图像处理实验-图像增强和图像分割
图像处理实验报告
图像处理实验报告图像处理实验报告一、引言图像处理是计算机科学与工程领域的一个重要研究方向,它涉及到对数字图像进行获取、处理、分析和显示等一系列操作。
本实验旨在通过使用图像处理技术,对一幅给定的数字图像进行处理和分析,以探索图像处理的原理和应用。
二、实验目的本实验有以下几个目的:1. 理解图像处理的基本概念和原理;2. 掌握图像处理的常用技术和方法;3. 熟悉图像处理软件的使用。
三、实验步骤1. 图像获取在本实验中,我们选择了一张风景图作为实验对象。
该图像是通过数码相机拍摄得到的,保存在计算机中的文件格式为JPEG。
我们使用图像处理软件将该图像导入到程序中,以便进行后续的处理和分析。
2. 图像预处理在进行图像处理之前,我们需要对图像进行预处理。
预处理的目的是去除图像中的噪声、平滑图像的边缘等。
我们使用了均值滤波和中值滤波两种常用的图像平滑方法。
通过对比两种方法的效果,我们可以选择合适的方法来进行图像预处理。
3. 图像增强图像增强是指通过一系列的操作,使得图像在视觉上更加鲜明、清晰、易于观察。
在本实验中,我们使用了直方图均衡化和灰度拉伸两种图像增强方法。
直方图均衡化通过对图像的像素值进行变换,使得图像的直方图更加均匀,从而增强图像的对比度。
灰度拉伸则是通过对图像的像素值进行线性变换,将图像的灰度范围拉伸到更广的范围内,从而增强图像的细节。
4. 图像分割图像分割是将图像分成若干个互不重叠的区域,每个区域具有一定的意义和特征。
在本实验中,我们使用了阈值分割和边缘检测两种图像分割方法。
阈值分割是指通过设置一个合适的阈值,将图像中的像素分为两个类别。
边缘检测则是通过检测图像中的边缘信息,将图像分割为不同的区域。
5. 图像特征提取图像特征提取是指从图像中提取出具有一定意义和特征的信息。
在本实验中,我们选择了纹理特征和颜色特征两种常用的图像特征提取方法。
纹理特征提取通过对图像的纹理进行分析,提取出图像的纹理特征。
《数字图像处理》课程教学大纲
《数字图像处理》课程教学大纲课程代码:ABJD0619课程中文名称:数字图像处理课程英文名称:Dig让a1ImageProcessing课程性质:选修课程学分数:3学分课程学时数:48学时(32理论课时+16实验学时)授课对象:电子信息工程本课程的前导课程:高等数学,概率论,线性代数,数字信号处理,信息论,程序设计等一、课程简介数字图像处理是一门新兴的跨学科的前沿高科技,在军事、工业、科研、医学等领域获得了广泛应用,是国内外高校和科研院所的研窕生教育中一个重要的研究方向。
通过本课程的学习,同学们将掌握数字图像处理的基本理论与方法,包括图像变换、图像增强、图像分割、图像恢复、图像识别、图像压缩编码、数字图像处理系统及应用等内容。
二、教学基本内容和要求(-)数字图像处理方法概述教学内容:数字图像处理的研究对象、基本应用、研究内容等,数字图像的基本概念、彩色图像的调色板等概念。
课程的重点、难点:重点:CDIB类与程序框架结构介绍。
难点:调色板的基本概念和应用。
教学要求:D了解本课程研究的对象、内容及其在培养软件编程高级人才中的地位、作用和任务;2)了解数字图像处理的应用;3)理解数字图像的基本概念、与设备相关的位图(DDB)、与设备无关的位图(D1B);4)理解调色板的基本概念和应用;5)了解CD1B类与程序框架结构介绍;6)掌握位图图像处理技术。
(二)图像的几何变换教学内容:图像的几何变换种类以及概念,几何变换的实现原理和实施方法课程的重点、难点:重点:镜像变换。
难点:旋转。
教学要求:1)理解图像的缩放、平移、镜像变换、转置、旋转。
(三)图像灰度变换教学内容:直方图的概念、灰度的点运算(包含灰度信息的线性变化、指数变换等)、直方图的均匀化和规定化课程的重点、难点:重点:灰度直方图。
难点:灰度分布均衡化。
教学要求:1)了解非O元素取1法、固定阈值法、双固定阈值法的图像灰度变换;2)掌握灰度的线性变换、窗口灰度变换处理、灰度拉伸、灰度直方图、灰度分布均衡化。
医学图像处理技术的使用技巧总结
医学图像处理技术的使用技巧总结医学图像处理技术是指利用计算机技术对医学图像进行处理和分析的方法和工具。
随着技术的不断发展,医学图像处理在临床诊断、治疗计划、疾病监测等方面起着越来越重要的作用。
本文将总结几种常见的医学图像处理技术的使用技巧,帮助医务人员更好地应用于临床实践中。
第一种技术是图像增强。
图像增强旨在改善图像的质量,突出感兴趣的结构或特征。
在医学图像中,有时可能会受到噪声、干扰或光照条件不佳等因素的影响,使图像信息难以清晰地观察和分析。
通过调整亮度、对比度、锐化等参数,可以使图像的细节更加明确,便于医生进行诊断。
此外,滤波器的应用也是常见的图像增强方法之一,比如使用低通滤波器来减小噪声、使用高通滤波器来增强边缘等。
第二种技术是图像分割。
图像分割是将图像中的目标与背景进行区分,将目标从背景中提取出来。
在医学图像中,图像分割对于骨骼、组织或器官的定位和分析至关重要。
常用的医学图像分割方法包括阈值分割、区域生长、边缘检测等。
阈值分割是基于灰度值的分割方法,通过设定阈值将图像中的目标与背景分离;区域生长则是从一个或多个种子点开始,逐渐生长直至覆盖整个目标区域;边缘检测则是通过检测图像中的边缘特征来进行分割。
在应用图像分割技术时,根据医学图像的特点和需求,选择合适的方法将有助于提高分割的准确性和效率。
第三种技术是三维重建。
三维重建是根据多幅二维医学图像重建出三维物体的过程。
通过将不同角度或层面的二维图像进行配准,可以得到更加准确的三维解剖结构信息。
三维重建对于手术规划、病灶定位和虚拟现实模拟等应用具有重要价值。
在进行三维重建时,需要注意选择合适的图像处理算法和配准方法,以获得高质量的三维模型。
此外,还可以利用虚拟现实技术将三维模型与实时检查相结合,提供更加直观的视觉信息。
第四种技术是医学图像的特征提取与分类。
医学图像中的特征提取与分类是指从图像中提取出有价值的特征,并将其分为不同的类别。
通过特征提取与分类,可以帮助医生做出更准确的诊断和预测结果。
matlab数字图像处理实验报告
《数字图像处理实验报告》实验一图像的增强一.实验目的1.熟悉图像在MATLAB下的读写、输出;2.熟悉直方图;3.熟悉图像的线性指数等;4.熟悉图像的算术运算和几何变换。
二.实验仪器计算机、MATLAB软件三.实验原理图像增强是指根据特定的需要突出图像中的重要信息,同时减弱或去除不需要的信息。
从不同的途径获取的图像,通过进行适当的增强处理,可以将原本模糊不清甚至根本无法分辨的原始图像处理成清晰的富含大量有用信息的可使用图像。
其基本原理是:对一幅图像的灰度直方图,经过一定的变换之后,使其成为均匀或基本均匀的,即使得分布在每一个灰度等级上的像素个数.f=H等或基本相等。
此方法是典刑的图像空间域技术处理,但是由于灰度直方图只是近似的概率密度函数,因此,当用离散的灰度等级做变换时,很难得到完全平坦均匀的结果。
