2.1图像滤波方法的比较实验报告

合集下载

2.1图像滤波方法的比较实验报告

课程大作业实验报告2.1 图像滤波方法的比较课程名称：数字图像处理组长：张佳林学号：200830460232 年级专业班级： 08 自动化 2班（ppt 制作，数据整理）成员一：卢洪炬学号：200830460222 年级专业班级：08 自动化 2班（实验报告，编程）成员二：余嘉俊学号：200830460231年级专业班级： 08 自动化 2班（编程，程序整理）指导教师邓继忠报告提交日期2010 年 12 月 4 日项目答辩日期2010 年 12 月 5 日目录1项目要求 (3)2项目开发环境 (3)3系统分析·························································3 3.1系统的主要功能分析 (3)3.2 系统的基本原理 (4)3.1 系统的关键问题及解决方法 (9)4系统设计························································10 4.1程序流程图及说明····························· (10)4.2 程序主要模块功能介绍 (11)5实验结果与分析··················································11 5.1 实验结果····························· (11)5.2 项目的创新之处 (15)5.3 存在问题及改进设想 (15)6心得体会························································15 6.1系统开发的体会····························· (15)6.2 对本门课程的改进意见或建议 (15)1项目要求1.1 基本要求：1)通过课本和网上查找资料，了解各种图像滤波的基本原理。

多媒体实验图像滤波

多媒体实验报告——图像滤波一、实验目的通过本章的课程设计，加深对数字图像滤波知识的理解，并获得如何处理图像的实际经验，达到以下目的1、熟练使用matlab进行图像的读取和显示；2、了解各种图像滤波的方法；3、掌握图像滤波的编程方法。

二、实验内容1、完成实验指导书5.2节的内容，掌握图像滤波的方法；2、在以上基础上完成下列程序的编写：练习1：完成p122页程序，将程序命名为threshold.m。

（注：lena图像在本版本matlab中没有，本实验的索引图像可采用'trees.tif'）程序如下：k=0.15;[x,map]=imread('trees.tif');I=ind2gray(x,map);I=double(I);Imax=max(max(I));Imin=min(min(I));Idelta=Imax-Imin;level1=k*Idelta+Imin;level2=2*k*Idelta+Imin;level3=3*k*Idelta+Imin;TI1=max(I,level1.*ones(size(I)));TI2=max(I,level2.*ones(size(I)));TI3=max(I,level3.*ones(size(I)));subplot(2,2,1);imshow(I,[]);Xlabel('(a)原始图像','FontSize',14,'FontName','隶书','color','b');subplot(2,2,2);imshow(TI1,[]);Xlabel('(b)15%的阈差图像','FontSize',14,'FontName','隶书','color','b');subplot(2,2,3);imshow(TI2,[]);Xlabel('(c)30%的阈差图像','FontSize',14,'FontName','隶书','color','b');subplot(2,2,4);imshow(TI3,[]);Xlabel('(d)45%的阈差图像','FontSize',14,'FontName','隶书','color','b');Matlab图像读取如下：练习2：改写练习1的程序，本次处理的图像为灰度图像。

数字图像处理滤波报告

2010年4月一，实验目的。

1.了解在数字图像处理中滤波的概念和意义。

2.掌握数字图像处理滤波程序。

二，实验原理。

图像的中值滤波是一种非线性的图像处理方法，它通过对邻域内像素按灰度排序的结果决定中心像素的灰度。

图像的中值滤波是统计排序滤波器的一种常见应用，它是通过对邻域内采样数据进行排序并取得中值来决定中心像素灰度的一种处理手段，图像的中值滤波在少量离散杂点的消除方面效果显著。

前面介绍过图像简单平滑和高斯平滑，以这两种算法为代表的平滑线性滤波算法在消除离散型杂点方面，都采取的是将杂点的干扰分摊到整个邻域中的每个像素，以减少杂点的影响，然而这样做的代价就是图像清晰度的大量损失。

如图11-14所示，a表示一个5×5邻域的像素灰度，其中中点位置的像素为孤立的杂点，b为对a进行一次简单平滑处理的结果，c 为对b进行简单平滑的结果，从图中可看出简单平滑将杂点对图像的影响分担到了邻域的其他像素。

图11-14 孤立杂点的简单平滑从图11-14中可以发现简单平滑对于孤立的杂点消除较为有效，而对于稍大的杂点或是密集的杂点，图像简单平滑的效果就不够理想。

如图11-15所示，其中a表示一个5×5邻域的像素灰度，其中灰度为0的点为杂点，b为对a进行简单平滑的结果，从图中可以看出简单平滑使画面质量严重下降，并且并没有很好地去除杂点影响。

图11-15 稍大杂点的简单平滑分析原因，可以发现平滑线性滤波器的工作原理可以比喻为用水冲洗桌面上的污点，冲洗的结果污点并没有消失，只是被淡化，如果污点较大较密集，则冲洗的结果是整个桌面都被污点所影响。

尝试换一种思路，如果不采取冲淡污点的办法而是将污点直接去除，这样就可以避免污点数量较多时难以去除的困难，这也就是中值滤波的基本思想。

在中值滤波算法中，对于孤立像素的属性并不非常关注，而是认为图像中的每个像素都跟邻域内其他像素有着密切的关系，对于每一个邻域，算法都会在采样得到的若干像素中，选择一个最有可能代表当前邻域特征的像素的灰度作为中心像素灰度，这样就有效避免了离散型杂点对图像的影响。

