数字图像处理邻域平均法滤波实验报告matlab实现

合集下载

数字图像处理实验报告

数字图像处理实验报告

数字图像处理实验报告数字图像处理实验报告161420230 蔡讴实验一1.获取实验用图像:rice.jpg. 使用imread函数将图像读入Matlab。

a=imread('D\:rice.png');figure;title(‘原图’);axis on;imshow(a);2.产生灰度变换函数T1,使得:0.3r r < 0.35s = 0.105 + 2.6333(r –0.35) 0.35 ≤r ≤0.651 + 0.3(r – 1) r > 0.65用T1对原图像rice.jpg进行处理,使用imwrite函数保存处理后的新图像。

a=double(a)/256;figure,imhist(a),title('原直方图');axis on;r=[0:0.001:1];s1=[r<0.35].*r*0.3+[r<=0.65].*[r>=0.35].*(0.105+2.6333*(r-0.35))+[ r>0.65].*(1+0.3*(r-1));a1=[a<0.35].*a*0.3+[a<=0.65].*[a>=0.35].*(0.105+2.6333*(a -0.35)) +[a>0.65].*(1+0.3*(a-1));figure,imshow(a1),title('改后一');axis on;figure,imhist(a1),title('改后直方图一');axis on;imwrite(a1,'改后rice一.jpg');3.产生灰度变换函数T2,使得:s =用T2对原图像rice.jpg 进行处理,使用imwrite 保存处理后的新图像。

r2=[0:0.001:1];t2=[r2<=0.5].*(15.9744*r2.^5)+[r2>0.5].*((r2-0.5).^0.2+0.12); subplot(2,3,5); plot(r2,t2,'r'); title('更改后直方图');subplot(2,3,4); imshow(a); title('更改后');A3=[a<=0.5].*(15.9744*a.^5)+[a>0.5].*((a-0.5).^0.2+0.12); subplot(2,3,6); imshow(A3); title('更改后');imwrite(A3,'更改_3.jpg','jpg');15.9744r 5 r ≤ 0.5 (r – 0.5)0.2+ 0.12 r > 0.54.分别用s = r0.6; s = r0.4; s = r0.3对kids.tiff图像进行处理。

数字图像处理matlab版实验报告

数字图像处理matlab版实验报告

数字图像处理实验报告(matlab版)一.实验目的:熟悉数字图像处理中各种椒盐噪声的实质,明确各种滤波算法的的原理。

进一步熟悉matlab的编程环境,熟悉各种滤波算法对应的matlab函数。

实验结果给以数字图像处理课程各种算法处理效果一个更直观的印象。

二.实验原理:1.IPT(图像处理工具箱)基本函数介绍1. imread函数该函数用于从图形文件中读出图像。

格式A=IMRAED(FILENAME,FMT)。

该函数把FILENAME 中的图像读到A中。

若文件包含一个灰度图,则为二维矩阵。

若文件包含一个真彩图(RGB),则A为一三维矩阵。

FILENAME指明文件,FMT指明文件格式。

格式[X,MAP]=IMREAD(FILENAME,FMT).把FILENAME中的索引图读入X,其相应的调色板读到MAP中.图像文件中的调色板会被自动在范围[0,1]内重新调节。

FMT的可能取值为jpg 或jpeg,tif或tiff,bmp,png,hdf,pcx,xwd。

2.imwrite函数该函数用于把图像写入图形文件中。

格式IMWRITE(A,FILENAME,FMT)把图像A写入文件FILENAME中。

FILENAME指明文件名, FMT指明文件格式。

A既可以是一个灰度图,也可以是一个真彩图像。

格式IMWRITE(X,MAP,FILENAME,FMT)把索引图及其调色板写入FILENAME中。

MAP必须为合法的MATLAB调色板,大多数图像格式不支持多于256色的调色板。

FMT的可能取值为tif或tiff,jpg或jpeg,bmp,png,hdf,pcx,xwd。

3. imshow函数显示图像。

格式IMSHOW(I,N).用N级离散灰度级显示灰度图象I。

若省略N,默认用256级灰度显示24位图像,64级灰度显示其他系统。

格式IMSHOW(I,[LOW HIGH]),把I 作为灰度图显示。

LOW值指定为黑色,HIGH指定为白色,中间为按比例分布的灰色。

数字图像处理实验报告-基于Matlab

数字图像处理实验报告-基于Matlab

华东师范大学电子工程系2017.6实验1:图像灰度级修正【实验目的】掌握常用的图像灰度级修正方法(灰度变换法和直方图均衡化),加深对直方图的理解。

观察图像的增强效果,对灰度级修正前后的图像加以比较。

【实验内容】1)编程实现图像的灰度变换,改变图像的输入、输出映射参数范围(线性拉伸和反比);2)修改参数gamma值(大于、小于、等于1),观察处理结果;3)对图像直方图作均衡化处理,显示均衡前后的图像及其直方图。

【实验代码】original=imread('lena.bmp');linstr=imadjust(original,[0.3 0.7],[0 1]); %线性拉伸opposite=imadjust(original,[0 1],[1 0]); %反比above=imadjust(original,[0 1],[0 1],2); %gamma>1equal=imadjust(original,[0 1],[0 1],1); %gamma=1below=imadjust(original,[0 1],[0 1],0.5); %gamma<1subplot(3,3,1);imshow(original);title('原图像');subplot(3,3,2);imshow(linstr);title('线性拉伸');subplot(3,3,3);imshow(opposite);title('反比');subplot(3,3,4);imshow(above);title('gamma>1');subplot(3,3,5);imshow(equal);title('gamma=1');subplot(3,3,6);imshow(below);title('gamma<1');subplot(3,3,7);imhist(original);title('原图像直方图'); histequal=histeq(original);%对图像均衡化subplot(3,3,8);imshow(histequal);title('均衡后的图像'); subplot(3,3,9);imhist(histequal);title('均衡图像的直方图'); axis([0 256 0 2000]);【输出图像】【实验思考】根据以下图片以及实验结果可知gamma>1时图像整体变暗,灰度级整体变小;gamma<1时图像整体变亮,灰度级整体变小;而gamma=1时,图像维持不变。

数字图像处理实验报告(邻域平均法和中值滤波法)

数字图像处理实验报告(邻域平均法和中值滤波法)

数字图像处理实验报告(邻域平均法和中值滤波法)数字图像处理实验报告班级:姓名:学号:日期:邻域平均法和中值滤波处理一、实验目的图像变换是数字图像处理中的一种综合变换,如直方图变换、几何变换等。