频率域增强技术频率域增强是首先将图像从空间与变换到频域,然后进行各种各样的处理,再将所得到的结果进行反变换,从而达到图像处理的目的。
常用的变换方法有傅里叶变换、DCT变换、沃尔什-哈达玛变换、小波变换等。
假定原图像为f(x,y),经傅立叶变换为F(u,v)。
频率域增强就是选择合适的滤波器H(u,v)对F(u,v)的频谱成分进行处理,然后经逆傅立叶变换得到增强的图像。
四.实验内容及步骤1.图像在MATLAB下的读写、输出;实验过程:>> I = imread('F:\image\');figure;imshow(I);title('Original Image');text(size(I,2),size(I,1)+15, ...'', ...'FontSize',7,'HorizontalAlignment','right');Warning: Image is too big to fit on screen; displaying at 25% > In imuitools\private\initSize at 86In imshow at 1962.给定函数的累积直方图。
图像处理技术的最新研究和应用
图像处理技术的最新研究和应用1. 前言在当今大数据和人工智能技术的快速发展下,图像处理技术也得到了极大的提升和应用。
本文主要介绍目前图像处理技术的最新研究和应用,分别从图像增强、图像分割、目标识别、图像分类等几个方面进行阐述。
2. 图像增强图像增强是指通过各种算法和技术,提高图像品质并弥补图像质量上的缺陷。
近年来,图像增强技术不断深入研究,包括基于深度学习的图像超分辨率重建、基于模型的图像去雾和基于复原的图像增强等。
2.1 图像超分辨率重建图像超分辨率重建技术的目的是增加图像的分辨率,提高图像的细节和清晰度。
其中,深度学习被广泛应用于图像超分辨率重建技术中。
目前,研究人员已经开发出多种基于深度学习的超分辨率算法,提高了图像的清晰度和细节。
2.2 图像去雾雾气会使图像产生模糊和失真,影响图像质量。
因此,图像去雾技术是非常重要的。
目前,基于深度学习的图像去雾技术已经成为一个热门的研究领域。
通过卷积神经网络(CNN)的学习和处理,可以有效的去除图像中的雾气和改善图像质量。
2.3 复原的图像增强复原的图像增强技术是通过建立一个复原之后进行图像增强的模型,弥补图像质量问题。
该技术利用了深度学习模型的强大处理能力,在图像复原之后进行增强,从而获得更高质量的图像。
这种技术在医学图像处理和远程监控等领域有广泛应用。
3. 图像分割图像分割是指将图像中具有相似特征的像素点划分为同一区域。
目前,图像分割技术已经成为了图像处理的重要领域,其应用范围涵盖了计算机视觉、图像识别、医学成像和自动驾驶汽车等多个领域。
目前,研究人员主要将图像分割技术分为基于传统数学模型和基于深度学习模型两部分。
3.1 基于传统数学模型的图像分割基于传统数学模型的图像分割是处理图像中的亮度、颜色、纹理方式等特征的技术,主要包括常规算法、边缘检测算法、区域生长算法、阈值分割算法等多种方法。
然而,其准确性和鲁棒性有待提高。
3.2 基于深度学习模型的图像分割基于深度学习模型的图像分割主要由卷积神经网络(CNN)实现,深度学习模型具有学习能力强、识别准确性高、模型效果好等特点。
数字图像处理图像分割
如果检测结果小于给定的阈值,就把两个区域合并。
5.3 区域分割
2 分裂合并法 实际中常先把图像分成任意大小且不重叠的区域,然后再
合并或分裂这些区域以满足分割的要求,即分裂合并法.一致 性测度可以选择基于灰度统计特征(如同质区域中的方差),假
设阈值为T ,则算法步骤为: ① 对于任一Ri,如果 V (Ri ) T ,则将其分裂成互不重叠的四
3 影响因素
多特征阈值分割
a 灰度及平均灰度(3×3区)二维直方图
--若集中于对角线区则表示灰度均匀 平均灰度
区。
边界
--若远离对角线者(灰度与平均灰度 不同)是区域边界。
背景
(近对角线构成直方图有明显峰值及阈 值,远离对角线者可用灰度平均值作为 阈值,用于区分两个区)。
目标 边界
灰度
3 影响因素 多特征阈值分割 b 灰度与灰度梯度图
5.4 Hough变换
Hough变换是一种检测、定位直线和解析曲线的有效 方法。它是把二值图变换到Hough参数空间,在参数空间 用极值点的检测来完成目标的检测。下面以直线检测为例, 说明Hough变换的原理。
域,直到区域不能进一步扩张; Step4:返回到步骤1,继续扫描直到所有像素都有归属,则结束整
个生长过程。
5.3 区域分割
1 区域生长法 区域生长法生长准则
基于区域灰度差方法
讨论:生长准则与欠分割或过分割现象
10477 10477 01555 20565 22564
11577 11577 11555 21555 22555
C1的平均值:1
m
ipi
iT 1 w1
(T )
1 w(T )
m
其中, ipi w00 w11 是整体图像的灰度平均值
DIP课程实验
Digital Image Processing Homework课程实验实验题目(任选其中两个完成,欢迎多选):∙实验1: 图像增强∙实验2: 图像分割与边缘检测∙实验3: 图像几何变换∙实验4: 图像特征与理解∙实验5: 图像压缩与编码∙实验6: 图像复原∙实验7: 图像频域处理∙实验8: 图像数学形态学处理实验1:图像增强一、实验目的:学会常用图像增强与平滑的算法。
二、实验要求:1.直方图计算与显示,直方图拉伸与均衡;2.灰度变换算法;3.燥声去除算法;4.图象锐化算法。
三、实验步骤:1.利用工具(如ACDSee、PhotoShop)将JPG图像文件转换为BMP图像文件;2.根据BMP格式,将图像内容读入内存数组;3.调用各种算法处理读入的图像;4.注意不同处理方法对边缘的影响。
四、实验图像:Sample1-1.jpg(原始图像)Sample1-2.jpg(加噪声后的图像)实验2:图像分割与边缘检测一、实验目的:学会常用图像分割与边缘检测算法。
二、实验要求:1.用灰度阈值法、区域生长与聚合算法实现图象分割;2.用梯度算子检测图像中的边缘;3.用Sobel算子检测图像中的边缘;4.实现投影法和差影算法。
三、实验步骤:1.利用工具(如ACDSee、PhotoShop)将JPG图像文件转换为BMP图像文件;2.根据BMP格式,将图像内容读入内存数组;3.调用算法;4.比较处理结果。