图像的平滑滤波---数字图像处理实验报告南昌大学

实验报告三姓名：胡文松学号：6103413007 班级：生物医学工程131 实验日期：2016/5/11 实验成绩：实验题目：图像的平滑滤波一．实验目的（1）熟练掌握空域平滑滤波的原理、方法及其MATLAB实现。

（2）分析模板大小对空域平滑滤波的影响，线性和非线性方法对空域平滑滤波增强效果的影响，比较不同滤波器的处理效果，分析其优缺点。

二．实验原理（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。

（2）非线性滤波器数字图像处理中最著名的统计排序滤波器是中值滤波器，MATLAB工具箱提供了二维中值滤波函数medfilt2，语法为：g = medfilt2(f, [m n], padopt)矩阵[m n]定义了一个大小为m×n的邻域，中值就在该邻域上计算；而参数padopt指定了三个可能的边界填充选项：’zeros’（默认值，赋零），’symmetric’按照镜像反射方式对称地沿延其边界扩展，’indexed’，若f是double类图像，则以1来填充图像，否则以0来填充图像。

（3）线性空间滤波器MATLAB工具箱支持一些预定义的二维线性空间滤波器，这些空间滤波器可通过函数fspecial实现。

生成滤波模板的函数fspecial的语法为：w = fspecial(‘type’, parameters) ；其中，’type’表示滤波器类型，parameters进一步定义了指定的滤波器。

fspecial(‘laplacian’, alpha) 一个大小为3×3的拉普拉斯滤波器，其形状由alpha指定，alpha是范围[0, 1]的数。

(按模板)实验三图像的平滑滤波比较实验目的及原理(2017年春)

班级：姓名：学号：实验三图像的平滑滤波比较目的1、理解图像滤波的基本定义及目的；2、掌握空域滤波的基本原理及方法；3、掌握用MATLAB语言进行图像的空域滤波的方法。

原理一、多次相加求平均降噪1．完成人为的往一幅图像中加入噪声，并通过多次相加求平均的方法消除所加入的噪声。

在MATLAB中提供了给图像加入噪声的函数imnoiseimnoise的语法格式为J = imnoise(I,type)J = imnoise(I,type,parameters)其中J = imnoise(I,type)返回对原始图像I添加典型噪声的有噪图像J。

参数type和parameters用于确定噪声的类型和相应的参数。

下面的命令是对图像eight.tif分别加入高斯噪声、椒盐噪声和乘性噪声，其结果如图所示：例：I=imread('eight.tif');J1=imnoise(I,'gaussian',0,0.02);J2=imnoise(I,'salt & pepper',0.02);J3=imnoise(I,'speckle',0.02);subplot(2,2,1),imshow(I),title('原图像');subplot(2,2,2),imshow(J1),title('加高斯噪声');subplot(2,2,3),imshow(J2),title('加椒盐噪声');subplot(2,2,4),imshow(J3),title('加乘性噪声');代数运算中需要有若干幅带有随机噪声的图像数据，在这里我们运用MATLAB 中的FOR循环语句来完成产生多幅带有噪声的图像数据及将这些图像数据进行相加运算。

MATLAB中FOR END循环的用法如下：for end循环这种循环允许一组命令以固定的和预定的次数重复，循环的一般形式为：for variable = expressionstatementsend2、均值滤波模块系数都是１,为保持灰度值范围（算得R后要将其除以系数总个数）在MATLAB图像处理工具箱中，提供了medfilt2函数用于实现中值滤波。

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。

实验报告3：图像的线性与非线性空间滤波

实验报告3：图像的线性与非线性空间滤波一．浮雕效果的实现方式----线性滤波1.浮雕效果的原理描述实现图像浮雕效果的原理是将图像上每个像素点与其对角线的像素点形成差值，使相似颜色值淡化，不同颜色值突出，将图像中灰度值变换较大的部分的像素突出出来，并将灰度值变换不大的部分淡化，从而产生纵深感，达到类似浮雕的效果。

而产生浮雕效果的函数是线性滤波函数filter2（），该函数是一个对二维图像使用的线性滤波器；使用该函数时输入一个算子模块，并生成卷积算子，通过选择合适的滤波算子就能使得图像产生近似于相似色块内对比度加强的浮雕效果。

具体的做法是取主对角线除右下角外的各点之和的平均值，减去右下角点的值，再加上填充背景色，再加上一个背景常数（一般为128）而成，会形成类似浮雕的效果。

2.浮雕特效的效果对比：原图：对比图：、可以看出，原图作为一副彩色图片，其颜色分明的部分的轮廓被很好地保留了下来，并加强了对比度。

本图片右下角有水印，因此水印作为外框黑色填充黄色的图形，被和背景叠加在了一起，并且边界对比度也得到了加强，然而原图是彩色图，画出的浮雕图形是黑白的，因为灰度图像显示彩色图像的浮雕效果更有真实感和立体感。

3.源代码：YT=imread(‘yuantu.jpg’);R=YT(:,:,1);G=YT(:,:,2);B=YT(:,:,3);h=[10-1;40-4;10-1];JR1=filter2(h,R);JG1=filter2(h,G);JB1=filter2(h,B);k=[410;10-1;0-1 -4];JR2=filter2(k,R);JG2=filter2(k,G);JB2=filter2(k,B);JR=JR1+JR2;JG=JG1+JG2;JB=JB1+JB2;J=JR+JG+JB;subplot(1,2,1),imshow(YT),title(‘原图’);subplot(1,2,2),imshow(J),title(‘浮雕效果图’);4.代码解释：代码首先用imread函数将图像写入，然后利用(x,y,1/2/3)的矩阵读取原图每个像素的RGB三个颜色的像素值。

