数字图像处理实验报告实验三
matlab 数字图像处理实验报告(五份)
《数字图像处理实验报告》实验一图像的增强一.实验目的1.熟悉图像在MATLAB下的读写、输出;2.熟悉直方图;3.熟悉图像的线性指数等;4.熟悉图像的算术运算和几何变换。
二.实验仪器计算机、MATLAB软件三.实验原理图像增强是指根据特定的需要突出图像中的重要信息,同时减弱或去除不需要的信息。
从不同的途径获取的图像,通过进行适当的增强处理,可以将原本模糊不清甚至根本无法分辨的原始图像处理成清晰的富含大量有用信息的可使用图像。
其基本原理是:对一幅图像的灰度直方图,经过一定的变换之后,使其成为均匀或基本均匀的,即使得分布在每一个灰度等级上的像素个数.f=H等或基本相等。
此方法是典刑的图像空间域技术处理,但是由于灰度直方图只是近似的概率密度函数,因此,当用离散的灰度等级做变换时,很难得到完全平坦均匀的结果。
频率域增强技术频率域增强是首先将图像从空间与变换到频域,然后进行各种各样的处理,再将所得到的结果进行反变换,从而达到图像处理的目的。
常用的变换方法有傅里叶变换、DCT变换、沃尔什-哈达玛变换、小波变换等。
假定原图像为f(x,y),经傅立叶变换为F(u,v)。
频率域增强就是选择合适的滤波器H(u,v)对F(u,v)的频谱成分进行处理,然后经逆傅立叶变换得到增强的图像。
四.实验内容及步骤1.图像在MATLAB下的读写、输出;实验过程:>> I = imread('F:\image\624baf9dbcc4910a.jpg');figure;imshow(I);title('Original Image');text(size(I,2),size(I,1)+15, ...'IMG_20170929_130307.jpg', ...'FontSize',7,'HorizontalAlignment','right');Warning: Image is too big to fit on screen; displaying at 25% > In imuitools\private\initSize at 86In imshow at 196Original Image2.给定函数的累积直方图。
数字图像处理实验报告
数字图像处理实验报告1. 引言数字图像处理是使用计算机来处理和优化图像的一种技术。
在本实验中,我们将探索几种常见的数字图像处理方法,并使用Python编程语言和相关库来实现。
2. 实验目的本实验的主要目的是:1.了解图像的基本特性和数字图像处理的基本原理;2.熟悉Python编程语言和相关图像处理库的使用;3.实现常见的图像处理算法并进行实验验证。
3. 实验方法在本实验中,我们使用Python编程语言和以下相关库来实现图像处理算法:•OpenCV:用于图像读取、显示和保存等基本操作;•Numpy:用于图像数据的处理和算术运算;•Matplotlib:用于图像的可视化和结果展示。
以下是实验涉及到的图像处理方法和步骤:1.图像读取和显示:使用OpenCV库读取图像,使用Matplotlib库显示图像;2.图像的灰度化:将彩色图像转换为灰度图像;3.图像的二值化:将灰度图像转换为黑白二值图像;4.图像的平滑处理:使用平滑滤波器对图像进行平滑处理,如均值滤波和高斯滤波;5.图像的边缘检测:使用边缘检测算法对图像进行边缘检测,如Sobel算子和Canny算子;6.图像的直方图均衡化:对灰度图像进行直方图均衡化,增强图像的对比度。
4. 实验过程和结果4.1 图像读取和显示首先,我们使用OpenCV库读取一张图像,并使用Matplotlib库显示该图像:import cv2import matplotlib.pyplot as plt# 读取图像img = cv2.imread('image.jpg')# 显示图像plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)) plt.axis('off')plt.show()4.2 图像的灰度化接下来,我们将彩色图像转换为灰度图像:# 灰度化图像gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 显示灰度图像plt.imshow(gray_img, cmap='gray')plt.axis('off')plt.show()4.3 图像的二值化然后,我们将灰度图像转换为黑白二值图像:# 二值化图像_, binary_img = cv2.threshold(gray_img, 128, 255, cv2.THRESH_BINARY)# 显示二值图像plt.imshow(binary_img, cmap='gray')plt.axis('off')plt.show()4.4 图像的平滑处理接下来,我们使用平滑滤波器对图像进行平滑处理,例如使用5x5的均值滤波器和高斯滤波器:# 均值滤波mean_img = cv2.blur(img, (5, 5))# 高斯滤波gaussian_img = cv2.GaussianBlur(img, (5, 5), 0) # 显示平滑处理后的图像plt.figure(figsize=(10, 5))plt.subplot(121)plt.imshow(cv2.cvtColor(mean_img, cv2.COLOR_BGR2R GB))plt.title('Mean Filter')plt.axis('off')plt.subplot(122)plt.imshow(cv2.cvtColor(gaussian_img, cv2.COLOR_B GR2RGB))plt.title('Gaussian Filter')plt.axis('off')plt.show()4.5 图像的边缘检测然后,我们使用边缘检测算法对图像进行边缘检测,例如使用Sobel算子和Canny算子:# 边缘检测sobel_img = cv2.Sobel(gray_img, cv2.CV_8U, 1, 1, ksize=3)canny_img = cv2.Canny(gray_img, 50, 150)# 显示边缘检测结果plt.figure(figsize=(10, 5))plt.subplot(121)plt.imshow(sobel_img, cmap='gray')plt.title('Sobel Operator')plt.axis('off')plt.subplot(122)plt.imshow(canny_img, cmap='gray')plt.title('Canny Operator')plt.axis('off')plt.show()4.6 图像的直方图均衡化最后,我们对灰度图像进行直方图均衡化,以增强图像的对比度:# 直方图均衡化equalized_img = cv2.equalizeHist(gray_img)# 显示直方图均衡化结果plt.imshow(equalized_img, cmap='gray')plt.axis('off')plt.show()5. 实验总结通过本实验,我们熟悉了数字图像处理的基本方法和步骤,并使用Python编程语言和相关库实现了图像的读取、显示、灰度化、二值化、平滑处理、边缘检测和直方图均衡化等操作。
数字图像处理实验报告
目录实验一:数字图像的基本处理操作 (4):实验目的 (4):实验任务和要求 (4):实验步骤和结果 (5):结果分析 (8)实验二:图像的灰度变换和直方图变换 (9):实验目的 (9):实验任务和要求 (9):实验步骤和结果 (9):结果分析 (13)实验三:图像的平滑处理 (14):实验目的 (14):实验任务和要求 (14):实验步骤和结果 (14):结果分析 (18)实验四:图像的锐化处理 (19):实验目的 (19):实验任务和要求 (19):实验步骤和结果 (19):结果分析 (21)实验一:数字图像的基本处理操作:实验目的1、熟悉并掌握MATLAB、PHOTOSHOP等工具的使用;2、实现图像的读取、显示、代数运算和简单变换。
3、熟悉及掌握图像的傅里叶变换原理及性质,实现图像的傅里叶变换。
:实验任务和要求1.读入一幅RGB图像,变换为灰度图像和二值图像,并在同一个窗口内分成三个子窗口来分别显示RGB图像和灰度图像,注上文字标题。
2.对两幅不同图像执行加、减、乘、除操作,在同一个窗口内分成五个子窗口来分别显示,注上文字标题。
3.对一幅图像进行平移,显示原始图像与处理后图像,分别对其进行傅里叶变换,显示变换后结果,分析原图的傅里叶谱与平移后傅里叶频谱的对应关系。
4.对一幅图像进行旋转,显示原始图像与处理后图像,分别对其进行傅里叶变换,显示变换后结果,分析原图的傅里叶谱与旋转后傅里叶频谱的对应关系。