四、实验图像:Sample2-1.jpg Sample2-2.jpg实验3:图像几何变换1、Image Printing Program Based on Halftoning (Pattern 半影调法,图案法)The following figure shows ten shades of gray approximated by dot patterns. Each gray level is represented by a 3 x 3 pattern of black and white dots. A 3 x 3 area full of black dots is the approximation to gray-level black, or 0. Similarly, a 3 x 3 area of white dotsrepresents gray level 9, or white. The other dot patterns are approximations to gray levels in between these two extremes. A gray-level printing scheme based on dots patterns such as these is called "halftoning" Note that each pixel in an input image will correspond to 3 x 3 pixels on the printed image, so spatial resolution will be reduced to 33% of the original in both the vertical and horizontal direction. Size scaling as required in (a) may furtherreduce resolution, depending on the size of the input image.(a) Write a halftoning computer program for printing gray-scale images based on the dotpatterns just discussed. Your program must be able to scale the size of an input image so that it does not exceed the area available in a sheet of size A4 (21.6 x 27.9 cm). Yourprogram must also scale the gray levels of the input image to span the full halftoning range.(b) Write a program to generate a test pattern image consisting of a gray scale wedge ofsize 256 x 256, whose first column is all 0's, the next column is all 1's, and so on, with the last column being 255's. Print this image using your gray-scale printing program.(c) Print iamges Sample4-1.jpg, Sample4-2.jpg and Sample4-3.jpg using your gray-scaleprinting program.2、Reducing the Number of Gray Levels in an Image (二值化)(a) Write a computer program capable of reducing the number of gray levels in a image from 256 to 2, in integer powers of 2. The desired number of gray levels needs to be a variable input to your program.(b) Download the image Sample4-4.jpg and run your program.3、Zooming and Shrinking Images by Pixel Replication (基于像素插补的放大缩小) (a) Write a computer program capable of zooming and shrinking an image by pixelreplication (插补). Assume that the desired zoom/shrink factors are integers. You may ignore aliasing effects.(b) Download the image Sample4-5.jpg and use your program to shrink the image from 1024 x 1024 to 256 x 256 pixels.(c) Use your program to zoom the image in (b) back to 1024 x 1024. Explain the reasons for their differences.4、Zooming and Shrinking Images by Bilinear Interpolation (基于双线性插值的放大缩小)(a) Write a computer program capable of zooming and shrinking an image by bilinear interpolation. The input to your program is the desired size of the resulting image in the horizontal and vertical direction. You may ignore aliasing effects.(b) Download the image Sample4-5.jpg and use your program to shrink this image from 1024 x 1024 to 256 x 256 pixels.(c) Use your program to zoom the image in (b) back to 1024 x 1024. Explain the reasonsfor their differencesSample4-1.jpgSample4-2.jpgSample4-3.jpgSample4-4.jpgSample4-5.jpg实验4:图像特征与理解实验5:图像压缩与编码一、实验目的:掌握数字图像的基本压缩与编码技术。
图像处理实验报告实验报告
一、实验目的1、熟悉位图文件的文件格式,掌握位图数据读取并在屏幕上显示的方法。