通过本实验,使得学生掌握两种变换的程序实现方法。

二、实验任务请设计程序,分别用邻域平均法,其模板为:和中值滤波法对testnoise 图像进行去噪处理(中值滤波的模板的大小也设为3X 3)。

三、实验环境本实验在Windows 平台上进行,对内存及cpu 主频无特别要求,使用VC或者MINGW (gcc)编译器均可。

四、设计思路介绍代码的框架结构、所用的数据结构、各个类的介绍(类的功能、类中方法的功能、类的成员变量的作用)、各方法间的关系写。

在此不进行赘述。

五、具体实现实现设计思路中定义的所有的数据类型,对每个操作给出实际算法。

对主程序和其他模块也都需要写出实际算法。

代码:<邻域平均法>(3*3)#include#include#include#include "hdr.h" /* ------ 定义结构指针--- */struct bmphdr *hdr;// 定义用于直方图变量unsigned char *bitmap,*count,*new_color; /* ---- main() 函数编--- */ int main(){ //定义整数i,j 用于函数循环时的,nr_pixels 为图像中像素的个数int i, j ,nr_pixels,nr_w,nr_h; // 定义两个文件指针分别用于提取原图的数据和生成直方图均衡化后的图像FILE *fp, *fpnew; // 定义主函数的参数包括:输入的位图文件名和输出的位图文件名,此处内容可以不要,在DOS下执行命令的时候再临时输入也可,为了方便演示,我这里直接把函数的参数确定了。

//argc=3; //argv[1]="test.bmp"; //argv[2]="testzf.bmp"; // 参数输入出错显示/* if (argc != 3) {printf("please input the name of input and out bitmap files\n");exit(1);}*/// 获取位图文件相关信息// hdr = get_header(argv[1]); hdr = get_header("testnoise.bmp");if (!hdr) exit(1); // 以二进制可读方式打开输入位图文件fp = fopen("testnoise.bmp", "rb");if (!fp) {printf("File open error!\n");exit(1);} // 文件指针指向数据区域fseek(fp, hdr->offset, SEEK_SET)计算位图像素的个数nr_pixels = hdr->width * hdr->height;nr_w = hdr->width;nr_h = hdr->height;bitmap = malloc(nr_pixels);new_color = malloc(nr_pixels);count = malloc((nr_w+2)*(+nr_h+2));//读取位图数据到bitmap 中fread(bitmap, nr_pixels, 1, fp);fclose(fp);// 因为图像边缘无法使用邻域平均,所以根据邻近颜色填补图像的周围一圈,存入count[] 数组中// 中心图像存入count[] for(i=nr_w+3;i<(nr_w+2)*(+nr_h+2)-nr_w-3;i++) { j=i/(nr_w+2);if(i%(nr_w+2)!=0&&(i+1)%(nr_w+2)!=0) count[i]=bitmap[i-nr_w-1-2*j]; } // 填补第一排for(i=1;i} // 填补最后一排for(i=1;i} // 填补左边一排for(i=0;i} // 填补右边一排for(i=0;i<nr_h+3;i++)< p="">{ count[(i+1)*(nr_w+2)-1]=count[(i+1)*(nr_w+2)-2];}// 邻域平均3*3for(j=nr_w+3,i=0;j<(nr_w+2)*(+nr_h+2)-nr_w-3;j++) {if(j%(nr_w+2)!=0&&(j+1)%(nr_w+2)!=0)new_color[i]=(count[j]+count[j-1]+count[j+1]+count[j-nr_w-2]+count[j-1-nr_w-2]+count[j+1-nr_w-2]+count[j+nr_w+2]+count[j-1+nr_w+2]+count[j+1+nr_w+2])/9,i++; } //结果存入bitmap[] 中for (i = 0; i < nr_pixels; i++;bitmap[i]=new_color[i]; // 打开一个以输出文件名命名的文件,设为可写的二进制形式fpnew = fopen("test_lynoise.bmp", "wb+");// 由于位图文件的头部信息并没有因直方图均衡化而改变,因此输出图像的头部信息从原位图文件中拷贝即可:fwrite(hdr->signature, 2, 1, fpnew); fwrite(&hdr->size, 4, 1, fpnew);fwrite(hdr->reserved, 4, 1, fpnew); fwrite(&hdr->offset, 4, 1, fpnew); fwrite(&hdr->hdr_size, 4, 1, fpnew); fwrite(&hdr->width, 4, 1, fpnew); fwrite(&hdr->height, 4, 1, fpnew); fwrite(&hdr->nr_planes, 2, 1, fpnew); fwrite(&hdr->bits_per_pixel, 2, 1, fpnew); fwrite(&hdr->compress_type, 4, 1, fpnew); fwrite(&hdr->data_size, 4, 1, fpnew); fwrite(&hdr->resol_hori, 4, 1, fpnew); fwrite(&hdr->resol_vert, 4, 1, fpnew);fwrite(&hdr->nr_colors, 4, 1, fpnew); fwrite(&hdr->important_color, 4, 1, fpnew); if (hdr->offset > 54) fwrite(hdr->info, (hdr->offset - 54), 1, fpnew); // 直方图均衡化的数据(bitmap) 赋值fwrite(bitmap, nr_pixels, 1, fpnew);// 关闭fclose(fpnew);// 释放内存(优化程序必需) free(hdr);free(bitmap);</nr_h+3;i++)<>。

数字图像处理实验报告

数字图像处理实验报告

数字图像处理实验报告光信13-2班2013210191韩照夏数字图像处理实验报告实验一数字图像空间域平滑一、实验目的掌握图像空间域平滑的原理和程序设计;观察对图像进行平滑增强的效果。

