实验三 空间域数字图像的平滑与锐化
数字图像处置图像平滑和锐化
数字图像处理
21
CTArray< plex > CImageProcessing::Low_pass_filter( CTArray< plex > original_signal ){ long dimension = original_signal.GetDimension(); double threshold = 0; for( int index = 0; index < dimension; index ++ ) { double magnitude = sqrt( original_signal[ index ].m_re * original_signal[ index ].m_re + original_signal[ index ].m_im * original_signal[ index ].m_im ); if( magnitude > threshold ) threshold = magnitude; } threshold /= 100; for( int index = 0; index < dimension; index ++ ) { double magnitude = sqrt( original_signal[ index ].m_re * original_signal[ index ].m_re + original_signal[ index ].m_im * original_signal[ index ].m_im ); double eplon = 1.0 / sqrt( 1 + ( threshold / magnitude ) * ( threshold / magnitude ) ); original_signal[ index ].m_re *= eplon; original_signal[ index ].m_im *= eplon; } return original_signal;}
数字图像的灰度均衡与锐化
数字图像的灰度均衡与锐化摘要：直方图是多种空间域处理技术的基础。
直方图操作能有效地用于图像增强。
除了提供有用的图像统计资料外，直方图固有的信息在其他图像处理应用中也是非常有用的，如图像压缩与分割。
图像锐化处理是改善图像视觉效果的手段，用来对图像的轮廓或边缘进行增强，减弱或消除低分频率分量而不影响高频分量。
图像锐化处理的主要技术体现在空域和频域的高通滤波，而空域高通滤波主要用模版卷积来实现。
关键词原理及算法：在获取图像的过程中，由于多种因素的影响，导致图像质量多少会有所退化。
图像增强的目的在于：1、采用一系列技术改善图像的视觉效果，提高图像的清晰度；2、将图像转换成一种更适合于人或机器进行分析处理的形式。
它不是以图像保真度为原则，而是通过处理涉法有选择地突出便于人或机器分析某些感兴趣的信息，抑制一些无用的信息，以提高图像的使用价值。
而空间域增强是直接对图像像素灰度进行操作。
灰度直方图反映了数字图像中每一灰度级与其出现像素频率间的统计关系。
大多数自然图像由于其灰度分布集中在较窄的区间，引起图像细节不够清晰。
采用直方图修正后可使图像的灰度间距拉开或使灰度分布均匀，从而增大反差，使图像细节清晰，达到增强的目的。
直方图均衡化是通过对原图像进行某种变换，使原图像的灰度直方图修正为均匀分布的一种方法。
设r 和s 分别表示归一化了的原图像灰度和经直方图修正后的图像灰度。
即在[0,1]区间内的任一个r 值，都可产生一个s 值，且T(r)作为变换函数，满足下列条件：①在0≤r ≤1内为单调递增函数，保证灰度级从黑到白的次序不变；②在0≤r ≤1内，有0≤T(r)≤1，确保映射后的像素灰度在允许的范围内。
反变换关系为T-1(s)对s 同样满足上述两个条件。
由概率论理论可知，如果已知随机变量r 的概率密度为p r(r),而随机变量s 是r 的函数，则s 的概率密度p s(s)可以由p r(r)求出。
假定随机变量s 的分布函数用Fs(s)表示，根据分布函数定义可见，输出图像的概率密度函数可以通过变换函数T(r)控制原图像灰度级的概率密度函数得到,因而改善原图像的灰度层次,这就是直方图修改技术的基础。
