图像分割实验报告
数字图像处理实验报告——图像分割实验
实验报告课程名称数字图像处理导论专业班级_＿____＿＿_＿___＿_姓名 __＿___＿_____＿__学号___＿＿_____＿____电气与信息学院与谐勤奋求就是创新一．实验目得1.理解图像分割得基本概念;2.理解图像边缘提取得基本概念；3.掌握进行边缘提取得基本方法；4.掌握用阈值法进行图像分割得基本方法.二。
实验内容1.分别用Roｂerｔs，Ｓobel与拉普拉斯高斯算子对图像进行边缘检测。
比较三种算子处理得不同之处；2.设计一个检测图1中边缘得程序，要求结果类似图2，并附原理说明。
3.任选一种阈值法进行图像分割、图1 图２三．实验具体实现1.分别用Robｅrts,Ｓobel与拉普拉斯高斯算子对图像进行边缘检测。
比较三种算子处理得不同之处；I=ｉｍreａｄ(’ｍｒi、ｔｉｆ');imshｏw（Ｉ)BW1=edgｅ（I，’ｒoｂerｔs’）;ｆigure ，ｉｍshow（BＷ1）,titlｅ(’用Robeｒｔs算子’)ＢW2=edgｅ(Ｉ，’sｏbel’);ｆigure,imshoｗ（BW2），ｔitle（’用Sｏbｅl算子 ')BW３＝ｅdge(I，’log’);figure，iｍshｏw（BW３)，titlｅ(’用拉普拉斯高斯算子’）比较提取边缘得效果可以瞧出,sｏbｅr算子就是一种微分算子,对边缘得定位较精确,但就是会漏去一些边缘细节.而Ｌaplaｃｉan—Gaussiaｎ算子就是一种二阶边缘检测方法，它通过寻找图象灰度值中二阶过零点来检测边缘并将边缘提取出来，边缘得细节比较丰富。
通过比较可以瞧出Ｌａplaciaｎ-Gauｓsｉan算子比sobeｒ算子边缘更完整，效果更好。
2.设计一个检测图1中边缘得程序，要求结果类似图2，并附原理说明.i=ｉmread（＇m８3、ｔif’）;subplｏｔ（１，2,1）；ｉmｈｉst（i）;ｔitle（'原始图像直方图'）;thread＝1３０/２5５；subplot（1，２，2);ｉ3=ｉｍ2bｗ(i，thrｅaｄ）；imsｈow（i3)；titlｅ('分割结果’);3.任选一种阈值法进行图像分割、i=iｍread（'tｒｅes、tif’）;subploｔ（１,2,1）；imｈist（i)；ｔitle（＇原始图像直方图’)；threａd=10０/２5５；sｕｂploｔ（１，2,2）;i3=iｍ2bｗ(i,thread）;imｓhow（i３）;titlｅ('分割结果’)1、分别用Robｅrts，Sobel与拉普拉斯高斯算子对图像进行边缘检测。
图像分割处理实验报告
图像分割处理实验报告1. 引言图像分割是计算机视觉中的重要任务之一，其目标是将图像划分成具有相似特征的子区域。
图像分割在很多应用领域中都有着广泛的应用，比如医学影像分析、目标检测和图像编辑等。
本实验旨在探索不同的图像分割算法，并比较它们在不同场景下的效果和性能。
2. 实验方法2.1 实验数据本实验选取了一组包含不同场景的图像作为实验数据集，包括自然景观、人物肖像和城市街景等。
每张图像的分辨率为500x500像素。
2.2 实验算法本实验使用了两种经典的图像分割算法进行比较，分别是基于阈值的分割和基于边缘的分割。
2.2.1 基于阈值的分割基于阈值的分割算法是一种简单而直观的方法，其原理是根据像素值的亮度信息将图像分割成不同的区域。
在本实验中，我们将图像的灰度值与一个事先设定的阈值进行比较，如果大于阈值则设为白色，否则设为黑色，从而得到分割后的图像。
2.2.2 基于边缘的分割基于边缘的分割算法利用图像中的边缘信息进行分割，其原理是检测图像中的边缘并将其作为分割的依据。
在本实验中，我们使用了Canny边缘检测算法来提取图像中的边缘信息，然后根据边缘的位置进行分割。
2.3 实验流程本实验的流程如下：1. 加载图像数据集；2. 对每张图像分别应用基于阈值的分割算法和基于边缘的分割算法；3. 计算分割结果和原始图像之间的相似度，使用结构相似性指标（SSIM）进行评估；4. 分析并比较两种算法在不同场景下的分割效果和性能。
3. 实验结果3.1 分割效果实验结果表明，基于阈值的分割算法在处理简单场景的图像时效果较好，可以比较准确地将图像分割为目标区域和背景。
然而，当图像的复杂度增加时，基于阈值的分割算法的效果明显下降，往往会产生较多的误分割。
相比之下，基于边缘的分割算法在处理复杂场景的图像时表现良好。
通过提取图像的边缘信息，该算法能够较准确地分割出图像中的目标区域，相比于基于阈值的分割算法，其产生的误分割较少。
3.2 性能评估通过计算分割结果和原始图像之间的SSIM指标，我们可以得到两种算法在不同场景下的性能评估。
图像分割 实验报告
图像分割实验报告图像分割实验报告一、引言图像分割是计算机视觉领域中的一个重要研究方向，它旨在将一幅图像分割成具有语义意义的不同区域。
图像分割在许多应用中发挥着关键作用，如目标检测、场景理解和医学图像处理等。
本实验旨在探索不同的图像分割方法，并对其进行比较和评估。
二、实验方法本实验选择了两种常用的图像分割方法：基于阈值的分割和基于边缘的分割。
首先，我们使用Python编程语言和OpenCV库加载图像，并对图像进行预处理，如灰度化和平滑处理。
接下来，我们将详细介绍这两种分割方法的实现步骤。
1. 基于阈值的分割基于阈值的分割是一种简单而常用的分割方法。
它通过将图像像素的灰度值与预先设定的阈值进行比较，将像素分为前景和背景两类。
具体步骤如下：（1）将彩色图像转换为灰度图像。
（2）选择一个适当的阈值，将图像中的像素分为两类。
（3）根据阈值将图像分割，并得到分割结果。
2. 基于边缘的分割基于边缘的分割方法是通过检测图像中的边缘来实现分割的。
边缘是图像中灰度变化剧烈的区域，通常表示物体的边界。
具体步骤如下：（1）将彩色图像转换为灰度图像。
（2）使用边缘检测算法（如Canny算法）检测图像中的边缘。
（3）根据边缘信息将图像分割，并得到分割结果。