图像增强和滤波实验

实验四图像增强和滤波实验一．实验目的：掌握基本的图像增强方法，观察图像增强的效果，加深对灰度直方图的理解。

掌握基本的图像滤波方法，观察图像滤波的效果。

二．实验内容：对比度增强，灰度变换，直方图均衡化，图像滤波对给定的灰度的数字图像（图像文件名分别为cameraman.tif，rice.tif和pout.tif）进行如下处理：（1）统计原图像的灰度直方图，并利用直方图均衡化处理进行图像增强，同屏显示处理前后图像及其灰度直方图，比较异同，并回答数字图像均衡化后其直方图分布情况。

（2）利用图像调整函数（直接灰度调整方法）进行图像增强，同屏显示处理前后图像及其灰度直方图，比较异同，并回答数字图像均衡化后其直方图分布情况。

（3）利用函数IMNOISE，在图像（LENA256.BMP）上分别叠加高斯噪声(gaussian)和椒盐噪声(salt&peppers)，对比高斯低通滤波器和均值滤波器的性能。

三、实验原理1、图像增强技术；图像滤波技术介绍图像增强是将原来不清晰的图像变得清晰或强调某些关注的特征，抑制非关注的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果的图像处理方法。

按所处理的对象不同可分为灰度图像增强和彩色图像增强。

图像非常直观，易于理解，但在实际应用中得到的图像品质并不是那么好，或在图像采集过程中不可避免的加入了噪声，因此研究快速且有效地图像增强算法成为推动图像分析和图像理解领域发展的关键内容之一。

突出图像中目标物体的某些特点、从数字图像中提取目标物的特征参数等等，这些都有利于对图像中目标的识别、跟踪和理解。

图像增强并不要求忠实地反映原始图像相反，含有某种失真（例如突出轮廓线）的图像可能比无失真的原始图像更为清晰。

在力学应用中，液体流动双折射图像的处理，物体变形图像的处理等。

按照增强处理的空间不同可分为两类：空域增强，频率增强。

前者直接在图像所在的二维空间进行增强处理，即增强构成图像的像素，包括灰度变换增强，直方图增强，图像平滑和图像锐化等。

数字图像处理实验二报告(图像滤波器)

实验报告课程名称数字图像处理实验名称图像滤波器姓名学号 20120712 专业班级数媒1202 实验日期 2014 年 10 月 16日成绩指导教师一、实验目的1.继续熟悉仿真工具MATLAB2.巩固图像读取与显示的方法3.掌握给图像添加噪声的方法4.掌握图像空间域的滤波方法5.掌握图像频率域的滤波方法二、实验原理图像的平滑有模糊图像和消除噪声的功能。

图像锐化则是使模糊的图像变清晰，增强图像的边缘细节。

对图的处理像既可以在频率域内进行，又可在空间域进行（一般为模版卷积方式）。

从信号频谱角度来讲，信号缓慢变化的部分（大面积背景区和灰度变化缓慢的区域）在频域表现为低频，迅速变化的部分（图像边缘、跳跃以及噪声等灰度变化剧烈的区域）则表现为高频。

因此，通过低通滤波来实现图像的平滑，而高通滤波可以实现图像的锐化。

三、实验环境Windows XP/ Windows 7Matlab 7.0.1/ Matlab R2008四、实验内容与步骤1.空间平滑域操作读取并显示一幅灰度图像，对原图像分别添加高斯噪声和椒盐噪声，并显示添加噪声之后的图像:调整高斯噪声和椒盐噪声的参数，比较不同参数之间噪声的区别；进行平滑操作，观察、记录并比较实验结果；针对两幅含有噪声的图像，采用中值滤波方法进行平滑处理，观察并记录实验结果，并将之与上一步实验结果相比较，得出结论。

2.空间锐化操作读取并显示一幅灰度图像，分别采用Prewitt水平/垂直边缘检测算子，Sobel水平/垂直边缘检测算子对原图像进行锐化操作，比较实验结果；采用拉普拉斯模板进行锐化处理，与上一步骤实验结果相比较。

3.图形的频域处理1）利用循环语句，自己构建理想低通滤波器；对一幅弧度图像进行傅里叶变换，显示其频谱图；对一幅灰度图像作频率域理想低通滤波，调整滤波器半径，观察并记录不同结果，分析原因；2）利用循环语句，自己构建理想高通滤波器；对同一幅灰度图像作频率域理想高通滤波，调整滤波器半径，观察并记录不同结果，分析原因；五、实验结果与分析(可提供屏幕抓图)1.添加高斯噪声与椒盐噪声：结论：高斯噪声的参数越大，图像变得越模糊，亮度也越亮。

阿贝成像原理和空间滤波实验报告

课程名称：大学物理实验（二）实验名称：阿贝成像原理和空间滤波4.学习θ调制与假彩色编码。

二、实验原理2.1阿贝成像原理：阿贝认为物体是由许多不同方位、不同空间频率的光栅构成的；其次，物体通过透镜成像的过程分为两步:1)入射光经物平面发生夫琅禾费衍射，衍射光束被分解成为不同方向传播的多束平行光（每一束平行光相应于一定的空间频率，按衍射规律，物面上距离越近的，即空间频率越高的点其衍射角度越大），其作用是把光场分布转变为空间频率分布，即“分频”2)衍射波被透镜接收,在透镜的焦平面上形成三个频率成分不同的衍射斑S+1.S0,S-1，所以把所在的焦平面称为谱平面。