三图像的平滑与锐化
实验三 图像的平滑与锐化一．实验目的1.掌握图像滤波的基本定义及目的；2.理解空域滤波的基本原理及方法；3.掌握进行图像的空域滤波的方法。
二．实验基本原理图像噪声从统计特性可分为平稳噪声和非平稳噪声两种。
统计特性不随时间变化的噪声称为平稳噪声；统计特性随时间变化的噪声称为非平稳噪声。
另外，按噪声和信号之间的关系可分为加性噪声和乘性噪声。
假定信号为S (t )，噪声为n (t )，如果混合叠加波形是S (t )+n (t )形式，则称其为加性噪声；如果叠加波形为S (t )［1+n (t )］形式， 则称其为乘性噪声。
为了分析处理方便，往往将乘性噪声近似认为加性噪声，而且总是假定信号和噪声是互相独立的。
1.均值滤波均值滤波是在空间域对图像进行平滑处理的一种方法，易于实现，效果也挺好。
设噪声η(m,n)是加性噪声，其均值为0，方差（噪声功率）为2σ，而且噪声与图像f(m,n)不相关。
除了对噪声有上述假定之外，该算法还基于这样一种假设：图像是由许多灰度值相近的小块组成。
这个假设大体上反映了许多图像的结构特征。
∑∈=s j i j i f M y x g ),(),(1),( (3-1)式(2-1)表达的算法是由某像素领域内各点灰度值的平均值来代替该像素原来的灰度值。
可用模块反映领域平均算法的特征。
对模板沿水平和垂直两个方向逐点移动，相当于用这样一个模块与图像进行卷积运算，从而平滑了整幅图像。
模版内各系数和为1，用这样的模板处理常数图像时，图像没有变化；对一般图像处理后，整幅图像灰度的平均值可不变。
(a) 原始图像 (b) 邻域平均后的结果图3-1 图像的领域平均法2.中值滤波中值滤波是一种非线性处理技术，能抑制图像中的噪声。
它是基于图像的这样一种特性：噪声往往以孤立的点的形式出现，这些点对应的象素很少，而图像则是由像素数较多、面积较大的小块构成。
在一维的情况下，中值滤波器是一个含有奇数个像素的窗口。
数字图形处理 实验 图像的平滑与锐化
XXXXXXXX 大学（数字图形处理）实验报告 实验名称 图像的平滑与锐化 实验时间 年 月 日专 业 姓 名 学 号 预 习 操 作 座 位 号 教师签名 总 评一、实验目的：1.了解图像平滑的邻域平均和中值滤波以及锐化的梯度法和Sobel 法的基本思想；2.掌握图像平滑的邻域平均和中值滤波以及锐化的梯度法和Sobel 法的基本步骤；二、实验原理：1. 邻域平均法的思想是用像素及其指定邻域内像素的平均值或加权平均值作为该像素的新值，以便去除突变的像素点，从而滤除一定的噪声。
邻域平均法的数学含义可用下式表示：∑∑==⎪⎭⎫ ⎝⎛=mn i imn i i i w z w y x g 11),( （1） 上式中：i z 是以),(y x 为中心的邻域像素值；i w 是对每个邻域像素的加权系数或模板系数； m n 是加权系数的个数或称为模板大小。
邻域平均法中常用的模板是：⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡*=11111111191Box T （2） 为了解决邻域平均法造成的图像模糊问题，采用阈值法（又叫做超限邻域平均法，如果某个像素的灰度值大于其邻域像素的平均值，且达到一定水平，则判断该像素为噪声，继而用邻域像素的均值取代这一像素值；否则，认为该像素不是噪声点，不予取代），给定阈值0T ：⎩⎨⎧≥-<-=00),(),(),(),(),(),(),(T y x g y x f y x g T y x g y x f y x f y x h （3） （3）式中，),(y x f 是原始含噪声图像，),(y x g 是由（1）式计算的平均值，),(y x h 滤波后的像素值。
2.中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。
方法是去某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升（或下降）的为二维数据序列。
空间域滤波器(实验报告)
数字图像处理作业——空间域滤波器摘要在图像处理的过程中,消除图像的噪声干扰是一个非常重要的问题。
本文利用matlab软件,采用空域滤波的方式,对图像进行平滑和锐化处理。