三、实验结果与讨论我们选择了一张包含多个物体的彩色图像进行实验。
首先，我们使用基于阈值的分割方法对图像进行分割，选择了适当的阈值进行实验。
实验结果显示，基于阈值的分割方法能够将图像中的物体与背景分离，并得到较好的分割效果。
接下来，我们使用基于边缘的分割方法对同一张图像进行分割。
实验结果显示，基于边缘的分割方法能够准确地检测出图像中的边缘，并将图像分割成多个具有边界的区域。
与基于阈值的分割方法相比，基于边缘的分割方法能够更好地捕捉到物体的形状和边界信息。
通过对比两种分割方法的实验结果，我们发现基于边缘的分割方法相对于基于阈值的分割方法具有更好的效果。
基于边缘的分割方法能够提供更准确的物体边界信息，但也更加复杂和耗时。
图像分割 实验报告
图像分割实验报告《图像分割实验报告》摘要：图像分割是计算机视觉领域的重要研究方向，它在许多领域都有着重要的应用价值。
本实验旨在探究图像分割算法在不同场景下的表现，并对比不同算法的优缺点，为图像分割技术的进一步发展提供参考。
一、实验背景图像分割是指将图像划分成若干个具有独立语义的区域的过程。
图像分割技术在医学影像分析、自动驾驶、图像识别等领域都有着广泛的应用。
因此，对图像分割算法的研究和优化具有重要意义。
二、实验目的本实验旨在通过对比不同图像分割算法在不同场景下的表现，探究其优劣，并为图像分割技术的进一步发展提供参考。
三、实验内容1. 数据准备：收集不同场景下的图像数据，包括自然景观、医学影像、交通场景等。
2. 算法选择：选择常用的图像分割算法，如基于阈值的分割、边缘检测、区域生长等。
3. 实验设计：将不同算法应用于不同场景的图像数据上，对比它们的分割效果和计算速度。
4. 结果分析：对比不同算法的优缺点，并分析其适用场景和改进空间。
四、实验结果通过实验我们发现，在自然景观图像中，基于阈值的分割算法表现较好，能够有效地将图像分割成不同的颜色区域；而在医学影像中，边缘检测算法表现更为出色，能够准确地识别出器官的边缘；在交通场景中，区域生长算法表现较好，能够有效地区分不同的交通标志和车辆。
五、结论不同的图像分割算法在不同场景下有着不同的表现，没有一种算法能够适用于所有场景。
因此，我们需要根据具体的应用场景选择合适的图像分割算法，或者结合多种算法进行优化，以达到更好的分割效果。
六、展望未来，我们将继续探究图像分割算法的优化和改进，以适应不同场景下的需求。
同时，我们还将研究图像分割算法在深度学习和人工智能领域的应用，为图像分割技术的发展贡献力量。
通过本次实验，我们对图像分割算法有了更深入的了解，也为其在实际应用中的选择提供了一定的指导。
希望我们的研究能够为图像分割技术的发展做出一定的贡献。
实验2图像分割
实验2图像分割实验⼆、图像分割⼀、实验⽬的1、使学⽣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；2、使⽤MatLab 软件进⾏图像的分割；3、能够⾃⾏评价各主要算⼦在⽆噪声条件下和噪声条件下的分割性能；4、能够掌握分割条件(阈值等)的选择；5、完成规定图像的处理并要求正确评价处理结果，能够从理论上作出合理的解释。
⼆、实验原理1、边缘检测(1)使⽤Roberts 算⼦的图像分割实验，调⼊并显⽰⼀幅图像*.gif或*.tif；使⽤Roberts 算⼦对图像进⾏边缘检测处理；Roberts 算⼦为⼀对模板，相应的矩阵为：rh = [0 1;-1 0]; rv = [1 0;0 -1];这⾥的rh 为⽔平Roberts 算⼦，rv为垂直Roberts 算⼦。
可以显⽰处理后的⽔平边界和垂直边界检测结果；⽤“欧⼏⾥德距离”⽅式计算梯度的模，显⽰检测结果；对于检测结果进⾏⼆值化处理，并显⽰处理结果。
(2)使⽤Prewitt 算⼦的图像分割实验使⽤Prewitt 算⼦进⾏内容(1)中的全部步骤。
(3)使⽤Sobel 算⼦的图像分割实验使⽤Sobel 算⼦进⾏内容(1)中的全部步骤。
(4)使⽤Canny算⼦进⾏图像分割实验。
(5) 使⽤拉普拉斯算⼦进⾏图像分割实验。
I=imread('D:\blood.bmp');Imshow(I);BW1=edge(I,'roberts');BW2=edge(I,'prewitt');BW3=edge(I,'sobel');BW4=edge(I,'log');BW5=edge(I,'canny');figure(1),imshow(I),title('Original Image'); figure(2),imshow(BW1),title('roberts'); figure(3),imshow(BW2),title('prewitt'); figure(4),imshow(BW3),title('sobel'); figure(5),imshow(BW4),title('log'); figure(6),imshow(BW5),title('canny');2、灰度阀值分割(1)单阈值分割图像先将⼀幅彩⾊图像转换为灰度图像，显⽰其直⽅图，参考直⽅图中灰度的分布，尝试确定阈值；应反复调节阈值的⼤⼩，直⾄⼆值化的效果最为满意为⽌。
实验六-图像分割
信息工程学院实验报告课程名称：数字图像处理实验项目名称：实验六图像分割实验时间：2016.12.16班级：姓名：学号：一、实验目的1. 使用MatLab 软件进行图像的分割。
使学生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。
2. 要求学生能够自行评价各主要算子在无噪声条件下和噪声条件下的分割性能。
能够掌握分割条件(阈值等)的选择。
完成规定图像的处理并要求正确评价处理结果，能够从理论上作出合理的解释。