S+1.S0,S-1可看成三个次波源，次波源发出的球面波在透镜的像平面发生相干迭加，不同空间频率的光束又复合成像。

即“合成”图1阿贝成像原理示意图2.2空间滤波阿贝成像原理的这两个步骤本质上就是两次傅里叶变换。

如果物的复振幅分布是空间函数g（x，y），第一步的作用就是把光场分布变为频谱面上的空间频率分布函数G（fx，fy）。

而第二步是又一次傅里叶变换，将G（fx，fy）又还原到空间分布g（x，y）。

如果这两次傅氏变换完全是理想的，信息在变换过程中没有损失，则像和物完全相似。

但由于透镜的孔径是有限的，总有一部分衍射角度较大的高次成分（高频信息）不能进入物镜而被丢弃了，如下图所示，所以物所包含的超过一定空间频率的成分就不能包含在像上。

高频信息主要反映物的细节。

如果高频信息没有到达像平面，则无论显微镜有多大的放大倍数，也不能在像平面上分辨这些细节。

这显微镜分辨率受到限制的根本原因。

图2 透镜的低通滤波作用特別当物的结构非常精细（例如很密的光栅），或物镜的孔径非常小时，有可能只有0级衍射（直流成分）能通过，则在像平面上只有光斑而完全不能形成图像。

根据上面讨论，我们可以看到显微镜中的物镜的孔径实际上起了高频滤波（即低通滤波）的作用。

这也启示我们，如果在谱平面上人为地插上一些滤波器（吸收板或移像板）以提取某些频段的光信息，从而使图像发生相应的变化，这样的图像处理称为空间滤波。

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。

数字图像处理实验报告--平滑滤波

数字图像处理实验报告实验名称：线性平滑滤波器——领域平均与加权平均姓名：班级：学号：专业：电子信息工程（2+2）指导教师：***实验日期：2012年5月17日一，图像的平滑图像的平滑方法是一种实用的图像处理技术，能减弱或消除图像中的高频率分量，但不影响低频率分量。

因为高频率分量主要对应图像中的区域边缘等灰度值具有较大较快变化的部分，平滑滤波将这些分量滤去可减少局部灰度起伏，使图像变得比较平滑。

实际应用中，平滑滤波还可用于消除噪声，或者在提取较大目标前去除过小的细节或将目标内的小间断连接起来。

它的主要目的是消除图像采集过程中的图像噪声，在空间域中主要利用邻域平均法、中值滤波法和选择式掩模平滑法等来减少噪声；在频率域内，由于噪声主要存在于频谱的高频段，因此可以利用各种形式的低通滤波器来减少噪声。

二，领域平均1．基础理论最简单的平滑滤波是将原图中一个像素的灰度值和它周围邻近8个像素的灰度值相加，然后将求得的平均值（除以9）作为新图中该像素的灰度值。

它采用模板计算的思想，模板操作实现了一种邻域运算，即某个像素点的结果不仅与本像素灰度有关，而且与其邻域点的像素值有关。

模板运算在数学中的描述就是卷积运算，邻域平均法也可以用数学公式表达：设为给定的含有噪声的图像，经过邻域平均处理后的图像为，则，M是所取邻域中各邻近像素的坐标，是邻域中包含的邻近像素的个数。