平滑空间滤波器用于模糊处理和减小噪声，经常在图像的预处理中使用；锐化空间滤波器主要用于突出图像中的细节或者增强被模糊了的细节。
本文使用的平滑滤波器有中值滤波器和高斯低通滤波器，其中，中值滤波器对去除椒盐噪声特别有效，高斯低通滤波器对去除高斯噪声效果比较好。
使用的锐化滤波器有反锐化掩膜滤波、Sobel边缘检测、Laplacian边缘检测以及Canny算子边缘检测滤波器。
不同的滤波方式，在特定的图像处理应用中有着不同的效果和各自的优势。
1、分别用高斯滤波器和中值滤波器去平滑测试图像test1和2，模板大小分别是3x3 ， 5x5 ，7x7；利用固定方差 sigma=1.5产生高斯滤波器. 附件有产生高斯滤波器的方法。
实验原理分析：空域滤波是直接对图像的数据做空间变换达到滤波的目的。
它是一种邻域运算，其机理就是在待处理的图像中逐点地移动模板，滤波器在该点地响应通过事先定义的滤波器系数与滤波模板扫过区域的相应像素值的关系来计算。
如果输出像素是输入像素邻域像素的线性组合则称为线性滤波（例如最常见的均值滤波和高斯滤波），否则为非线性滤波（中值滤波、边缘保持滤波等）。
空域滤波器从处理效果上可以平滑空间滤波器和锐化空间滤波器：平滑空间滤波器用于模糊处理和减小噪声，经常在图像的预处理中使用；锐化空间滤波器主要用于突出图像中的细节或者增强被模糊了的细节。
模板在源图像中移动的过程中，当模板的一条边与图像轮廓重合后，模板中心继续向图像边缘靠近，那么模板的某一行或列就会处于图像平面之外，此时最简单的方法就是将模板中心点的移动范围限制在距离图像边缘不小于（n－1）/2个像素处，单处理后的图像比原始图像稍小。
如果要处理整幅图像，可以在图像轮廓边缘时用全部包含于图像中的模板部分来滤波所有图像，或者在图像边缘以外再补上一行和一列灰度为零的像素点（或者将边缘复制补在图像之外）。
图像平滑及锐化
图像平滑及锐化1.图像锐化的目的是使灰度反差增强，从而增强图像中边缘信息，有利于轮廓抽取。
因为轮廓或边缘就是图像中灰度变化率最大的地方。
因此，为了把轮廓抽取出来，就是要找一种方法把图像的最大灰度变化处找出来。
2.实现图像的锐化可使图像的边缘或线条变得清晰，高通滤波可用空域高通滤波法来实现。
本节将围绕空间高通滤波讨论图像锐化中常用的运算及方法，其中有梯度运算、各种锐化算子、拉普拉斯（Laplacian）算子、空间高通滤波法和掩模法等图像锐化技术。
3.梯度算子——是基于一阶微分的图像增强.梯度算子: 梯度对应的是一阶导数，梯度算子是一阶导数算子。
梯度方向:在图像灰度最大变化率上，反映出图像边缘上的灰度变化。
梯度处理经常用于工业检测、辅助人工检测缺陷，或者是更为通用的自动检测的预处理。
4.拉普拉斯算子——基于二阶微分的图像增强Laplacian算子是不依赖于边缘方向的二阶微分算子，是常用的二阶导数算子.拉普拉斯算子是一个标量而不是向量，具有线性特性和旋转不变，即各向同性的性质。
拉普拉斯微分算子强调图像中灰度的突变,弱化灰度慢变化的区域。
这将产生一幅把浅灰色边线、突变点叠加到暗背景中的图像。
计算数字图像的拉普拉斯值也可以借助于各种模板。
拉普拉斯对模板的基本要求是对应中心像素的系数应该是正的，而对应于中心像素邻近像素的系数应是负的，它们的和应该为零。
将原始图像和拉普拉斯图像叠加在一起的简单方法可以保护拉普拉斯锐化处理的效果，同时又能复原背景信息。
5.同态滤波器图像增强的方法一幅图像f(x,y)能够用它的入射光分量和反射光分量来表示，其关系式如下f(x,y)=i(x,y)r(x,y) 图像f(x,y)是由光源产生的照度场i(x,y)和目标的反射系数场r(x,y)的共同作用下产生的。
该模型可作为频率域中同时压缩图像的亮度范围和增强图像的对比度的基础。
但在频率域中不能直接对照度场和反射系数场频率分量分别进行独立的操作。
数字图像处理实验报告2
实验二: 数字图像的空间域滤波——平滑滤波1. 1. 实验目的2.掌握图像滤波的基本定义及目的。
3.理解空间域滤波的基本原理及方法。
4.掌握进行图像的空域滤波的方法。
1. 2. 实验基本原理2.空间域增强空间域滤波是在图像空间中借助模板对图像进行领域操作, 处理图像每一个像素的取值都是根据模板对输入像素相应领域内的像素值进行计算得到的。