二、实验内容与步骤1.边缘检测(1)使用Roberts 算子的图像分割实验调入并显示图像room.tif图像；使用Roberts 算子对图像进行边缘检测处理；Roberts 算子为一对模板：（a）450方向模板（b）1350方向模板图 1 matlab 2010的Roberts算子模板相应的矩阵为：rh = [0 1；-1 0]；rv = [1 0；0 -1]；这里的rh 为45度Roberts 算子，rv为135度Roberts 算子。
分别显示处理后的45度方向和135方向的边界检测结果；用“欧几里德距离”和“街区距离”方式计算梯度的模，并显示检测结果；对于检测结果进行二值化处理，并显示处理结果。
提示：先做检测结果的直方图，参考直方图中灰度的分布尝试确定阈值；应反复调节阈值的大小，直至二值化的效果最为满意为止。
(2)使用Prewitt 算子的图像分割实验（a）水平模型（b）垂直模板图2. Prewitt算子模板使用Prewitt 算子进行内容(1)中的全部步骤。
(3)使用Sobel 算子的图像分割实验使用Sobel（a）水平模型（b）垂直模板图3. Sobel算子模板(4)使用LoG (拉普拉斯-高斯)算子的图像分割实验使用LoG (拉普拉斯-高斯)算子进行内容(1)中的全部步骤。
提示1：处理后可以直接显示处理结果，无须另外计算梯度的模。
提示2：注意调节噪声的强度以及LoG (拉普拉斯-高斯)算子的参数，观察处理结果。
图像分割处理实验报告
一、实验目的：1.学会对图像进行二值化处理和直方图均衡化处理2.进一步了解数字图像处理的知识以及matlab软件的使用3.掌握基本的查资料方法二、实验内容把这幅图像分成同样大小的10幅人脸图片然后分别对第一行5幅人脸图像的第3 第4 第5 第二行5幅人脸图像的第1 第5 进行如下处理：1.进行大津法阈值分割的二值化处理2.进行直方图均衡化处理三、实验具体代码以及结果1.实验代码%clcclearsrc_path='D:\histogram matching.bmp'; %原始图片路径dst_path='D:\picture\'; %分割图片后保存路径mkdir(dst_path);A = imread(src_path); %读入原始图片[m,n,l] = size(A); %获得尺寸for i = 1:2for j = 1:5m_start=1+(i-1)*fix(m/2);m_end=i*fix(m/2);n_start=1+(j-1)*fix(n/5);n_end=j*fix(n/5);AA=A(m_start:m_end,n_start:n_end,:); %将每块读入矩阵imwrite(AA,[dst_path num2str(i) '-' num2str(j) '.jpg'],'jpg'); %保存每块图片endendcd 'D:\pic'x1=imread('1-3.jpg');%%%%%%%%%目标读取图像x2=imread('1-4.jpg');x3=imread('1-5.jpg');x4=imread('2-1.jpg');x5=imread('2-5.jpg');% matlab 自带的自动确定阈值的方法level1=graythresh(x1);level2=graythresh(x2);level3=graythresh(x3);level4=graythresh(x4);level5=graythresh(x5);%用得到的阈值直接对图像进行二值化处理并显示BW1=im2bw(x1,level1);BW2=im2bw(x2,level2);BW3=im2bw(x3,level3);BW4=im2bw(x4,level4);BW5=im2bw(x5,level5);figure(1),imshow(BW1);figure(2),imshow(BW2);figure(3),imshow(BW3);figure(4),imshow(BW4);figure(5),imshow(BW5);%直方图均衡化处理%%%%%%%%%%调用直方图均衡化函数 histeq（）%%%%%均衡化处理后的灰度级直方图分布figure(6),imhist(histeq(rgb2gray(x1))); figure(7),imhist(histeq(rgb2gray(x2))); figure(8),imhist(histeq(rgb2gray(x3))); figure(9),imhist(histeq(rgb2gray(x4))); figure(10),imhist(histeq(rgb2gray(x5)));%%%均衡化处理后的图像%%%%%%figure(11),imshow(histeq(rgb2gray(x1))); figure(12),imshow(histeq(rgb2gray(x2))); figure(13),imshow(histeq(rgb2gray(x3))); figure(14),imshow(histeq(rgb2gray(x4))); figure(15),imshow(histeq(rgb2gray(x5)));。
医学图像处理实验报告 ----图像分割
医学图像处理实验报告 ----图像分割医学图像处理实验报告----图像分割一.实验目的：掌握基本的图像分割方法，观察图像分割的结果，加深对边缘检测、模板匹配、区域生长的理解。
二.实验内容：边缘检测、模板匹配、区域生长。
三.实验方法：1.边缘检测：图象Blood边缘检测方法Sobel打开Toolboxes\Image Processing项选Edge Detection并运行选图象Blood边缘检测方法Sobel如图1所示按Apply键观察检测到的边界从上面四幅图像的对比来看，阈值逐渐变大，而满足要求的像素点也逐渐变少，使得图像的边缘提取的效果也越来越差，图像轮廓变得不清楚了。
以下为采用Prewitt方法的边缘提取效果：以下为Roberts方法边缘提取的效果：以下为Laplacian of Gaussian方法边缘提取的效果：以上的各种方法的理论算法有所不同，但总体效果基本一致。
