图像增强与平滑实验报告

合集下载

遥感图像增强实验报告

遥感图像增强实验报告1. 实验目的和内容实验目的：（1）遥感图像的空间域增强：通过直接改变图像中的单个像元及相邻像元的灰度值来增强图像，是图像增强技术的基本组成部分，包括点运算和邻域运算。

（2）遥感图像的频率域增强：通过对频率域的调整对遥感图像进行平滑和锐化，平滑主要是保留图像的低频部分抑制高频部分，锐化则保留图像的高频部分而削弱低频部分。

（3）遥感图像的彩色增强：将黑白图像转换成彩色图像，使地物的差别易于分辨，突出图像的有用信息，从而提高对图像的解译和分析能力。

实验内容：（1）遥感图像的空间域增强：点运算—直方图均衡化、灰度拉伸、任意拉伸，邻域运算—图像平滑、图像锐化。

（2）遥感图像的频率域增强：定义FFT，反向FFT，再进行对比。

（3）遥感图像的彩色增强：多波段影像—彩色合成、单波段影像—伪彩色增强、色彩空间变换、遥感数据融合。

2. 图像处理方法和流程A.遥感图像的空间域增强1.直方图均衡化(1)在主窗口中打开can_tmr.img文件。

(2)以gray形式显示一个波段。

(3)Display窗口>enhance>equalization2.灰度拉伸(1)Display窗口>enhance>interactive stretching(2)弹出的对话框>stretch_type>linear(3)在STRETCH对应的两个文本框中输入需要拉伸的范围，然后单击对话框上的APPLY按钮，图像显示为线性拉伸后的效果。

3.任意拉伸（1）弹出的对话框>stretch_type>Arbitary，在output histogram中单击绘制直方图，右键结束（2）点击apply，结果如图所示4.图像平滑（1）均值平滑，在主窗口中打开can_tmr.img文件。

主窗口>enhance>filter>smooth[3*3]。

结果如图所示（2）中值平滑，在主窗口中打开can_tmr.img文件。

数字图像处理实验二：图像增强与平滑(精)

实验二图像增强与平滑一、实验类型：验证性实验二、实验目的1. 掌握图像增强的基本原理。

2. 掌握常用的图像增强技术。

三、实验设备：安装有MATLAB 软件的计算机四、实验原理图像增强技术的目的是对图像进行加工，以得到对具体应用来说视觉效果更好、更有用的图像。

常用的图像增强技术有图像间运算、直接灰度映射、直方图修改技术、线性滤波和非线性滤波等。

下面介绍三种图像增强技术：直方图均衡化、邻域平均平滑滤波和中值滤波。

3. 直方图均衡化直方图均衡化是一种使输出图像直方图近似为均匀分布的变换算法，是一种直方图修改技术。

在MATLAB 中，可以调用函数histeq 自动完成图像的直方图均衡化。

下面的例子演示如何用histeq 函数来调整一幅灰度图像。

原图像的灰度对比度较低，大部分值位于灰度范围的中间。

histeq 函数生成一幅灰度值在整个范围内均匀分布的输出图像。

I=imread(‘pout.tif’;J=histeq(I;imshow(Jfigure,imhist(J,644. 邻域平均平滑滤波邻域平均平滑滤波也称为均值滤波，是一种线性滤波方法。

该方法用一个像素的平均值作为滤波结果，。

下面的例子演示如何在MATLAB 中对一幅灰度图像进行邻域平均平滑滤波。

I=imread(‘eight.tif’;J=imnoise(I,’salt & pepper’,0.02;figure,imshow(J;h=ones(3,3/9;K=imfilter(J,h;figure,imshow(K;5. 中值滤波中值滤波是最常用的非线性滤波算法，该算法的输出像素值是对应像素邻域内的中值。

下面的例子演示如何在 MATLAB中对一幅灰度图像进行中值滤波。

I=imread(‘eight.tif’;J=imnoise(I,’salt & pepper’,0.02;figure,imshow(J;K=medfilt2(J,[3 3];figure,imshow(K;五、实验内容1. 选择一幅直方图不均匀的图像，对该图像做直方图均衡化处理，比较处理前后的图像以及它们的灰度直方图。

遥感图像频率域增强处理实验报告

一、实验名称遥感图像频率域增强处理二、实验目的对图像数据采用各种图形增强算法，提高图像的目视效果，方便人工目视解译、图像分类中的样本选取等，方便以后的图像解译。

学会使用ENVI软件对遥感影像进行分析增强处理，初步掌握各种图像增强方法，并对其结果进行比较，观察增强效果。

三、实验原理FFT Filtering（Fast Fourier Transform Filtering 快速傅立叶变换滤波）可以将图像变换成为显示不同空间频率成分的合成输出图像。