2、掌握在计算机上进行直方图均衡化以及线性增强的方法。
3、通过实验体会一些主要的分割算子对图像处理的效果,以及各种因素对分割效果的影响。
4、熟练掌握应用MATLAB软件编程进行图像处理。
二、实验环境一台pc机,MATLAB软件编程环境。
三、实验内容1、图像的现实和读取:运用MATLAB软件编程,读取指定的256色灰度图像的数据,显示该文件的文件头和信息头数据的值,并在屏幕上显示该图象。
2、直方图的显示和均衡化:运用MATLAB软件编程,实现内容1中图像直方图的显示和均衡化。
3、图像分割:使用Prewitt 算子、Sobel 算子对图像进行边缘检测处理,完成图像分割实验。
4、图像增强:编写线性增强的程序及相应的显示程序,对指定图象进行线性增强,将原始图象及增强后的图象都显示于屏幕上,比较增强的效果。
四、实验步骤1、打开计算机,启动MATLAB程序。
2、图像读取与显示。
MATLAB中从图像文件中读取数据用函数imread(),这个函数的作用就是将图像文件的数据读入矩阵中,用imshow()函数显示出来。
imread('C:\Users\weixiaoxu\Desktop\图像处理\图像处理.jpg','jpg');imshow('C:\Users\weixiaoxu\Desktop\图像处理\图像处理.jpg');title('原图像')3、直方图的显示A=imread('C:\Users\weixiaoxu\Desktop\图像处理\图像处理.jpg','jpg'); figure;imhist(A),title('对应直方图')4、直方图均衡化MATLAB提供了histeq函数(自动直方图均衡化)I=imread('C:\Users\weixiaoxu\Desktop\图像处理\图像处理.jpg','jpg'); K=histeq(I);figure;imshow(K),title('经直方图均衡化后的图')figure;imhist(K),title('直方图均衡化后的直方图')5、图像的边缘检测用Sobel算子做边缘检测[A,map]=imread('C:\Users\weixiaoxu\Desktop\图像处理\图像处理.jpg','jpg'); image=double(A);u=zeros(1,9);k=zeros(1,9);for i=2:255,for j=2:255,u(1)=0*image(i,j);u(2)=2*image(i,j+1);u(3)=1*image(i-1,j+1);u(4)=0*image(i-1,j);u(5)=-1*image(i-1,j-1);u(6)=-2*image(i,j-1);u(7)=-1*image(i+1,j-1);u(8)=0*image(i+1,j);u(9)=1*image(i+1,j+1);rimage1(i,j)=abs(sum(u));k(1)=0*image(i,j);k(2)=0*image(i,j+1);k(3)=1*image(i-1,j+1);k(4)=2*image(i-1,j);k(5)=1*image(i-1,j-1);k(6)=0*image(i,j-1);k(7)=-1*image(i+1,j-1);k(8)=-2*image(i+1,j);k(9)=-1*image(i+1,j+1);rimage2(i,j)=abs(sum(k));xiaoqiu(i,j)=rimage1(i,j)+rimage2(i,j);end,end,figure,imshow(xiaoqiu,map),title('Sobel锐化');用prewitt算子做边缘检测[A,map]=imread('C:\Users\weixiaoxu\Desktop\图像处理\图像处理.jpg','jpg'); image=double(A);u=zeros(1,9);k=zeros(1,9);for i=2:255,for j=2:255,u(1)=0*image(i,j);u(2)=1*image(i,j+1);u(3)=1*image(i-1,j+1);u(4)=0*image(i-1,j);u(5)=-1*image(i-1,j-1);u(6)=-1*image(i,j-1);u(7)=-1*image(i+1,j-1);u(8)=0*image(i+1,j);u(9)=1*image(i+1,j+1);rimage1(i,j)=abs(sum(u));k(1)=0*image(i,j);k(2)=0*image(i,j+1);k(3)=-1*image(i-1,j+1);k(4)=1*image(i-1,j);k(5)=1*image(i-1,j-1);k(6)=0*image(i,j-1);k(7)=-1*image(i+1,j-1);k(8)=-1*image(i+1,j);k(9)=-1*image(i+1,j+1); rimage2(i,j)=abs(sum(k));xiaoqiu(i,j)=rimage1(i,j)+rimage2(i,j);end,end,figure,imshow(xiaoqiu,map),title('prewitt边缘检测');7、图像的处理均值滤波I=imread('C:\Users\weixiaoxu\Desktop\图像处理\图像处理.jpg','jpg');h=fspecial('average',3);I2=uint8(round(filter2(h,I)));imshow(I2),title('均值滤波')中值滤波I=imread('C:\Users\weixiaoxu\Desktop\图像处理\图像处理.jpg','jpg');I3=medfilt2(I,[3,3]);imshow(I3),title('中值滤波')五、实验总结通过本次试验基本掌握了应用MATLAB软件编程进行图像处理的方法,熟悉了位图文件的文件格式,掌握了位图数据读取显示,直方图均衡化以及线性增强的方法,并学会了运用分割算子对图像进行边缘检测和图像分割处理的方法。
数字图像处理 实验报告(完整版)
数字图像处理实验一 MATLAB数字图像处理初步一、显示图像1.利用imread( )函数读取一幅图像,假设其名为lily.tif,存入一个数组中;2.利用whos 命令提取该读入图像flower.tif的基本信息;3.利用imshow()函数来显示这幅图像;实验结果如下图:源代码:>>I=imread('lily.tif')>> whos I>> imshow(I)二、压缩图像4.利用imfinfo函数来获取图像文件的压缩,颜色等等其他的详细信息;5.利用imwrite()函数来压缩这幅图象,将其保存为一幅压缩了像素的jpg文件,设为lily.jpg;语法:imwrite(原图像,新图像,‘quality’,q), q取0-100。
6.同样利用imwrite()函数将最初读入的tif图象另存为一幅bmp图像,设为flily.bmp。