二、实验设备计算机,Matlab程序平台。

三、实验原理图像平滑处理的目的是改善图像质量和抽出对象特征。

任何一幅未经处理的原始图像,都存在着一定程度的噪声干扰。

噪声恶化了图像质量,使图像模糊,甚至淹没特征,给分析带来困难。

消除图像噪声的工作称为图像平滑或滤波。

针对不同噪声源(如光栅扫描、底片颗粒、机械元件、信道传输等)引起的不同种类噪声(如加性噪声、乘性噪声、量化噪声等),平滑方法也不同。

平滑可以在空间域进行,也可以在频率域进行。

1.局部平均法局部平滑法是一种直接在空间域上进行平滑处理的技术。

假设图像由许多灰度恒定的小块组成,相邻象素间存在很高的空间相关性,而噪声则是统计独立的。

因此,可用邻域内各象素的灰度平均值代替该象素原来的灰度值,实现图像的平滑。

对图像采用3×3的邻域平均法,其作用相当于用以下模板与图像进行卷积运算。

2. 超限象素平滑法 对邻域平均法稍加改进,可导出超限象素平滑法。

其原理是将f(x,y)和邻域平均g(x,y)差的绝对值与选定的阈值进行比较,根据比较结果决定点(x,y )的最后灰度g ´(x,y)。

其表达式为3. 二维中值滤波中值滤波就是用一个奇数点的移动窗口, 将窗口中心点的值用窗口内各点的中值代替。

二维中值滤波可由下式表示常用的窗口有:四、实验步骤1.实验准备:打开计算机,进入Matlab 程序界面。

2.输入图像空间域平滑处理程序,程序如下:⎩⎨⎧>-= ),(),(),( ),,(),('其他,当y x f T y x g y x f y x g y x g )},({),(y x f Med y x g A=程序1.1 图像平滑处理clear;clc;I=imread('lena.jpg');subplot(3,2,1);imshow(I);title('原图像');I1=imnoise(I,'salt & pepper',0.02);subplot(3,2,2);imshow(I1);title('对I加椒盐噪声的图像');h2=fspecial('average',[3 3]);I2=imfilter(I1,h2,'replicate');subplot(3,2,3);imshow(I2);title('3×3邻域平滑');h3=fspecial('average',[5 5]);I3=imfilter(I1,h3,'replicate');subplot(3,2,4);imshow(I3);title('5×5邻域平滑');I4=I1;I4((abs(I1-I2))>64)=I2((abs(I1-I2))>64);subplot(3,2,5);imshow(I4);title('3×3超限象素平滑(T=64)'); I5=I1;I5((abs(I1-I3))>48)=I3((abs(I1-I3))>48);subplot(3,2,6);imshow(I5);title('5×5超限象素平滑(T=48)');程序1.2 图像平均平滑与中值滤波clear;clc;I=imread('lena.jpg');subplot(3,3,1);imshow(I);title('原图像');I1=imnoise(I,'gaussian',0.02);subplot(3,3,2);imshow(I1);title('高斯噪声');I2=imnoise(I,'salt & pepper',0.02);subplot(3,3,3);imshow(I1);title('椒盐噪声');h1=fspecial('average',[3 3]);I3=imfilter(I1,h1,'replicate');subplot(3,3,4);imshow(I3);title('对I1 3×3邻域平滑');h2=fspecial('average',[3 3]);I4=imfilter(I2,h2,'replicate');subplot(3,3,5);imshow(I4);title('对I2 3×3邻域平滑');I5=medfilt2(I1,[5 5]);subplot(3,3,6);imshow(I5);title('对I1 5×5中值滤波');I6=medfilt2(I2,[5 5]);subplot(3,3,7);imshow(I6);title('对I2 5×5中值滤波');3.运行图像处理程序,并保存处理结果图像。

MATLAB图像滤波实验报告

MATLAB图像滤波实验报告

1图像处理实验实验报告院(系)名称专业名称学生姓名学号任课老师年月日1 实验目的利用MATLAB实现图像滤波,边界检测,从空间域与频域上加深对图像滤波的理解。

2 实验内容1. 对lena.bmp分别添加高斯、椒盐、泊松噪声,并比较高斯滤波与中值滤波的效果。

(使用matlab自带函数即可)2. 对lena.bmp实现laplace算子、Sobel算子、Kirch算子、Canny算子等边界检测算子中的任何两个;(不使用matlab自带函数)3. 通过观察rect.bmp和rect-45度.bmp的傅立叶频谱,了解图像傅立叶变换的旋转、平移等特性;4. 对grid.bmp实现理想低通;5. 对cave.jpg实现同态滤波算法,观察光照校正的效果(使用高斯型高通滤波器的离散化结果作为模板)。

3 实验步骤及算法流程4 实验结果分析4.1 空间域滤波图1 加高斯噪声与滤波图2 密度为0.1的椒盐噪声与滤波图3 密度为0.5的椒盐噪声与滤波图4 加泊松噪声与滤波高斯滤波是构造一个高斯卷积掩膜,对每一个点的邻域进行卷积达到滤波的效果,中值滤波是用邻域中像素的中值代替当前像素,是非线性的。

分析以上三幅图,知高斯滤波的效果对每种噪声差不多;中值滤波对椒盐噪声来说效果非常好,在椒盐密度不大的情况下几乎可以完全去除噪声。

以以上四幅图来说,中值滤波的效果要比高斯滤波的效果好。

4.2 边界检测图5 Laplace算子检测边界图6 Sobel算子检测边界4.3 频域转换图7 旋转前的频域(经fftshift处理)图8 旋转45°后的频域(经fftshift处理) 经上图可知,当图像旋转45°后,相应的频域也旋转45°。

4.4 频域低通滤波图9 原始图像grid.bmp的频域(经fftshift处理)中心尖峰的两侧出现两个次尖峰,对应正弦噪声的频率,需将其滤掉。

图10 处理后的频域进行频域的处理后,空间域上的图像如下所示:图11 对grid.bmp低通滤波4.5 同态滤波图12 原始图像cave.jpg 选择合适的高通滤波器进行同态滤波的效果如下:图13 同态滤波后的图像5 思考题1. 依次给出“高斯平滑滤波器、中值滤波器、laplace滤波器”是线性还是非线性的。