正向的FFT 生成的图像能显示水平和垂直空间上的频率成分。

图像的平均亮度值显示在变换后图像的中心。

远离中心的像元代表图像中增加的空间频率成分。

这一滤波能被设计为消除特殊的频率成分，并能进行逆向变换。

四、数据来源本次实验所用数据来自于国际数据服务平台；landsat4-5波段30米分辨率TM第三波段影像，投影为WGS-84，影像主要为山西省大同市恒山地区，中心纬度：38.90407 中心经度：113.11840。

五、实验过程1、正向FFT滤波加载影像，在ENVI主菜单栏中选择Filters →FFT Filtering →Forward FFT。

出现Forward FFT Input File对话框，选择要进行滤波的文件，点击ok。

在Forward FFT Parameters对话框中选择输出文件名及位置。

点击ok开始FFT计算。

2、图像平滑1）定义FFT滤波器在ENVI主菜单栏中选择Filters →FFT Filtering →Filter Definition。

将出现Filter Definition选择对话框。

Filter_Yype →Circular Pass。

定义相关参数。

选择输出路径，apply构建FFT滤波器。

2）反向FFT变换选择Filter →FFT Filtering →Inverse FFT，出现Inverse FFT Input File对话框。

数字图像处理报告——图像的平滑和傅里叶变化

数字图像处理报告——图像的平滑和傅里叶变化第一篇：数字图像处理报告——图像的平滑和傅里叶变化数字图像处理实验报告课程数字图像处理实验名称图像平滑处理噪声和傅里叶变换专业班级姓名学号实验日期 2010.12 教师审批签字目录一，实验目的和要求.............................................3 二，实验内容和原理.............................................3~4 三，相关函数......................................................4 四，源程序代码及运行结果....................................5~12 4.1给图像添加椒盐噪声或者高斯噪声.......................................5 4.2对被噪声污染的图像进行中值滤波和均值滤波........................6 4.3进行空间域的平滑............................................................7 4.4，开发自己的空间域的均值滤波，模板大小使用3×3...............8 4.5，自己的空间域的图像锐化--算子锐化.................................9 4.6，傅里叶变换和傅里叶反变换.............................................10 4.7，巴特沃斯低通滤波.........................................................11 五，心得体会.........................................................13 六，参考文献. (13)图像平滑处理噪声和傅里叶变换一、实验目的和要求1、实验目的（1）熟悉Matlab软件、编程以及图像处理工具箱。

数字图像处理实验二图像增强

福建农林大学信息工程类实验报告系：信息与机电工程系专业：电子信息工程年级： 2009级姓名：庄建军学号： 092230069 实验课程：数字图像处理实验室号：_ 实验1楼607 实验设备号： F5 实验时间： 2012.6.1 指导教师签字：成绩：实验二图像增强一、实验目的1.掌握灰度直方图的概念及其计算方法；2.熟练掌握直力图均衡化和直方图规定化的计算过程；3.掌握平滑处理的算法和用途，学习使用均值滤波、中值滤波和拉普拉斯锐化进行图像增强处理的程序设计方法；4.了解噪声模型及对图像添加噪声的基本方法；5.利用MATLAB 程序进行图像增强。

二、实验原理图像增强是指按特定的需要突出一幅图像中的某些信息，同时，消弱或去除某些不需要的信息的处理方法。

其主要目的是处理后的图像对某些特定的应用比原来的图像更加有效。

图像增强技术主要有直方图修改处理、图像平滑化处理、图像尖锐化处理和彩色处理技术等。

1、直方图均衡化通过点运算将输入图像转换为在每一级上都有相等像素点数的输出图像。

按照图像概率密度函数PDF 的定义：1,...,2,1,0 )(-==L k n n r p k k r通过转换公式获得：1,...,2,1,0 )()(00-====∑∑==L k n n r p r T s k j kj j j r k k2、均值（中值）滤波是指在图像上，对待处理的像素给定一个模板，该模板包括了其周围的临近像素。

将模板中的全体像素的均值（中值）来代替原来像素值的方法。

3、拉普拉斯算子如下：⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡--------111181111拉普拉斯算子首先将自身与周围的8个像素相减，表示自身与周围像素的差异，再将这个差异加上自身作为新像素的灰度。

三、实验步骤1打开计算机，启动MATLAB 程序；程序组中“work ”文件夹中应有待处理的图像文件；2调入待处理的数字图像，并进行计算机均衡化处理；3启动MATLAB 程序，对图像文件分别进行直方图均衡化、均值滤波、中值滤波和拉普拉斯锐化操作；添加噪声，重复上述过程观察处理结果。

图像增强操作实习报告

图像增强操作实习报告一、实习目的在熟悉数字图像增强的基本原理和方法基础上，在理论指导下，能运用Photoshop软件对图像进行有针对性的增强操作，对多种图像增强方法获得的结果图像进行比较和分析，进一步熟悉和掌握Photoshop软件操作技能，巩固所学理论知识。

