图像平滑实验报告
数字图像处理实验三图像滤波实验(模板运算)
实验三图像滤波实验（模板运算）一．实验目的：模板运算是空间域图象增强的方法，也叫模板卷积。
（1）平滑：平滑的目的是模糊和消除噪声。
平滑是用低通滤波器来完成，在空域中全是正值。
（2）锐化：锐化的目的是增强被模糊的细节。
锐化是用高通滤波器来完成，在空域中，接近原点处为正，在远离原点处为负。
二．实验内容：（1）利用线性空间滤波（均值滤波）对一幅图象进行平滑，验证模板尺寸和滤波参数对图象的模糊效果的影响。
（2）利用非线性空间滤波器（中值滤波）对一幅噪声图象（椒盐噪声）进行平滑去噪，同时检验两种滤波模板（分别使用一个5×5的线性邻域平均模板和一个非线性模板：3×3中值滤波器）对噪声的滤波效果。
（3）利用线性空间滤波器，对灰度图象分别利用二阶标准Laplacian算子和对角线Laplacian算子对其进行锐化操作，增强图像边缘，验证检测效果。
三．实验原理：1．用31×31均值滤波模板，并分别采用参数boundary_options默认值和‘replicate’对图像test_pattern进行平滑处理；用3×3，5×5，7×7均值滤波模板对图像lena平滑处理，观察不同参数、不同模板尺寸对滤波效果的影响。
1．线性空间滤波函数imfilter来实现线性空间滤波，语法为：g = imfilter(f, w, filtering_mode, boundary_options, size_options)其中，f是输入图像，w为滤波模板，g为滤波结果，filtering_mode用于指定在滤波过程中是使用相关运算(‘corr’)还是卷积运算(‘conv’)，相关就是按模板在图像上逐步移动运算的过程，卷积则是先将模板旋转180度，再在图像上逐步移动的过程，显然，若模板中心对称，则相关和卷积运算是相同操作，默认为相关运算；boundary_options用于处理边界充零问题，默认为赋零，若该参数为’replicate’表示输出图像边界通过复制原图像边界的值来扩展；size_options可以是’full’或’same’，默认为’same’，表示输出图像与输入图像的大小相同。
图片处理实训报告总结
图片处理实训报告总结
本次图片处理实训主要围绕图像采集、预处理、特征提取和图像分割等方面展开。
通过本次实训，我对图像处理的基本原理和常用技术有了更深入的了解，并且掌握了相关的工具和方法。
在图像采集方面，我们学习了如何使用相机或者手机进行图像的拍摄，以及如何处理不同光照和角度下的图像。
我们使用了不同的拍摄方式和参数设置，以获得更好的图像质量。
同时，我们还学习了如何使用图像处理软件对已有的图像进行采集和处理，包括调整亮度、对比度和色彩平衡等。
在图像预处理方面，我们学习了如何去除噪声和不必要的细节，以提高图像的质量。
我们使用了滤波器对图像进行平滑和锐化处理，同时还学习了如何使用图像算法对图像进行增强处理。
通过预处理，我们能够更好地凸显出图像的目标信息和特征。
在特征提取方面，我们学习了常用的特征提取方法，包括边缘检测、角点检测和纹理特征提取等。
我们使用了不同的算法和工具对图像进行特征提取，并利用提取到的特征进行目标检测和识别。
通过特征提取，我们能够更好地分析和理解图像中的信息内容。
最后，在图像分割方面，我们学习了如何将图像分割成不同的区域或者对象。
我们使用了不同的图像分割算法，包括阈值分割、边缘检测和聚类等方法。
通过图像分割，我们能够更好地提取出图像中的目标区域，为后续的图像处理和分析提供基础。
综上所述，本次图片处理实训使我对图像处理的原理和技术有了更深入的了解，并且通过实际操作和实验，掌握了相关的工具和方法。
这对我的专业发展和实际工作都具有重要的意义，我将更加努力地学习和实践，不断提升自己在图像处理领域的能力。
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。
图像平滑、边沿检测
边界处理
模板不允许移出边界，所以结果图象会比原图小