以下是选其他图像重做上面的实验（适当简化）2.模板匹配：在Photoshop中打开一黑白灰度图象文件在滤镜菜单其他子菜单中选自定项在自定界面中输入点模板按好键观察处理后图象。
原始图像：点模板滤镜后的图像：0 0 00 1 00 0 0点模板： -1 -1 -1 -1 8 -1-1 -1 -1线模板： -1 -1 -1 2 2 2-1 -1 -1线模板： -1 2 -1 -1 2 -1-1 2 -1线模板： 2 -1 -1 -1 2 -1-1 -1 2线模板： -1 -1 2 -1 2 -12 -1 -1从上面的四种线模板得比较中可以发现：第一种对检测横向图像更为有效，第二种为竖向，后两种为135和45度。
这是与模板的构成有关的。
方向模板：-1 1 1-1 -2 1-1 1 1可以看出这个方向模板较多地体现出东方向的像素。
方向模板：1 1 -11 -2 -11 1 -1可以看出这个模板较多地体现出西方向的情况。
方向模板：-1 -1 -11 -2 11 1 1这个模板较多地体现了南向的情况。
(完整word版)图像分割 实验报告
f=imread('cameraman.tif');%读入图像
subplot(1,2,1);imshow(f);%创建一个一行二列的窗口，在第一个窗口显示图像
title('原始图像');%标注标题
f=double(f);%转换位双精度
T=(min(f(:))+max(f(:)))/2;%设定初始阈值
Tnew=(mean(f(r1))+mean(f(r2)))/2;%新阈值两个范围内像素平均值和的一半
done=abs(Tnew-T)<1;%设定两次阈值的比较，当满足小于1时，停止循环，
1是自己指定的参数
T=Tnew;%把Tnw的值赋给T
i=i+1;%执行循坏，每次都加1
end
f(r1)=0;%把小于初始阈值的变成黑的
给背景指定一个特定的灰度级
该方法将背景用一个固定灰度级LG表现，便于研究边缘灰度的变化。
二值图像输出
在某些场合（如字符识别等），既不关心非边缘像素的灰度级差别，又不关心边缘像素的灰度级差别，只关心每个像素是边缘像素还是非边缘像素，这时可采用二值化图像输出方式，其表达式为
此法将背景和边缘用二值图像表示，便于研究边缘所在位置。
imshow(f,[]); %显示原图像f
title('原始图像'); %给图像加标题为'原始图像'
J=imnoise(f,'gaussian',0.02);%对图像加高斯噪声
subplot(3,3,2);%创建有3*3子图像的窗口，原图在位置2
imshow(J,[]);%显示加噪声的图像
title('加高斯噪声图像');%给图像加标题为'加高斯噪声图像'
图像分割实验报告
实验七图像分割一、实验目的利用光谱特征进行遥感图像的分割和分割后处理。
二、实验要求1. 能够根据图像的特征，综合使用不同的方法分割出地物对象。
2. 熟练掌握图像直方图的应用。
3. 掌握彩色图像分割的基本方法4. 掌握利用波段组合进行图像分割的工作流程5. 熟悉数学形态学基本方法的应用。
三、实验准备●软件准备：ENVI软件●数据：兰花.jpg文字测原始图像.bmpIKNOSm14 nj Hroad●基本知识：➢图像分割的原则：（1）依据像素灰度值的不连续性进行分割。
假定不同区域像素的灰度值具有不连续性，因而可以对其进行分割。
（2）依据同一区域内部像素的灰度值具有相似性进行分割。
这种方法一般从一个点（种子）出发，将其邻域中满足相似性测量准则的像素进行合并从而达到分割的目的。
依据像素的不连续性进行分割的方法只要是区域增长法。
➢图像分割的工作流程：（1）确定待分割的对象；（2）选择对分割对象敏感的波段；（3）选择分割方法进行分割；（4）将分割后的结果图像转为矢量图。
➢图像分割：（1）图像分割是指把图像分成各具特性的区域并提取出感兴趣的目标的技术和过程。
从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。
图像分割的过程也是一个标记的过程，即将属于同一个区域的像素赋予相同的编号的过程。
（2）目的：将一幅图像分为几个区域，这几个区域之间具有不同的属性，同一区域中各像素具有某些相同的性质。
➢图像分割的方法：（1）灰度阀值法，它在目标与背景之间存在强对比时特别有效（直方图方法）；（2）数学形态学方法，腐蚀、膨胀、开运算和闭运算；➢波段运算：ENVI Band Math是一个灵活的图像处理工具，其中许多功能是无法在任何其它的图像处理系统中获得的。
由于每个用户都有独特的需求，利用此工具用户自己定义处理算法，应用到在ENVI打开的波段或整个图像中，用户可以根据需要自定义简单或复杂的处理程序。
例如：可以对图像进行简单加、减、乘、除运算，或使用IDL编写更复杂的处理运算功能。
图像分割实验报告
图像分割实验报告一、实验目的1. 掌握图像分割的基本思想，了解其分割技术及其计算策略；2. 学会从图像处理到分析的关键步骤，掌握图像分割过程；3. 了解图像分割的意义，进一步加深对图像分析和理解；4. 掌握基本分割方法：迭代分割和OTSU图像分割，并编程实现。
二、实验原理（一）迭代阈值分割选取的基本思路是:首先根据图像中物体的灰度分布情况，选取一个近似阈值作为初始阈值，一个较好的方法就是将图像的灰度均值作为初始阈值，然后通过分割图像和修改阈值的迭代过程获得认可的最佳阈值。
迭代式阈值选取过程可描述如下：1. 计算初始化阈值g0=(g max+g min)；22. 根据g0，将图像分为两部分，分别计算灰度值期望，取其平均值为g1；3. 如此反复迭代，当|g n-g n−1|足够小时，停止迭代，取T=g n即为最终阈值。
（二）OTSU图像分割（最大类间方差法）是一种自适应的阈值确定的方法，是按图像的灰度特性,将图像分成背景和目标两部分。
背景和目标之间的类间方差越大,说明构成图像的两部分的差别越大, 当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小。