二、实习内容应用Photoshop软件对图像作灰度拉伸、对比度增强、直方图均衡化、图像平滑、中值滤波、边缘增强、边缘检测、伪彩色增强、假彩色合成等处理。

三、实习步骤1.打开一幅灰度图像。

源图像：2.灰度拉伸。

（1）线性拉伸：线性拉伸:在“图像→调整→色阶”中，可以通过直接设置原图像灰度值的输人范围和所需的输出范围来简单的完成某—灰度段到另一灰度段的灰度调整映射变换。

（2）曲线拉伸：曲线拉伸：在“图像调整→曲线”中,在弹出的“曲线”对话框中，直接用鼠标拖动改变灰度输人、输出曲线的形状就可以完成任意线形的灰度变换。

3.对比度增强：对比度增强可以通过“图像→调整→亮度/对比度”来直接对原图侔的亮度成对比度进行调整，观察增强处理前后图像直方图的变化。

4.直方图均衡化：直方图均衡可调用“图像→调整→色调均化”菜单项，即可达到直方图均衡的效果。

5.图像平滑。

(1)图像的3x3均匀平滑可以在“滤镜→模糊→模糊”中实现,观察处理前后图像细节和边缘的变化；也可以调用“模糊”对话框中的“高斯模糊”来观察高斯平滑处理的结果，改变半径，观察图像的变化，(2)通过“滤镜→其他→自定”菜单项调出模板对话框,可以输人自定义的平滑算子或其他增强算子，改变模板的大小和缩放比例,观察处理的效果。

6.中值滤波：先使用“滤镜→杂色→添加杂色”菜单添加噪声，再使用“滤镜→杂色→中间值”中值滤波操作，设置滤波半径。

（1）使用“滤镜→风格化”的“查找边缘”，“等高线”，“照亮边缘”等可以提取图像的边缘，改变参数，提取图像的最佳边缘。

（2）使用“滤镜→其他→自定”，输入教材讲述的边缘检测算子,分析处理的效果，比较这些算子的特点。

光电图像处理实验报告(图像增强)

电子科技大学实验报告学生姓名： XXX学号： XXXXXXXXXX指导教师： XXX日期： 2010年3月25日一、实验室名称：光电楼327机房二、实验项目名称：图像增强三、实验原理：图像在生成、获取、传输等过程中，受照明光源性能、成像系统性能、通道带宽和噪声等因素的影响，造成对比度偏低、清晰度下降、并引入干扰噪声。

因此，图像增强的目的，就是改善图像质量，获得更适合于人眼观察、或者对后续计算机处理、分析过程更有利的图像。

图像增强是有选择地突出某些对人或计算机分析有意义的信息，抑制无用信息，提高图像的使用价值。

1、对数与指数变换提高对比度(1) 对数变换，低灰度区扩展，高灰度区压缩。

(2) 指数变换，高灰度区扩展，低灰度区压缩。

对合适的图像选择对数变换或者指数变换，均可提高图像对比度。

cb y x f a y x g ln ]1),(ln[),(++=1),(]),([-=-a y x f c b y x g2、中值滤波中值滤波法是把邻域内所有像素按灰度顺序排列，然后取中间值作为中心像素的输出。

中值滤波可以有效的去除椒盐噪声。

四、实验目的：1、熟练掌握各种灰度域变换的图像增强原理及方法；2、熟悉直方图均衡化和直方图规格化的原理及方法；3、了解空域滤波中常用的平滑和锐化滤波器；4、熟悉和掌握利用Matlab 工具进行图像的读、写、显示及基本的图像处理步骤；5、利用Matlab 工具进行图像增强处理。

五、实验内容：1、读取一幅低对比度图像，分别对其进行对数变换与指数变换。

进行变换前，应根据需要分别选取合适的指数和对数函数（即确定a、b、c 等调节因子），画出指数和变换曲线。

程序设计及处理过程中，要求在同一窗口中分别显示原始图像、变换结果及其直方图。

2、读取一幅含有椒盐噪声的被污染图像，并对其进行中值滤波处理。

要求在同一窗口中显示原始图像及中值滤波的结果。

（选作内容）六、实验器材（设备、元件）：计算机，Matlab软件七、实验步骤：1、对数与指数变换提高对比度⑴打开计算机，从计算机中选择一幅对比度较低的图像作为原始图像。

实验四图像增强

实验四-图像增强信息工程学院实验报告课程名称：数字图像处理班级：姓名：学号：一、实验目的1.了解图像增强的目的及意义，加深对图像增强的感性认识，巩固所学理论知识。