模版
原图
模板操作后的图
平化处理效果
原图
经过平滑处理后的图
•邻域平均法的思想是通过一点和邻域内像素点求平均来去除突 变的像素点，从而滤掉一定的噪声，其主要优点是算法简单，
计算速度快， 但其代价是会造成图像一定程度上的模糊。
•邻域平均法的平滑效果与所采用邻域的半径（模板大小）有关。
则 Med{0,0,3,4,7}=3 。此列若用平滑滤波，窗口也是取 5 ，那
么平滑滤波输出为（0+3+4+0+7）／5=2.8。
中值滤波
原图中间的6和周围的灰度相差很大，是一个噪声点。经 过3×1窗口(即水平3个象素取中间值)的中值滤波，得到 右边那幅图，可以看出，噪声点被去除了
原图
处理后的图
中值滤波的特点（1）
原图 经Box模板处理后 经Gauss模板处理后 经中值滤波处理后
从原图中看出左边区域灰度值低，右边区域灰度值高，中间有一条 明显的边界;应用平滑模板后，图象平滑了，但是也使边界模糊了。 应用中值滤波，就能很好地保持原来的边界。所以中值滤波的特点 是保护图象边缘的同时去除噪声。
中值滤波的特点（2）
图5-14 轮廓跟踪示例
5.3.2 轮廓提取 二值图像轮廓提取的算法非常简单， 就是掏空内部点： 如
果原图像中有一点为黑，且它的8个邻点都是黑色时，说明该点
是内部点， 将该点删除（置为白色像素值255）。对图像中所有
像素点执行该操作便可完成图像轮廓的提取。在此不对其作过
多说明。
数字图像处理（2）
•模板运算的数学涵义是一种卷积(或互相关)运算， 你不需要知道卷积的确切含义，只要有这么一个 概念就可以了。
图像平滑与锐化算法的研究与分析(完整版)
目录第一章绪论 (2)第二章图像处理简介 (3)2.1概述 (3)2.2基本方法 (3)2.3图像处理阶段 (4)第三章图像平滑 (5)3.1概述 (5)3.2 常用算法 (5)3.2.1空域低通滤波 (5)3.2.2 均值滤波器 (5)3.2.3中值滤波器 (6)3.2.4 频域低通滤波 (7)3.3实验结果 (8)第四章图像锐化 (10)4.1 概述 (10)4.2常用方法 (10)4.3实验结果 (11)结论 (13)参考文献： (14)图像平滑与锐化算法的研究与分析摘要：随着科学技术的迅猛发展，图像信息的处理技术在社会生活中的作用越来越突出。
图像处理技术已成为通信领域市场的热点之一。
在图像处理技术中图像的平滑和锐化是一种最常用也是最基础的图像处理技术。
图像平滑的目的是为了减少和消除图像中的噪声，以改善图像质量，有利于抽取对象特征进行分析。
常见的算法邻域平均法，加权平均法，中值滤波，掩膜平滑法等；图像锐化的目的主要是加强图像中的目标边界和图像的细节，以增强图像的质量。
常见的算法有微分算子方法，Sobel算子，空间高通滤波等。
正因为图像处理技术的火热应用，而平滑锐化是常用且最基础的技术。
本文就是在此背景下对图像锐化与平滑算法分析与实现进行研究和讨论。
关键字：图像处理；图像平滑；边缘检测；图像锐化第一章绪论图像是人类获取和交换信息的主要来源，特别是当前科技发达的时代，图像在很多领域占有举足轻重的地位：1）航天和航空图像的获取与应用，如JPL对月球、火星照片的处理。
以及飞机遥感和卫星遥感中获取的图像，现在世界各国都在利用陆地卫星所获取的图像进行资源调查（如森林调查、海洋泥沙和渔业调查、水资源调查等），灾害检测（如病虫害检测、水火检测、环境污染检测等），资源勘察（如石油勘查、矿产量探测、大型工程地理位置勘探分析等），农业规划（如土壤营养、水分和农作物生长、产量的估算等），城市规划（如地质结构、水源及环境分析等）。
图像平滑实验报告
实验2 图像平滑实验一、实验目的1．通过实验掌握图像去噪的基本方法；2．学会根据情况选用不同方法。
二、实验的硬件、软件平台硬件：计算机软件：操作系统：WINDOWS 2000应用软件：MATLAB三、实验内容及要求1．实验内容请在如下面方法中选择多个，完成图像去噪操作，并进行分析、比较。