因此,使类间方差最大的分割意味着错分概率最小。
以最佳门限将图像灰度直方图分割成两部分，使两部分类间方差取最大值，即分离性最大。
OTSU阈值选取过程可描述如下：1.记T为目标与背景的分割阈值，目标点数占图像比例为w1，平均灰度为u1；背景点数占图像比例为w2，平均灰度为u1；2.图像的总平均灰度为：u=w1*u1+w2*u2；3.目标和背景图象的方差：g=w1*(u1-u)*(u1-u)+w1*(u2-u)*(u2-u)=w1*w2*(u1-u2)*(u1-u2)；4.当方差g最大时，可以认为此时前景和背景差异最大，此时的灰度T是最佳阈值。
二、实验内容1. 利用C++编程实现迭代阈值图像分割算法；2. 利用C++编程实现OTSU动态阈值图像分割算法。
实验六 图像分割
信息工程学院实验报告课程名称：数字图像处理 实验项目名称:实验六 图像分割 实验时间：2０16、１2、16班级: 姓名： 学号：一、实验目得1、 使用Ｍat Ｌa ｂ 软件进行图像得分割。
使学生通过实验体会一些主要得分割算子对图像处理得效果，以及各种因素对分割效果得影响。
２、 要求学生能够自行评价各主要算子在无噪声条件下与噪声条件下得分割性能。
能够掌握分割条件(阈值等)得选择。
完成规定图像得处理并要求正确评价处理结果，能够从理论上作出合理得解释。
二、实验内容与步骤1、边缘检测(１）使用Roberts 算子得图像分割实验调入并显示图像r ｏｏｍ、tif 图像；使用Ro ｂerts 算子对图像进行边缘检测处理； Ｒo ｂer ｔs 算子为一对模板:（a)45０方向模板 (b)１350方向模板图 1 mat ｌab ２0１０得Ro ｂerts 算子模板相应得矩阵为:ｒh = ［０ １;—1 ０］； rv = [1 ０;0 -１］；这里得rh 为45度Ｒob ｅrts 算子，ｒv 为１35度Robert ｓ 算子。
分别显示处理后得4５度方向与1３5方向得边界检测结果；用“欧几里德距离”与“街区距离”方式计算梯度得模,并显示检测结果;对于检测结果进行二值化处理,并显示处理结果。
提示：先做检测结果得直方图,参考直方图中灰度得分布尝试确定阈值；应反复调节阈值得大小，直至二值化得效果最为满意为止。
(2)使用Ｐrewitt 算子得图像分割实验（a）水平模型（ｂ）垂直模板图2、Pｒewiｔt算子模板使用Ｐrewitt 算子进行内容(1）中得全部步骤。
（3）使用Ｓoｂel 算子得图像分割实验使用Sobeｌ算子进行内容（１)中得全部步骤。
(a）水平模型（b）垂直模板图3、Sobｅl算子模板（４)使用LoG （拉普拉斯-高斯)算子得图像分割实验使用LoG （拉普拉斯—高斯）算子进行内容（1）中得全部步骤。
提示1：处理后可以直接显示处理结果,无须另外计算梯度得模。
实验三图像分割
实验三图像分割一、实验目的1、了解图像分割的基本概念；2、掌握阈值分割、边缘检测的基本分割方法；3、对检测的目标图像分析其目标特征二、实验内容1、实验原理阈值分割利用图像中要提取的目标物与其背景在灰度特性上的差异，把图像视为具有不同灰度级的两类区域的组合，选择一个合适的阈值，以确定图像中每个像素点应该属于目标区域还是背景区域，从而产生二值图像。
边缘检测是利用边缘灰度变化的一阶或二阶导数的特点，可以将边缘点检测出来。
常用梯度、roberts、sobel、prewitt等算子进行检测。
图1 两种边缘点附近灰度方向导数变化规律2、MATLAB实现（1）在处理图像直方图的工具箱中，核心函数为imhist，其语法为：imhist（f,n）——直接显示f为输入图像，h为其直方图，n是形成直方图的灰度级个数（默认256）。
（2）阈值分割BW=im2bw( I，level) ——将灰度图像、RGB图像转换为二值图像Level为阈值（0~1），当输入图像的亮度小于level时，输出0，大于时输出1。
或不用函数。
直接编程实现。
（3）边缘检测函数edge提供了几个导数估计器。
该函数基本语法为：[g，t]=edge（f，‘method’，parameters）f——输入图像，g——输出图像，t——阈值。
‘method’是具体用到的检测方法（sobel、prewitt、roberts、log、zerocross、canny），parameters对应不同检测方法的参数。
sobel边缘检测器[g，t] = edge(f，'sobel'，T，'dir')T：指定阈值，dir：检测边缘首选方向（horizontal、vertical、both）g：检测到的逻辑图像，边缘位置为1，其余位置为0。
t可选，输出参数edge函数所用阈值T。
（一般t和T参数可以不用，dir默认为both）prewitt边缘检测器[g，t] = edge(f，'prewitt'，T，'dir')该函数参数与sobel相同。
详细的图像分割之边缘检测实验报告
边缘检测实验报告一、实验目的通过课堂的学习，已经对图像分割的相关理论知识已经有了全面的了解，知道了许多图像分割的算法及算子，了解到不同的算子算法有着不同的优缺点，为了更好更直观地对图像分割进行深入理解，达到理论联系实际的目的，特制定如下的实验。
二、实验原理：图像处理有两大类目的：1．改善像质（增强、恢复）；2．图像分析：对图像内容作出描述；其一般的图像处理过程如下：图像分割的算法有：（1）阈值分割原理：(,)(,)(,)EBLf x y Tg x y L f x y T≥⎧=⎨<⎩（2）边缘检测：梯度对应一阶导数，对于一个连续图像函数f(x,y):梯度矢量定义:梯度的幅度:梯度的方向:a) Roberts 算子b) Sobel 算子Roberts 算子[]TTyxy f x f G G y x f ⎦⎤⎢⎣⎡∂∂∂∂==∇),(122)()),((),(y x G G y x f mag y x f +=∇=∇)arctan(),(x y G y x =φ()()()[]()()[]{}21221,,11,1,,+-++++-=j i f j i f j i f j i f j i gc) Prewitt 算子d) Kirsch 算子由K 0~K 7八个方向模板组成，将K0~K7的模板算法分别与图像中的3×3区域乘，选最大一个值，作为中央像素的边缘强度（3）区域分割1 区域生长法 算法描述先对每个需要分割的区域找一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素有相似性质的像素合并到种子像素所在的区域中。