2. 掌握图像空域增强算法的基本原理。

3. 掌握图像空域增强的实际应用及MATLAB 实现。

4. 掌握频域滤波的概念及方法。

5. 熟练掌握频域空间的各类滤波器。

6.掌握怎样利用傅立叶变换进行频域滤波。

7. 掌握图像频域增强增强的实际应用及MATLAB 实现。

二、实验步骤及结果分析1. 基于幂次变换的图像增强程序代码：clear all ; close all ;I{1}=double(imread('fig534b.tif')); I{1}=I{1}/255;figure,subplot(2,4,1);imshow(I{1},[]);hold on I{2}=double(imread('room.tif')); I{2}=I{2}/255;subplot(2,4,5);imshow(I{2},[]);hold on for m=1:2 Index=0;for lemta=[0.5 5] Index=Index+1;F{m}{Index}=I{m}.^lemta;subplot(2,4,(m-1)*4+Index+1),imshow(F{m}{Index},[]) end end成绩：指导老师(签名)：执行结果：图1 幂次变换增强结果实验结果分析：由实验结果可知，当r<1时，黑色区域被扩展，变的清晰；当r>1时，黑色区域被压缩，变的几乎不可见。

2.直方图规定化处理程序代码：clear allclcclose all%0.读图像I=double(imread('lena.tiff'));subplot(2,4,1);imshow(I,[]);title('原图')N=32;Hist_image=hist(I(:),N);Hist_image=Hist_image/sum(Hist_image);Hist_image_cumulation=cumsum(Hist_image);%累计直方图subplot(245);stem(0:N-1,Hist_image);title('原直方图');%1.设计目标直方图Index=0:N-1;%正态分布直方图Hist{1}=exp(-(Index-N/2).^2/N);Hist{1}=Hist{1}/sum(Hist{1});Hist_cumulation{1}=cumsum(Hist{1});subplot(242);stem([0:N-1],Hist{1});title('规定化直方图1');%倒三角形状直方图Hist{2}=abs(2*N-1-2*Index);Hist{2}=Hist{2}/sum(Hist{2});Hist_cumulation{2}=cumsum(Hist{2});subplot(246);stem(0:N-1,Hist{2});title('规定化直方图2');%2. 规定化处理Project{1}=zeros(N);Project{2}=zeros(N);Hist_result{1}=zeros(N);Hist_result{2}=zeros(N);for m=1:2Image=I;%SML 处理(SML,Single Mapping Law 单映射规则 for k=1:NTemp=abs(Hist_image_cumulation(k)-Hist_cumulation{m});[Temp1,Project{m}(k)]=min(Temp); end%2.2 变换后直方图 for k=1:NTemp=find(Project{m}==k); if isempty(Temp) Hist_result{m}(k)=0; elseHist_result{m}(k)=sum(Hist_imag e(Temp)); end endsubplot(2,4,(m-1)*4+3); stem(0:N-1,Hist_result{m}); title(['变换后的直方图',num2str(m)]); %2.3结果图 Step=256/N; for K=1:NIndex=find(I>=Step*(k-1)&I<Step *k);Image(Index)=Project{m}(k); endsubplot(2,4,(m-1)*4+4),imshow(I mage,[]);title(['变换后的结果图',num2str(m)]); end执行结果：原图0.020.040.060.080.100.020.040.060.080.100.020.040.060.08规定化直方图220400.050.10.150.2变换后的直方图1变换后的结果图1020400.020.040.060.080.10.12变换后的直方图2变换后的结果图2图2 直方图规定化实验结果分析：由实验结果可知，采用直方图规定化技术后，原图的直方图逼近规定化的直方图，从而有相应的变换后的结果图1和变换后的结果图2。

数字图像(图像增强)实验报告

实验：图像增强1．实验目的（1）熟悉并学会使用MA TLAB中图像增强的相关函数（2）了解图像增强的办法、去噪的方法和效果。

2．实验主要仪器设备（1）微型计算机：Intel Pentium及更高。

（2）MATLAB软件（含图像处理工具箱）。

（3）典型的灰度、彩色图像文件。

3．实验原理（1）将一副图像视为一个二维矩阵，用MATLAB进行图像增强。

（2）利用MATLAB图像处理工具箱中的函数imread(读)、imshow(显示)、imnoise(加噪)、filter(滤波)对图像进行去噪处理。

（3）图像灰度修正：灰度变换。

对不满意的图像通过线性或非线性灰度映射关系进行变换，其效果可以得到明显提高。

通过分析，会发现变换前后图像的直方图也发生相应的变化。

（4）图像平滑方法：领域平均、中值滤波。

分析图像降质的性质，区分平稳性还是非平稳型、加性还是乘性等，采用合适的去噪方法，可以去除或降低噪声对图像的影响。

从频率域看，平均操作在降低噪声的同时衰减了图像的高频分量，会影响图像细节的重现。

中值滤波对某些信号具有不变形，适用于消除图像中的突发干扰，但如果图像含有丰富的细节，则不宜使用。

（5）图像锐化方法：人眼对目标的边缘和轮廓较为敏感，对图像进行锐化，有助于突出图像的这些特征。

从频率域看，锐化提升了图像的高频分量。

4．实验内容（1）图像灰度修正。

（2）图像平滑方法。

（3）图像锐化方法。

5．实验步骤（1）图像灰度修正。

读入一幅灰度级分布不协调的图像，分析其直方图。

根据直方图，设计灰度变换表达式，或调用imadjuct函数。

调整变换表达式的参数，直到显示图像的灰度级分布均衡为正。

（2）图像平滑方法。

对有噪声图像或人为加入噪声的图像进行平滑处理。

根据噪声的类型，选择不同的去噪方法，如领域平均、中值滤波等方法，调用filter2、medfilt2函数，选择不同的滤波模板和参数，观测和分析各种去噪方法对不同噪声图像处理的去噪或降噪效果。