（1）对静态场景的多幅图片取平均；（2）空间域模板卷积（不同模板、不同尺寸）；（3）频域低通滤波器（不同滤波器模型、不同截止频率）；（4）中值滤波方法。
2．实验要求（1）图片可根据需要选取；（2）对不同方法和同一方法的不同参数的实验结果进行分析和比较，如空间域卷积模板可有高斯型模板、矩形模板、三角形模板和自己根据需求设计的模板等；模板大小可以是3×3，5×5，7×7或更大。
频域滤波可采用矩形或巴特沃斯等低通滤波器模型，截止频率也是可选的。
（3）分析比较不同方法的结果。
四．实验内容1.图片的均值化处理程序：A1=imread('lenna_noise1.bmp');A2=imread('lenna_noise2.bmp');A3=imread('lenna_noise3.bmp');A4=imread('lenna_noise4.bmp');A5=imread('lenna_noise5.bmp');A6=imread('lenna_noise6.bmp');A7=imread('lenna_noise7.bmp');A8=imread('lenna_noise8.bmp'); b1=double(A1/255);b2=double(A2/255);b3=double(A3/255);b4=double(A4/255);b5=double(A5/255);b6=double(A6/255);b7=double(A7/255);b8=double(A8/255);c=(b1+b2+b3+b4+b5+b6+b7+b8)/8; subplot(3,3,1);imshow(A1);title('1');subplot(3,3,2);imshow(A2);title('2');subplot(3,3,3);imshow(A3);title('3');subplot(3,3,4);imshow(A4);title('14');subplot(3,3,5);imshow(A5);title('5');subplot(3,3,1);imshow(A1);title('1');subplot(3,3,6);imshow(A6);title('6');subplot(3,3,7);imshow(A7);title('7');subplot(3,3,8);imshow(A8);title('8');subplot(3,3,9);title('9');分析：由于每张图片的噪点的分布是不一样的，所以将每张图片的值相加，再求平均值，这样噪点就会相互抵消，使得最后的图片稍微清晰。
实验5、利用DSP实现图像的平滑G
实验五利用DSP实现图像的平滑一、实验目的实验一“DSP图像采集与传输”工程已经给出了完整的图像采集与显示程序，介绍了将模拟图像采集为数字图像并进行显示的方法，以及DSP系统各硬件资源和功能模块的作用。
本实验重点是利用DSP C语言实现图像的高斯模板图像平滑处理，将通过该实验，掌握利用DSP进行高斯模板图像平滑处理的方法，掌握TMS320C6000 I2C函数库的使用和编程。
1．了解图像平滑处理算法的基本原理。
2. 掌握DM642片上外设I2C接口的原理、编程和使用。
3. 掌握利用DM642实现图像高斯模板图像平滑处理的方法二、实验原理图像平滑是指用于突出图像的宽大区域、低频成分、主干部分或抑制图像噪声和干扰高频成分，使图像亮度平缓渐变，减小突变梯度，改善图像质量的图像处理方法。
图像平滑的方法包括插值、线性平滑和卷积法等。
这样的处理方法根据图像噪声的不同进行平滑，比如椒盐噪声，就采用线性平滑方法。
图像平滑的目的主要是为了减少图像的噪声。
大部分噪声都是随机的，如由敏感元件、传输通道、量化器等引起的噪声。
可以利用邻域平均的方法来判断每一点是否含有噪声，并用适当的方法来消除噪声，这种方法是一种空间域的图像平滑方法。
常见的平滑方法有模板法和均值法。
模板法的思想是通过一个点和它周围的几个点的某种运算（通常是平均运算）来消除突然变化的点，从而滤掉一定的噪声。
