图像处理作业

作业要求：自选一幅图片，结合图像处理与分析的步骤依次进行图像增强，分割，特征提取和识别，给出每步具体使用的算法，附上原始图和各步骤处理后获取的图像处理结果。

一、图像增强图像增强可分成两大类：频率域法和空间域法。

前者把图像看成一种二维信号，对其进行基于二维傅里叶变换的信号增强。

采用低通滤波（即只让低频信号通过）法，可去掉图中的噪声；采用高通滤波法，则可增强边缘等高频信号，使模糊的图片变得清晰。

后者空间域法中具有代表性的算法有局部求平均值法和中值滤波（取局部邻域中的中间像素值）法等，它们可用于去除或减弱噪声。

本文采用空间域增强技术中的中值滤波。

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。

方法是用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。

二维中值滤波输出为g（x,y）=med{f(x-k,y-l),(k,l∈W)} ，其中，f(x,y)，g(x,y)分别为原始图像和处理后图像。

W为二维模板，通常为3*3，5*5区域，也可以是不同的的形状，如线状，圆形，十字形，圆环形等。

Matlab程序：I=imread('jiqimao.jpg');imshow(I);J=rgb2gray(I);J0=imnoise(J,'salt & pepper');figure,imshow(J0);w=[1 2 1;2 4 2; 1 2 1]/16;J1=imfilter(J0,w,'corr','replicate');figure,imshow(J1);w=[1 1 1;1 1 1; 1 1 1]/9;J2=imfilter(J0,w,'corr','replicate');figure,imshow(J2);J3=medfilt2(J0,[3,3]);figure,imshow(J3);subplot(3,2,1);imshow(I);title('0');subplot(3,2,2);imshow(J);title('1');subplot(3,2,3);imshow(J0);title('2');subplot(3,2,4);imshow(J1);title('3');subplot(3,2,5);imshow(J2);title('4');subplot(3,2,6);imshow(J3);title('5');运行结果：图1 几种滤波器对于椒盐噪声污染图像的性能比较图0：原图像；图1: 转化为灰度图像；图2：椒盐噪声污染的图像；图3：3*3高斯平滑效果；图4：3*3平均平滑效果；图5：3*3中值滤波效果。

结果分析：从图1中，可见线性平滑滤波在降噪的同时不可避免地造成了模糊，而中值滤波在有效抑制椒盐噪声的同时模糊效应明显低得多，因而对于椒盐噪声污染的图像，中值滤波要远远优于线性平滑滤波。

二、图像分割图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。

它是由图像处理到图像分析的关键步骤。

现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。

本文采用基于边缘的分割方法。

Canny边缘检测是从不同视觉对象中提取有用的结构信息并大大减少要处理的数据量的一种技术，目前已广泛应用于各种计算机视觉系统。

Canny发现，在不同视觉系统上对边缘检测的要求较为类似，因此，可以实现一种具有广泛应用意义的边缘检测技术。

Canny边缘检测算法可以分为以下5个步骤：1)使用高斯滤波器，以平滑图像，滤除噪声。

2) 计算图像中每个像素点的梯度强度和方向。

3) 应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应。

4) 应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘。

5) 通过抑制孤立的弱边缘最终完成边缘检测。

Matlab程序：intensity=imread('jiqimao.jpg');figure,imshow(intensity);intensity=rgb2gray(intensity);figure,imshow(intensity);bw1=edge(intensity,'sobel');bw2=edge(intensity,'prewitt');bw3=edge(intensity,'roberts');bw4=edge(intensity,'log');bw5=edge(intensity,'canny');subplot(3,2,1);imshow(intensity);title('0'); subplot(3,2,2);imshow(bw1);title('1'); subplot(3,2,3);imshow(bw2);title('2'); subplot(3,2,4);imshow(bw3);title('3'); subplot(3,2,5);imshow(bw4);title('4'); subplot(3,2,6);imshow(bw5);title('5');运行结果：图2 几种算法的结果比较图0：原图像图1：Sobel边缘检测；图2：Prewitt边缘检测；图3：Roberts边缘检测；图4：LoG边缘检测；图5：Canny边缘检测；结果分析，从图2中可以看出，不同的算法得到的结果存在很大的差异，简要分析：1）从边缘定位的精度看出，不同Roberts算子和Log算子定位精度较高，Roberts算子简单直观，Log算子则利用二阶导数零交叉特性检测边缘。

但Log算子只能获得边缘位置信息，不能得到边缘的方向等信息。

2）从对不同方向边缘的响应看，从对边缘方向的敏感度而言，Sobel算子，Prewitt算子检测斜向阶跃边缘效果教好，Roberts 算子检测水平和垂直边缘较好。

Log算子则不具备边缘方向检测能力。

Sobel算子可以提供最精确的边缘方向估计。

3）从去噪能力看，Robel和Log算子定位精度虽然较高，但受噪声影响大，Sobel算子和Prewitt算子模板相对较大因而去噪能力较强，具有平滑作用，能滤除一些噪声，去掉部分为边缘，但同时也平滑了真正的边缘，这也正是其定位精度不高的原因。

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。

三、图像特征提取和识别图像识别实际上是一个分类的过程，为了识别出某图像所属的类别，需要将它与其他不同类别的图像分开来。

这就要求选取的特征不仅要很好地描述图像，更重要的是还要能够很好地区分不同类别的图像。

bwboundaries函数，可以用来获取二值图中对象的轮廓，包括外部轮廓与内部边缘。

Matlab程序：I = imread('jiqimao.jpg');img=I;figure,imshow(img);img = im2bw(img);%（图像分割）转化为二值图img = not(img);%把图像想表达的内容变成1J=img;figure,imshow(img);[B,L] = bwboundaries(img);figure,imshow(img);hold on;for k = 1:length(B)boundary = B{k};plot(boundary(:,2),boundary(:,1),'g','LineWidth',2); end[L,N] = bwlabel(img);img_rgb = label2rgb(L,'hsv',[.5 .5 .5],'shuffle');J1=img_rgb;figure,imshow(img_rgb);hold onfor k =1:length(B)boundary = B{k};plot(boundary(:,2),boundary(:,1),'w','LineWidth',2);text(boundary(1,2)-11,boundary(1,1)+11,num2str(k),'Colo r','y','Fontsize',14,'FontWeight','bold');endstats = regionprops(L,'all');%统计的数保留在stats内temp = zeros(1,N);for k = 1:N%计算thinness ratio（细度比例）temp(k) = 4 * pi * stats(k,1).Area /(stats(k,1).Perimeter)^2;stats(k,1).ThinnessRatio = temp(k);%计算aspect ratiotemp(k) =(stats(k,1).BoundingBox(3))/(stats(k,1).BoundingBox(4)) ;stats(k,1).AspectRatio = temp(k);endareas = zeros(1,N);for k = 1:Nareas(k) = stats(k).Area;endTR = zeros(1,N);for k = 1: NTR(k) = stats(k).ThinnessRatio;endcmap = colormap(lines(21));figurefor k = 1:Nscatter(areas(k),TR(k),[],cmap(k,:),'filled'); ylabel('Thinness Ratio'),xlabel('Area');hold onendsubplot(3,2,1);imshow(I);title('0');subplot(3,2,2);imshow(img);title('1');subplot(3,2,3);imshow(J);title('2');subplot(3,2,4);imshow(J1);title('3');% subplot(3,2,6);imshow(bw5);title('4');运行结果：图3 特征提取过程 从这里可以查看很多数据，比如Area （面积）,Centroid （重心）,Eccentricity （偏心率）,Perimeter （周长）等等。