空域滤波基本上是让图像在频域空间内某个范围的分量受到抑制, 同时保证其他分量不变, 达到增强图像的目的。
空域滤波一般分为线性滤波和非线性滤波两类。
各种空域滤波器根据功能主要分为平滑滤波器和锐化滤波器。
平滑的目的可分为两类: 一类是模糊, 目的是在提取较大的目标前去除太小的细节或将目标内的小肩端连接起来；另一类是消除噪声。
锐化的目的是为了增强被模糊的细节。
结合这两种分类方法, 可将空间滤波增强分为四类:线性平滑滤波器（低通）非线性平滑滤波器（低通）线性锐化滤波器（高通）非线性锐化滤波器（高通）1)空间滤波器都是基于模板卷积, 其主要工作步骤是:2)将模板在图中移动, 并将模板中心与图中某个像素位置重合；3)将模板上的系数与模板下对应的像素相乘；4)将所有乘积相加；5)将和（模板的输出响应）赋给图中对应模板中心位置的像素。
3.平滑滤波器1)线性平滑滤波器线性低通平滑滤波器也称为均值滤波器, 这种滤波器的所有系数都是正数, 对3×3的模板来说, 最简单的是取所有系数为1, 为了保持输出图像任然在原来图像的灰度值范围内, 模板与象素邻域的乘积都要除以9。
MATLAB 提供了fspecial 函数生成滤波时所用的模板, 并提供filter2和imfilter 函数用指定的滤波器模板对图像进行运算。
函数fspecial 的语法格式为：h=fspecial(type);h=fspecial(type,parameters);其中参数type 指定滤波器的种类, parameters 是与滤波器种类有关的具体参数。
《数字图象处理》实验指导书
《数字图象处理》实验和大作业指导书计算机科学与工程学院目录目录 (1)实验一：数字图像读取及色彩、亮度、对比度变化 (2)实验二：数字图像变换与伽马校正 (3)实验三：数字图像的噪声去除 (4)实验四：图像的空间域锐化（拉普拉斯算子） (5)实验五：频率域低通和高通滤波 (6)实验六：数字图像复原 (7)实验七：人脸皮肤颜色分层 (8)大作业 (9)实验一：数字图像读取及色彩、亮度、对比度变化一、实验目的：了解数字图像的存储格式，并学会对图像的某些视觉特征作简单处理。
二、实验要求：1．从最常用的“.BMP”图像格式中读取图像数据；2．对数字图像的表示方式（如RGB、YUV）及各种表示方式之间的转换有初步了解；3．根据输入参数改变数字图像的色彩、亮度、对比度。
三、实验步骤：1．根据BMP格式，将图像内容读入内存数组；2．通过访问数字图像RGB三个通道的对应矩阵，改变数字图像的色彩；3．将数字图像的RGB表示转换为YUV表示；Y=0.30R+0.59G+0.11BU=0.70R-0.59G-0.11BV=-0.30R-0.59G+0.89B4．通过访问Y（亮度）通道，改变数字图像的亮度；5．通过Y（亮度）通道作灰度的线性变换，改变数字图像的对比度。
四、实验图像：实验二：数字图像变换与伽马校正一、实验目的：了解数字图像的灰度反变换和γ（0.4，0.6，0.8）校正。
二、实验要求：1. 对图像进行灰度变换。
2. 对图像进行γ校正。
三、实验步骤：1. 将BMP图像内容读入内存数组。
2. 调整图像的灰度，对图像进行灰度变换（反变换）。
3. 对图像进行γ较正,分别取值为0.4,0.6,0.8.四、实验图像：灰度变换γ较正实验三：数字图像的噪声去除一、实验目的：学会用滤波器去除图像中的噪声。
二、实验要求：1．用均值滤波器去除图像中的噪声； 2．用中值滤波器去除图像中的噪声； 3．比较两种方法的处理结果三、实验步骤：1．根据BMP 格式，将图像内容读入内存数组； 2．用均值滤波器去除图像中的噪声；3．用中值滤波器去除图像中的噪声；将两种处理方法的结果与原图比较； 4．注意两种处理方法对边缘的影响。
数字图形处理 实验 图像的平滑与锐化
三、实验内容：
1.在主菜单中添加图像增强的菜单项，并添加相应的图像平滑与图像锐化两个子菜单项。
2.利用类向导添加相应的消息响应函数。实现图像的平滑与锐化操作。
3.打开一幅图像，先进行平滑，然后再进行锐化操作。观察图像的变化情况。
1.邻域平均法的思想是用像素及其指定邻域内像素的平均值或加权平均值作为该像素的新值，以便去除突变的像素点，从而滤除一定的噪声。邻域平均法的数学含义可用下式表示：