但是图像却会有一定程度的模糊。
均值平滑是将原图像的每一个像素都用其相邻的nxn（一般用3x3）个像素的灰度值的平均值来代替。
其掩模平滑矩阵为：平均模板虽然考虑了邻域点的作用，但并没有考虑各点位置的影响，对于所有的9个点都一视同仁，所以平滑的效果并不理想。
实际上我们可以想象，离某点越近的点对该点的影响应该越大，为此，我们引入了加权系数，将原来的模板改造成。
可以看出，距离越近的点，加权系数越大。
新的模板其实也是一个常用的平滑模板，称为高斯(Gauss)模板，因为这个模板是通过采样2维高斯函数得到的。
四点平滑、八点平滑、中值滤波、直方图均匀化、线性变换
数字图像上机报告一、实验内容：四点平滑、八点平滑、中值滤波、直方图均匀化、线性变换二、实验目的：1、四点平滑、八点平滑：去除高斯噪声，使图像平滑，缺点是会使图像模糊，模糊程度与领域半径成正比丢失边沿。
2、中值滤波：去除图像中的椒盐噪声，平滑图像，同样会使图像模糊，丢失边缘。
三、编程思想：1、四点平滑：f(i, j) ——表示(i, j)点的实际灰度值g(i, j) ——变换后输出图象(i, j)点的实际灰度值以(i, j)点为中心取其上下左右四个像素点的灰度值和点（i, j）取平均，将均值赋给g(i, j)作为输出灰度值。
2、八点平滑：f(i, j) ——表示(i, j)点的实际灰度值g(i, j) ——变换后输出图象(i, j)点的实际灰度值以(i, j)点为中心取一个N×N的窗口(N = 3,5,7,…八点滤波时N=3)，窗口内象素组成的点集以A来表示，经邻域平均法滤波后，平滑后g(i, j)的值为九个像素点的灰度值值和。
3、中值滤波：取以(i, j)点为中心取一个N×N的窗口(N = 3,5,7,…)，对窗口内的所有像素点的像素值进行排序，去中值作为该点的输出灰度值。
取合理的邻近像素值来替代噪声点，所以只适合于椒盐噪声的去除（去椒盐噪声比超限像素平均分更有效），不适合高斯噪声的去除。
在滤除随机噪声时，中值滤波要比均值滤波效果弱。
四、代码及实现效果1、四点平滑：代码：clearclose allh=imread('che.jpg'); %读入彩色图片c=rgb2gray(h); %把彩色图片转化成灰度图片，256级figure,imshow(c),title('原始图象'); %显示原始图象g=imnoise(c,'gaussian',0.01,0.002); %加入高斯噪声figure,imshow(g),title('加入高斯噪声之后的图象');p=size(g); %输入图像是p×q的,且p>n,q>nx1=double(g);x2=x1;for i=2:p(1)-2for j=2:p(2)-2%c=x1(i:i+(n-1),j:j+(n-1)).*a; %取出x1中从(i,j)开始的n行n列元素与模板相乘s=x1(i,j)+x1(i-1,j)+x1(i+1,j)+x1(i,j+1)+x1(i,j-1); %求c矩阵(即模板)中各元素之和x2(i,j)=s/5; %将模板各元素的均值赋给模板中心位置的元素endend%未被赋值的元素取原值d=uint8(x2);figure,imshow(d),title('滤波后');2、八点平滑：代码：clearclose allh=imread('che.jpg'); %读入彩色图片c=rgb2gray(h); %把彩色图片转化成灰度图片，256级figure,imshow(c),title('原始图象'); %显示原始图象g=imnoise(c,'gaussian',0.01,0.002); %加入高斯噪声figure,imshow(g),title('加入高斯噪声之后的图象');n=input('请输入均值滤波器模板大小\n');a(1:n,1:n)=1; %a即n×n模板,元素全是1p=size(g); %输入图像是p×q的,且p>n,q>nx1=double(g);x2=x1;for i=1:p(1)-n+1for j=1:p(2)-n+1c=x1(i:i+(n-1),j:j+(n-1)).