7.用imread()读入图像Sunset.jpg和Winter.jpg;8.用imfinfo()获取图像Sunset.jpg和Winter.jpg的大小;9.用figure,imshow()分别将Sunset.jpg和Winter.jpg显示出来,观察两幅图像的质量。
其中9的实验结果如下图:源代码:4~6(接上面两个) >>I=imread('lily.tif')>> imfinfo 'lily.tif';>> imwrite(I,'lily.jpg','quality',20);>> imwrite(I,'lily.bmp');7~9 >>I=imread('Sunset.jpg');>>J=imread('Winter.jpg')>>imfinfo 'Sunset.jpg'>> imfinfo 'Winter.jpg'>>figure(1),imshow('Sunset.jpg')>>figure(2),imshow('Winter.jpg')三、二值化图像10.用im2bw将一幅灰度图像转化为二值图像,并且用imshow显示出来观察图像的特征。
医学图像处理的基本操作
医学图像处理的基本操作医学图像处理是一门涉及医学图像获取、存储、处理和分析的科学技术,其在医学影像诊断、治疗以及生物医学研究等方面发挥着重要作用。
医学图像处理的基本操作包括图像增强、图像分割、图像配准等。
图像增强图像增强指的是通过修改图像的亮度、对比度、颜色、锐度等方式,加强图像质量,使得图像更容易被人类或计算机视觉算法识别。
常见的图像增强方法有直方图均衡化、灰度拉伸、伽马校正、滤波等。
直方图均衡化是一种常用的图像增强方法,基于图像像素的统计特征,通过重新分配图像像素的灰度级,使得像素值在整个灰度范围内均衡分布,从而增强图像对比度。
灰度拉伸是一种调整图像亮度和对比度的方法,通过拉伸图像的像素灰度值范围,使得图像更好地展示其细节与特征。
伽马校正是一种基于伽马函数的灰度调整方法,通过调整像素的亮度和对比度,提高低灰度值的对比度,使得图像更加清晰。
滤波是一种通过滑动窗口取平均或加权平均的方法,以减小噪声或平滑图像的方法,常见的滤波器有中值滤波、高斯滤波等。
图像分割图像分割指将图像划分成若干个子区域,使得每个子区域内具有相似的像素值或特征。
图像分割的目的在于分离和识别图像中的不同目标或区域,实现对图像的自动分析和处理。
常见的图像分割方法有阈值分割、区域分割、边缘分割等。
阈值分割是一种基于像素灰度值的方法,通过设置一个像素灰度值作为阈值,将像素分为两类,从而实现图像的分割。
区域分割是一种基于特征的方法,通过利用像素之间的相似性、连通性等特征将像素分为不同的区域。
边缘分割是一种基于图像梯度的方法,通过检测图像中像素灰度值的变化来确定图像中的边缘,从而实现图像的分割。
图像配准图像配准指的是将多幅图像重叠到一个公共坐标系下,从而实现它们之间的匹配和对比。
图像配准常用于医学图像比较、图像融合、图像分割等领域。
常见的图像配准方法包括统计配准、基于特征点的配准、弯曲变形配准等。
统计配准是一种基于统计学方法的配准方法,通过分析两幅图像之间的相似性和变换关系,建立变换模型,从而实现一幅图像到另一幅图像的变换。
数字图像处理实验报告
数字图像处理实验报告引言数字图像处理是一门研究如何对图像进行数字化处理的学科,它的应用广泛,涵盖了图像的获取、增强、压缩、分割等多个方面。
本次实验旨在探索数字图像处理的基本原理和常用技术,并通过实践操作加深对数字图像处理的理解。
实验目的1.学习掌握数字图像处理的基本原理;2.熟悉常用的数字图像处理工具和方法;3.实践应用数字图像处理技术解决实际问题。
实验环境在本次实验中,我们使用了以下环境和工具:- 操作系统:Windows 10 - 编程语言:Python - 图像处理库:OpenCV实验步骤步骤一:图像获取与显示首先,我们需要获取一张待处理的图像,并对其进行显示。
在Python中,我们可以使用OpenCV库来实现图像的读取和显示。
以下是示例代码:import cv2# 读取图像image = cv2.imread('image.jpg')# 显示图像cv2.imshow('Image', image)cv2.waitKey(0)cv2.destroyAllWindows()步骤二:图像增强图像增强是数字图像处理中常用的技术之一,旨在改善图像的质量和可视化效果。
常见的图像增强技术包括灰度转换、直方图均衡化、滤波器等。
以下是示例代码:import cv2# 读取图像image = cv2.imread('image.jpg')# 灰度转换gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GR AY)# 直方图均衡化equalized_image = cv2.equalizeHist(gray_image)# 高斯滤波器blurred_image = cv2.GaussianBlur(equalized_image, (5, 5), 0)# 边缘增强enhanced_image = cv2.Canny(blurred_image, 100, 20 0)# 显示图像cv2.imshow('Enhanced Image', enhanced_image)cv2.waitKey(0)cv2.destroyAllWindows()步骤三:图像压缩图像压缩是数字图像处理中的重要话题,旨在减少图像的存储空间和传输带宽。
图像增强实验报告
图像增强实验报告篇一:图像处理实验报告——图像增强实验报告学生姓名:刘德涛学号:2010051060021指导老师:彭真明日期:2013年3月31日一、实验室名称:光电楼329、老计算机楼309机房二、实验项目名称:图像增强三、实验原理:图像增强是为了使受到噪声等污染图像在视觉感知或某种准则下尽量的恢复到原始图像的水平之外,还需要有目的性地加强图像中的某些信息而抑制另一些信息,以便更好地利用图像。
图像增强分频域处理和空间域处理,这里主要用空间域的方法进行增强。
空间域的增强主要有:灰度变换和图像的空间滤波。
1.灰度变换灰度变换主要有线性拉伸、非线性拉伸等。
灰度图像的线性拉伸是将输入图像的灰度值的动态范围按线性关系公式拉伸到指定范围或整个动态范围。
令原图像f(x,y)的灰度变化范围为[a,b],线性变换后图像g(x,y)的范围为[a',b'],线性拉伸的公式为:b'?a'g(x,y)?a?[f(x,y)?a] b?a灰度图像的非线性拉伸采用的数学函数是非线性的。
非线性拉伸不是对图像的灰度值进行扩展,而是有选择地对某一灰度范围进行扩展,其他范围的灰度值则可能被压缩。
常用的非线性变换:对数变换和指数变换。
对数变换的一般形式:g(x,y)?a?ln[f(x,y)?1] blnc指数变换的一般形式:g(x,y)?bc[f(x,y)?a]?1(a,b,c用于调整曲线的位置和形状的参数。