:实验步骤和结果1.对实验任务1的实现代码如下:a=imread('d:\');i=rgb2gray(a);I=im2bw(a,;subplot(1,3,1);imshow(a);title('原图像');subplot(1,3,2);imshow(i);title('灰度图像');subplot(1,3,3);imshow(I);title('二值图像');subplot(1,3,1);imshow(a);title('原图像');结果如图所示:图原图及其灰度图像,二值图像2.对实验任务2的实现代码如下:a=imread('d:\');A=imresize(a,[800 800]);b=imread('d:\');B=imresize(b,[800 800]);Z1=imadd(A,B);Z2=imsubtract(A,B);Z3=immultiply(A,B);Z4=imdivide(A,B);subplot(3,2,1);imshow(A);title('原图像 A'); subplot(3,2,2);imshow(B);title('原图像 B'); subplot(3,2,3);imshow(Z1);title('加法图像'); subplot(3,2,4);imshow(Z2);title('减法图像'); subplot(3,2,5);imshow(Z3);title('乘法图像'); subplot(3,2,6);imshow(Z2);title('除法图像');结果如图所示:3.对实验任务3的实现代码如下:s=imread('d:\');i=rgb2gray(s);i=double(i);j=fft2(i);k=fftshift(j); %直流分量移到频谱中心I=log(abs(k)); %对数变换m=fftshift(j); %直流分量移到频谱中心RR=real(m); %取傅里叶变换的实部II=imag(m); %取傅里叶变换的虚部A=sqrt(RR.^2+II.^2);A=(A-min(min(A)))/(max(max(A)))*255;b=circshift(s,[800 450]);b=rgb2gray(b);b=double(b);c=fft2(b);e=fftshift(c);I=log(abs(e));f=fftshift(c);WW=real(f);ZZ=imag(f);B=sqrt(WW.^2+ZZ.^2);B=(B-min(min(B)))/(max(max(B)))*255;subplot(2,2,1);imshow(s);title('原图像');subplot(2,2,2);imshow(uint8(b));title('平移图像');subplot(2,2,3);imshow(A);title('离散傅里叶变换频谱');subplot(2,2,4);imshow(B);title('平移图像离散傅里叶变换频谱');结果如图所示:4.对实验任务4的实现代码如下:s=imread('d:\');i=rgb2gray(s);i=double(i);j=fft2(i);k=fftshift(j);I=log(abs(k));m=fftshift(j);RR=real(m);II=imag(m);A=sqrt(RR.^2+II.^2);A=(A-min(min(A)))/(max(max(A)))*255;b=imrotate(s,-90);b=rgb2gray(b);b=double(b);c=fft2(b);e=fftshift(c);I=log(abs(e));f=fftshift(c);WW=real(f);ZZ=imag(f);B=sqrt(WW.^2+ZZ.^2);B=(B-min(min(B)))/(max(max(B)))*255;subplot(2,2,1);imshow(s);title('原图像');subplot(2,2,2);imshow(uint8(b));title('平移图像');subplot(2,2,3);imshow(A);title('离散傅里叶频谱');subplot(2,2,4);imshow(B);title('平移图像离散傅里叶频谱');结果如图所示::结果分析对MATLAB软件的操作开始时不太熟悉,许多语法和函数都不会使用,写出程序后,调试运行,最开始无法显示图像,检查原因,是有些标点符号没有在英文状态下输入和一些其他的细节,学会了imread(),imshow(),rgb2gray()等函数。
数字图像处理实验报告
实验三、图像的傅立叶变换一、实验目的1、了解图像变换的意义和手段;2、熟悉傅里叶变换的性质;3、熟练掌握FFT变换及其应用;4、通过实验了解二维频谱的分布特点;5、通过本实验掌握利用MATLAB编程实现数字图像的傅立叶变换。
二、实验设备1、计算机;2、MATLAB软件;3、记录用的笔、纸。
4、移动式存储器(软盘、U盘等)。
三、实验原理1、应用傅立叶变换进行图像处理傅里叶变换是线性系统分析的一个有力工具,它能够定量地分析诸如数字化系统、采样点、电子放大器、卷积滤波器、噪音和显示点等的作用。
通过实验培养这项技能,将有助于解决大多数图像处理问题。
2、傅立叶(Fourier)变换的定义二维Fourier变换和二维离散傅立叶变换为:图像的傅立叶变换与一维信号的傅立叶变换变换一样,有快速算法,具体参1见相关书目,有关傅立叶变换的快速算法的程序不难找到。
实际上,现在有实现傅立叶变换的芯片,可以实时实现傅立叶变换。
四、实验步骤1、打开计算机,启动MATLAB程序;2、利用MatLab工具箱中的函数编制FFT频谱显示的函数;3、 a).调入、显示“实验一”获得的图像;图像存储格式应为“.gif”;b)对这幅图像做FFT并利用自编的函数显示其频谱;4、实现数字图像傅立叶变换的部分参考程序:I=imread(‘原图像名.gif’); %读入原图像文件imshow(I); %显示原图像fftI=fft2(I); %二维离散傅立叶变换sfftI=fftshift(fftI); %直流分量移到频谱中心RR=real(sfftI); %取傅立叶变换的实部II=imag(sfftI); %取傅立叶变换的虚部A=sqrt(RR.^2+II.^2);%计算频谱幅值A=(A-min(min(A)))/(max(max(A))-min(min(A)))*225; %归一化figure; %设定窗口imshow(A); %显示原图像的频谱五、实验数据记录输入数字图像傅立叶变换的代码如下:I=imread(‘fengshu.gif’);imshow(I);fftI=fft2(I);sfftI=fftshift(fftI);RR=real(sfftI);II=imag(sfftI);A=sqrt(RR.^2+II.^2);A=(A-min(min(A)))/(max(max(A))-min(min(A)))*225;figure;imshow(A);运行以上程序原图像经傅立叶变换后的图像3实验四、图像的离散余弦变换和哈达玛变换一、实验目的1、了解图像离散余弦变换和逆变换的原理;2、理解离散余弦变换系数的特点;3、理解离散余弦变换在图像数据压缩中的应用;4、理解哈达玛变换的原理。
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。
数字图像处理上机实验三
医学图像处理实验三1、计算图像的梯度,梯度值和梯度角。
I=imread('C:\Users\Administrator\Desktop\cat.jpg'); B=rgb2gray(I);C=double(B);e=1e-6;%10^-6[dx,dy]=gradient(C);%计算梯度G=sqrt(dx.*dx+dy.*dy);%梯度幅值figure,imshow(uint8(G)),title('梯度图像');pha=atan(dy./(dx+e))figure,imshow(pha,[])图 1图 2 梯度角图2、计算图像边缘检测,用滤波器方式实现各种算子。