*a; %取出x1中从(i,j)开始的n行n列元素与模板相乘s=sum(sum(c)); %求c矩阵(即模板)中各元素之和x2(i+(n-1)/2,j+(n-1)/2)=s/(n*n);%将模板各元素的均值赋给模板中心位置的元素endendd=uint8(x2);figure,imshow(d),title('滤波后');3、中值滤波代码：clearclose allh=imread('che.jpg'); %读入彩色图片c=rgb2gray(h); %把彩色图片转化成灰度图片，256级figure,imshow(c),title('原始图象'); %显示原始图象g=imnoise(c,'salt & pepper',0.04);%加椒盐噪声figure,imshow(g),title('加入高斯噪声之后的图象');n=input('请输入均值滤波器模板大小\n');a(1:n,1:n)=1; %a即n×n模板,元素全是1p=size(g); %输入图像是p×q的,且p>n,q>nx1=double(g);x2=x1;for i=1:p(1)-n+1for j=1:p(2)-n+1c=x1(i:i+(n-1),j:j+(n-1));%取出x1中从(i,j)开始的n行n列元素,即模板(n ×n的)e=c(1,:); %是c矩阵的第一行for u=2:ne=[e,c(u,:)]; %将c矩阵变为一个行矩阵endmm=median(e); %mm是中值x2(i+(n-1)/2,j+(n-1)/2)=mm; %将模板各元素的中值赋给模板中心位置的元素endendd=uint8(x2);figure,imshow(d),title('滤波后');4、直方图均匀化代码：c lear all;a=imread('D:/lina.jpg');[m,n]=size(a);b=zeros(1,256);for i=1:mfor j=1:nk=a(i,j)+1; %k可能为0，矩阵从一开始，故此处加一，0~255变1~256 b(k)=b(k)+1; %循环计算每级灰度出现次数endendb=b/(m*n); %概率figure,bar(0:255,b,'y') % 直方图title('原图像直方图')xlabel('灰度值')ylabel('出现概率')c=zeros(1,256);for i=1:256for j=1:ic(i)=b(j)+c(i);endendd=round((c*256)+0.5); % 归到相近级的灰度for i=1:256e(i)=sum(b(find(d==i))); % 计算现有每个灰度级出现的概率end，find函数返回d中所有为i的横坐标索引值figure,bar(0:255,e,'b')title('均衡化后的直方图')xlabel('灰度值')ylabel('出现概率')将图像界面放大竟出现了颜色黄色和蓝色。
关于图形图像处理实训报告总结【九篇】
关于图形图像处理实训报告总结【九篇】实训报告总结：图形图像处理实训图形图像处理实训是计算机科学与技术专业的基础课程之一。
通过本次实训课程，我深入了解了图形图像处理的基本概念、方法和技术，并通过实际操作来提升了自己的实践能力。
下面是对本次实训的九篇报告总结：1. 实验一：图像读取与显示本次实验主要是学习如何读取和显示图像，以及使用Matplotlib库进行图像展示。
通过实验，我掌握了图像读取和显示的基本方法，并学会了基本的图像处理操作。
2. 实验二：图像的灰度变换实验二主要是学习图像的灰度变换，包括线性变换和非线性变换。
我学会了如何使用不同的灰度变换函数来调整图像的亮度和对比度，进一步提升图像的质量。
3. 实验三：图像的空间域滤波本次实验主要是学习图像的空间域滤波技术，包括均值滤波、中值滤波和高斯滤波等。
通过实验，我掌握了不同滤波方法的原理和实现方式，并学会了如何选择合适的滤波方法来降噪和模糊图像。