)2.图像的空间滤波图像的空间滤波主要有图像的空域平滑和锐化。
图像的平滑是一种消除噪声的重要手段。
图像平滑的低频分量进行增强,同时抑制高频噪声,空域中主要的方法有领域平均、中值滤波、多帧相加平均等方法。
图像锐化能使图像的边缘、轮廓处的灰度具有突变特性。
图像的锐化主要有微分运算的锐化,包括梯度法和拉普拉斯法算子。
四、实验目的:1.熟悉和掌握利用Matlab工具进行数字图像的读、写、显示等数字图像处理基本步骤。
图像处理综合实验报告
图像处理综合实验报告一、引言图像处理是计算机科学中的重要研究领域,其应用范围广泛,涵盖了图像增强、图像分割、图像识别等多个方面。
本实验旨在通过综合实验的方式,探索图像处理的基本方法和技术,并对实验结果进行分析和总结。
二、实验目的1. 了解图像处理的基本概念和原理;2. 熟悉常用的图像处理工具和算法;3. 掌握图像处理中常见的操作和技术;4. 分析实验结果并提出改进意见。
三、实验步骤1. 实验准备在实验开始之前,我们需要准备一台计算机和图像处理软件,例如MATLAB、Python等。
同时,需要收集一些图像数据作为实验样本。
2. 图像增强图像增强是图像处理中常用的操作,旨在改善图像的质量和视觉效果。
我们可以通过调整图像的亮度、对比度、色彩等参数来实现图像增强。
在实验中,我们可以选择一些常见的图像增强算法,如直方图均衡化、灰度拉伸等。
3. 图像滤波图像滤波是图像处理中常用的技术,用于去除图像中的噪声和平滑图像。
常见的图像滤波算法包括均值滤波、中值滤波、高斯滤波等。
在实验中,我们可以选择适合实验样本的滤波算法,并对比不同滤波算法的效果。
4. 图像分割图像分割是将图像划分为不同的区域或对象的过程。
常见的图像分割算法包括阈值分割、边缘检测、区域生长等。
在实验中,我们可以选择一种或多种图像分割算法,并对比它们的分割效果和计算复杂度。
5. 图像识别图像识别是图像处理的重要应用之一,它可以用于识别和分类图像中的对象或特征。
在实验中,我们可以选择一些常用的图像识别算法,如模板匹配、神经网络等,并通过实验样本进行图像识别的实验。
四、实验结果与分析1. 图像增强实验结果我们选取了一张低对比度的图像作为实验样本,经过直方图均衡化和灰度拉伸处理后,图像的对比度得到了明显的改善,细节部分更加清晰。
2. 图像滤波实验结果我们选取了一张带有高斯噪声的图像作为实验样本,经过均值滤波、中值滤波和高斯滤波处理后,图像的噪声得到了有效的去除,图像更加平滑。
数字图像处理四个实验
数字图像处理实验指导书目录实验一MATLAB数字图像处理初步实验二图像的代数运算实验三图像增强-空间滤波实验四图像分割实验五形态学运算3实验一 MATLAB数字图像处理初步一、实验目的与要求1.熟悉及掌握在MATLAB中能够处理哪些格式图像。
2.熟练掌握在MATLAB中如何读取图像。
3.掌握如何利用MATLAB来获取图像的大小、颜色、高度、宽度等等相关信息。
4.掌握如何在MATLAB中按照指定要求存储一幅图像的方法。
5.图像间如何转化。
二、实验原理及知识点1、数字图像的表示和类别一幅图像可以被定义为一个二维函数f(x,y),其中x和y是空间(平面)坐标,f 在任何坐标处(x,y)处的振幅称为图像在该点的亮度。
灰度是用来表示黑白图像亮度的一个术语,而彩色图像是由单个二维图像组合形成的。
例如,在RGB彩色系统中,一幅彩色图像是由三幅独立的分量图像(红、绿、蓝)组成的。
因此,许多为黑白图像处理开发的技术适用于彩色图像处理,方法是分别处理三副独立的分量图像即可。
图像关于x和y坐标以及振幅连续。
要将这样的一幅图像转化为数字形式,就要求数字化坐标和振幅。
将坐标值数字化成为取样;将振幅数字化成为量化。
采样和量化的过程如图1所示。
因此,当f的x、y分量和振幅都是有限且离散的量时,称该图像为数字图像。
作为MATLAB基本数据类型的数值数组本身十分适于表达图像,矩阵的元素和图像的像素之间有着十分自然的对应关系。
图1 图像的采样和量化根据图像数据矩阵解释方法的不同,MA TLAB把其处理为4类:亮度图像(Intensity images)二值图像(Binary images)索引图像(Indexed images)RGB图像(RGB images)(1) 亮度图像一幅亮度图像是一个数据矩阵,其归一化的取值表示亮度。
若亮度图像的像素都是uint8类或uint16类,则它们的整数值范围分别是[0,255]和[0,65536]。
图像处理实验报告
图像处理实验报告第一次实验课:绘制直方图f=imread('bld.tif');imshow(f)imhist(f)原图像:直方图:第二次实验课:图像增强f=imread('hua.jpg');imshow(f)g=gscale(f);figure,imshow(g)原图像:处理后的图像:第三次实验课:图像平滑f=imread('noisy.jpg');imshow(f)f1=imnoise(f,'salt & pepper',0.1);figure,imshow(f1)f2=medfilt2(f1);figure,imshow(f2)imwrite(f2,'w.tif')原图像:加噪声后的图像:平滑后的图像:第四次实验课:图像分割f=imread('bld.tif');imshow(f)[gc,t]=edge(f,'canny');figure,imshow(gc)tt =0.0188 0.0469[gc,t]=edge(f,'canny',[0.04 0.10]); figure,imshow(gc)[gc,t]=edge(f,'canny',[0.04 0.10],1.5); figure,imshow(gc)原图像:线检测后得到如下图像:第五次实验课:彩色图像处理f=imread('iris.tif');imshow(b)fr=f(:,:,1);fg=f(:,:,2);fb=f(:,:,3);w=fspecial('disk',3.5);fr_f=imfilter(fr,w,'replicate');fg_f=imfilter(fg,w,'replicate');fb_f=imfilter(fb,w,'replicate');f1=cat(3,fr_f,fg_f,fb_f);原图像:处理后图片为:第六次实验课:形态学处理f=imread('calculator.tif');imshow(f)se=strel('line',55,0);f0=imopen(f,se);f1=imsubtract(f,f0);figure,imshow(f1)原图像:处理后图像:第七次实验课:频域处理f=imread('periodic.jpg');[m,n]=size(f)sig=30;h=lpfilter('gaussian',m,n,sig);F=fft2(double(f));G=h.*F;figure,imshow(abs(G),[])x=real(ifft2(G));figure,imshow(x,[])原图像:处理后图像:f=imread('noise.jpg'); imshow(f)g=fft2(f);s=abs(g);figure,imshow(double(s))figure,imshow(double(s),[])h=fftshift(g);figure,imshow(double(abs(g)),[]) figure,imshow(double(abs(h)),[]) ss=log(1+s);figure,imshow(double(ss),[])原图像:处理后图像:。