(1)Roberts算子clear;I=imread('C:\Users\admin\Desktop\mao.jpg');B=rgb2gray(I);[m,n]=size(B);nB=B;robertsnum=0;%经roberts算子计算得到的每一个像素的值robertsthreshold=0.6;%设定阈值for j=1:m-1;%进行边界提取for k=1:n-1robertsnum=abs(B(j,k)-B(j+1,k+1))+abs(B(j+1,k)-B(j,k+1)); if(robertsnum>robertsthreshold)nB(j,k)=255;elsenB(j,k)=0;endendendsubplot(1,2,1);imshow(B);title('原图');subplot(1,2,2);imshow(nB,[]);title('Robert算子处理后的图像');图 3(2)Sobel算子clear;I=imread('C:\Users\admin\Desktop\mao.jpg');B=rgb2gray(I);[m,n]=size(B);f=double(B);u=double(B);usobel=B;for i=2:m-1%sobel边缘检测for j=2:n-1;gx=(u(i+1,j-1)+2*u(i+1,j)+f(i+1,j+1)-(u(i-1,j-1)+2*u(i-1,j)+f(i-1,j+1)));gy=(u(i-1,j+1)+2*u(i,j+1)+f(i+1,j+1)-(u(i-1,j-1)+2*u(i,j-1)+f(i+1,j-1)));usobel(i,j)=sqrt(gx^2+gy^2);endendsubplot(1,2,1);imshow(B);title('原图');subplot(1,2,2);imshow(im2uint8(usobel));title('Sobel边缘检测后的图像');图 4(3)Prewitt算子clear;I=imread('C:\Users\admin\Desktop\mao.jpg');B=rgb2gray(I);[m,n]=size(B);nB=B;prewittnum=0;%经prewitt算子计算得到的每一个像素的值prewittthreshold=0.6;%设定阈值for j=2:m-1;%进行边界提取for k=2:n-1prewittnum=abs(B(j-1,k+1)-B(j+1,k+1))+B(j-1,k)-B(j+1,k)+B(j-1,k-1)-B(j+1,k-1)+abs(B(j-1,k +1)+B(j,k+1)+B(j+1,k+1)-B(j-1,k-1)-B(j,k-1)-B(j+1,k-1));if(prewittnum>prewittthreshold)nB(j,k)=255;elsenB(j,k)=0;endendendsubplot(1,2,1);imshow(B);title('原图');subplot(1,2,2);imshow(nB,[]);title('Prewitt算子处理后的图像');图 5(4)Laplace边缘检测function flapEdge=LaplaceEdge(pic,Moldtype,thresh)[m,n]=size(pic);flapEdge=zeros(m,n);%四邻域拉普拉斯边缘检测算子if 4==Moldtypefor i=2:m-1for j=2:n-1temp=-4*pic(i,j)+pic(i-1,j)+pic(i+1,j)+pic(i,j-1)+pic(i,j+1);if temp>threshflapEdge(i,j)=255;elseflapEdge(i,j)=0;endendendend%八邻域拉普拉斯边缘检测算子if 8==Moldtypefor i=2:m-1for j=2:n-1temp=-8*pic(i,j)+pic(i-1,j)+pic(i+1,j)+pic(i,j-1)+pic(i,j+1)+pic(i-1, j-1)+pic(i+1,j+1)+pic(i+1,j-1)+pic(i-1,j+1);if temp>threshflapEdge(i,j)=255;elseflapEdge(i,j)=0;endendendend主函数:clear;I=imread('C:\Users\admin\Desktop\mao.jpg');B=rgb2gray(I);C=double(B);t=60;Lapmodtype=8;%设置模板方式flapEdge=LaplaceEdge(C,Lapmodtype,t); fgrayLapedge=uint8(flapEdge);figure()imshow(fgrayLapedge),title('laplace边缘检测图像');图 6(4)Kirsch算子clearclcclose allI=imread('C:\Users\admin\Desktop\mao.jpg');B=rgb2gray(I);figure(1)imshow(B,[])title('原始图象')%对图象进行均值滤波bw2=filter2(fspecial('average',3),B);%对图象进行高斯滤波bw3=filter2(fspecial('gaussian'),bw2);%利用小波变换对图象进行降噪处理[thr,sorh,keepapp]=ddencmp('den','wv',bw3); %获得除噪的缺省参数bw4=wdencmp('gbl',bw3,'sym4',2,thr,sorh,keepapp);%图象进行降噪处理%---------------------------------------------------------------------%提取图象边缘t=3000; %设定阈值bw5=double(bw4);[m,n]=size(bw5);g=zeros(m,n);d=zeros(1,8);%利用Kirsch算子进行边缘提取for i=2:m-1for j=2:n-1d(1)=(5*bw5(i-1,j-1)+5*bw5(i-1,j)+5*bw5(i-1,j+1)-3*bw5(i,j-1)-3*bw5(i,j+1 )-3*bw5(i+1,j-1)-3*bw5(i+1,j)-3*bw5(i+1,j+1))^2;d(2)=((-3)*bw5(i-1,j-1)+5*bw5(i-1,j)+5*bw5(i-1,j+1)-3*bw5(i,j-1)+5*bw5(i, j+1)-3*bw5(i+1,j-1)-3*bw5(i+1,j)-3*bw5(i+1,j+1))^2;d(3)=((-3)*bw5(i-1,j-1)-3*bw5(i-1,j)+5*bw5(i-1,j+1)-3*bw5(i,j-1)+5*bw5(i, j+1)-3*bw5(i+1,j-1)-3*bw5(i+1,j)+5*bw5(i+1,j+1))^2;d(4)=((-3)*bw5(i-1,j-1)-3*bw5(i-1,j)-3*bw5(i-1,j+1)-3*bw5(i,j-1)+5*bw5(i, j+1)-3*bw5(i+1,j-1)+5*bw5(i+1,j)+5*bw5(i+1,j+1))^2;d(5)=((-3)*bw5(i-1,j-1)-3*bw5(i-1,j)-3*bw5(i-1,j+1)-3*bw5(i,j-1)-3*bw5(i, j+1)+5*bw5(i+1,j-1)+5*bw5(i+1,j)+5*bw5(i+1,j+1))^2;d(6)=((-3)*bw5(i-1,j-1)-3*bw5(i-1,j)-3*bw5(i-1,j+1)+5*bw5(i,j-1)-3*bw5(i, j+1)+5*bw5(i+1,j-1)+5*bw5(i+1,j)-3*bw5(i+1,j+1))^2;d(7)=(5*bw5(i-1,j-1)-3*bw5(i-1,j)-3*bw5(i-1,j+1)+5*bw5(i,j-1)-3*bw5(i,j+1 )+5*bw5(i+1,j-1)-3*bw5(i+1,j)-3*bw5(i+1,j+1))^2;d(8)=(5*bw5(i-1,j-1)+5*bw5(i-1,j)-3*bw5(i-1,j+1)+5*bw5(i,j-1)-3*bw5(i,j+1 )-3*bw5(i+1,j-1)-3*bw5(i+1,j)-3*bw5(i+1,j+1))^2;g(i,j) = max(d);endend%显示边缘提取后的图象for i=1:mfor j=1:nif g(i,j)>tbw5(i,j)=255;elsebw5(i,j)=0;endendendfigure(2)imshow(bw5,[])title('Kirsch ')图7(5)LoG和canny算子clear;I=imread('C:\Users\admin\Desktop\mao.jpg');B=rgb2gray(I);bw1=edge(B,'log',0.01);bw3=edge(B,'canny',0.1);figure;subplot(1,2,1);imshow(bw1,[]);title('loG边缘检测'); subplot(1,2,2);imshow(bw3,[]);title('canny边缘检测');图83、大津法实现图像分割clear;I=imread('C:\Users\admin\Desktop\cat.jpg');B=rgb2gray(I);T = graythresh(B);%求阈值BW = im2bw(B,T);%二值化imshow(BW,[])图9。
数字图像处理实验报告3
实验三图像分割实验一.实验目的1. 掌握基本的图像分割方法2.观察图像分割的效果3.加深对边缘提取的理解二.实验原理1.边缘检测:图象的边缘是指图象局部区域亮度变化显著的部分,该区域的灰度剖面一般可以看作是一个阶跃,既从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。