将这些新像素当作新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来。
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 ，则将其分裂成互不重叠的四等分； ② 对相邻区域Ri 和Rj ，如果 ，则将二者合并； ③ 如果进一步的分裂或合并都不可能了，则终止算法。
数字图像实验报告 图像分割一 报告
数字图像实验报告实验4 图像分割实验目的：1.了解图像分割的基本理论和方法；2.掌握对图像进行点、线和边缘检测的方法；3.掌握阈值分割的方法和阈值的选择；4.熟悉区域生长法和分水岭分割算法实验内容：1.P294例10.4，比较各种算子的异同。
2.（1）对图片lung.bmp用im2bw进行处理，其分割的阈值分别设为0.05,0.15和0.7，分析哪个效果好（结合图像的直方图）。
第二个效果比较好。
（2）用全局阈值法或Otsu算法计算出合适的阈值。
P306 T2=graythresh(f);T2 =0.1647（3）提高题：对分割出来的二值图像运用所学的形态学知识，得到肺部图像。
提示：如f为原图像，fillhole为处理后的二值图像（其中肺部为白色，其他为黑色），则以下语句可以得到原图中的肺部图像。
f(fillhole==0)=255; %或f(fillhole==0)=0也可以3.编写m文件globalthreshold.m，完成对输入图片全局阈值的计算（参见课本305页的算法），输入参数为图片f,初始阈值T（默认为min+max/2），还有差值范围T0（默认5）（T0表示这一次计算得到的T与上一次的T值之差<T0，则当前的T值为结果阈值，否则再重复调用）,返回为符合条件的全局阈值gT。
用计算得到的阈值对lung.bmp进行处理，看看效果如何？M文件：function dabendan=globalthreshold(f,T,T0)T=0.5*(double(min(f(:)))+double(max(f(:)))); T0=5;done=false;while ~doneg=f>T;Tnext=0.5*(mean(f(g))+mean(f(~g)));done=abs(T-Tnext)<T0;T=Tnext;enddabendan=T;>> f=imread('lung.bmp');>> T=0.5*(max(max(f))+min(min(f)));>> T0=5;>> g=globalthreshold(f,T,T0);>> g1=im2bw(f,g/255);>> imshow(g1);4.（2班选做题）区域生长法利用图像像素间的相似性进行分割，调用regiongrow函数对图像weld.tif进行处理，注意参数中S（种子值），T（阈值）的选择对分割效果的影响。
数字图像处理_实验报告书(六)分割
figureimshow(a)figuresubplot(2,2,1) imshow(bw1) xlabel('soble') subplot(2,2,2) imshow(bw2) xlabel('prewitt') subplot(2,2,3) imshow(bw3) xlabel('roberts') subplot(2,2,4) imshow(bw4) xlabel('log')截图：（2）编写MATLAB程序，用Hough变换对图像进行直线检测。
如例8.5所示。
程序：I=imread('Peppers.bmp');rotI=imrotate(I,33,'crop')BW=edge(rotI,'log')[H,T,R]=hough(BW)P=houghpeaks(H,5,'threshold',ceil(0.3*max(H(:))));x=T(P(:,2)); y=R(P(:,1));lines=houghlines(BW,T,R,P,'FillGap',5,'MinLength',7);figure,imshow(rotI),hold onmax_len=0;for k=1:length(lines)xy=[lines(k).point1;lines(k).point2];plot(xy(:,1),xy(:,2),'LineWidth',2,'Color','green');plot(xy(1,1),xy(1,2),'x','LineWidth',2,'Color','yellow');plot(xy(2,1),xy(2,2),'x','LineWidth',2,'Color','red');end截图：（3）编写MATLAB程序，对一幅图像进行基于形态学的边缘检测。
图像分割实验报告
图像分割实验报告
《图像分割实验报告》
图像分割是计算机视觉领域的一项重要技术，它能够将图像分割成不同的区域或对象，为图像识别、目标检测等任务提供了重要的基础。
本实验报告将介绍我们在图像分割领域的研究成果及实验结果。
实验目的
本次实验的目的是通过对图像分割算法的研究和实验，探讨不同算法在图像分割任务中的表现，并对比它们的优缺点，为进一步的研究提供参考。
实验方法
我们选取了常用的图像分割算法，包括基于阈值的分割、区域增长法、边缘检测法、基于聚类的分割等，对这些算法进行了实验比较。
我们使用了多种类型的图像数据集，包括自然场景图像、医学影像等，以验证算法在不同场景下的表现。
实验结果
通过实验，我们发现不同的图像分割算法在不同的图像类型下表现出不同的优劣势。