4. 实验四：图像的频域滤波实验四主要是学习图像的频域滤波技术，包括傅里叶变换和频域滤波等。
通过实验，我了解了傅里叶变换的原理和应用，并学会了如何使用频域滤波来实现图像的锐化和平滑。
5. 实验五：图像的形态学处理本次实验主要是学习图像的形态学处理技术，包括腐蚀、膨胀、开运算和闭运算等。
通过实验，我学会了如何使用形态学操作来改变图像的形状和结构，进一步改善图像的质量。
6. 实验六：图像的边缘检测实验六主要是学习图像的边缘检测技术，包括Sobel算子、Laplacian算子和Canny算子等。
通过实验，我了解了不同边缘检测方法的原理和应用，并学会了如何使用边缘检测来提取图像的轮廓和特征。
7. 实验七：图像的分割与聚类本次实验主要是学习图像的分割与聚类技术，包括阈值分割、区域生长和K均值聚类等。
通过实验，我掌握了不同分割与聚类方法的原理和应用，并学会了如何使用分割与聚类来识别和分析图像中的目标和区域。
8. 实验八：图像的特征提取与描述子实验八主要是学习图像的特征提取和描述子技术，包括尺度不变特征变换（SIFT）和方向梯度直方图（HOG）等。
图像平滑、边沿检测
边界处理
模板不允许移出边界， 模板不允许移出边界，所以结果图象会比原图小
模版
原图 模板操作后的图
平化处理效果
原图
经过平滑处理后的图
•邻域平均法的思想是通过一点和邻域内像素点求平均来去除突 变的像素点，从而滤掉一定的噪声，其主要优点是算法简单， 计算速度快， 但其代价是会造成图像一定程度上的模糊。 •邻域平均法的平滑效果与所采用邻域的半径（模板大小）有关。 半径愈大， 则图像的模糊程度越大。 •为解决邻域平均法造成图像模糊的问题，可采用阈值法、K邻 点平均法、梯度倒数加权平滑法、 最大均匀性平滑法、小斜面 模型平滑法等。它们讨论的重点都在于如何选择邻域的大小、 形状和方向，如何选择参加平均的点数以及邻域各点的权重系 数等。
中值滤波
原图中间的6和周围的灰度相差很大，是一个噪声点。经 过3×1窗口(即水平3个象素取中间值)的中值滤波，得到 右边那幅图，可以看出，噪声点被去除了
原图
处理后的图
中值滤波的特点（1）
原图 经Box模板处理后 经Gauss模板处理后 经中值滤波处理后
从原图中看出左边区域灰度值低，右边区域灰度值高，中间有一条 明显的边界;应用平滑模板后，图象平滑了，但是也使边界模糊了。 应用中值滤波，就能很好地保持原来的边界。所以中值滤波的特点 是保护图象边缘的同时去除噪声。
普通Sobel算子 算子 普通
各向同性Sobel算子 算子 各向同性
拉普拉斯算子
由于噪声点对边沿检测有一定的影响，所以效果更好的边 沿检测器是高斯拉普拉斯(LOG)算子。 它把高斯平滑滤波器和拉普拉斯锐化滤波器结合了起来， 先平滑掉噪声，再进行边沿检测，所以效果会更好。
拉普拉斯模板
拉普拉斯模板
中值滤波的特点（2）
图像平滑实验报告
图像平滑实验报告摘要本实验旨在研究图像平滑技术，通过对比不同图像平滑方法的效果，评估其在图像处理中的应用价值。
我们使用了基于邻域平均和高斯滤波器的两种常见图像平滑方法，并通过实验验证它们的效果。
引言图像平滑是图像处理的一项重要技术，它能够去除图像中的噪声和细节，使图像更加平滑和清晰。
在许多应用中，如模式识别、计算机视觉和医学图像处理等领域，图像平滑都扮演着关键的角色。
本实验将尝试两种常见的图像平滑方法，并比较它们的效果。
实验步骤步骤一：图像获取和预处理我们选择了一张分辨率为1024x768的彩色图像作为实验对象。
首先，我们从图像库中选择了一张自然风景图像，并将其载入到实验环境中。
然后，我们对图像进行了预处理，包括调整亮度、对比度和色彩平衡等操作，以确保实验的准确性和可重复性。
步骤二：邻域平均法邻域平均法是一种基于像素邻域的图像平滑方法。
我们选择了一个固定大小的邻域窗口，并将该窗口在图像上滑动，对每个像素的邻域进行平均操作，以获得平滑后的图像。
具体步骤如下：1.定义邻域窗口大小为3x3。
2.从图像的左上角开始，将邻域窗口中的像素进行平均操作，并将结果作为中心像素的新值。