图像平滑实验报告

图像平滑实验报告图像平滑实验报告一、引言图像平滑是数字图像处理中的一项重要任务，其目的是减少图像中的噪声，使图像更加清晰和易于分析。

在本实验中，我们将使用不同的平滑滤波器对一幅图像进行处理，并比较它们的效果。

二、实验方法1. 实验材料我们选择了一张包含噪声的测试图像作为实验材料，该图像包含了不同频率和强度的噪声。

2. 实验步骤（1）加载测试图像：我们使用Python的OpenCV库加载测试图像，并将其转换为灰度图像，以便于后续处理。

（2）添加噪声：为了模拟真实场景中的图像噪声，我们使用随机函数在图像中添加高斯噪声和椒盐噪声。

（3）平滑滤波器处理：我们选择了三种常用的平滑滤波器，包括均值滤波器、中值滤波器和高斯滤波器。

分别对添加噪声的图像进行处理，并记录处理后的图像。

（4）性能评估：使用图像质量评估指标，如均方误差（MSE）和峰值信噪比（PSNR），来评估不同滤波器的性能。

三、实验结果我们将实验结果分为以下几个部分进行讨论。

1. 均值滤波器均值滤波器是一种简单的平滑滤波器，它通过计算邻域像素的平均值来实现图像平滑。

在我们的实验中，我们选择了不同大小的邻域窗口进行均值滤波。

结果显示，随着邻域窗口大小的增加，噪声的减少效果也越明显。

然而，较大的窗口大小也会导致图像细节的模糊。

因此，在选择均值滤波器时，需要根据具体应用场景平衡噪声减少和图像细节保留之间的关系。

2. 中值滤波器中值滤波器是一种非线性平滑滤波器，它通过计算邻域像素的中值来实现图像平滑。

在我们的实验中，我们选择了不同大小的邻域窗口进行中值滤波。

结果显示，中值滤波器在去除椒盐噪声方面表现出色。

它能够有效地去除孤立的噪点，但对于较大的噪点区域效果不明显。

因此，中值滤波器在处理椒盐噪声图像时是一种有效的选择。

3. 高斯滤波器高斯滤波器是一种线性平滑滤波器，它通过对邻域像素进行加权平均来实现图像平滑。

在我们的实验中，我们选择了不同的滤波器尺寸和标准差。

实验四图像的平滑

实验四图像的平滑一.实验目的1、掌握常见的图像噪声种类；2、理解邻域平均法和中值滤波的原理、特点、适用对象；3、掌握边缘检测的基本思想和常见的边缘检测算子的使用方法；二.实验原理及内容图像平滑的目的是消除图像噪声、恢复原始图像。

实际中摄取的图像一般都含有某种噪声，引起噪声的原因很多，噪声的种类也很多。

总的说来，可以将噪声分为加性噪声和乘性噪声。

加性噪声中又包含高斯噪声、椒盐噪声等典型噪声。

Matlab图像处理工具箱提供了模拟噪声生成的函数imnoise，可以对图像添加一些典型的噪声。

imnoise格式：J=imnoise(I，type，parameters)；常见的去除噪声的方法有：邻域平均法、空间域低通滤波、频率域低通滤波、中值滤波等。

二维中值滤波的Matlab函数为medfilt2。

实验内容：1、对图像lena.tif叠加零均值高斯噪声，噪声方差为0.02，然后分别利用邻域平均法和中值滤波法（窗口尺寸可变（先用3×3，再取5×5逐渐增大）对该图像进行滤波，显示滤波后的图像。

2、对图像lena.tif叠加椒盐噪声,噪声方差为0.02，选择合适的滤波器将噪声滤除。

3、对图像lena.tif叠加乘性噪声,噪声方差为0.02，设计一种处理方法，既能去噪声又能保持边缘清晰。

三、实验报告要求1、给出对图像lena.tif叠加零均值高斯噪声，以及利用平均法和中值滤波法对该图像进行滤波的Matlab程序，显示叠加噪声前后的图像，显示滤波后的图像，比较滤波效果。