基于阈值的分割算法在简单的图像中表现较好，但在复杂的场景下效果有限；区域增长法对于连续性较强的对象分割效果较好；边缘检测法在处理边缘清晰的图像时表现出色；基于聚类的分割算法对于复杂背景下的对象分割有一定优势。
结论
通过本次实验，我们对图像分割算法的优劣势有了更深入的了解，不同的算法适用于不同的场景。
在未来的研究中，我们将进一步探索图像分割算法的改进
和优化，以提高图像分割的准确性和效率，为计算机视觉领域的发展贡献力量。
实验三图像分析实验——图像分割、形态学及边缘与轮廓分析
实验三图像分析实验——图像分割、形态学及边缘与轮廓分析一、实验条件PC机数字图像处理实验教学软件大量样图二、实验目的1、熟悉图像形态学分析的基本原理，观察不同形态学方法处理的结果；2、熟悉图像阈值分割、区域生长、投影及差影检测和模板匹配的基本原理，观察处理的结果；3、熟悉图像边缘检测、Hough平行线检测、轮廓提取及跟踪和种子填充的基本原理，观察处理的结果；4、了解图像矩、空穴检测、骨架提取的基本原理，观察处理的结果。
三、实验原理本次实验侧重于演示观察，由于内容繁多，并且系统中已有部分实验项目的原理说明，因此实验原理及编程实现步骤这里不再详细叙述，有兴趣的同学可以查阅数字图像处理方面的有关书籍。
四、实验内容1、图像形态学分析内容包括：图像膨胀、图像腐蚀、开运算、闭运算和图像细化针对二值图像进行处理，有文字说明，实验步骤中将详细介绍其使用方法。
2、图像分割内容包括：阈值分割、区域生长、投影检测、差影检测和模板匹配阈值分割：支持灰度图像。
从图库中选择图像分割中的源图, 然后执行图像分析→图像分割→阈值分割, 比较原图和分割后的图, 对照直方图分析阈值分割的特点。
对源图再执行一次图像变换→点运算→阈值变换, 比较分析阈值变换和阈值分割的结果。
区域生长：支持灰度图像。
操作方法与阈值分割类似，比较分析其与阈值分割的不同。
投影检测：只支持二值图像。
从图库中选择投影检测中的源图, 然后执行图像分析→投影检测→水平投影, 然后再垂直投影, 记录下检测部分的水平和垂直方向的位置。
如有必要, 在检测之前, 对图像进行平滑消噪。
差影检测：支持灰度图像。
从图库中选择图像合成中的源图, 然后执行图像分析→图像合成→图像相减, 在弹出的文件对话框中选择图库图像合成中的模板图像,观察分析差影结果。
模板匹配：支持灰度图像。
从图库中选择模板匹配中的源图, 然后执行图像分析→模式识别→模板匹配, 在弹出的文件对话框中选择图库模板匹配中的模板图像, 观察分析结果。
图像分割实验报告
图像分割实验报告图像分割实验报告一、引言图像分割是计算机视觉领域中的重要研究方向之一，它旨在将一幅图像分割成若干个具有相似特征的区域。
图像分割在许多应用中都起着关键作用，如目标检测、图像识别、医学图像处理等。
本实验旨在探究不同的图像分割算法的性能和适用场景。
二、实验方法本次实验选取了常用的两种图像分割算法：基于阈值的分割算法和基于边缘检测的分割算法。
实验使用的图像为一幅自然风景图。
1. 基于阈值的分割算法基于阈值的分割算法是最简单且常用的分割方法之一。
该方法通过设置一个或多个阈值，将图像中像素的灰度值与阈值进行比较，将像素分为不同的区域。
实验中，我们通过观察图像的灰度直方图，选择合适的阈值对图像进行分割。
2. 基于边缘检测的分割算法基于边缘检测的分割算法通过检测图像中的边缘信息来实现分割。
实验中，我们选取了经典的Canny边缘检测算法。
该算法首先对图像进行高斯滤波，然后计算图像的梯度，最后通过非极大值抑制和双阈值处理来提取图像的边缘。
三、实验结果1. 基于阈值的分割算法通过观察图像的灰度直方图，我们选择了适当的阈值对图像进行分割。
实验结果显示，该方法能够将图像中的前景物体与背景分离，并得到清晰的边界。
然而，该方法对光照变化和噪声比较敏感，当图像中存在复杂的纹理和颜色变化时，分割效果较差。
2. 基于边缘检测的分割算法使用Canny边缘检测算法对图像进行分割，实验结果显示，该方法能够有效地提取图像中的边缘信息。
与基于阈值的方法相比，基于边缘检测的方法对光照变化和噪声有较好的鲁棒性。
然而，该方法在分割复杂纹理和颜色变化较小的区域时，容易产生边缘断裂的问题。
四、讨论与总结通过本次实验，我们对比了基于阈值的分割算法和基于边缘检测的分割算法的优缺点。
基于阈值的方法简单直观，适用于对比较简单的图像进行分割；而基于边缘检测的方法能够提取图像中的边缘信息，适用于复杂的图像分割任务。
然而，两种方法都存在一定的局限性，需要根据具体的应用场景选择合适的算法。
阈值法图像分割实验报告
阈值法图像分割实验报告阈值法图像分割实验报告 1 实验目的图像分割阈值法具有实现容易、计算量小、性能稳定等优点。
因此这种方法成为图像分割领域中应用最普遍的方法。
本文主要讨论了基于直方图法的图像分割的设计与实现，并与迭代法进行了对比实验。
2 实验环境Microsoft VC++6.0软件平台，32位Windows XP操作系统。
3 实验原理基础3.1 直方图法直方图阈值法其阈值主要通过分析图像的灰度直方图来进行确定。
假定一幅图像如图3-1所示，其中背景是灰色，物体为灰白色的，背景中的黑色像素产生了直fxy(,)方图的左锋，而物体的各灰度级产生了直方图的右峰。
由于物体边界像素数相对而言较少，从而产生两峰之间的谷，选择谷对应的灰度值作为阈值T，利用式3.1，可以得到一幅二值图像gxy(,)，用于后续处理和分析。
0,(,)fxyT,, (3.1) g(,)xy,,255,(,)fxyT,,背景部分物体部分0255阈值T图3-1 利用直方图选择二值化阈值3.2 迭代法(用于对比试验)迭代法也是一种在图像分割过程中选择合适阈值的方法。
它是基于逼近的思想通过阈值迭代的方式利用程序自动计算出比较合适的分割阈值。
迭代法指在初始条件中假设一个阈值，而通过对图像的迭代运算来不断地更新这一假设阈值来得到最佳阈值。