邻域平均法的模板为：，中间的黑点表示以该像素为中心元素，即该像素是要进行处理的像素。

在实际应用中，也可以根据不同的需要选择使用不同的模板尺寸，如3×3、5×5、7×7、9×9等。

邻域平均处理方法是以图像模糊为代价来减小噪声的，且模板尺寸越大，噪声减小的效果越显著。

如果是噪声点，其邻近像素灰度与之相差很大，采用邻域平均法就是用邻近像素的平均值来代替它，这样能明显消弱噪声点，使邻域中灰度接近均匀，起到平滑灰度的作用。

因此，邻域平均法具有良好的噪声平滑效果，是最简单的一种平滑方法。

图像滤波平滑实验报告

图像滤波平滑实验报告引言图像滤波平滑是数字图像处理中的基本操作之一。

通过应用合适的滤波器，可以减少图像中的噪声、平滑细节，从而改善图像的质量和观感。

本实验旨在探究图像滤波平滑的原理和方法，并通过实验验证其效果。

实验目的1. 了解图像滤波平滑的基本原理。

2. 学习常用的图像滤波平滑方法及其优缺点。

3. 掌握图像滤波平滑的实际应用。

实验步骤本实验使用Python编程语言进行图像处理。

以下是具体的实验步骤：1. 下载并安装Python及相关库。

2. 导入所需的库，包括NumPy（用于处理数值计算）和OpenCV（用于图像处理）。

3. 读取待处理的图像。

4. 使用不同的滤波器对图像进行平滑处理。

5. 对比不同滤波器的效果，并进行分析。

实验结果与分析本实验选取了三种常用的图像滤波平滑方法：均值滤波、中值滤波和高斯滤波。

下面分别对它们的效果进行分析。

1. 均值滤波均值滤波是一种简单的滤波方法，它将每个像素的灰度值设置为周围像素的平均值。

它适用于轻度噪声的去除，但会模糊图像的细节。

实验结果显示，均值滤波可以有效地减少图像中的噪声，但同时也导致图像变得模糊。

2. 中值滤波中值滤波是一种非线性滤波方法，它将每个像素的灰度值设置为周围像素的中值。

相较于均值滤波，中值滤波能够更好地保留图像的边缘和细节。

实验结果显示，中值滤波在去除噪声的同时对图像的细节损失较小。

3. 高斯滤波高斯滤波是一种基于高斯函数的线性滤波方法，它将每个像素的灰度值设置为周围像素的加权平均值。

高斯滤波对于去除高斯噪声效果显著，同时也能保持图像细节的清晰度。

实验结果显示，高斯滤波对图像的平滑效果较好。

实验总结本实验通过对比不同的图像滤波平滑方法，发现不同的方法适用于不同场景的图像处理。

均值滤波适合轻度噪声、对图像细节要求较低的场景；中值滤波适合去除椒盐噪声、能较好地保留图像细节；而高斯滤波则适用于去除高斯噪声、较好地平滑图像。

在实际应用中，我们需要根据图像的特点和需求选择合适的滤波方法。

数字图像处理实验报告

数字图像处理试验报告实验二:数字图像的空间滤波与频域滤波姓名:XX学号:2XXXXXXX 实验日期:2017 年4 月26 日1、实验目的1、掌握图像滤波的基本定义及目的。

2、理解空间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。

4、掌握傅立叶变换及逆变换的基本原理方法。

5、理解频域滤波的基本原理及方法。

6、掌握进行图像的频域滤波的方法。

2、实验内容与要求1、平滑空间滤波:1) 读出一幅图像,给这幅图像分别加入椒盐噪声与高斯噪声后并与前一张图显示在同一图像窗口中。

2) 对加入噪声图像选用不同的平滑(低通)模板做运算,对比不同模板所形成的效果, 要求在同一窗口中显示。

3) 使用函数 imfilter 时, 分别采用不同的填充方法( 或边界选项, 如零填充、’replicate’、’symmetric’、’circular’)进行低通滤波,显示处理后的图像。

4) 运用for 循环,将加有椒盐噪声的图像进行10 次,20 次均值滤波,查瞧其特点, 显示均值处理后的图像(提示:利用fspecial 函数的’average’类型生成均值滤波器)。

5) 对加入椒盐噪声的图像分别采用均值滤波法,与中值滤波法对有噪声的图像做处理,要求在同一窗口中显示结果。

6) 自己设计平滑空间滤波器,并将其对噪声图像进行处理,显示处理后的图像。

2、锐化空间滤波1) 读出一幅图像,采用3×3 的拉普拉斯算子 w = [ 1, 1, 1; 1 – 8 1; 1, 1, 1]对其进行滤波。

2) 编写函数w = genlaplacian(n),自动产生任一奇数尺寸n 的拉普拉斯算子,如5×5的拉普拉斯算子w = [ 1 1 1 1 11 1 1 1 11 1 -24 1 11 1 1 1 11 1 1 1 1]3) 分别采用5×5,9×9,15×15与25×25大小的拉普拉斯算子对blurry_moon、tiff (x, y) -∇2 f (x, y) 完成图像的锐化增强,观察其有何进行锐化滤波,并利用式g(x, y) =不同,要求在同一窗口中显示。

实验一：图像滤波(东北大学图像处理课程)

问题一1.1 算法原理a. 直方图均衡化一种简单有效的图像增强技术，通过改变图像的直方图来改变图像中各像素的灰度，主要用于增强动态范围偏小的图像的对比度。

原始图像由于其灰度分布可能集中在较窄的区间，造成图像不够清晰。

因为图像由一个个像素点组成，所以图像直方图均衡化是通过离散形式的累积分布函数求解的，直方图均衡化过程中，映射方法是：S k=∑n j nkj=0k=0,1,2,...,L−1其中，S k指当前灰度级经过累积分布函数映射后的值，n是图像中像素的总和，n j是当前灰度级的像素个数，L是图像中的灰度级总数。

算法步骤：●依次扫描原始灰度图像的每一个像素，计算出图像的灰度直方图；●计算灰度直方图的累积分布函数；●根据累积分布函数和直方图均衡化原理得到输入与输出之间映射关系；●最后根据映射关系得到结果进行图像变换。

b. 线性变换令r为变换前的灰度，s为变换后的灰度，则线性变换的函数：s=a⋅r+b其中，a为直线的斜率，b为在y轴的截距。

选择不同的a，b值会有不同的效果。

a>1，增加图像的对比度；a<1，减小图像的对比度；a=1且b≠0，图像整体的灰度值上移或者下移，也就是图像整体变亮或者变暗，不会改变图像的对比度；a<0且b=0，图像的亮区域变暗，暗区域变亮；a=1且b=0，恒定变换，不变；a=−1且b=255，图像反转。

c. 对数变换对数变换，将源图像中范围较窄的低灰度值映射到范围较宽的灰度区间，同时将范围较宽的高灰度值区间映射为较窄的灰度区间，从而扩展了暗像素的值，压缩了高灰度的值，能够对图像中低灰度细节进行增强。

反对数函数的曲线和对数的曲线是对称的，在应用到图像变换其结果是相反的，反对数变换的作用是压缩灰度值较低的区间，扩展高灰度值的区间。

对数变换的通用形式为：S=c×log(1+r)其中，c（本实验中取c值为40）是一个常数，s为变换后像素值，r为变换前像素值，且假设r≥0。

实验三图像滤波

实验三图像滤波实验一、实验目的1.熟练掌握空域滤波中常用滤波器的原理；2.理解邻域平均、中值滤波降噪法等的图像增强原理；3.加深对图像增强的认识，巩固所学图像增强理论知识和相关算法；4.利用MATLAB 程进行图像滤波，观察增强效果。