MATLAB图像邻域运算,去除噪声,模板运算中值滤波,均值滤波

MATLAB图像邻域运算,去除噪声,模板运算中值滤波,均值滤波

1.列出常用的卷积模板2.基于3×3的模板,编写均值滤波的处理程序,处理含有加性高斯噪声和椒盐噪声的图像,观察处理结果3.编写中值滤波程序,处理相同的图像与均值滤波进行比较;改变模板尺寸观察处理结果4.编程实现利用一阶微分算子和二阶拉普拉斯算子进行图像锐化的程序5.对比不同的邻域运算结果,体会图像锐化与图像平滑的区别均值滤波处理含有椒盐噪声图像程序代码(1):模板运算f=imread('lena sp.bmp');f=double(f);[row,col]=size(f);r=1;for i=2:row-1for j=2:col-1g(i,j)=(f(i-1,j-1)+f(i-1,j)+f(i-1,j+1)+f(i,j-1)+f(i,j)+f(i,j+1)+f (i+1,j-1)+f(i+1,j)+f(i+1,j+1))/9;g=uint8(g);endendsubplot(121);imshow(uint8(f));title('椒盐噪声图像');subplot(122);imshow(g);title('均值滤波处理后的图像')椒盐噪声图像均值滤波处理后的图像(2):mean函数均值滤波f=imread('lena sp.bmp');f=double(f);[row,col]=size(f);g=size(f);for i=2:row-1for j=2:col-1t=f(i-1:i+1,j-1:j+1);t=double(t);g(i,j)=mean(mean(t));g(i,j)=uint8(g(i,j));endendsubplot(121);imshow(uint8(f));title('椒盐噪声图像');subplot(122);imshow(uint8(g));title('均值滤波处理后的图像')均值滤波处理后的图像(3)可变模板处理f=imread('lena gauss.bmp');f=double(f);[row,col]=size(f);r=1;g=size(f);for i=2:row-1for j=2:col-1s=0;s=double(s);for m=-r:rfor n=-r:rs=s+f(i+m,j+n);endendg(i,j)=s/power((r+2),2);endendsubplot(121);imshow(uint8(f));title('椒盐噪声图像');subplot(122);imshow(uint8(g));title('均值滤波处理后的图像')椒盐噪声图像均值滤波处理后的图像均值滤波处理含有加性高斯噪声图像程序代码(1):模板运算f=imread('lena gauss.bmp');f=double(f);[row,col]=size(f);r=1;for i=2:row-1for j=2:col-1g(i,j)=(f(i-1,j-1)+f(i-1,j)+f(i-1,j+1)+f(i,j-1)+f(i,j)+f(i,j+1)+f (i+1,j-1)+f(i+1,j)+f(i+1,j+1))/9;g=uint8(g);endendsubplot(121);imshow(uint8(f));title('加性高斯噪声图像');subplot(122);imshow(g);title('均值滤波处理后的图像')加性高斯噪声图像均值滤波处理后的图像(2):mean函数均值滤波f=imread('lena gauss.bmp');f=double(f);[row,col]=size(f);r=1;g=size(f);for i=2:row-1for j=2:col-1t=f(i-1:i+1,j-1:j+1);t=double(t);g(i,j)=mean(mean(t));g(i,j)=uint8(g(i,j));endendsubplot(121);imshow(uint8(f));title('加性高斯噪声图像');subplot(122);imshow(uint8(g));title('均值滤波处理后的图像')均值滤波处理后的图像(3):可变模板处理f=imread('lena gauss.bmp');f=double(f);[row,col]=size(f);r=1;g=size(f);for i=2:row-1for j=2:col-1s=0;s=double(s);for m=-r:rfor n=-r:rs=s+f(i+m,j+n);endendg(i,j)=s/power((r+2),2);endendsubplot(121);imshow(uint8(f));title('加性高斯噪声图像');subplot(122);imshow(uint8(g));title('均值滤波处理后的图像')椒盐噪声图像均值滤波处理后的图像中值滤波(椒盐噪声图像处理)f=imread('lena sp.bmp');f=double(f);[row,col]=size(f);g=size(f);r=1;for i=r+1:row-rfor j=r+1:col-rt=f(i-r:i+r,j-r:j+r);id=0;for tm=1:5m=0;for k=1:9if(m<t(k))m=t(k);id=k;endendt(id)=0;endg(i,j)=m;endendsubplot(121);imshow(uint8(f));title('原图像');subplot(122);imshow(uint8(g));title('中值滤波处理后的图像')R=1时的图像原图像中值滤波处理后的图像R=5原图像中值滤波处理后的图像中值滤波(加性高斯噪声)f=imread('lena gauss.bmp');f=double(f);[row,col]=size(f);g=size(f);r=1;for i=r+1:row-rfor j=r+1:col-rt=f(i-r:i+r,j-r:j+r);id=0;for tm=1:5m=0;for k=1:9if(m<t(k))m=t(k);id=k;endendt(id)=0;endg(i,j)=m;endendsubplot(121);imshow(uint8(f));title('原图像');subplot(122);imshow(uint8(g));title('中值滤波处理后的图像')原图像中值滤波处理后的图像R=5原图像中值滤波处理后的图像不同领域运算结果比较r=2f=imread('lena sp.bmp');f=double(f);[row,col]=size(f);r=2;g=size(f);for i=r+1:row-rfor j=r+1:col-rs=0;s=double(s);for m=-r:rfor n=-r:rs=s+f(i+m,j+n);endendg(i,j)=s/power((r+2),2);endendsubplot(121);imshow(uint8(f));title('椒盐噪声图像');subplot(122);imshow(uint8(g));title('均值滤波处理后的图像')均值滤波处理后的图像R=3椒盐噪声图像均值滤波处理后的图像R=8椒盐噪声图像均值滤波处理后的图像。

matlab 邻域平均法

matlab 邻域平均法

matlab邻域平均法邻域平均法是图像处理中一种常用的平滑滤波方法,用于减小图像中噪声的影响。

在MATLAB中,你可以通过邻域平均法实现图像的平滑处理。

以下是一个简单的步骤:1.读取图像:```matlab%读取图像img=imread('your_image.jpg');```2.设定滤波器的大小:选择邻域平均法的滤波器大小,通常为一个正方形的区域,例如3x3、5x5等。

3.应用邻域平均法:```matlab%设置滤波器大小filter_size=3;%例如,3x3的滤波器%应用邻域平均法smoothed_img=imfilter(img,fspecial('average',[filter_size filter_size]));```上述代码中,`fspecial('average',[filter_size filter_size])`用于创建一个平均滤波器。

`imfilter`函数将滤波器应用于原始图像,得到平滑后的图像。

4.显示原始图像和平滑后的图像:```matlab%显示原始图像subplot(1,2,1);imshow(img);title('原始图像');%显示平滑后的图像subplot(1,2,2);imshow(smoothed_img);title('邻域平均法平滑后的图像');```这段代码将原始图像和经过邻域平均法平滑处理后的图像进行了对比显示。

5.调整参数:根据实际情况,你可能需要调整滤波器的大小以及其他参数,以获得最佳的平滑效果。

请注意,邻域平均法是一种简单的平滑方法,适用于一些简单的降噪需求。

在实际应用中,还有其他更复杂的滤波器和方法,可以根据具体情况选择。

数字图像处理实验三(邻域平均法和中值滤波)