图象的边缘部分集中了图象的大部分信息,图象边缘的确定与提取对于整个图象场景的识别与理解是非常重要的,同时也是图象分割所依赖的重要特征,边缘检测主要是图象的灰度变化的度量、检测和定位。
2.灰度阈值分割即是先确定一个处于图像灰度取值范围内的灰度阈值,然后将图像中各个像素的灰度值与这个阈值相比较:划分成像素灰度大于阈值的一类和小于阈值的一类。
3. 双峰法的原理及其简单:它认为图像由前景和背景组成,在灰度直方图上,前后二景都形成高峰,在双峰之间的最低谷处就是图像的阈值所在三.实验内容1.实验步骤1.打开matlab编程环境;2.利用“imread”函数导入图像数据;3.利用“imshow”显示所读入的图像数据;4.进行图像分割处理;5.记录和整理实验报告;2. 按下面要求编写程序并运行结果1. 用sobel方法对一幅灰度图像进行边缘提I=imread('cameraman.bmp');R=double(I(:,:,1));G=double(I(:,:,2));B=double(I(:,:,3));[rows,cols]=size(R);I=0.299*R+0.587*G+0.114*B;[H,W]=size(I);M=double(I);J=M;for i=2:H-1for j=2:W-1J(i,j)=abs(M(i-1,j+1)-M(i-1,j-1)+2*M(i,j+1)-2*M(i,j-1)+M(i+1,j+1)-M(i+1,j-1))+abs(M(i-1,j-1)-M(i+1,j-1)+2*M(i-1,j)-2*M(i+1,j)+M(i-1,j+1)-M(i+1,j+1));end;end;for i=2:H-1for j=2:W-1if J(i,j)>254J(i,j)=255;elseJ(i,j)=0;endendendsubplot(1,2,1);imshow(uint8(I));title('原图');subplot(1,2,2);imshow(uint8(J));title('Sobel 处理后');2.用 Laplacian-Gaussian方法对一幅灰度图像进行边缘提取I = imread('cameraman.bmp');R=double(I(:,:,1));G=double(I(:,:,2));B=double(I(:,:,3));[rows,cols]=size(R);I=0.299*R+0.587*G+0.114*B;s=fftshift(fft2(I));[M,N]=size(s);n=2;d0=400;n1=floor(M/2);n2=floor(N/2);for i=1:Mfor j=1:Nd=sqrt((i-n1)^2+(j-n2)^2);h=1*exp(-1/2*(d^2/d0^2));s(i,j)=h*s(i,j);endends=ifftshift(s);s=uint8(real(ifft2(s))); subplot(1,2,1),imshow(s);title('GLPF滤波');s=double(s);[r,c]= size(s);R=zeros(r,c);core1=[-1 -1 -1;-1 8 -1;-1 -1 -1];core2=[0 -1 0;-1 4 -1;0 -1 0];for x=2:r-1for y=2:c-1Z=[s(x-1,y-1) s(x-1,y) s(x-1,y+1);s(x,y-1) s(x,y) s(x,y+1);s(x+1,y-1) s(x+1,y) s(x+1,y+1)];A=core1*Z;B=core2*Z;R(x,y)=max(abs(sum(sum(A))),abs(sum(sum(B))));endendfor x=2:r-1for y=2:c-1if R(x,y)>250R(x,y)=255;elseR(x,y)=0;endendendsubplot(1,2,2),imshow(uint8(R));title('拉普拉斯处理后 ');3. 利用双峰法对一幅灰度图像进行灰度分割处理I = imread('lena.bmp');I=double(I);sum_obj=0;obj_counter=0;sum_backgnd=0;backgnd_counter=0;[rows,cols]=size(I);cols_c=floor(cols/20);rows_c=floor(rows/20);corners=[I(1:rows_c,1:cols_c);I(1:rows_c,(end-cols_c+1):end);I((en d-rows_c+1):end,1:cols_c);I((end-rows_c+1):end,(end-cols_c+1):end) ];threshold=mean(mean(corners));while 1for i=1:rowsfor j=1:colsif(I(i,j)>threshold)sum_obj=sum_obj+I(i,j);obj_counter=obj_counter+1;elsesum_backgnd=sum_backgnd+I(i,j);backgnd_counter=backgnd_counter+1;endendendnew_threshold=((sum_backgnd/backgnd_counter)+(sum_obj/obj_counter))/2 ;if(abs(threshold-new_threshold)<=0.01)break;endthreshold=new_threshold;endfor i=1:rowsfor j=1:colsIf(I(i,j)<=threshold)I(i,j)=0;elseI(i,j)=255;endendendimshow(I);四.实验结果及分析1. sobel边缘提取placian-Gaussian方法边缘提取3.双峰法对一幅灰度图像进行灰度分割处理五.实验小结与体会1.本次实验以图像分割为主线,涉及边缘提取2. 通过实验结果的比较,对课堂上的理论有了直观的认识,也为更好的理解理论奠定了基础,培养了兴趣。
数字图像处理实验报告
数字图像处理(MATLAB编程)实验报告一实验目的(1)使用MA TLAB程序语言对各个滤波器进行仿真,了解不同滤波器的滤波效果。
(2)通过各个滤波器的直方图,进一步加深对滤波器滤波效果的理解。
二实验原理实验中所用到的函数:imread-读出图像;imshow-显示图像;imhist-计算图像数据的直方图;histeq-用直方图均衡的方法增强图像的对比度;imfilter-线性滤波;fspecial-Create predefined 2-D filter;Imnoise-加噪声;medfilt2-中值滤波;三实验内容(1)给出一幅灰度图像,请加上高斯噪声,绘制其直方图,选择合适的滤波器滤波,并做直方图均衡。
(利用IPT函数)(2)给出一幅图像,请加上高斯噪声,选择合适的滤波器滤波,并做直方图均衡。
(不能使用IPT加噪声、滤波与直方图均衡函数)四实验程序(1)I = imread('D:\cameraman.tif');imshow(I);figure;%加高斯噪声f = imnoise(I,'gaussian');figure;imshow(f);figure;%对图像进行均值滤波¨h1=fspecial('average');f1=imfilter(f,h1);figure;%对图像进行高斯滤波h2=fspecial('gaussian');f2=imfilter(f,h2);figure;imshow(f2);%对图像进行拉普拉斯滤波h3=fspecial('laplacian');f3=imfilter(f,h3);figure;imshow(f3)%对图像进行中值滤波f4= medfilt2(f);figure;imshow(f4);原图:加了高斯噪声后的图像:均值滤波图像:高斯滤波图像:拉普拉斯滤波图像:中值滤波图像:经对比,我们发现对于高斯噪声,均值滤波、中值滤波、高斯滤波去除噪声的效果依次递减,因此最好选择均值滤波器对图像进行滤波。
数字图像处理实验报告(三四五)
实验三图像的几何变换一.实验目的及要求掌握图像几何变换的基本原理,熟练掌握数字图像的缩放、旋转、平移、镜像和转置的基本原理及其MATLAB编程实现方法。
二、实验内容(一)研究以下程序,分析程序功能;输入执行各命令行,认真观察命令执行的结果。
熟悉程序中所使用函数的调用方法,改变有关参数,观察试验结果。