2、给出对图像lena.tif叠加椒盐噪声，以及对该图像进行滤波的Matlab程序，显示叠加噪声前后的图像，显示滤波后的图像，对结果进行分析。

3、给出对图像lena.tif叠加乘性噪声，以及对该图像进行滤波的Matlab程序，显示叠加噪声前后的图像，显示滤波后的图像，对结果进行分析。

4、比较中值滤波对含有不同噪声的图像的平滑效果，讨论中值滤波最适用于平滑哪种噪声？四、实验程序及框图实验框图实验程序1.叠加高斯噪声并滤波clear all %清空工作空间I=imread('lena.jpg'); %读入图像J=imnoise(I,'gaussian',0,0.02); %叠加高斯噪声h1=im2double(J); %转换成double型h2=fspecial('average');g1=filter2(h2,h1,'same'); %均值滤波g2=medfilt2(h1); %中值滤波subplot(2,2,1);imshow(I);xlabel('原图') %显示原图subplot(2,2,2);imshow(J);xlabel('添加高斯噪声') %显示叠加噪声图像subplot(2,2,3);imshow(g1);xlabel('均值滤波') %显示均值滤波图像subplot(2,2,4);imshow(g2);xlabel('中值滤波') %显示中值滤波图像2.叠加椒盐噪声并滤波clear all; %清空工作空间I=imread('lena.jpg'); %读入图像J=imnoise(I,'salt & pepper',0.02); %叠加椒盐噪声h1=im2double(J); %转换成double型h2=fspecial('average');g1=filter2(h2,h1,'same'); %均值滤波g2=medfilt2(h1); %中值滤波subplot(2,2,1);imshow(I);xlabel('原图像'); %显示原图subplot(2,2,2);imshow(J)xlabel('添加椒盐噪声图像'); %显示叠加噪声图像subplot(2,2,3);imshow(g1);xlabel('均值滤波'); %显示均值滤波图像subplot(2,2,4);imshow(g2);xlabel('中值滤波') %显示中值滤波图像3.叠加乘性噪声并滤波clear all; %清空工作空间I=imread('lena.jpg'); %读入图像J=imnoise(I,'speckle',0.02); %叠加乘性噪声h1=im2double(J); %转换成double型h2=fspecial('average');g1=filter2(h2,h1,'same'); %均值滤波g2=medfilt2(h1); %中值滤波subplot(2,2,1);imshow(I);xlabel('原图像') %显示原图subplot(2,2,2);imshow(J);xlabel('添加乘性噪声图像') %显示噪声图像subplot(2,2,3);imshow(g1);xlabel('均值滤波') %均值滤波subplot(2,2,4);imshow(g2);xlabel('中值滤波') %中值滤波4.比较中值滤波对各种噪声滤波效果，并说明中值滤波适合哪种噪声？答：中值滤波对椒盐噪声滤波效果最好，对乘性噪声滤波效果一般，对高斯噪声滤波效果最差。

医学成像与图像处理实验报告

医学成像与图像处理实验报告实验一空间域图像增强图像：Eimage-007.img1.1平滑处理：分别用5x5,7x7的平滑模板作平滑处理。

clear;fid = fopen('Eimage-007.img','rb');C=fread(fid,65536,'float64');fclose(fid);for i=1:256for j=1:256A(i,j)=C((i-1)*256+j);endend%A=A';h1=fspecial('average',5);%5x5平滑模板h2=fspecial('average',7);%7x7平滑模板A1=imfilter(A,h1);A2=imfilter(A,h2);figure(1)maxmax=max(max(A));minmin=min(min(A));subplot(221);imshow(A,[minmin,maxmax]);title('原始图像');maxmax=max(max(A1));minmin=min(min(A1));subplot(223);imshow(A1,[minmin,maxmax]);title('5x5平滑处理图像');maxmax=max(max(A2));minmin=min(min(A2));subplot(224);imshow(A2,[minmin,maxmax]);title('7x7平滑处理图像');实验结果：原始图像经过平滑处理后变得模糊，并且7x7平滑处理的图像比5x5平滑处理的图像更模糊。

这说明领域半径越大，模糊程度就越大。

1.2用罗伯特Robert梯度法提取图像边缘。

clear;fid = fopen('Eimage-007.img','rb');C=fread(fid,65536,'float64');fclose(fid);for i=1:256for j=1:256A(i,j)=C((i-1)*256+j);endend%A=A'grayPic=mat2gray(A);%图像矩阵的归一化操作[m,n]=size(grayPic);newGrayPic=grayPic;%为保留图像边缘的一个像素robertsNum=0;%经roberts算子计算得到的每个像素的值robertThreshold=0.1;%设定阈值for j=1:m-1 %进行边界提取for k=1:n-1robertsNum=abs(grayPic(j,k)-grayPic(j+1,k+1))+... abs(grayPic(j+1,k)-grayPic(j,k+1));if(robertsNum>robertThreshold)newGrayPic(j,k)=255;elsenewGrayPic(j,k)=0;endendendfigure(1)maxmax=max(max(A));minmin=min(min(A));subplot(121);imshow(A,[minmin,maxmax]);title('原始图像');maxmax=max(max(newGrayPic));minmin=min(min(newGrayPic));subplot(122);imshow(newGrayPic,[minmin,maxmax]);title('Robert算子处理后图像');实验结果：罗伯特Robert梯度法边缘检测，Roberts算子采用对角线方向相邻两像素之差近似的梯度幅值来检测边缘。