（1）
上式中： 是以 为中心的邻域像素值； 是对每个邻域像素的加权系数或模板系数； 是加权系数的个数或称为模板大小。邻域平均法中常用的模板是：
（1）
（2）
式中， ， 分别为函数 在迭代点 处的梯度和梯度的模;两式中 均为最优步长因子，各自分别通过一维极小化 和 。
按照梯度法迭代公式(1)或(2)进行若干次一维搜索，每次迭代的初始点取上次迭代的终点，即可使迭代点逐步逼近目标函数的极小点。其迭代的终止条件可采用点距准则或梯度准则，即当 或 时终止迭代。
h=m_DibHead->biHeight;
long i,j;
unsigned char *lpdst=new unsigned char [w*h];
memset(lpdst,0,w*h);
int abs[9]={0};
for(i=1;i<h-1;i++)
for(j=1;j<w-1;j++)
{
int m,n;
3.通过变量轮换法、共轭方向法等的讨论，我们知道对多维无约束问题优化总是将其转化为在一系列选定方向 进行一维搜索，使目标函数值步步降低直至逼近目标函数极小点，而 方向的选择与迭代速度、计算效率关系很大。人们利用函数在其负梯度方向函数值下降最快这一局部性质，将n维无约束极小化问题转化为一系列沿目标函数负梯度方向一维搜索寻优，这就成为梯度法的基本构想。据此我们将无约束优化迭代的通式 中的搜索方向 取为负梯度向量或单位负梯度向量，即可分别得到两种表达形式的梯度法迭代公式
三 、空间域图像的平滑和锐化jian
1 2 3 4 5 6 7 8 9
复制边界
57 57 60 54 60 62 43 46 62 62 57 57 60 54 60 62 43 46 62 62 51 51 56 54 34 21 58 66 51 51 73 73 71 74 71 81 53 41 47 47 57 57 57 55 41 48 41 51 56 56 60 60 50 51 53 50 61 53 45 45 53 53 57 61 58 51 54 54 60 60 54 54 51 53 41 63 56 57 61 61 50 50 51 48 52 45 57 52 53 53 50 50 51 48 52 45 57 52 53 53
均值滤波器的应用-虑除较小物体
（二）中值滤波法
算例
用局部中值代替局部平均值。 令[f(x,y)]--原始图象阵列， [g(x,y)]-- 中值滤波后图象阵列， f(x,y) --灰度级， g(x,y) -- 以 f(x,y) 为中心的窗口 内各象素的灰度中间值。
例
中值滤波法
取3X3窗口
212 200 198 206 202 201 208 205 207 212 200 198 206 205 201 208 205 207
f=imread(‘jihe.bmp’); h5= fspecial('average‘,[5 5] ) g=imfilter(f,h5); imshow(f); figure,imshow(g)
jiheaver.m
参 考 程 序
f=imread('mri12noise.tif'); imshow(f); h1=[0 1 0;1 1 1;0 1 0]; h1=h1/5; g1=imfilter(f,h1); h3= fspecial('average'); g3=imfilter(f2,h3); figure,imshow(g3); h5=fspecial('average',[5 5]) g5=imfilter(f2,h5); figure,imshow(g5); h16=[1 2 1;2 4 2;1 2 1] h16=h16/16 g16=imfilter(f2,h16); figure,imshow(g16) h10=[1 1 1;1 2 1;1 1 1] h10=h10/10 g10=imfilter(f2,h10); figure,imshow(g10)
实验三图像的平滑与锐化
实验三 图像的平滑与锐化一．实验目的1.掌握图像滤波的基本定义及目的；2.理解空域滤波的基本原理及方法；3.掌握进行图像的空域滤波的方法。
二．实验基本原理图像噪声从统计特性可分为平稳噪声和非平稳噪声两种。