二、实验原理以图像平滑为例：图像平滑方法是一种实用的图像处理技术，能减弱或消除图像中的高频率分量，但不影响低频率分量。

因为高频率分量主要对应图像中的区域边缘等灰度值较大变化较快的部分，平滑滤波将这些分量滤去可减少局部灰度起伏，使图像变得比较平滑。

实际应用中，平滑滤波还可用于消除突发噪声，或者在提取较大目标前去除过小的细节或将目标内的小间断连接起来。

1. 邻域平均法用窗口像素的平均值取代中心像素原来的灰度值。

邻域的选取通常有4-邻域和8-邻域。

∑∈=A y x y x f L j i g ),(),(1),( 2. 中值滤波与加权平均方式的平滑滤波不同，中值滤波是抑制噪声的非线性处理方法。

对于给定的n 个数值{a1,a2,…,an}，将它们按大小有序排列。

当n 为奇数时，位于中间位置的那个数值称为这n 各数值的中值。

当n 为偶数时，位于中间位置的两个数值的平均值称为这n 个数值的中值。

中值滤波，就是图像中滤波后的某像素输出值等于该像素邻域中各像素灰度的中值。

三、实验内容与步骤：按下面要求编写程序并运行对peppers.bmp 图像添加零均值“高斯”噪声，用3×3或9×9滑动平均模板进行降噪处理，观察平均降噪图像的效果。

1.对peppers.bmp 图像添加零均值“高斯”噪声程序代码如下：I=imread('d:\peppers.bmp');J=imnoise(I,'gaussian',0,0.02);subplot(1,2,1);imshow(I);title('原图');subplot(1,2,2);imshow(J);title('加噪处理后的图');运行结果如下：2.用3×3滑动平均模板进行降噪处理，观察平均降噪图像的效果程序代码如下：I=imread('d:\peppers.bmp');J=imnoise(I,'gaussian',0,0.02);[H,W]=size(J);M=double(J);M1=M;for j=2:H-1for k=2:W-1M1(j,k)=[M(j-1,k-1)+M(j-1,k)+M(j-1,k+1)+M(j,k-1)+M(j,k)+M(j,k+1)+M(j+1,k-1) +M(j+1,k)+M(j+1,k+1)]/9;end;end;subplot(1,3,1);imshow(I);title('原图');subplot(1,3,2);imshow(J);title('加噪处理');subplot(1,3,3);imshow(uint8(M1),[]);title('3*3邻域平均降噪处理');运行结果如下：3.对peppers.bmp图像添加“椒盐”噪声，分别采用5×5的矩形、圆形及十字形窗口进行中值滤波处理，观察处理结果。

图像滤波实验报告分析的三个基本流程

图像滤波实验报告分析的三个基本流程下载温馨提示:该文档是我店铺精心编制而成，希望大家下载以后，能够帮助大家解决实际的问题。

文档下载后可定制随意修改，请根据实际需要进行相应的调整和使用，谢谢!并且，本店铺为大家提供各种各样类型的实用资料，如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等，如想了解不同资料格式和写法，敬请关注!Download tips: This document is carefully compiled by theeditor.I hope that after you download them,they can help yousolve practical problems. The document can be customized andmodified after downloading,please adjust and use it according toactual needs, thank you!In addition, our shop provides you with various types ofpractical materials,such as educational essays, diaryappreciation,sentence excerpts,ancient poems,classic articles,topic composition,work summary,word parsing,copy excerpts,other materials and so on,want to know different data formats andwriting methods,please pay attention!图像滤波实验报告分析：三大基本流程在图像处理领域，图像滤波是一种常见的技术，用于改善图像质量、消除噪声或突出特定特征。

数字媒体实验报告文档(3篇)