图像增强的实验报告

图像增强的实验报告图像增强的实验报告引言：图像增强是数字图像处理领域中的一项重要任务。

通过改善图像的质量和清晰度，图像增强可以使我们更好地观察和分析图像中的细节。

本实验旨在探索图像增强的不同方法，并评估它们在不同场景下的效果。

实验设计：为了比较不同的图像增强方法，我们选择了一组具有不同特征的图像作为实验对象。

这些图像包括自然风景、人像和低对比度图像。

我们将使用以下三种方法进行图像增强：直方图均衡化、自适应直方图均衡化和增强对比度自适应拉伸。

实验步骤：1. 直方图均衡化：直方图均衡化是一种常用的图像增强方法，它通过重新分布图像的像素值来增强对比度。

我们首先将图像转换为灰度图像，然后计算灰度直方图。

接下来，我们使用累积分布函数对直方图进行均衡化，使得图像中的像素值分布更加均匀。

最后，我们将均衡化后的图像转换回原始图像的颜色空间。

2. 自适应直方图均衡化：直方图均衡化在某些情况下可能会导致图像的局部细节丢失。

为了解决这个问题，我们使用自适应直方图均衡化方法。

在这种方法中，我们将图像分成许多小区域，并对每个区域的直方图进行均衡化。

通过这种方式，我们可以保留图像的局部特征，并增强整体对比度。

3. 增强对比度自适应拉伸：增强对比度自适应拉伸是一种简单而有效的图像增强方法。

它通过将图像的像素值映射到一个更大的范围来增强对比度。

我们首先计算图像的平均亮度和标准差，然后使用以下公式对图像进行拉伸：enhanced_pixel = (pixel - mean) * (max_stretch / std) + mean其中，pixel是原始图像中的像素值，mean是图像的平均亮度，std是图像的标准差，max_stretch是拉伸的最大范围。

实验结果：我们将三种图像增强方法应用于不同类型的图像，并进行了对比分析。

结果显示，直方图均衡化方法在某些情况下可以显著增强图像的对比度，特别是对于低对比度图像。

然而，它可能会导致图像的噪声增加和细节丢失。

实验一图像增强与平滑

实验一图像增强与平滑一、实验目的：1、熟悉MATLAB关于图像处理的相关指令。

2、学会对图像直方图的分析。

3、掌握各种灰度变换的图像增强方法，观察图像增强的效果，加深对灰度直方图的理解。

4、掌握图像平滑的基本原理和实现方法；5、了解图像增强与平滑的目的及意义，加深对图像增强与平滑的感性认识，巩固所学理论知识。

二、实验内容：1、绘制、分析图像直方图2、直方图均衡化处理3、利用多种灰度变换法对图像进行增强4、人为产生图像噪声并施加在图像中5、利用多种平滑技术去除图像噪声三、实验仪器PC一台，MATLAB软件。

四、实验要求：1. 写出（一）、（四）、（五）的MATLAB程序，并打印出运行结果2. 写出（二）中自己编写均衡化程序，并打印出运行结果3. 写出（三）自己寻找线性变换的最佳的变换关系式，并打印出运行结果4. 写出试题（六）、（七）、（八）的MATLAB程序，打印出运行结果，比较结果并用文字说明(一) 读入图像，并显示图像的直方图用到的函数：imread：读图像imshow：显示图像imhist(I，n)：显示图像直方图；I：输入的图像，n：灰度级，默认256 figure: 打开新的图像窗口subplot(m,n,k)：在同一幅图中绘制(m×n)幅图像的第k幅子图程序示例：I=imread('Miss.bmp');figure;subplot(121); imshow(I);subplot(122); imhist(I);(二)（均衡化）：对MISS图像进行均衡化处理，显示均衡化前后的图像和直方图，分别比较均衡化前后的图像和直方图的区别。

要求：自己编写均衡化程序用到的函数：histeq(I)：实现图像I的直方图均衡化程序示例：I=imread('Miss.bmp');figure;subplot(221);imshow(I);subplot(222);imhist(I);I1=histeq(I);subplot(223);imshow(I1);subplot(224);imhist(I1);(三)（灰度线性变换）：对MISS.bmp图像进行如下线性变换：将其小于30的灰度值不变，将30到150的灰度值拉伸到30至200，同时压缩150到255的灰度值到200至255。