数字图像处理实验三(邻域平均法和中值滤波)

数字图像处理 实验三
邻域平均法(box 模板)和中值滤波处理
加入脉冲噪声后的图像:testnoise.bmp 去噪过程 结果图像
请设计程序,分别用邻域平均法,其模板为:
和中值滤波法对testnoise 图像进行去噪处理(中值滤波的模板的大小也设为3×3)。

得出实验结果图像后,比较这两种方法去噪的效果好坏,并分析具体原因。

完成上述工作后,使用程序进行验证分析:使用邻域平均法时,3×3和5×5模板大小对图像进行处理的效果有何差别?并分析原因。

附加说明:程序框架可以参考第二次实验指导书上给出的示例程序。

邻域平均法 中值滤波法
⎥⎥⎥⎥⎦
⎤⎢⎢⎢⎢⎣⎡1111*1111191。

数字图像处理实验-滤波

数字图像处理实验-滤波

实验三1.实验目的:(1)对指定图像进行均值、中值滤波增强,比较增强的效果;(2)对图片进行噪声处理,进行图像恢复;2.实验内容:对指定图像进行均值、中值滤波增强,比较增强的效果。

图1是一张原始人物图像,图2是一张近似20%像素带有冲激噪声后的人物图像。

现分别利用①5×5区域的邻域平均法和②5×5中值滤波法对图2进行去噪声处理,进行图像恢复。

将原始图像及增强后的图像都显示于屏幕上,观察两种方法对去噪的不同作用。

图1图23.实验结果(代码&结果可视化)1、利用已有的图像处理应用软件集成环境编写相应的平滑程序。

5×5邻域平均法:邻域平均是最简单的平滑滤波,即是将原图的一个像素的灰度值和它周围邻近的24个像素的灰度值相加,然后求得的平均值作为新图该像素的灰度值。

具体算法类似与图像锐化。

5×5中值滤波法:采用滑动窗口法设窗口为5×5 的矩形,该窗口在被处理的图像上逐点移动内含25个像素,每次移动均计算一次中值,赋给窗口中间点,作为其灰度,具体算法类似邻域平均。

2、核心程序:邻域平均核心算法类似梯度锐化,本报告只给出中值滤波的核心程序:// 开始中值滤波// 行(除去边缘几行)for(i = iFilterMY; i < lHeight - iFilterH + iFilterMY + 1; i++){// 列(除去边缘几列)for(j = iFilterMX; j < lWidth - iFilterW + iFilterMX + 1; j++){// 指向新DIB第i行第j个像素的指针lpDst = (unsigned char*)lpNewDIBBits + lLineBytes * (lHeight - 1 - i) + j;// 读取滤波器数组for (k = 0; k < iFilterH; k++){for (l = 0; l < iFilterW; l++){lpSrc = (unsigned char*)lpDIBBits + lLineBytes * (lHeight - 1 - i + iFilterMY - k) + j - iFilterMX + l;// 保存像素值aValue[k * iFilterW + l] = *lpSrc;}}// 获取中值* lpDst = GetMedianNum(aValue, iFilterH * iFilterW);}}4.实验分析和总结采用滤波器(低频/高频)处理后的图像可以更加平滑,可以对图像去除噪音,恢复到原始图像。

数字图像处理实验三(附源程序)

数字图像处理实验三(附源程序)

南京航空航天大学 close al329
某某
%%%%%%%%处理 test3_1.jpg I=imread('test3_1.jpg'); I=im2double(I); %%%%%%%%邻域平均函数“nlfilter” tic J=nlfilter(I,[5 5],@mean2); toc tic T=nlfilter(I,[5 5],@std2); toc figure(1),subplot(2,3,1),imshow(I),title('原始图像');axis on; subplot(2,3,2),imshow(J),title('邻域均值图像');axis on; subplot(2,3,3),imshow(T),title('邻域均值标准差图像');axis on; imwrite(J,'nlfilterl 滤波后.jpg'); %%%%%%%%加噪声后用邻域平均法 I=imnoise(I,'gaussian',0,0.02); J=nlfilter(I,[5 5],@mean2); T=nlfilter(I,[5 5],@std2); subplot(2,3,4),imshow(I),title('加噪图像');axis on; subplot(2,3,5),imshow(J),title('加噪邻域均值图像');axis on; subplot(2,3,6),imshow(T),title('加噪邻域均值标准差图像');axis on; imwrite(J,'加噪 nlfilterl 滤波后.jpg'); %%%%%%%%%处理 test3_2.jpg I2=imread('test3_2.jpg'); J2=im2double(I2); %%%%%%%%%邻域平均窗函数“filter2” tic ave=fspecial('average',5); J2=filter2(ave,J2); 南京航空航天大学 电子信息工程学院 信息工程 041010329 某某

数字图像处理邻域平均法滤波实验报告matlab实现

数字图像处理邻域平均法滤波实验报告matlab实现

数字图像处理实验报告实验三邻域平均法滤波学号姓名实验三 邻域平均法滤波一、实验内容选取噪声较明显的图像,分别采用3*3、5*5、7*7的模板进行邻域平均法滤波,并比较滤波效果。

二、实验步骤1、 设计思想或者流程图。

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;mn 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、 源程序并附上注释。

3、A=imread('1.jpg');B=rgb2gray(A);figure; imshow(B); title('原始图象');H=imnoise(B,'gaussian');figure; imshow(H); title('高斯噪声');Q=imnoise(B,'salt & pepper');figure; imshow(Q); title('椒盐噪声');M=fspecial('average',3*3);E=imfilter(Q,M);figure; imshow(E); title('3*3平均模板'); N=fspecial('average',5*5);K=imfilter(Q,N);figure; imshow(K); title('5*5平均模板'); Z=fspecial('average',7*7);J=imfilter(Q,Z);figure; imshow(J); title('7*7平均模板');4、程序运行结果比较。

数字图像处理-平均滤波与中值滤波(含MATLAB代码)

数字图像处理-平均滤波与中值滤波(含MATLAB代码)

数字图像处理实验二15生医一、实验内容产生教材104页题图4.18〔右图〕所示的二值图像〔白为1,黑为0〕,编程实现习题4.18所要求的处理〔3x3的平均滤波和中值滤波〕功能〔图像四周边界不考虑,处理结果按四舍五入仍取0或1〕,显示处理前后的图像,比较其异同。