第1篇一、实验目的本次实验旨在通过实践操作，让学生掌握数字媒体的基本处理方法，了解数字媒体技术的应用领域，并能够运用所学知识进行简单的数字媒体创作。

二、实验内容1. 数字图像处理实验一：图像的获取与格式转换目的：学习使用图像采集设备获取图像，并了解常见的图像格式。

内容：使用数码相机拍摄一张照片，了解其图像格式，并使用图像处理软件进行格式转换。

实验二：图像的基本编辑操作目的：掌握图像的基本编辑操作，如裁剪、旋转、调整亮度等。

内容：使用图像处理软件对实验一获取的图像进行裁剪、旋转、调整亮度等操作。

实验三：图像滤波与锐化目的：学习图像滤波与锐化的方法，提高图像质量。

内容：使用图像处理软件对实验一获取的图像进行滤波与锐化处理。

2. 数字音频处理实验一：音频信号的获取与格式转换目的：学习使用音频采集设备获取音频，并了解常见的音频格式。

内容：使用麦克风录制一段音频，了解其音频格式，并使用音频处理软件进行格式转换。

实验二：音频的基本编辑操作目的：掌握音频的基本编辑操作，如剪切、合并、调整音量等。

内容：使用音频处理软件对实验一获取的音频进行剪切、合并、调整音量等操作。

实验三：音频效果处理目的：学习音频效果处理方法，如混响、回声等。

内容：使用音频处理软件对实验一获取的音频进行混响、回声等效果处理。

3. 数字视频处理实验一：视频信号的获取与格式转换目的：学习使用视频采集设备获取视频，并了解常见的视频格式。

内容：使用摄像机录制一段视频，了解其视频格式，并使用视频处理软件进行格式转换。

实验二：视频的基本编辑操作目的：掌握视频的基本编辑操作，如剪切、合并、调整播放速度等。

内容：使用视频处理软件对实验一获取的视频进行剪切、合并、调整播放速度等操作。

实验三：视频特效处理目的：学习视频特效处理方法，如慢动作、快动作等。

内容：使用视频处理软件对实验一获取的视频进行慢动作、快动作等特效处理。

三、实验步骤1. 准备实验环境安装数字媒体处理软件，如Adobe Photoshop、Adobe Audition、Adobe Premiere等。

最优滤波实验报告结论

最优滤波实验报告结论引言滤波是数字信号处理中常用的技术，用于去除信号中的噪声或者改变信号频谱，从而提取出我们所需要的信息。

在本次实验中，我们通过比较不同滤波算法的性能，以及选择最优滤波算法的方式，来探究如何选择合适的滤波算法。

实验方法本次实验分为三个阶段：1. 选择不同滤波算法2. 对比不同滤波算法的性能3. 确定最优滤波算法实验结果选择不同滤波算法我们选择了三种常用的滤波算法，包括：1. 均值滤波：简单地求取邻域内像素的平均值，用于去除高频噪声。

2. 中值滤波：将邻域内像素的灰度值进行排序，取中间值作为当前像素的灰度值，用于去除椒盐噪声等。

3. 高斯滤波：根据高斯函数计算邻域内像素的加权平均值，用于平滑图像。

对比不同滤波算法的性能我们首先用不同滤波算法处理了一组含有噪声的图像，并对比了处理后的图像质量。

通过直观比较，我们发现：- 均值滤波对于高频噪声的去除效果较好，但会对图像细节造成模糊。

- 中值滤波能够有效去除椒盐噪声，但对于高频噪声的去除效果较差。

- 高斯滤波在平滑图像的同时，对于噪声的去除效果也较好。

为了进一步评估滤波算法的性能，我们计算了图像处理前后的峰值信噪比（PSNR）。

结果显示，使用高斯滤波的图像在PSNR方面较优，followed by the median filter, while the mean filter produced the lowest PSNR value.确定最优滤波算法通过综合比较不同滤波算法的性能，我们发现高斯滤波的在降噪效果和图像质量方面表现较好，而均值滤波则在图像细节保留方面表现较差。

因此，我们得出结论：高斯滤波是在本次实验中的最优滤波算法。

结论本次实验通过对比不同滤波算法的性能，我们发现高斯滤波算法具有较好的降噪效果和图像质量。

然而，在实际应用中，我们需要根据具体的需求和噪声特征来选择合适的滤波算法。

通过本次实验，我们深入了解了滤波算法的原理和应用，为进一步研究和探索数字信号处理领域打下了基础。

彩色图像滤波实验报告

实验8 彩色图像滤波一、实验目的通过本实验使学生掌握使用MATLAB进行彩色图像处理的方法，加深对彩色空间和彩色图像的理解。

二、实验内容（一）HIS空间分量读取lena_color.tif图像，进行下列操作：（1）、编写函数，将其从RGB空间转换到HIS空间，分别显示其H分量、S分量、I分量。

（2）、编写函数，将图像从HIS空间转换到RGB空间，分别显示R分量、G分量、B分量。

三.思考：1.对所有分量进行平滑再组合，看出整个图像也被平滑，变模糊了；2．只对红色分量进行平滑，再组合，看出这个图像的比原来变浅了，没有什么大的变化；3.直方图均衡化是非线性过程，对每个分量进行直方图均衡再组合，看出原图像严重变形，与原来差别较大；4.处理椒盐噪声，适宜用中值滤波，考虑到对彩色图像处理应注意的条件，故必须对每个分量处理再组合，不然图像会变形；5.处理高斯噪声，适宜用均值滤波器，可以对每个分量处理，也可以对整体分量处理，但效果并不相同。