3.将窗口向右滑动一个像素，并重复步骤2，直到处理完整个图像。
4.将窗口向下滑动一个像素，并重复步骤2和步骤3，直到处理完整个图像。
步骤三：高斯滤波器法高斯滤波器是一种基于高斯函数的图像平滑方法。
它通过对图像进行卷积操作，将每个像素的值替换为其周围像素的加权平均值。
具体步骤如下：1.定义高斯滤波器矩阵。
我们选择一个3x3的高斯滤波器，其中矩阵中心的权重最大，边缘处的权重最小。
2.将滤波器矩阵与图像进行卷积操作，得到平滑后的图像。
卷积操作可以使用矩阵乘法和加权平均值计算来实现。
3.重复步骤2，直到处理完整个图像。
实验结果与分析邻域平均法结果经过邻域平均法处理后，图像的细节和噪声得到了一定程度的平滑。
然而，图像的整体清晰度和细节丰富度也有所下降。
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
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。
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。
Matlab图像处理图像平滑与滤波
实验三、图像平滑与滤波一、实验题目：图像平滑与滤波二、实验目的：在熟悉图像平滑的基本原理和方法的基础上，在理论指导下，能在MATLAB 环境下对图像进行平滑处理。
本实验要求用线性平滑滤波、中值平滑滤波、频域低通滤波的方法进行程序设计。
经过平滑处理，对结果图像加以比较，得出自己的实验结论。
三、实验内容：（1）利用MATLAB为用户提供的专门函数实现均值滤波。
（2）利用MATLAB为用户提供的专门函数实现中值滤波。
（3）编写频域理想低通、巴特沃斯低通及高斯低通滤波函数。
四、预备知识：（1）熟悉平滑滤波原理。
（2）熟悉频域滤波原理。
（3）熟悉在MATLAB环境下对图像文件的I/O操作。
五、实验原理：平滑滤波技术用于平滑图像中的噪声。
平滑噪声可以在空间域中进行，基本方法是求像素灰度的平均值或中值。
也可以在频域中用基于傅立叶的分析方法进行。
这里对常用滤波函数进行简要介绍。
（1）噪声产生函数：imnoise图像平滑主要是针对图像的各种噪声而言的，因此需要模拟数字图像的各种噪声来分析滤波效果。
MATLAB的图像处理工具箱提供了imnoise函数，可以用该函数给图像添加不同种类噪声，其调用格式为：J = imnoise(I, ’type’, parameters)I是输入图像，J是对I添加噪声后的输出图像。
表5.1列出了imnoise函数能够产生的五种噪声及其对应参数。
表5.1 噪声种类及参数说明TYPE PARAMETERS 说明gaussian m,v 均值为m，方差为v的高斯噪声。
默认值m=0，v=0.01localvar v 均值为0，方差为v的高斯白噪声passion 无泊松噪声salt & pepper d 噪声强度为d的椒盐噪声。
默认值为0.05 speckle v 均值为0，方差为v的均匀分布随机噪声例1.5.1给图像加上椒盐噪声，可以使用下列语句。
>> I=imread('ckt-board.tif');>> J=imnoise(I,'salt & pepper',0.2);%给图像加入椒盐噪声>> subplot(1,2,1);imshow(I);title('原始图像');>> subplot(1,2,2);imshow(J);title('加入椒盐噪声的图像');其显示结果如图1.5.1所示。
数字图像处理实验报告
本实验采用均值滤波。
二、图象锐化
图像平滑往往使图像中的边界、轮廓变的模糊，为了减少这类不利效果的影响，这就需要利用图像鋭化技术，使图像的边缘变的清晰。图像銳化处理的目的是为了使图像的边缘、轮廓线以及图像的细节变的清晰，经过平滑的图像变得模糊的根本原因是因为图像受到了平均或积分运算，因此可以对其进行逆运算（如微分运算）就可以使图像变的清晰。从频率域来考虑，图像模糊的实质是因为其高频分量被衰减，因此可以用高通滤波器来使图像清晰。