二、运行环境MATLAB R2014a三、运行结果及分析1. 四种不同的窗的3x3平均滤波 ①在MATLAB 图形窗界面进行放大可以看出四者之间的差异:4领域与8邻域之间没有明显差异,但是加权与未加权之间的差异较为明显,表达在:加权后每个矩形块的四个尖角部分都被保留了下来4邻域平均滤波后图像8邻域平均滤波后图像4邻域加权平均滤波后图像8邻域加权平均滤波后图像〔图像四周边界不考虑〕,而未加权的尖角处黑色变为白色。

②原因分析:加权后尖角处原来白色的点〔1〕进行计算3/5=0.6四舍五入后值为1,保持白色,原来黑色的点〔0〕进行计算2/5=0.4四舍五入后值为0,保持黑色;而未加权尖角处无论原来是黑色还是白色,进行计算2/4=0.5四舍五入后值为1,所以原先的黑色〔0〕也变成了白色〔1〕。

③下列图为放大后的截图:2.中值滤波与原图像的比照①在MATLAB图形窗界面进行放大后可观察出:使用3x3方形中值滤波模板的效果与4领域、8领域加权平均滤波的效果相同,每个矩形块的四个尖角部分都被保留了下来〔图像四周边界不考虑〕。

②原因分析:套用3x3方形中值滤波模板后,尖角处原来白色的点〔1〕在窗内1多于0,取中值后仍保持白色,原来黑色的点〔0〕在窗内0多于1,取中值后仍保持白色。

③下列图为放大后的截图:原图像中值滤波后图像四、心得体会通过MATLAB编程更加理解了课后题的计算结果,直观地看出了黑白像素点灰度值变化前后的取值异同。

同时,对MATLAB实现像素点灰度值的替换机理也有所掌握,比方后边附的程序中会提到的“%”标注的思考。

五、具体程序% 生成黑白块图像unit=zeros(64,64);f=zeros(256,256);for i=1:1:32for j=1:1:32unit(i,j)=1; % 1/4白块endendfor i=33:1:64for j=33:1:64unit(i,j)=1; % 1/4白块endendfor i=1:64:256for j=1:64:256f(i:i+63,j:j+63)=unit;endend% 对原图像进行3x3平均滤波for i=2:1:255for j=2:1:255fave4(i,j)=(f(i-1,j)+f(i+1,j)+f(i,j-1)+f(i,j+1))/4;fave8(i,j)=(f(i-1,j-1)+f(i-1,j)+f(i-1,j+1)+f(i,j-1)+f(i,j+1)+f(i+1,j-1)+f(i+1,j)+f(i+1,j+1))/8;fave4_weighted(i,j)=(f(i-1,j)+f(i+1,j)+f(i,j-1)+f(i,j+1)+f(i,j))/5;fave8_weighted(i,j)=(f(i-1,j-1)+f(i-1,j)+f(i-1,j+1)+f(i,j-1)+f(i,j+1) +f(i+1,j-1)+f(i+1,j)+f(i+1,j+1)+f(i,j))/9;endendfave4=round(fave4); % 平均后灰度值有可能是小数,要取整fave8=round(fave8);fave4_weighted =round(fave4_weighted);fave8_weighted =round(fave8_weighted);subplot(2,2,1);imshow(fave4);title('4邻域平均滤波后图像');subplot(2,2,2);imshow(fave8);title('8邻域平均滤波后图像')subplot(2,2,3);imshow(fave4_weighted);title('4邻域加权平均滤波后图像')subplot(2,2,4);imshow(fave8_weighted);title('8邻域加权平均滤波后图像')% 对原图像进行3x3方形中值滤波for i=2:1:255for j=2:1:255a=[f(i-1,j-1),f(i-1,j),f(i-1,j+1),f(i,j-1),f(i,j),f(i,j+1),f(i+1,j-1),f(i+1,j),f(i+1,j+1)];b=sort(a); % 排序函数fmid(i,j)=b(5); % 9个数排序的中值endendsubplot(1,2,1);imshow(f);title('原图像');subplot(1,2,2);imshow(fmid);title('中值滤波后图像')4邻域平均滤波后图像8邻域平均滤波后图像4邻域加权平均滤波后图像8邻域加权平均滤波后图像原图像中值滤波后图像。

河北工业大学数字图像处理之matlab实验报告

河北工业大学数字图像处理之matlab实验报告

实验一一、实验要求1、熟悉MATLAB软件的开发环境、基本操作以及图像处理工具箱,为编写图像处理程序奠定基础。

2、掌握二进制(黑白)图像、灰度图像、彩色图像读、写和显示的基本方法,分别选择以上几种类型的图像,观察其图像类型参数。

3、说明以下程序的显示结果为何是一幅几乎全黑的图像。

clear; close all;myi=zeros(20,20);myi(2:2:18,2:2:18)=1;myi=uint8(myi);figure, imshow(myi,'notruesize');编写程序将图一中orangutan_1.tif图片拉伸一倍后形成orangutan_2.tif所示的图片。

4、应用MATLAB(或C)语言编写一幅灰度图像直方图统计程序,并选择一幅图像显示其直方图,将结果与MATLAB图像处理工具箱中提供的灰度直方图函数imhist的处理结果进行比较。

5、利用以上编写的程序,估算图一所示图像iris.tif中的瞳孔半径(以像素为单位)。

orangutan_1.tif orangutan_2.tif iris.tif图一二、实验内容1,通过安装matlab软件,熟悉MATLAB软件的开发环境、基本操作以及图像处理工具箱2,图像的读、写、显示和图像类型参数查看通过 I= imread(FILENAME),读取图像,注意FILENAME=‘图像文件所在的位置+文件名’;1)通过imwrite(a,FILENAME,fmt),可以把a图像写进FILENAME图像,即是替换掉FILENAME,但是文件图像格式不替换。

2)通过imshow(I),可以把I图像显示出来。

3)例如:在matlab软件中,运行如下命令:I = imread('E:\orangutan_2.tif');figure,imshow(I)I1 = imread('E:\iris.tif');figure,imshow(I1)imwrite(I,'E:\iris.tif','tif')I2 = imread('E:\iris.tif');figure,imshow(I2)原图:orangutan_2.tif iris.tif运行结果:可以看到orangutan_2.tif已成功写入 iris.tif中。