统计特性不随时间变化的噪声称为平稳噪声；统计特性随时间变化的噪声称为非平稳噪声。
另外，按噪声和信号之间的关系可分为加性噪声和乘性噪声。
假定信号为S (t )，噪声为n (t )，如果混合叠加波形是S (t )+n (t )形式，则称其为加性噪声；如果叠加波形为S (t )［1+n (t )］形式， 则称其为乘性噪声。
为了分析处理方便，往往将乘性噪声近似认为加性噪声，而且总是假定信号和噪声是互相独立的。
1.均值滤波均值滤波是在空间域对图像进行平滑处理的一种方法，易于实现，效果也挺好。
设噪声η(m,n)是加性噪声，其均值为0，方差（噪声功率）为2σ，而且噪声与图像f(m,n)不相关。
除了对噪声有上述假定之外，该算法还基于这样一种假设：图像是由许多灰度值相近的小块组成。
这个假设大体上反映了许多图像的结构特征。
∑∈=s j i j i f M y x g ),(),(1),( (3-1)式(2-1)表达的算法是由某像素领域内各点灰度值的平均值来代替该像素原来的灰度值。
可用模块反映领域平均算法的特征。
对模板沿水平和垂直两个方向逐点移动，相当于用这样一个模块与图像进行卷积运算，从而平滑了整幅图像。
模版内各系数和为1，用这样的模板处理常数图像时，图像没有变化；对一般图像处理后，整幅图像灰度的平均值可不变。
(a) 原始图像 (b) 邻域平均后的结果图3-1 图像的领域平均法2.中值滤波中值滤波是一种非线性处理技术，能抑制图像中的噪声。
它是基于图像的这样一种特性：噪声往往以孤立的点的形式出现，这些点对应的象素很少，而图像则是由像素数较多、面积较大的小块构成。
在一维的情况下，中值滤波器是一个含有奇数个像素的窗口。
数字图像处理图像平滑和锐化变换处理
图像平滑和锐化变换处理一、实验内容和要求1、灰度变换：灰度拉伸、直方图均衡、伽马校正、log变换等。
2、空域平滑：box、gauss模板卷积。
3、频域平滑：低通滤波器平滑。
4、空域锐化：锐化模板锐化。
5、频域锐化：高通滤波器锐化。
二、实验软硬件环境PC机一台、MATLAB软件三实验编程及调试1、灰度变换：灰度拉伸、直方图均衡、伽马校正、log变换等。
①灰度拉伸程序如下：I=imread('kids.tif');J=imadjust(I,[0.2,0.4],[]);subplot(2,2,1),imshow(I);subplot(2,2,2),imshow(J);subplot(2,2,3),imhist(I);subplot(2,2,4),imhist(J);②直方图均衡程序如下：I=imread('kids.tif');J=histeq(I);Subplot(2,2,1);Imshow(I);Title('原图像');Subplot(2,2,2);Imshow(J);Title('直方图均衡化后的图像') ;Subplot(2,2,3) ;Imhist(I,64);Title('原图像直方图') ;Subplot(2,2,4);Imhist(J,64) ; Title('均衡变换后的直方图') ;③伽马校正程序如下：A=imread('kids.tif');x=0:255;a=80,b=1.8,c=0.009;B=b.^(c.*(double(A)-a))-1;y=b.^(c.*(x-a))-1;subplot(3,2,1);imshow(A);subplot(3,2,2);imhist(A);subplot(3,2,3);imshow(B);subplot(3,2,4);imhist(B);subplot(3,2,6);plot(x,y);④log变换程序如下：Image=imread('kids.tif');subplot(1,2,1);imshow(Image);Image=log(1+double(Image));subplot(1,2,2);imshow(Image,[]);2、空域平滑：box、gauss模板卷积。
实验三 图像的平滑与锐化
实验三图像的平滑与锐化（实验类型：综合性；学时：4）一、实验目的1. 理解图像空域滤波的基本原理及方法，学会采用邻域平均滤波、中值滤波等方法对图像进行平滑增强，以消除或尽量减少噪声的影响，改善图像质量；2. 理解图象锐化的概念，掌握常用空域锐化增强技术，学会编写程序对图像进行锐化增强，感受不同的模板对图像锐化效果的影响。