matlab 图像 实验报告
matlab 图像实验报告Matlab图像实验报告引言:Matlab是一种强大的计算机编程语言和开发环境,广泛应用于科学计算、数据分析和图像处理等领域。
本实验报告旨在介绍基于Matlab的图像处理实验,包括图像读取、图像处理和图像显示等方面的内容。
一、图像读取图像读取是图像处理的第一步,通过读取图像可以获取图像的像素信息。
在Matlab中,可以使用imread函数来读取图像文件。
例如,通过以下代码可以读取一张名为"image.jpg"的图像:```matlabimage = imread('image.jpg');```二、图像处理1. 灰度化处理灰度化处理是将彩色图像转换为灰度图像的过程。
在Matlab中,可以使用rgb2gray函数来实现灰度化处理。
以下是一个简单的示例:```matlabgray_image = rgb2gray(image);```2. 图像增强图像增强是通过一系列的处理方法来改善图像的质量和视觉效果。
在Matlab中,有多种图像增强方法可供选择,如直方图均衡化、滤波和边缘检测等。
以下是一个直方图均衡化的示例:```matlabenhanced_image = histeq(gray_image);```3. 图像分割图像分割是将图像划分为若干个区域的过程,每个区域具有相似的特征。
在Matlab中,可以使用各种图像分割算法,如阈值分割和基于区域的分割。
以下是一个简单的阈值分割示例:```matlabthreshold = graythresh(enhanced_image);binary_image = imbinarize(enhanced_image, threshold);```三、图像显示图像显示是将处理后的图像展示给用户的过程。
在Matlab中,可以使用imshow函数来显示图像。
以下是一个简单的示例:```matlabimshow(binary_image);```四、实验结果与讨论本次实验中,我们选择了一张名为"image.jpg"的彩色图像进行处理。
数字图像处理实验报告
数字图像处理实验报告数字图像处理实验报告一、引言数字图像处理是计算机科学与工程领域中的一个重要研究方向。
通过使用数字化技术,对图像进行采集、传输、存储和处理,可以实现对图像的增强、恢复、分析和识别等功能。
本实验旨在通过对数字图像处理算法的实践应用,探索图像处理的原理和方法。
二、实验目的本实验的主要目的是掌握数字图像处理的基本概念和算法,并通过实际操作加深对图像处理原理的理解。
具体目标包括:1. 学习使用图像处理软件,如Photoshop或Matlab等。
2. 掌握图像增强的方法,如直方图均衡化、滤波和锐化等。
3. 理解图像压缩和编码的原理,如JPEG和PNG等格式。
4. 了解图像分割和边缘检测的基本算法,如阈值分割和Canny边缘检测等。
三、实验过程1. 图像增强图像增强是指通过一系列算法和技术,改善图像的质量和视觉效果。
在实验中,我们可以使用直方图均衡化算法来增强图像的对比度和亮度。
该算法通过将图像的像素值映射到一个更大的范围内,使得图像的亮度分布更加均匀。
2. 图像滤波图像滤波是指通过一系列滤波器对图像进行处理,以实现去噪、平滑和锐化等效果。
在实验中,我们可以使用平滑滤波器(如均值滤波器和高斯滤波器)来去除图像中的噪声。
同时,我们还可以使用锐化滤波器(如拉普拉斯滤波器和Sobel滤波器)来增强图像的边缘和细节。
3. 图像压缩和编码图像压缩是指通过减少图像的数据量来减小图像文件的大小,从而实现存储和传输的效率提升。
在实验中,我们可以使用JPEG和PNG等压缩算法来对图像进行压缩和编码。
JPEG算法通过对图像的频域进行离散余弦变换和量化,实现对图像的有损压缩。
而PNG算法则采用无损压缩的方式,通过对图像的差值编码和哈夫曼编码,实现对图像的高效压缩。
4. 图像分割和边缘检测图像分割是指将图像分成若干个区域,以实现对图像的目标提取和图像分析的目的。
而边缘检测是指通过检测图像中的边缘和轮廓,实现对图像的形状分析和目标识别。
电子显微镜图像处理方法探讨
电子显微镜图像处理方法探讨【引言】电子显微镜(Electron Microscope,简称EM)是一种利用电子束来放大和观察微观物体的仪器。
相较于传统光学显微镜,电子显微镜具有更高的分辨率和更大的放大倍数,在无法用光学显微镜观察的微小结构上具有重要的应用价值。
然而,电子显微镜所产生的图像往往有噪点、伪影等不完美之处,因此图像处理方法在电子显微镜技术中起到至关重要的作用。
【图像增强】图像增强是电子显微镜图像处理的核心任务之一,其目的是改善图像的质量和清晰度,使得细节更加明确可见。
常用的图像增强方法包括灰度拉伸、中值滤波、直方图均衡化等。
- 灰度拉伸是通过线性变换来扩展图像的灰度范围,使得图像上的细节更加丰富。
它通过将图像的最低灰度值映射到最小的可显示灰度值,将最高灰度值映射到最大的可显示灰度值,从而增强图像的对比度和细节。
- 中值滤波是一种常用的平滑滤波方法,通过计算像素周围邻域的中值来替代原像素值。
它能够有效地去除图像中的噪声和伪影,并保持图像边缘的清晰度。
- 直方图均衡化是一种通过变换图像的像素灰度分布来增强图像对比度的方法。
它能够显著改善图像的整体亮度分布,使得图像细节更加鲜明。
【图像分割】图像分割是将图像划分为具有相似属性的区域的过程,常用于目标检测、图像分析和量化等领域。
电子显微镜图像分割的目标在于将微观结构从背景中准确提取出来,并进行精确的定量分析。
常用的图像分割方法包括阈值分割、区域生长和边缘检测等。
- 阈值分割是最简单常用的图像分割方法之一,它将图像中的像素根据其灰度值与给定阈值的大小关系划分到不同的区域。
通过选择合适的阈值,可以有效地将前景目标与背景分开。
- 区域生长是一种基于像素相似度的图像分割方法,它从具有相似属性的种子像素开始,逐渐将相邻的像素合并到同一区域,直到满足预设的停止条件。
区域生长方法适用于具有连续性的目标分割。
- 边缘检测是通过识别图像中明显的灰度变化或其他特征来确定物体的边界。
医学影像诊断中CT图像处理技术使用教程