MATLAB数字图像处理实验

MATLAB数字图像处理实验

数字图像处理实验图像处理实验(一)直方图灰度变换是图像增强的一种重要手段,使图像对比度扩展,图像更加清晰,特征更加明显。

灰度级的直方图给出了一幅图像概貌的描述,通过修改灰度直方图来得到图像增强。

1、灰度直方图(1)计算出一幅灰度图像的直方图clearclose allI=imread('004.bmp');imhist(I)title('实验一(1)直方图');(2)对灰度图像进行简单的灰度线形变换,figuresubplot(2,2,1)imshow(I);title('试验2-灰度线性变换');subplot(2,2,2)histeq(I);(3)看其直方图的对应变化和图像对比度的变化。

原图像 f(m,n) 的灰度范围 [a,b] 线形变换为图像 g(m,n),灰度范围[a’,b’]公式:g(m,n)=a’+(b’-a’)* f(m,n) /(b-a)figuresubplot(2,2,1)imshow(I)J=imadjust(I,[0.3,0.7],[0,1],1);title(' 实验一(3)用g(m,n)=a’+(b’-a’)* f(m,n) /(b-a)进行变换 '); subplot(2,2,2)imshow(J)subplot(2,2,3)imshow(I)J=imadjust(I,[0.5 0.8],[0,1],1);subplot(2,2,4)imshow(J)(4) 图像二值化(选取一个域值,(5) 将图像变为黑白图像)figuresubplot(2,2,1)imshow(I)J=find(I<150);I(J)=0;J=find(I>=150);I(J)=255;title(' 实验一(4)图像二值化 ( 域值为150 ) ');subplot(2,2,2)imshow(I)clc;I=imread('14499.jpg');bw=im2bw(I,0.5);%选取阈值为0.5figure;imshow(bw) %显示二值图象图象处理变换(二)1.傅立叶变换熟悉其概念和原理,实现对一幅灰度图像的快速傅立叶变换,并求其变换后的系数分布.2.离散余弦变换熟悉其概念和原理,实现对一幅灰度和彩色图像作的离散余弦变换,选择适当的DCT系数阈值对其进行DCT反变换.% 图象的FFT变换clc;I=imread('005.bmp');subplot(1,2,1)imshow(I);title('原图');subplot(1,2,2)imhist(I);title('直方图');colorbar;J=fft2(I);figure;subplot(1,2,1)imshow(J);title('FFT变换结果');subplot(1,2,2)K=fftshift(J);imshow(K);title('零点平移');figure;imshow(log(abs(K)),[]),colormap(jet(64)),colorbar;title('系数分布图');% 图象的DCT变换RGB=imread('005.bmp');figure;subplot(1,2,1)imshow(RGB);title('彩色原图');a=rgb2gray(RGB);subplot(1,2,2)imshow(a);title('灰度图');figure;b=dct2(a);imshow(log(abs(b)),[]),colormap(jet(64)),colorbar;title('DCT变换结果');figure;b(abs(b)<10)=0;% idctc=idct2(b)/255;imshow(c);title('IDCT变换结果');图象处理变换(三)小波变换实验内容:熟悉小波变换的概念和原理,熟悉matlab小波工具箱主要函数的使用.利用二维小波分析对一幅图象作2层小波分解,并在此基础上提取各层的低频信息实现图像的压缩.程序如下:clcclose allcleara=imread('005.bmp');subplot(1,2,1);imshow(a);title('原始图象');I=rgb2gray(a);subplot(1,2,2);imshow(I);title('原始图象的灰度图');% 进行二维小波变换[a,b] = wavedec2(I, 2, 'bior3.7');% 提取各层低频信息figure;c = appcoef2( a, b, 'bior3.7', 1 );subplot(1,2,1);imshow(c, []);title('一层小波变换结果');d = appcoef2( a, b, 'bior3.7', 2 );subplot(1,2,2);imshow(d, []);title('二层小波变换结果');图象处理实验(四)模板运算一、实验内容:(1)平滑:平滑的目的是模糊和消除噪声。

Matlab中的图像滤波方法与实例分析

Matlab中的图像滤波方法与实例分析

Matlab中的图像滤波方法与实例分析引言图像滤波是数字图像处理中的一项重要技术,用于降低图像噪声、平滑图像以及增强图像细节。

在Matlab中,有多种图像滤波方法可供选择。

本文将对这些方法进行介绍和实例分析。

一、线性滤波方法1. 均值滤波均值滤波是一种最简单的线性平滑滤波方法。

其基本思想是用邻域内像素的平均值替代当前像素的值。

在Matlab中,可使用imfilter函数实现均值滤波。

下面是一个示例:```I = imread('example.jpg');filtered_img = imfilter(I, fspecial('average', 3));```2. 中值滤波中值滤波是一种非线性滤波方法,在处理含有椒盐噪声等图像时表现出较好的效果。

它的原理是用中值取代邻域内的元素值。

在Matlab中,使用medfilt2函数可以实现中值滤波。

下面是一个示例:```I = imread('example.jpg');filtered_img = medfilt2(I);```二、非线性滤波方法1. 双边滤波双边滤波是一种非线性滤波方法,可以同时平滑图像和保留边缘信息。

它的核心思想是考虑像素的空间距离和像素值的差异。

在Matlab中,可使用bfilter2函数实现双边滤波。

下面是一个示例:```I = imread('example.jpg');filtered_img = bfilter2(I, 3, 25, 10); % 参数可根据需要自行调整```2. 自适应中值滤波自适应中值滤波是一种根据像素邻域内像素值的分布特性动态调整滤波窗口大小的方法。

在Matlab中,可使用adpmedian函数实现自适应中值滤波。

下面是一个示例:```I = imread('example.jpg');filtered_img = adpmedian(I, 5); % 参数可根据需要自行调整```三、时域滤波方法1. Laplace滤波Laplace滤波是一种高频增强滤波方法,能够提取图像的细节信息。

MATLAB自编均值和中值滤波实验报告

MATLAB自编均值和中值滤波实验报告

实验二数字图像的空间域滤波一、实验目的1、理解图像空间域滤波的原理;2、掌握图像均值滤波、中值滤波的原理与实现方法;3、掌握上述方法的改进方法。

二、实验原理均值滤波的主要步骤为:(1)将模板在途中漫游,并将模板中心与途中某个象素位置重合;(2)将模板上系数与模板下对应象素相乘;(3)将所有乘积相加;(4)将和(模板的输出响应)赋给途中对应模板中心位置的象素。