1. 图像缩放clear all, close allI = imread('cameraman.tif');Scale = 1.35; % 将图像放大1.35倍J1 = imresize(I, Scale, 'nearest'); %using the nearest neighbor interpolationJ2 = imresize(I, Scale, 'bilinear'); %using the bilinear interpolationimshow(I), title('Original Image');figure, imshow(J1), title('Resized Image-- using the nearest neighbor interpolation ');figure, imshow(J2), title('Resized Image-- using the bilinear interpolation ');% 查看imresize使用帮助help imresizeCommand窗口显示如下:IMRESIZE Resize image.B = IMRESIZE(A, SCALE) returns an image that is SCALE times thesize of A, which is a grayscale, RGB, or binary image.B = IMRESIZE(A, [NUMROWS NUMCOLS]) resizes the image so that it hasthe specified number of rows and columns. Either NUMROWS or NUMCOLS may be NaN, in which case IMRESIZE computes the number of rows orcolumns automatically in order to preserve the image aspect ratio.[Y, NEWMAP] = IMRESIZE(X, MAP, SCALE) resizes an indexed image.[Y, NEWMAP] = IMRESIZE(X, MAP, [NUMROWS NUMCOLS]) resizes an indexed image.T o control the interpolation method used by IMRESIZE, add a METHODargument to any of the syntaxes above, like this:IMRESIZE(A, SCALE, METHOD)IMRESIZE(A, [NUMROWS NUMCOLS], METHOD),IMRESIZE(X, MAP, M, METHOD)IMRESIZE(X, MAP, [NUMROWS NUMCOLS], METHOD) METHOD can be a string naming a general interpolation method: 'nearest' - nearest-neighbor interpolation'bilinear' - bilinear interpolation'bicubic' - cubic interpolation; the default method METHOD can also be a string naming an interpolation kernel: 'box' - interpolation with a box-shaped kernel'triangle' - interpolation with a triangular kernel(equivalent to 'bilinear')'cubic' - interpolation with a cubic kernel(equivalent to 'bicubic')'lanczos2' - interpolation with a Lanczos-2 kernel'lanczos3' - interpolation with a Lanczos-3 kernelFinally, METHOD can be a two-element cell array of the form {f,w}, where f is the function handle for a custom interpolation kernel, andw is the custom kernel's width. f(x) must be zero outside the interval -w/2 <= x < w/2. Your function handle f may be called with a scalar or a vector input.You can achieve additional control over IMRESIZE by using parameter/value pairs following any of the syntaxes above. For example:B = IMRESIZE(A, SCALE, PARAM1, VALUE1, PARAM2, VALUE2, ...)Parameters include:'Antialiasing' - true or false; specifies whether to performantialiasing when shrinking an image. Thedefault value depends on the interpolationmethod you choose. For the 'nearest' method,the default is false; for all other methods,the default is true.'Colormap' - (only relevant for indexed images) 'original'or 'optimized'; if 'original', then theoutput newmap is the same as the input map.If it is 'optimized', then a new optimizedcolormap is created. The default value is'optimized'.'Dither' - (only for indexed images) true or false;specifies whether to perform colordithering. The default value is true.'Method' - As described above'OutputSize' - A two-element vector, [MROWS NCOLS],specifying the output size. One element maybe NaN, in which case the other value iscomputed automatically to preserve the aspectratio of the image.'Scale' - A scalar or two-element vector specifying theresize scale factors. If it is a scalar, thesame scale factor is applied to eachdimension. If it is a vector, it containsthe scale factors for the row and columndimensions, respectively.Examples--------Shrink by factor of two using the defaults of bicubic interpolation and antialiasing.I = imread('rice.png');J = imresize(I, 0.5);figure, imshow(I), figure, imshow(J)Shrink by factor of two using nearest-neighbor interpolation. (This is the fastest method, but it has the lowest quality.)J2 = imresize(I, 0.5, 'nearest');Resize an indexed image.[X, map] = imread('trees.tif');[Y, newmap] = imresize(X, map, 0.5);imshow(Y, newmap)Resize an RGB image to have 64 rows. The number of columns is computed automatically.RGB = imread('peppers.png');RGB2 = imresize(RGB, [64 NaN]);Note----The function IMRESIZE in previous versions of the Image ProcessingT oolbox used a somewhat different algorithm by default. If you need the same results produced by the previous implementation, call the function IMRESIZE_OLD.Class Support-------------The input image A can be numeric or logical and it must be nonsparse. The output image is of the same class as the input image. The inputindexed image X can be uint8, uint16, or double.See also imresize_old, imrotate, imtransform, tformarray.Reference page in Help browserdoc imresize执行程序所得结果如下:改变参数Scale =0.5得到图形结果如下:对以上实验结果,分析如下:通过查看命令窗口查看imresize函数的使用方法。