式中f，g分别为锐化前后的图像。 表示对图像f进行二次微分的拉普拉斯算子。
四．响应函数代码及处理效果
1
void CTest1View::OnPinghua()
{
//功能：实现平滑图像
//判断图像是否打开，没打开，则弹出提示框并退出函数
if(!m_dib.m_bLoaded)
{
AfxMessageBox("图像还打开，请先打开图像！");
三
1、图像平滑
在空域中，图像平滑的常用方法是采用均值滤波或中值滤波。
对于均值滤波，它是用一个有奇数点的滑动窗口在图像上滑动，将窗口中心点对应的图像像素点的灰度值用窗口内的各个点的灰度值的平均值代替，如果滑动窗口规定了在取均值过程中窗口各个像素点所占的权重，也就是各个像素点的系数，这时候就称为加权均值滤波；
int masterplate[9]={0,1,0,
- 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)。
南华大学
计算机科学与技术学院实验报告
（2011 ~2012 学年度第 2 学期）
实验名称图像平滑实验
姓名冯灿斌学号20094440115
专业计算机班级计091班
地点8-209 教师肖建田
一.实验目的
了解各种平滑处理技术的特点和用途，掌握平滑技术的仿真与实现方法。
学会用Matlab中的函数对输入图像进行5⨯5区域的邻域平均法和5⨯5中值滤波法的计算，感受不同平滑处理方法对最终图像效果的影响。
二．实验内容
1．仔细阅读Matlab帮助文件中有关以上函数的使用说明，主要有nlfilter、mean2、std2、fspecial、filter2、medfilt2、imnoise等函数。
2．用nlfilter对test3_1.jpg图像文件进行5⨯5邻域平均和计算邻域标准差。
显示邻域平均处理后的结果，以及邻域标准差图像。
3．在test3_1.jpg图像中用imnoise添加均值为0，方差为0.02的高斯噪声，对噪声污染后的图像用nlfilter进行5⨯5邻域平均，并显示处理后的结果。
4．用fspecial函数生成一5⨯5邻域平均窗函数，再用filter2函数对test3_2.jpg 图像求邻域平均，并比较与用nlfilter 函数求邻域平均的速度。
5．用medfilt2函数对test3_2.jpg图像进行中值滤波，并显示处理结果。
6．编写中值滤波程序（函数），对test3_2.jpg图像进行中值滤波，并显示处理结果。
三．实验结果与分析
1. 对图像进行邻域平均和邻域标准差计算的结果
原图像邻域平均处理
邻域标准差处理
从图中可以看出，经过邻域平均后，导致图像边缘位置改变和图像的细节模糊甚至丢失，但还是大体保持图像的清晰度。
经过邻域标准差计算后，图像中的边缘轮廓都能很清晰的表现出来。
2，对图像加入噪声后和滤除噪声后的结果示意图
原图像加入高斯噪声
邻域平均去噪声
同样如上所述，该方法实现简单，且滤波效果较好，但存在以上所述的问题。
3.用平均窗函数对图像进行邻域滤波
原图像滤波后图像用此种方法做邻域平均的速度很快，是上诉所显示方法的几倍，滤除效果差不多一致。
4.直接用medfilt2函数对图像进行中值滤波
原图像滤波后图像
如图所示，对于椒盐噪声，中值滤波效果要比均值滤波效果好，原因：（1）椒盐噪声是幅值近似相等但随机分布在不同的位置上，图像中有干净点也有污染点
（2）中值滤波是选择适当的点来代替污染点的值，所以处理效果较好（3）因为噪声的均值不为0，所以均值滤波不能很好的去滤除噪声点
5.编写中值滤波函数，对图像进行滤波
原图像 滤波后图像
四．实验结论
平滑技术用于平滑图像的噪声，平滑噪声可以在空间域中进行，基本方法是求像素灰度的平均值或中值。
但是这些很容易引起边缘的模糊，常用的有均值滤波、中值滤波，在使用时，针对不同的噪声，也需要不同的滤波法，没有哪种方法是绝对好，必须具体情况具体分析。