医学影像诊断中CT图像处理技术使用教程医学影像诊断中,CT(Computed Tomography,计算机断层摄影)图像处理技术是一种非常重要的工具。
它可以帮助医生们更准确地诊断患者的疾病,为病人提供更精准的治疗方案。
本文将介绍CT图像处理技术的基本原理和使用方法,帮助读者更好地理解和应用该技术。
1. CT图像基本原理CT图像处理技术是基于计算机对通过X射线扫描获得的断层图像进行处理和分析。
CT扫描使用X射线穿透人体,并通过不同组织的吸收和散射来获取图像,进而形成断层图像。
这些图像可以提供关于人体内部结构的详细信息,如骨骼、器官和肿瘤等。
2. CT图像处理流程CT图像处理过程主要包括:图像增强、图像分割、特征提取和图像重建等。
2.1 图像增强图像增强是为了凸显图像中的重要信息或改善图像质量。
常见的图像增强方法包括直方图均衡化、灰度转换、滤波和增强算法等。
直方图均衡化可以增强图像的对比度,使图像更清晰。
灰度转换可以根据特定需求将图像的灰度级进行调整,以突出感兴趣区域。
滤波可以去除噪声,提高图像质量。
2.2 图像分割图像分割是将图像中的目标区域从背景分离出来。
图像分割可以通过阈值分割、边缘检测和区域生长等方法来实现。
阈值分割是将图像中大于或小于给定阈值的像素点分到不同的像素类别中。
边缘检测可以识别出图像中物体的边界或轮廓。
区域生长是根据某些准则将相邻像素点组成一个连通区域。
2.3 特征提取特征提取是从图像中提取出有助于识别和分类的信息。
常用的特征包括纹理特征、形状特征和灰度特征等。
纹理特征可以描述图像中的纹理结构,如颗粒度和纹理方向等。
形状特征可以描述目标的形状特点,如周长、面积和圆度等。
灰度特征可以提取出图像中像素点的灰度值信息。
2.4 图像重建图像重建是将断层图像转化为三维图像或重建体积。
重建方法包括滤波反投影算法、最小二乘法和迭代重建算法等。
滤波反投影算法主要用于重建二维CT图像。
最小二乘法可以通过显著降低重建误差来得到更高质量的图像。
光学遥感算法实验报告
一、实验目的本次实验旨在通过光学遥感图像处理,掌握光学遥感图像的基本处理方法,包括图像预处理、图像增强、图像分割等,并熟悉常用的光学遥感图像处理算法,提高对光学遥感图像的分析和处理能力。
二、实验内容1. 实验环境(1)软件:ENVI 5.3(2)硬件:计算机2. 实验步骤(1)数据准备首先,准备一幅光学遥感图像,本实验选用的是一幅Landsat 8卫星影像。
(2)图像预处理对图像进行预处理,包括辐射校正、几何校正等。
(3)图像增强对图像进行增强,提高图像的视觉效果,便于后续处理。
本实验采用直方图均衡化、对比度拉伸等方法。
(4)图像分割对图像进行分割,提取目标区域。
本实验采用阈值分割、区域生长等方法。
(5)结果分析对分割结果进行分析,评估算法性能。
三、实验结果与分析1. 图像预处理经过辐射校正和几何校正后,图像质量得到提高,细节更加清晰。
2. 图像增强通过直方图均衡化和对比度拉伸,图像视觉效果得到明显改善。
3. 图像分割(1)阈值分割采用Otsu方法进行阈值分割,得到初步的目标区域。
但该方法存在一定局限性,如噪声干扰、目标区域内部亮度不均匀等。
(2)区域生长采用区域生长方法对图像进行分割,得到较为准确的目标区域。
区域生长方法具有以下优点:- 可以较好地处理噪声干扰;- 可以处理目标区域内部亮度不均匀的问题;- 可以根据需要设置生长参数,提高分割精度。
4. 结果分析通过对比阈值分割和区域生长两种方法,发现区域生长方法在处理光学遥感图像时具有更好的性能。
区域生长方法可以较好地处理噪声干扰和目标区域内部亮度不均匀等问题,提高分割精度。
四、实验结论1. 光学遥感图像预处理、增强和分割是光学遥感图像处理的重要环节。
2. 直方图均衡化、对比度拉伸等方法可以有效提高图像视觉效果。
3. 区域生长方法在处理光学遥感图像时具有较好的性能,可以提高分割精度。
4. 通过本次实验,掌握了光学遥感图像处理的基本方法,提高了对光学遥感图像的分析和处理能力。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
图像处理实验
图像增强和图像分割
一、实验目的:
掌握用空间滤波进行图像增强的基本方法,掌握图像分割的基本方法。
二、 实验要求:
1、测试图像1中同时含有均值为零的均匀分布噪声和椒盐噪声。
用大小为5×5的算术均值滤波器和中值滤波器对图像进行处理,在不同窗口中显示原图像及各处理结果图像,并分析哪一种滤波器去噪效果好?
2、对测试图像2进行图像分割,求出分割测试图像2的最佳阈值。
分别显示原图、原图的直方图(标出阈值)、和分割后的二值图。
实验内容:
1. 实验原理
1) 图像增强:流程图:
图像增强可以通过滤波的方式来完成,即消除一部分的噪声。
滤波又可以分为均值滤波和中值滤波。
1. 中值滤波原理:中值滤波就是选用一个含有奇数个像素的滑动窗口,将该窗口在图像上扫描,把其中所含像素点按灰度级的升(或降)序排列,取位于中间的灰度值来代替窗口中心点的灰度值。
对于一维序列{N f }:
21,},...,,...,{-=∈=+-m u N i f f f Med y u i i u i i 对于二维序列{ij F }:为滤波窗口W y ij F Med W
ij }{=
2. 均值滤波原理:对于含噪声的原始图像g(s,t)的每一个像素点去一个领
域N ,用N 中所包含的相速的灰度平均值,作为领域平均处理后的图像f(x,y)的像素值,即:
∑∈=xy
S t s t s g mn y x f ),(),(1),(ˆ 2) 图像分割:
图像分割:依据图像的灰度、颜色等特征,将一幅图像分为若干个互不重叠的、具有某种同质特征的区域。
本实验中我们是根据灰度值,将灰度值大于阈值T的像素统一置为255,小于的则置为0。
如何求出最合适的分割阈值,则需要用到迭代算法。
迭代法算法步骤:
(1) 初始化阈值T (一般为原图像所有像素平均值)。
(2) 用T分割图像成两个集合:G1 和G2,其中G1包含所有灰度值小于T的像素,G2包含所有灰度值大于T的像素。
(3) 计算G1中像素的平均值m1及G2中像素的平均值m2。
(4) 计算新的阈值:T =(m1+m2)/2 。
(5)如果新阈值跟原阈值之间的差值小于一个预先设定的范围,停止循环,否则继续(2)-(4)步。
2.程序代码与分析:
1)图像增强:
clear all;clc;
%读入图像
I1=imread('Fig5.12(b).jpg');
%均值滤波模板
h1=ones(5,'uint8');
%获取分辨率
[a,b]=size(I1);
%创建变量
I2=zeros(a+4,b+4,'uint8');
I3=zeros(a+4,b+4,'uint8');
%复制原始图像
for n=3:a+2
for m=3:b+2
I2(n,m)=I1(n-2,m-2);
I3(n,m)=I1(n-2,m-2);
end
end。