程序如下：变化函数：RGBtoHSI函数function [H,S,I]=RGBtoHSI(imagrgb)[X,Y,Z]=size(imagrgb);image=im2double(imagrgb);R=image(:,:,1);G=image(:,:,2);B=image(:,:,3);H=zeros(X,Y);S=zeros(X,Y);%先赋值for i=1:Xfor j=1:Ynum=0.5*(R(i,j)-G(i,j)+R(i,j)-B(i,j));den=sqrt((R(i,j)-G(i,j))^2+(R(i,j)-B(i,j))*(G(i,j)-B(i,j)));theta=acos(num/(den+eps)); %·防止为0if (B(i,j)<=G(i,j))H(i,j)=theta;elseH(i,j)=2*pi-theta;endminx=min(R(i,j),G(i,j));minx=min(B(i,j),minx);S(i,j)=1-3/(R(i,j)+G(i,j)+B(i,j))*minx;endendI=1/3*(R+G+B);HIStoRG函数：function image=HSItoRGB(H,S,I)[X,Y,Z]=size(I);image=zeros(X,Y,3);R=zeros(X,Y);G=zeros(X,Y);B=zeros(X,Y);for i=1:Xfor j=1:Yif (H(i,j)<=(2*pi/3))b=I(i,j)*(1-S(i,j));r=I(i,j)*(1+S(i,j)*cos(H(i,j))/cos(pi/3-H(i,j)));g=3*I(i,j)-R(i,j)-B(i,j);image(i,j,1)=r;image(i,j,2)=g;image(i,j,3)=b;else if(H(i,j)<=(4*pi/3))H=H-2*pi/3;b=3*I(i,j)-R(i,j)-G(i,j);r=I(i,j)*(1-S(i,j));g=I(i,j)*(1+S(i,j)*cos(H(i,j))/cos(pi/3-H(i,j)));image(i,j,1)=r;image(i,j,2)=g;image(i,j,3)=b;else if(H(i,j)<=2*pi)H=H-4*pi/3;g=I(i,j)*(1-S(i,j));b=I(i,j)*(1+S(i,j)*cos(H(i,j))/cos(pi/3-H(i,j))); r=3*I(i,j)-R(i,j)-G(i,j);image(i,j,1)=r;image(i,j,2)=g;image(i,j,3)=b;endendendendend主函数：%==读取分量==lena_color=imread('d:\test_images\lena_color.tif','tif'); [H,S,I] = RGBtoHSI(lena_color);%===HIS分量=====subplot(2,2,1);imshow(lena_color);title('origin');H=H/(2*pi)*255;%范围0~255subplot(2,2,2);imshow(H);title('H');subplot(2,2,3);imshow(S);title('S');subplot(2,2,4);imshow(I);title('I');%====HIStoRGBlena_rgb=HSItoRGB(H,S,I);lena_rgb_c=im2double(lena_rgb);R=lena_rgb_c(:,:,1);G=lena_rgb_c(:,:,2);B=lena_rgb_c(:,:,3);figure(2);subplot(2,2,1);imshow(lena_rgb_c);title('HSItoRGB'); subplot(2,2,2);imshow(R);title('R');subplot(2,2,3);imshow(G);title('G');subplot(2,2,4);imshow(B);title('B');运行结果：origin HS IHSItoRGB RG B（二）RGB空间的彩色平滑读取lena_color.tif图像，进行下列操作:（1）、采用7×7均值滤波器对彩色图像的所有分量进行相同平滑，同屏显示原图像和平滑后图像，对结果进行说明；（2）、采用7×7均值滤波器对彩色图像的红分量进行平滑，其它分量不变，同屏显示原图像和平滑后图像，对结果进行说明；（3）、采用直方图均衡方法，对彩色图像的三个分量进行增强，同屏显示原图像和增强后图像，对结果进行说明；（4）、将图像添加上椒盐噪声， A_noised=imnoise(A, ‘salt & pepper’, 0.02)，选择合适的滤波器进行滤波，观察滤波效果；（5）、将图像添加上高斯噪声， A_noised=imnoise(A, ‘gauss’, 0.02)，选择合适的滤波器进行滤波，观察滤波效果；程序如下：%==每个分量滤波============lena_color=imread('d:\test_images\lena_color.tif','tif');lena_red=lena_color(:,:,1);lena_green=lena_color(:,:,2);lena_blue=lena_color(:,:,3);H=1/49*ones(7,7);lena_red1=imfilter(lena_red,H);lena_green1=imfilter(lena_green,H);lena_blue1=imfilter(lena_blue,H);%===组合图像========================lena(:,:,1)=lena_red1;lena(:,:,2)=lena_green1;lena(:,:,3)=lena_blue1;figure(1);subplot(1,2,1);imshow(lena_color);title('origin');subplot(1,2,2);imshow(lena);title('7*7');结果如下：origin7*72. %==红色分量滤波¨============lena_color=imread('d:\test_images\lena_color.tif','tif'); lena_red=lena_color(:,:,1);H=1/49*ones(7,7);lena_red1=imfilter(lena_red,H);%===组合图像============================lena(:,:,1)=lena_red1;lena(:,:,2)=lena_color(:,:,2);lena(:,:,3)=lena_color(:,:,3);figure(1);subplot(1,2,1);imshow(lena_color);title('origin');subplot(1,2,2);imshow(lena);title('7*7red');origin7*7red3. %==每个分量直方图均衡¨============lena_color=imread('d:\test_images\lena_color.tif','tif'); lena_red=lena_color(:,:,1);lena_green=lena_color(:,:,2);lena_blue=lena_color(:,:,3);lena_red1=histeq(lena_red);lena_green1=histeq(lena_green);lena_blue1=histeq(lena_blue);%===组合===================lena(:,:,1)=lena_red1;lena(:,:,2)=lena_green1;lena(:,:,3)=lena_blue1;figure(1);subplot(1,2,1);imshow(lena_color);title('origin');subplot(1,2,2);imshow(lena);title('jungheng');origin jungheng4. %==每个分量滤波============lena_color=imread('d:\test_images\lena_color.tif','tif');lena_color_noi=imnoise(lena_color,'salt & pepper',0.02);lena_red=lena_color_noi(:,:,1);lena_green=lena_color_noi(:,:,2);lena_blue=lena_color_noi(:,:,3);lena_red1=medfilt2(lena_red);lena_green1=medfilt2(lena_green);lena_blue1=medfilt2(lena_blue);%===组合===========================lena(:,:,1)=lena_red1;lena(:,:,2)=lena_green1;lena(:,:,3)=lena_blue1;figure(1);subplot(1,2,1);imshow(lena_color_noi);title('lena_color_noi'); subplot(1,2,2);imshow(lena);title('median');lenac olornoi median5.%==每个分量滤波¨============lena_color=imread('d:\test_images\lena_color.tif','tif');lena_color_noi=imnoise(lena_color,'gauss',0.02);lena_red=lena_color_noi(:,:,1);lena_green=lena_color_noi(:,:,2);lena_blue=lena_color_noi(:,:,3);H=1/49*ones(7,7);lena_red1=imfilter(lena_red,H);lena_green1=imfilter(lena_green,H);lena_blue1=imfilter(lena_blue,H);%===组合======================lena(:,:,1)=lena_red1;lena(:,:,2)=lena_green1;lena(:,:,3)=lena_blue1;figure(1);subplot(1,2,1);imshow(lena_color_noi);title('lena_color_noi'); subplot(1,2,2);imshow(lena);title('average');lenac olornoi average。

2.1图像滤波方法的比较实验报告