迭代法阈值分割主要算法:RR，minmax1( 求出图像最小灰度值和最大灰度值计算初始阈值为T,RRminmax022( 根据阈值将图像分割成目标和背景两部分，求出两部分的平均灰度值RijNij(,)(,)，RijNij(,)(,)，,,RijT(,),RijT(,),kkR,R,0GNij(,)Nij(,),,RijT(,),RijT(,),kk为图像上点的灰度值，为点的权重系数，一般为Rij(,)(,)ijNij(,)(,)ijNij(,)的个数 T 为阈值 Rij(,)RR，0G3. 重新选择阈值，新的阈值定义为 TTT,k，1k，1，k124. 循环做第二步到第四步，当 TT,则结束，即可获得最佳阈值来对图像进行kk，1分割。
- 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)。
实验七图像分割
一、实验目的
利用光谱特征进行遥感图像的分割和分割后处理。
二、实验要求
1. 能够根据图像的特征，综合使用不同的方法分割出地物对象。
2. 熟练掌握图像直方图的应用。
3. 掌握彩色图像分割的基本方法
4. 掌握利用波段组合进行图像分割的工作流程
5. 熟悉数学形态学基本方法的应用。
三、实验准备
●软件准备：ENVI软件
●数据：兰花.jpg
文字测原始图像.bmp
IKNOSm14 nj Hroad
●基本知识：
➢图像分割的原则：（1）依据像素灰度值的不连续性进行分割。
假定不同区域像素的灰度值具有不连续性，因而可以对其进行分割。
（2）依据同一区域内部
像素的灰度值具有相似性进行分割。
这种方法一般从一个点（种子）出发，将
其邻域中满足相似性测量准则的像素进行合并从而达到分割的目的。
依据像素
的不连续性进行分割的方法只要是区域增长法。
➢图像分割的工作流程：（1）确定待分割的对象；（2）选择对分割对象敏感的波段；（3）选择分割方法进行分割；（4）将分割后的结果图像转为矢量图。
➢图像分割：（1）图像分割是指把图像分成各具特性的区域并提取出感兴趣的目标的技术和过程。
从数学角度来看，图像分割是将数字图像划分成互不相交的
区域的过程。
图像分割的过程也是一个标记的过程，即将属于同一个区域的像
素赋予相同的编号的过程。
（2）目的：将一幅图像分为几个区域，这几个区域
之间具有不同的属性，同一区域中各像素具有某些相同的性质。
➢图像分割的方法：（1）灰度阀值法，它在目标与背景之间存在强对比时特别有效（直方图方法）；（2）数学形态学方法，腐蚀、膨胀、开运算和闭运算；
➢波段运算：ENVI Band Math是一个灵活的图像处理工具，其中许多功能是无法在任何其它的图像处理系统中获得的。
由于每个用户都有独特的需求，利用
此工具用户自己定义处理算法，应用到在ENVI打开的波段或整个图像中，用
户可以根据需要自定义简单或复杂的处理程序。
例如：可以对图像进行简单加、
减、乘、除运算，或使用IDL编写更复杂的处理运算功能。
➢波段运算实质是对每个像素点对应的像素值进行数学运算。
➢波段运算条件：（1) 必须符合IDL语言书写波段运算表达式；（2) 所有输入波段必须具有相同的空间大小，因此输入波段在行列数和像元大小必须相同。
对于有地理坐标的数据，如果覆盖区域一样，但是由于像元大小不一样使得行
列数不一致，在进行波段运算前，可以使用Basic Tools →Layer Stacking
功能对图像进行调整。
3)表达式中的所有变量都必须用Bn（或bn）命名。
4) 结果波段必须与输入波段的空间大小相同，波段运算表达式所生成的结
果必须在行列数方面与输入波段相同。
➢波段运算函数
四、实验内容及步骤
●问题一.2（提取非兰花部分）
➢打开ENVI，加载“兰花.jpg”
➢因为兰花呈现蓝色，则兰花花朵部分表达式为（B gt G）*(B gt R),非兰花部分为（1-（B gt G）*(B gt R)）
➢点击【Basic Tools】-【Band Math】，弹出“Band Math”对话框，在【Enter an expression】处输入式子“b4*(1-(b1 gt b2)*(b1 gt b3))”，点击【Add to
List】,选择【OK】
➢在弹出的对话框“Variables to Bands Pairings”中，选择B1对应B波段，B2对应G波段，B3对应R波段，B4对应File：兰花，点击【OK】。
➢加载生成图片。
➢得到非兰花部分的图片。
●练习2.1
➢加载“文字测原始图像.bmp”，点击【Enhance】-【Interactive Stretching】,查看各通道噪声和直方图。
➢可以看出各通道在灰度值为177的时候峰值最大。
➢点击【Basic Tools】-【Band Math】，弹出“Band Math”对话框，在【Enter an expression】处输入式子“255*(1-(b1 lt 177)* (b2 lt 177)* (b3 lt
177))”，点击【Add to List】,选择【OK】
➢在弹出的对话框“Variables to Bands Pairings”中，选择B1对应R波段，B2对应G波段，B3对应B波段，点击【OK】。
➢得到了去除了背景噪声的文字“测”。
●练习2.2
➢首先利用高斯低通滤波器和拉普拉斯滤波器对图像进行锐化处理，使线状地物的轮廓更加明显。
滤波工具在主菜单下的【Filter】-
【convolution】；由于高斯低通滤波器和拉普拉斯滤波器具有很多
不同的窗口，要找到最适合的窗口要进行多次的操作和比较。
流程高斯低通拉普拉斯算子锐化结果图像直方图0——无
13*33*3A
25*53*3B
37*73*3C
45*55*5D
57*75*5E
67*77*7F
➢由于拉普拉斯算子对图像的噪声很敏感，所以我们选用流程2，也就是7*7的高斯低通滤波和3*3的拉普拉斯算子。
设置灰度阀值为370，输入算法“b1 gt 370”，b1选为图像的band1.
➢得到道路信息图像
.。