数字图像处理 实验报告(完整版)
数字图像处理实验一 MATLAB数字图像处理初步一、显示图像1.利用imread( )函数读取一幅图像,假设其名为lily.tif,存入一个数组中;2.利用whos 命令提取该读入图像flower.tif的基本信息;3.利用imshow()函数来显示这幅图像;实验结果如下图:源代码:>>I=imread('lily.tif')>> whos I>> imshow(I)二、压缩图像4.利用imfinfo函数来获取图像文件的压缩,颜色等等其他的详细信息;5.利用imwrite()函数来压缩这幅图象,将其保存为一幅压缩了像素的jpg文件,设为lily.jpg;语法:imwrite(原图像,新图像,‘quality’,q), q取0-100。
6.同样利用imwrite()函数将最初读入的tif图象另存为一幅bmp图像,设为flily.bmp。
7.用imread()读入图像Sunset.jpg和Winter.jpg;8.用imfinfo()获取图像Sunset.jpg和Winter.jpg的大小;9.用figure,imshow()分别将Sunset.jpg和Winter.jpg显示出来,观察两幅图像的质量。
其中9的实验结果如下图:源代码:4~6(接上面两个) >>I=imread('lily.tif')>> imfinfo 'lily.tif';>> imwrite(I,'lily.jpg','quality',20);>> imwrite(I,'lily.bmp');7~9 >>I=imread('Sunset.jpg');>>J=imread('Winter.jpg')>>imfinfo 'Sunset.jpg'>> imfinfo 'Winter.jpg'>>figure(1),imshow('Sunset.jpg')>>figure(2),imshow('Winter.jpg')三、二值化图像10.用im2bw将一幅灰度图像转化为二值图像,并且用imshow显示出来观察图像的特征。
数字图像处理实验报告实验三
代码:
I=imread('lines.png');
F=rgb2gray(I);
subplot(2,2,1);
imshow(I);
title('原始图像');
thread=130/255;
subplot(2,2,2);
imhist(F);
图5-2 添上一层(漆)
3.开运算open:
4.闭close:
5.HMT(Hit-Miss Transform:击中——击不中变换)
条件严格的模板匹配
模板由两部分组成。 :物体, :背景。
图5-3 击不中变换示意图
性质:
(1) 时,
(2)
6.细化/粗化
(1)细化(Thin)
去掉满足匹配条件的点。
图5-4 细化示意图
se = strel('ball',5,5);
I2 = imerode(I,se);
imshow(I), title('Original')
figure, imshow(I2), title('Eroded')
Matlab用imopen函数实现图像开运算。用法为:
imopen(I,se);
I为图像源,se为结构元素
构造一个中心具有菱形结构的结构元素,R为跟中心点的距离
SE = strel('rectangle',MN)
构造一个矩形的结构元素,MN可写在[3 4],表示3行4列
SE = strel('square',W)
构造一个正方形的矩阵。
数字图像处理实验报告
数字图像处理实验报告引言数字图像处理是一门研究如何对图像进行数字化处理的学科,它的应用广泛,涵盖了图像的获取、增强、压缩、分割等多个方面。
本次实验旨在探索数字图像处理的基本原理和常用技术,并通过实践操作加深对数字图像处理的理解。
实验目的1.学习掌握数字图像处理的基本原理;2.熟悉常用的数字图像处理工具和方法;3.实践应用数字图像处理技术解决实际问题。
实验环境在本次实验中,我们使用了以下环境和工具:- 操作系统:Windows 10 - 编程语言:Python - 图像处理库:OpenCV实验步骤步骤一:图像获取与显示首先,我们需要获取一张待处理的图像,并对其进行显示。
在Python中,我们可以使用OpenCV库来实现图像的读取和显示。
以下是示例代码:import cv2# 读取图像image = cv2.imread('image.jpg')# 显示图像cv2.imshow('Image', image)cv2.waitKey(0)cv2.destroyAllWindows()步骤二:图像增强图像增强是数字图像处理中常用的技术之一,旨在改善图像的质量和可视化效果。
常见的图像增强技术包括灰度转换、直方图均衡化、滤波器等。
以下是示例代码:import cv2# 读取图像image = cv2.imread('image.jpg')# 灰度转换gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GR AY)# 直方图均衡化equalized_image = cv2.equalizeHist(gray_image)# 高斯滤波器blurred_image = cv2.GaussianBlur(equalized_image, (5, 5), 0)# 边缘增强enhanced_image = cv2.Canny(blurred_image, 100, 20 0)# 显示图像cv2.imshow('Enhanced Image', enhanced_image)cv2.waitKey(0)cv2.destroyAllWindows()步骤三:图像压缩图像压缩是数字图像处理中的重要话题,旨在减少图像的存储空间和传输带宽。
数字图像处理实验报告
[键入公司名称]数字图像处理实验报告班级:姓名:学号:目录实验一:matlab数字图像处理初步 (3)一.实验目的 (3)二.实验内容 (3)三.实验步骤 (3)实验二:图像的傅立叶变换 (7)一.实验目的 (7)二.实验原理 (7)三.实验内容 (8)四.实验步骤 (8)实验三:数字图像的频域滤波 (9)一.实验目的 (9)二.实验原理 (9)三.实验内容 (10)四.实验步骤 (11)实验四:图象旋转 (14)一.实验目的 (14)二.实验原理 (14)三.实验内容 (14)四.实验步骤 (14)实验五: 图象压缩 (16)一. 实验目的 (16)二.实验内容 (16)二.实验步骤 (16)实验一:matlab数字图像处理初步一.实验目的1、学习在matlab环境下对图像文件的I/O操作,为读取各种格式的图像文件和后续进行图像处理打下基础2、熟悉matlab操作环境3、熟悉matlab的一些指令语句二.实验内容利用matlab为用户提供的专门函数从图像格式的文件中读/写图像数据、显示图像,以及查询图像文件的信息三.