二、实验环境Matlab 7.0三、实验原理1. 图像平滑MATLAB图像处理工具箱提供了基于卷积的图像滤波函数filter2。
filter2的语法格式为：Y = filter2(h, X)其中Y =filter2(h,X)返回图像X经算子h滤波后的结果，默认返回图像Y与输入图像X大小相同。
fspecial函数用于创建预定义的滤波算子，其语法格式为：h = fspecial(type)h = fspecial(type, parameters)参数type指定算子类型，parameters指定相应的参数，具体格式为：type='average'，为均值滤波，参数parameters为n，代表模版尺寸，用向量表示，默认值为[3,3]。
type= 'gaussian'，为高斯低通滤波器，参数parameters有两个，n表示模版尺寸，默认值为[3,3]，sigma表示滤波器的标准差，单位为像素，默认值为0.5。
type= 'laplacian'，为拉普拉斯算子，参数parameters为alpha，用于控制拉普拉斯算子的形状，取值范围为[0,1]，默认值为0.2。
type= 'log'，为拉普拉斯高斯算子，参数parameters有两个，n表示模版尺寸，默认值为[3,3]，sigma为滤波器的标准差，单位为像素，默认值为0.5type= 'prewitt'，为prewitt算子，用于边缘增强，无参数。
type= 'sobel'，为的sobel算子，用于边缘提取，无参数。
数字图像的空间域平滑滤波
数字图像的空间域平滑滤波指导老师：张朝阳院系：电子信息与电气工程学院班级：Z1003423姓名：陆加海学号：1100342091完成日期：2010.5目录数字图像的空间域平滑滤波 (1)数字图像的空间域平滑滤波 (3)1. 实验目的 (3)2. 实验原理 (3)2.1 空间域平滑滤波基本原理 (3)2.2 空间域平滑滤波器 (3)3. 实验内容及实现方案 (3)3.1 实验内容 (3)3.2 实现方案 (4)4. 实验步骤 (4)4.1 噪声加入 (4)4.2 椒盐噪声在不同领域值下的均值滤波 (4)4.3 对椒盐噪声进行均值、中值滤波 (5)4.4 对高斯噪声进行均值、中值滤波 (5)4.5 自行设计空间滤波器 (5)5. 实验结果分析 (6)5.1 噪声加入 (6)5.2 椒盐噪声在不同领域值下的均值滤波 (6)5.3 对椒盐噪声进行均值、中值滤波 (6)5.4 对高斯噪声进行均值、中值滤波 (6)5.5 自行设计空间滤波器 (7)数字图像的空间域平滑滤波1.实验目的1）掌握图像空间域平滑滤波的基本定义及目的。
2）理解空间域平滑滤波的基本原理及方法。
3）掌握进行图像空间域平滑滤波的方法。
2.实验原理2.1 空间域平滑滤波基本原理空间域滤波是在图像空间中借助模板进行领域操作，处理图像每一个都是根据模板对输入像素相应领域内的像素值进行计算得到的。
空间域滤波器根据功能主要分为平滑滤波器和锐化滤波器。
平滑可用低通来实现，平滑的目的可分为两类：一类是模糊，目的是在提取较大的目标前去除太小的细节或将目标内的小肩端连接起来；另一类是消除噪声。
2.2 空间域平滑滤波器最常用的平滑滤波器有均值滤波器和中值滤波器。
均值滤波器是线性平滑滤波器，其所有系数都是正数对3×3模板来说，最简单的是取所有系数为1，为了保持图像仍然在原来图像的灰度值范围内，模块与像素领域的乘积都要除以9。
中值滤波器是一种常用的非线性平滑滤波器，其原理与均值滤波器原理类似，但计算的不是加权求和，而是把领域中的图像的像素按灰度级进行排序，然后选择组的中间值作为输出像素值。
数字图像的空间域滤波和频域滤波