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。

图像处理实验报告——图像增强-推荐下载

对图像进行平滑处理，可以处理高斯噪声，但是很带来图像的边缘细节模糊。

对于具有对称特性的算子，conv2和imfilter处理的图像效果是一样的，非对称的算子，处理的效果一般不样。

对图像进行锐化处理，会得到图像的边缘部分，变化小部分对应的灰度值较小。

10、总结及心得体会：总结：通过本次的图像增强实验了解了图像的最基本的像素级的操作，对图像的变换有了一定的了解，同时增加了自己对数字图像的了解。

心得体会：一些看起来很简单的图像处理，要自己编程进行实现比不是一件很简单的事，所以对于理论要多加以实践才能更好地掌握。

11、对本实验过程及方法、手段的改进意见：如果对现有的某些简单的函数进行限制使用，要求学生自己编写，可以很大程度的增强学生的编程能力。

报告评分：指导教师签字：图1 线性拉伸变换原图和结果图图2 线性拉伸变换灰度变换曲线）图像的非线性灰度变换（指数变换）图3 指数拉伸变换原图和结果图图4 对数拉伸变换灰度变换曲线）图像的非线性灰度变换（中值滤波）图5 中值滤波原图和结果图）光电图像的空域平滑处理像像像像像像像像像像像像图7 算子的3D图）光电图像的空域高通滤波图8 平滑处理原图、加噪图和结果图图9 算子的3D图）数字图像的线性灰度变换%拉伸到15到230clc,close all,clear all;remax=230;remin=15;y=imread('cloud_24bitgry.jpg');y=rgb2gray(y);subplot(1,2,1),imshow(y);y=double(y);title('原始图像');ymax=max(max(y));ymin=min(min(y));[a,b]=size(y);%灰度变换程序for m=1:a;for n=1:b;result_image(m,n)=(remax-remin)/(ymax-ymin)*(y(m,n)-ymin)+remin;endendresult_image=uint8(result_image);subplot(1,2,2),imshow(result_image); imwrite(result_image,'灰度线性变换.jpg','jpg');%保存图像title('灰度变换图像');o=[]for x=1:255;if x<ymin;k=remin;elseif x>ymax;k=remax;elsek=(remax-remin)/(ymax-ymin)*(x-ymin)+remin;endo=[o,k];end%画变换曲线图x=1:255;figure,plot(x,o);title('灰度变换曲线');xlabel('f(x,y)'),ylabel('g(x,y)');（2）图像的非线性灰度变换（指数变换）%灰度对数变换clc,close all,clear all;imb=1.56;ima=13;imc=0.05;y=imread('Einstein.jpg');y=rgb2gray(y);subplot(1,2,1),imshow(y);title('原始图像'); y=double(y);[a,b]=size(y);%对数变换程序for m=1:a;for n=1:b;result_image(m,n)=imb^(imc*(y(m,n)-ima))-1;endendsubplot(1,2,2),imshow(result_image,[]);titl e('变换图像');imwrite(uint8(result_image),'灰度对数变换. jpg','jpg');%保存图像u=[];for x=0:255;o=imb^(imc*(x-ima))-1;u=[u,o];endx=0:255;figure(),plot(x,u);title('对数变换曲线'); xlabel('f(x,y)'),ylabel('g(x,y)');（3）图像的非线性灰度变换（中值滤波）%灰度对数变换clc,close all,clear all;imb=1.56;ima=13;imc=0.05;y=imread('lowlight_spn24.jpg');y=rgb2gray(y);subplot(1,2,1),imshow(y);title('原始图像'); [a,b]=size(y);%中值滤波变换程序o=y;for m=2:a-1;for n=2:b-1;O=[y(m-1,n-1),y(m,n-1),y(m+1,n-1),y(m-1,n),y(m,n),y(m+1,n),y(m-1,n+1),y(m,n+1),y(m+1,n+1)];o(m,n)=median(O);endendsubplot(1,2,2),imshow(o);title('滤波图像');（4）光电图像的空域平滑处理%平滑去噪clc,close all,clear all;y=imread('Einstein.jpg');y=rgb2gray(y);subplot(2,2,1),imshow(y),title('原始图像'); y=imnoise(y,'gauss',0.002);%加噪声subplot(2,2,2),imshow(y);title('加噪图像'); y=double(y);h1=1/273*[1,4,7,4,7;4,16,26,16,4;7,26,41,26,7;4,16,26,16,4;1,4,7,4,1];M=conv2(y,h1);%卷积处理图像subplot(2,2,3),imshow(uint8(M));title('卷积去噪图像');M=imfilter(y,h1);subplot(2,2,4),imshow(uint8(M));title('函数去噪图像');x=-9:10;y=-9:10;h1=imresize(h1,4,'bilinear');[X,Y]=meshgrid(x,y);figure,surfc(X,Y,h1);（5）光电图像的空域高通滤波% 图像锐化程序clc,close all,clear all;y=imread('Einstein.jpg');y=rgb2gray(y);subplot(1,3,1),imshow(y),title('原始图像'); y=double(y);h1=[-1,0,1;-1,0,1;-1,0,1];sum(sum(h1))M=conv2(y,h1);%卷积处理图像subplot(1,3,2),imshow(uint8(M));title('卷积锐化图像');M=imfilter(y,h1);subplot(1,3,3),imshow(uint8(M));title('图像锐化图像');x=-5:6;y=-5:6;h1=imresize(h1,4,'bilinear');[X,Y]=meshgrid(x,y);figure,surfc(X,Y,h1);。