中值滤波的主要步骤为:(1)将模板在途中漫游,并将模板中心与途中某个象素位置重合;(2)读取模板下各对应象素的灰度值;(3)将这些灰度值从小到大排成1列;(4)找出这些值里排在中间的1个;(5)将这个中间值赋给对应模板中心位置的象素。

三、实验内容基本要求:1、自己编程实现图像的均值滤波;2、自己编程实现图像的中值滤波;3、利用matlab图像处理工具箱中的函数实现图像的上述处理;扩展要求:4、实现一种图像加权中值滤波或加权均值滤波;四、实验步骤1、编程实现图像的均值滤波程序代码:h=imread('444.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',0.1,0.002); %加入高斯噪声figure,imshow(g),title('加入高斯噪声之后的图象');Y2=avefilt(g,3); %调用自编函数进行均值滤波,n为模板大小figure,imshow(Y2),title('用自己的编写的函数进行均值滤波之后的结果'); Y4=midfilt(g,3); %调用自己编写的函数进行中值滤波,figure,imshow(Y4),title('用自己编写的函数进行中值滤波之后的结果');自己编写的脚本代码均值滤波function d=avefilt(x,n)a(1:n,1:n)=1; %a即n×n模板,元素全是1p=size(x); %输入图像是p×q的,且p>n,q>nx1=double(x);x2=x1;%A(a:b,c:d)表示A矩阵的第a到b行,第c到d列的所有元素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endend%未被赋值的元素取原值d=uint8(x2);中值滤波function d=midfilt(x,n)p=size(x); %输入图像是p×q的,且p>n,q>nx1=double(x);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endend%未被赋值的元素取原值d=uint8(x2);程序运行截图五、实验结果分析从实验结果可以看出,中值滤波较均值滤波效果好些,并且滤波与所选的模板有关,若选择权值相同(本实验为0.1/9)相对不同权值的效果好些。

matlab邻域平均法

matlab邻域平均法

邻域平均法是一种常用的图像平滑滤波算法,用于去除图像中的噪点和细节,使图像变得更加平滑。

该算法的基本思想是对每个像素点周围的邻域内的像素值进行平均处理,得到该像素点的新值。

邻域平均法的具体实现步骤如下:
1. 定义邻域大小:首先需要定义邻域的大小,即每个像素点周围需要考虑的像素点的数量。

通常情况下,邻域大小的取值范围为1~9。

2. 选取邻域内的像素点:对于每个像素点,需要选取其周围的邻域内的像素点。

通常情况下,邻域内的像素点可以采用矩形邻域或圆形邻域的方式选取。

3. 计算邻域内像素值的平均值:对于选取的邻域内的像素点,需要计算它们的平均值。

可以采用简单平均法、加权平均法等不同的计算方式。

4. 将平均值作为该像素点的新值:将计算得到的平均值作为该像素点的新值,用于替换原图像中的像素值。

邻域平均法的具体实现可以使用MATLAB 中的imerode 函数。

该函数可以对图像中的每个像素点进行邻域平均处理,并返回平滑后的图像。

(matlab)数字图像处理实验报告

(matlab)数字图像处理实验报告

重庆交通大学学生实验报告实验课程名称《数字图像处理》课程上机实验开课实验室河海学院仿真实验室学院河海学院年级专业08级地理信息系统学生姓名学号时间2011 至2012 学年第 1 学期实验一 图像显示【实验内容】1)使用 MATLAB 图像读取函数imread 读取图像。

2)使用 MATLAB 图像显示函数imshow 显示图像。

3)使用 MATLAB 添加色带函数colorbar 为图像添加色带。

【实验目的】1)掌握MATLAB 图像读取和显示函数的应用方法。

2)了解如何为图像添加色带。

【实验结果】(放置处理前图像)(放置处理后图像)2-1 2-5-3 2-10【程序说明】a=imread('yq.jpg'); a=double(a); %a=uint8(a); imshow(a);%save saturn.dat a -ascii;save yu.text a -ascii; %结果图2-1e=imread('yq.jpg'); imshow(e);iptsetpref('ImshowTrues ize','manual'); figure,imshow(e);iptsetpref('ImshowTrues ize','auto'); bw1=zeros(20,20); bw1(2:2:18,2:2:18)=1; figure,imshow(bw1,'n otruesize');bw1 whos%结果图2-5-3%使用一个调色板来显示一副二进制图像figure,imshow(bw,[1 0 0;0 0 1]); %结果图2-10实验二 图像运算【实验内容】1)使用 MATLAB 滑动邻域操作函数nlfilter 对图像进行处理。

2)使用 MATLAB 分离邻域操作函数blkproc 对图像进行处理。

  1. 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. 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. 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)。

数字图像处理
实验报告
实验三邻域平均法滤波
学号
姓名
实验三邻域平均法滤波
一、实验内容
选取噪声较明显的图像,分别采用3*3、5*5、7*7的模板进行邻域平均法滤波,并比较滤波效果。

二、实验步骤
1、设计思想或者流程图。

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 i
mn
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;
mn 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:11111
1111
91Box 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、源程序并附上注释。

3、
A=imread('1.jpg');
B=rgb2gray(A);
figure; imshow(B); title('原始图象');
H=imnoise(B,'gaussian');
figure; imshow(H); title('高斯噪声');
Q=imnoise(B,'salt & pepper');
figure; imshow(Q); title('椒盐噪声');
M=fspecial('average',3*3);
E=imfilter(Q,M);
figure; imshow(E); title('3*3平均模板'); N=fspecial('average',5*5);
K=imfilter(Q,N);
figure; imshow(K); title('5*5平均模板'); Z=fspecial('average',7*7);
J=imfilter(Q,Z);
figure; imshow(J); title('7*7平均模板');
4、程序运行结果比较。

原始图像
椒盐噪声高斯噪声
5*5平均模板
从实验所得到的图片来看:邻域平均法实现很方便,适于消除图像中的颗粒
噪声,但需要指出这种方法既平滑了图像信号,同时使图像的细节部分变得模糊。

由以上处理后的图像可以看到:邻域平均法消弱了图像的边缘,使图像变得有些模糊。

均值滤波对高斯噪声的抑制是比较好的,但对椒盐噪声的抑制作用不好,
椒盐噪声仍然存在,只不过被削弱了而已。

5、实验体会。

通过本次实验,我知道了邻域平均法是空域处理方法,是一种利用Box模板对图像进行模板操作的图像平滑方法。

它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,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。

同时我也熟悉了Matlab软件的运用,将理论知识实践化,使自己知识体系更加系统化。

相关文档
最新文档