数字图像的空间域滤波和频域滤波indicator = np.random.randint(0, 2)# 灰度图像if ndim == 2:if indicator == 0:dst[x, y] = 0else:dst[x, y] = 255# 彩色图像elif ndim == 3:if indicator == 0:dst[x, y, :] = 0else:dst[x, y, :] = 255return dst高斯噪声：def addGaussianNoise(image,sigma):mean = 0.0row, col ,ch= image.shapegauss = np.random.normal(mean, sigma, (row, col,ch)) gauss = gauss.reshape(row, col,ch)noisy = image + gaussreturn noisy.astype(np.uint8)2) 对加入噪声图像选用不同的平滑（低通）模板做运算，对比不同模板所形成的效果，要求在同一窗口中显示。
加入椒盐噪声后图像的滤波：img1 =cv2.imread("D:\\mote.jpg",0)img=img1[100:300]src =salt_pepperNoise(img)cv2.imshow("origin",src)dst = cv2.blur(src,(3,3)) #均值滤波模板cv2.imshow("blur",dst)dst1 = cv2.medianBlur(src,5) #中值滤波cv2.imshow("medianBlur",dst1)dst2 = cv2.GaussianBlur(src,(3,3),0) #高斯滤波cv2.imshow("GaussianBlur",dst2)cv2.waitKey(0)cv2.destroyAllWindows()3) 进行低通滤波，显示处理后的图像。
- 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)。
福建农林大学计算机与信息学院实验报告系：专业：年级：
姓名：学号：实验室号_______ 计算机号
实验时间：指导教师签字：成绩：报告退发(订正、重做)
实验三空间域数字图像的平滑与锐化
1.实验目的和要求
掌握空间域数字图像的平滑与锐化。
2.实验内容和原理
（1）利用加权平均掩模实现数字图像的平滑；
（2）利用拉普拉斯算子实现数字图像的锐化
3.实验环境
硬件：一般PC机
操作系统：WindowsXP
编程平台：MATLAB 或高级语言
4.算法描述及实验步骤
Code：
X=imread('moon.tif');
subplot(2,2,1) ;imshow(X); title 原图
b=size(X);
X=double(X);
%f=[0 -1 0;-1 4 -1;0 -1 0;]; %用四领域
f=[-1 -1 -1;-1 8 -1;-1 -1 -1;]; %用八领域
g=[1 2 1;2 4 2;1 2 1;]; %模糊用的算子
Y=zeros(b);
for(i=2:b(1)-1)
for(j=2:b(2)-1)
Y(i,j)=X(i,j)*g(2,2)+X(i+1,j)*g(3,2)+X(i,j+1)*g(2,3)+X(i+1,j+1
)*g(3,3)+X(i+1,j-1)*g(3,1)+X(i-1,j+1)*g(1,3)+X(i-1,j-1)*g(1,1)
+X(i-1,j)*g(1,2)+X(i,j-1)*g(2,1);
end;
end;
Y=mat2gray(Y/16);
subplot(2,2,2) ;imshow(Y); title 模糊后
Z=zeros(b);
for(i=2:b(1)-1)
for(j=2:b(2)-1)
Z(i,j)=Y(i,j)*f(2,2)+Y(i+1,j)*f(3,2)+Y(i,j+1)*f(2,3)+Y(i+1,j+1)*
f(3,3)+Y(i+1,j-1)*f(3,1)+Y(i-1,j+1)*f(1,3)+Y(i-1,j-1)*f(1,1)+Y(i
-1,j)*f(1,2)+Y(i,j-1)*f(2,1);
end;
end;
Z=mat2gray(Z);
subplot(2,2,3) ;imshow(Z); title 锐化后
M=zeros(b);
for(i=2:b(1)-1)
for(j=2:b(2)-1)
M(i,j)=X(i,j)+Y(i,j);
end;
end;
M=mat2gray(M);
subplot(2,2,4) ;imshow(M); title 增强后
5.调试过程
6.实验结果
7.总结。