=L; B(i,j)=0;

24、else R(i,j)=L; G(i,j)=-4*I(i,j)+4*L; B(i,j)=0;endendendendendfor i=1:mfor j=1:n x1(i,j,1)=R(i,j); x1(i,j,2)=G(i,j); x1(i,j,3)=B(i,j);endendx1=x1/256;figure;imshow(x1);title(多波段合成为彩色显示); 2.1.1I1=imread(D:MATLAB图像处理程序X光图像X2.tif);I2=rgb2gray(I1);figure;imshow(I2);title(X2灰图像)%显示原始图像G=fspecial(gaussian,

25、12 12,1); %这里的gaussian滤波窗口可选任意尺寸和标准差A=fspecial(average,12); %这里的average滤波窗口可选任意尺寸f1=filter2(G,I2);%使用G矩阵中的gaussian滤波器对图像滤波f2=filter2(A,I2);%使用A矩阵中的average滤波器对图像滤波f3=medfilt2(I2,12 12);%使用中值滤波器对图像滤波f4=wiener2(I2,12 12);%使用自适应滤波器对图像滤波f5=ordfilt2(I2,5,ones(12,12);% 使用二维统计顺序过滤figure;imshow(f1,);title(高斯

26、低通滤波器处理结果);figure;imshow(f2,);title(均值滤波器处理结果);figure;imshow(f3,);title(中值滤波器处理结果);figure;imshow(f4,);title(自适应滤波器处理结果);figure;imshow(f5,);title(二维统计顺序滤波处理结果);J=double(I2); f=fft2(J); g=fftshift(f); M,N=size(f); n=2;d0=16; n1=floor(M/2);n2=floor(N/2);for i=1:M;for j=1:N; d=sqrt(i-n1)2+(j-n2)2); h=1/

27、(1+0.414*(d/d0)(2*n); g(i,j)=h*g(i,j);endend g=ifftshift(g); f6=uint8(real(ifft2(g);figure;imshow(f6) title(二阶Butterworth滤波图像)2.1.2I1=imread(D:MATLAB图像处理程序X光图像X2.tif);I2=rgb2gray(I1);figure;imshow(I2);title(X2灰图像)%显示原始图像 filtered1=medfilt2(I2,3 3);%使用3*3滤波窗口 figure;imshow(filtered1); title(3x3窗的中值滤波

28、图像) filtered2=medfilt2(I2,7 7);%使用7*7滤波窗口 figure;imshow(filtered2); title(7x7窗的中值滤波图像) filtered2=medfilt2(I2,11 11);%使用11*11滤波窗口 figure;imshow(filtered2); title(11x11窗的中值滤波图像) filtered2=medfilt2(I2,13 13);%使用13*13滤波窗口 figure;imshow(filtered2); title(13x13窗的中值滤波图像)2.1.3I1=imread(D:MATLAB图像处理程序X光图像X2.

29、tif);I2=rgb2gray(I1); J=double(I2); f=fft2(J); g=fftshift(f); M,N=size(f); n=2;d0=16;%这里的d0可任意修改 n1=floor(M/2);n2=floor(N/2);for i=1:M;for j=1:N; d=sqrt(i-n1)2+(j-n2)2); h=1/(1+0.414*(d/d0)(2*n); g(i,j)=h*g(i,j);endend g=ifftshift(g); g=uint8(real(ifft2(g);figure;imshow(g) title(二阶Butterworth滤波图像)2.

30、2clear;clc;I=imread( C:UsersAdministratorDesktopx2.tif);I=rgb2gray(I);figure;subplot(1,2,1),imshow(I);title(原图); subplot(1,2,2),imhist(I);title(原图直方图)filtered2=medfilt2(I,13 13);%使用13*13滤波窗口 figure; subplot(221),imshow(filtered2); title(13x13窗的中值滤波去噪后的图像) subplot(2,2,2),imhist(filtered2);title(去噪后图像直方图)subplot(2,2,3),f1=