实验步骤1、利用imshow显示MATLAB自带的图像在控制台输入>> I=imread('H:\a.bmp');>> imshow(I)弹出窗口显示图像2、用(imfinfo)功能得到图像的相关信息;>> info=imfinfo('autumn.tif');>> info结果为Filename: Filename: 'D:\MATLAB7\toolbox\images\imdemos\autumn.tif' FileModDate: '04-Dec-2000 21:57:54'FileSize: 213642Format: 'tif'FormatVersion: []Width: 345Height: 206BitDepth: 24ColorType: 'truecolor'FormatSignature: [73 73 42 0]ByteOrder: 'little-endian'NewSubfileType: 0BitsPerSample: [8 8 8]Compression: 'Uncompressed'PhotometricInterpretation: 'RGB'StripOffsets: [30x1 double]SamplesPerPixel: 3RowsPerStrip: 7StripByteCounts: [30x1 double]XResolution: 72YResolution: 72ResolutionUnit: 'Inch'Colormap: []PlanarConfiguration: 'Chunky'TileWidth: []TileLength: []TileOffsets: []TileByteCounts: []Orientation: 1FillOrder: 1GrayResponseUnit: 0.0100MaxSampleValue: [255 255 255]MinSampleValue: 0Thresholding: 13、利用显示颜色条功能(colorbar)在图像的左边画一条颜色亮度显示条>> colorbar(I)显示结果为4、读取一幅RGB彩色图像,将其转换为灰度图像,并在同一窗口显示原图>>RGB=imread('autumn.tif'); [m,n,p]=size(RGB) ; %矩阵大小>>I=rgb2gray(RGB) ; % 真彩色图像转换为灰度图像>>I1=im2bw(I) ; % 灰色图像二值画>>I2=~I1; %对二值图像取反>>subplot(1,2,1),imshow(RGB); >>subplot(1,2,2),imshow(I); >>figure % 新建个图形窗口>>subplot(1,3,1),imshow(I); >>subplot(1,3,2),imshow(I1); >>subplot(1,3,3),imshow(I2); 结果为:实验二:图像的傅立叶变换一.实验目的1、理解离散傅立叶变换的基本原理2、掌握应用MATLAB语言进行FFT及逆变换的方法二.实验原理Matlab 函数 fft、fft2 和 fftn 分别可以实现一维、二维和 N 维 DFT 算法;而函数 ifft、ifft2 和 ifftn 则用来计算反 DFT 。
数字图像处理实验报告
数字图像处理实验报告一、引言数字图像处理是一门涉及图像获取、图像处理和图像分析的重要学科,广泛应用于计算机科学、电子工程、通信技术等领域。
本报告旨在介绍并总结我所进行的数字图像处理实验,讨论实验的目的、方法、结果和分析。
二、实验目的通过本次实验,旨在掌握和理解数字图像处理的基本原理和常见技术,包括灰度变换、空间域滤波、频域滤波等,以及层次分割、边缘检测和形态学处理等高级应用技术。
三、实验方法1. 寻找合适的图像在实验中,我选用了一张自然风景图像作为处理对象。
这张图像包含丰富的纹理和颜色信息,适合用于多种图像处理方法的验证和比较。
2. 灰度变换灰度变换是数字图像处理中常见的基础操作,可以通过对图像的像素灰度值进行线性或非线性变换,来调整图像的对比度、亮度等特征。
在实验中,我利用线性灰度变换方法将原始彩色图像转换为灰度图像,并进行对比度的调整,观察处理结果的变化。
3. 空间域滤波空间域滤波是一种基于像素邻域的图像处理方法,常用于图像去噪、边缘增强等应用。
我使用了平滑滤波和锐化滤波两种方法,并针对不同的滤波算子和参数进行了实验和比较,评估其对图像细节和边缘保留的影响。
4. 频域滤波频域滤波是一种基于图像的频谱特征的图像处理方法,广泛应用于图像增强、去噪和特征提取等方面。
我利用傅里叶变换将图像从空间域转换到频域,采用理想低通滤波器和巴特沃斯低通滤波器进行图像的模糊处理,并进行了实验对比和分析。
5. 高级应用技术在实验中,我还研究了数字图像处理中的一些高级应用技术,包括层次分割、边缘检测和形态学处理。
通过应用不同的算法和参数,我实现了图像区域分割、提取图像边缘和形态学形状变换等效果,评估处理结果的准确性和稳定性。
四、实验结果与分析通过对以上实验方法的实施,我获得了一系列处理后的图像,并进行了结果的比较和分析。
在灰度变换实验中,我发现线性变换对图像的对比度有较大影响,但对图像的细节变化不敏感;在空间域滤波实验中,平滑滤波可以有效降噪,但会导致图像细节损失,而锐化滤波可以增强图像的边缘效果,但也容易引入噪声;在频域滤波实验中,理想低通滤波对图像的模糊效果明显,而巴特沃斯低通滤波器可以在一定程度上保留图像的高频细节信息;在高级应用技术实验中,边缘检测和形态学处理对提取图像边缘和形状变换非常有效,但参数的选择会对结果产生较大影响。
数字图像处理实验三中值滤波和均值滤波实验报告
数字图像处理实验三均值滤波、中值滤波的计算机实现崔雪莹计科1202班一、实验目的:1)熟悉均值滤波、中值滤波处理的理论基础;2)掌握均值滤波、中值滤波的计算机实现方法;3)学习VC++ 6。
0 的编程方法;4)验证均值滤波、中值滤波处理理论;5)观察均值滤波、中值滤波处理的结果。
二、实验的软、硬件平台:硬件:微型图像处理系统,包括:主机, PC机;摄像机;软件:操作系统:WINDOWS2000或WINDOWSXP应用软件:VC++ 三、实验内容:1)握高级语言编程技术;2)编制均值滤波、中值滤波处理程序的方法;3)编译并生成可执行文件;4)考察处理结果。
四、实验要求:1)学习VC++确6。
0 编程的步骤及流程;2)编写均值滤波、中值滤波的程序;3)编译并改错;4)把该程序嵌入试验二给出的界面中(作适当修改);5)提交程序及文档;6)写出本次实验的体会。
五、实验结果截图实验均值滤波采用的是3X3的方块,取周围的像素点取得其均值代替原像素点。
边缘像素的处理方法是复制边缘的像素点,增加一个边框,计算里面的像素值得均值滤波。
六、实验体会本次实验在前一次的实验基础上增加均值滤波和中值滤波,对于椒盐噪声的处理,发现中值滤波的效果更为好一点,而均值滤波是的整个图像变得模糊了一点,效果差异较大。
本次实验更加增加了对数字图像处理的了解与学习。
七、实验程序代码注释及分析.”菜单项添加到系统菜单中。
gbBlue;lpBits2[p2+1]=pPalette[Palette].rgbGreen;lpBits2[p2+2]=pPalette[Palette].rgbRed;}}delete lpTemp;}lpBits=lpBitmap+sizeof(BITMAPFILEHEADER)+sizeof(BITMAPINFOHEADER);if (lpBackup) delete lpBackup;lpBackup=new BYTE[nLen];memcpy(lpBackup,lpBitmap,nLen);}void CHistDemoADlg::OnOpen() mp|所有文件|*.*||",this);//新建文件选择对话框if ()==IDOK){FileName=(); //得到文件的路径if (!(FileName,CFile::modeRead)) return; //以只读方式打开文件// TODO: add loading code hereif (lpBitmap) delete lpBitmap; //保证lpBitmap为空nLen=(int)(); //得到文件的长度lpBitmap=new BYTE[nLen]; //为lpBitmap分配空间(lpBitmap,nLen); //将文件的内容读入到lpBitmap所指向的内存区域LoadBitmap(); //调用LoadBitmap(),加载位图图像if (lpBitmap) (nWidth,nHeight,lpBits);}}void CHistDemoADlg::OnHist(){// TODO: 在此添加控件通知处理程序代码HistogramEq();}void GetPoints(int nWidth,int nHeight,BYTE *lpBits,BYTE *lpPoints){int x,y,p;int nByteWidth=nWidth*3;if (nByteWidth%4) nByteWidth+=4-(nByteWidth%4);for(y=0;y<nHeight;y++) //每一行{for(x=0;x<nWidth;x++) //每一列{p=x*3+y*nByteWidth;lpPoints[x+y*nWidth]=(BYTE)*(float)lpBits[p+2]+*(float)lpBits[p+1]+*(float)lpBits[p]+; //三种颜色的比例计算对应点的颜色值,并且强制转换成BYTE}}}void PutPoints(int nWidth,int nHeight,BYTE *lpBits,BYTE *lpPoints) //逐个对lpBits进行赋值{int nByteWidth=nWidth*3;if (nByteWidth%4) nByteWidth+=4-(nByteWidth%4);int x,y,p,p1;for(y=0;y<nHeight;y++) //每一行{for(x=0;x<nWidth;x++) //每一列{p=x*3+y*nByteWidth;p1=x+y*nWidth;lpBits[p]=lpPoints[p1];lpBits[p+1]=lpPoints[p1];lpBits[p+2]=lpPoints[p1];}}}void CHistDemoADlg::HistogramEq(void){if (lpBitmap==0) return;BYTE *lpOutput=new BYTE[nByteWidth*nHeight];HistogramEq1(nWidth,nHeight,lpBits,lpOutput);(nWidth,nHeight,lpOutput); //在直方图均衡化的区域显示结果delete lpOutput;NoColor(); //将原始图像转换成灰度图像}void CHistDemoADlg:: NoColor(){if (lpBitmap==0) return;int x,y,p;BYTE Point;for(y=0;y<nHeight;y++) //每一行{for(x=0;x<nWidth;x++) //每一列{p=x*3+y*nByteWidth;Point=(BYTE)*(float)lpBits[p+2]+*(float)lpBits[p+1]+*(float)lpBits[p]+;//计算颜色值,在0-255的灰度级之间lpBits[p+2]=Point;lpBits[p+1]=Point;lpBits[p]=Point;}}(nWidth,nHeight,lpBits);//将彩色图像转化成灰度图像}void CHistDemoADlg::HistogramEq1(int nWidth, int nHeight, BYTE *lpInput, BYTE *lpOutput){int x,y;BYTE *lpPoints=new BYTE[nWidth*nHeight];//像素点的个数GetPoints(nWidth,nHeight,lpInput,lpPoints); //lpPoints存的是颜色值int r[256],s[256]; //颜色值数组,统计对应颜色值像素点的个数ZeroMemory(r,1024);ZeroMemory(s,1024);for(y=0;y<nHeight;y++){ //统计对应颜色值像素点的个数,Point(x,y)是lpPoints(x,y)for(x=0;x<nWidth;x++){r[Point(x,y)]++;}}s[0]=r[0];for(y=1;y<256;y++){s[y]=s[y-1];s[y]+=r[y];} //计算颜色值的前y种颜色的总像素点的个数(像素点颜色值<=y)for(y=0;y<nHeight;y++){ //将计算对应点的像素值,直方图均匀化的结果保存在lpPointsfor(x=0;x<nWidth;x++){Point(x,y)=s[Point(x,y)]*255/nWidth/nHeight;}}PutPoints(nWidth,nHeight,lpOutput,lpPoints); //输出lpPoints到lpOutputdelete lpPoints;}void CHistDemoADlg::OnBnClickedClose(){// TODO: 在此添加控件通知处理程序代码//ExitProcess(0);//注意使用时先释放分配的内存,以免造成内存泄露//exit(0) ;//正常终止程序; exit(非0)非正常终止程序PostQuitMessage(0);//最常用}void CHistDemoADlg::OnBnClickedMeanfilter(){// TODO: 在此添加控件通知处理程序代码if (lpBitmap==0) return;BYTE *lpOutput=new BYTE[nByteWidth*nHeight];MeanFilter(nWidth,nHeight,lpBits,lpOutput);(nWidth,nHeight,lpOutput); //在直方图均衡化的区域显示结果delete lpOutput;NoColor(); //将原始图像转换成灰度图像}void CHistDemoADlg::MeanFilter (int nWidth,int nHeight,BYTE *lpInput,BYTE *lpOutput){int x,y;BYTE *lpPoints=new BYTE[nWidth*nHeight];//像素点的个数BYTE *lpPoints1 = new BYTE[(nWidth+2)*(nHeight+2)];GetPoints(nWidth,nHeight,lpInput,lpPoints); //lpPoints存的是颜色值for(y=1;y<nHeight+1;y++){ //中间最整块图像的拷贝for(x=1;x<nWidth;x++){Point1(x,y) = Point(x-1,y-1);//lpPoints1[y][x] = lpPoints[y-1][x-1];}}for(y=1;y<nHeight+1;y++){ //最左边和最右边一列的拷贝Point1(0,y) = Point(0,y-1);Point1(nWidth+1,y) = Point(nWidth-1,y-1);//lpPoints1[y][0] = lpPoints[y-1][0];//lpPoints1[y][nWidth+1] = lpPoints[y-1][nWidth-1];}for(x=0;x<nWidth+2;x++){ //最上边和最下边一行的拷贝Point1(x,0) = Point1(x,1);Point1(x,nHeight+1) = Point1(x,nHeight);//lpPoints1[0][x] = lpPoints1[1][x];//lpPoints1[nHeight+1][x] = lpPoints1[nHeight][x];}for(y=0;y<nHeight;y++){ //求以某点为中心的九个数平均值for (x=0;x<nWidth;x++){Point(x,y) = ( Point1(x,y) + Point1(x+1,y) + Point1(x+2,y) +Point1(x,y+1) + Point1(x+1,y+1) + Point1(x+2,y+1) +Point1(x,y+2) + Point1(x+1,y+2) + Point1(x+2,y+2) )/9;/*lpPoints[y][x] = (lpPoints1[y][x] + lpPoints1[y][x+1] + lpPoints1[y][x+2] +lpPoints1[y+1][x] + lpPoints1[y+1][x+1] + lpPoints1[y+1][x+2] +lpPoints1[y+2][x] + lpPoints1[y+2][x+1] + lpPoints1[y+2][x+2])/9;*/}}PutPoints(nWidth,nHeight,lpOutput,lpPoints); //输出lpPoints到lpOutputdelete lpPoints;}void CHistDemoADlg::MedianFilter(int nWidth,int nHeight,BYTE *lpInput,BYTE *lpOutput){int x,y;BYTE *lpPoints=new BYTE[nWidth*nHeight];//像素点的个数BYTE *lpPoints1 = new BYTE[(nWidth+2)*(nHeight+2)];GetPoints(nWidth,nHeight,lpInput,lpPoints); //lpPoints存的是颜色值for(y=1;y<nHeight+1;y++){ //中间一整块拷贝for(x=1;x<nWidth;x++){Point1(x,y) = Point(x-1,y-1);}}for(y=1;y<nHeight+1;y++){ //最左边和最右边一列的拷贝Point1(0,y) = Point(0,y-1);Point1(nWidth+1,y) = Point(nWidth-1,y-1);}for(x=0;x<nWidth+2;x++){ //最上边和最下边一行的拷贝Point1(x,0) = Point1(x,1);Point1(x,nHeight+1) = Point1(x,nHeight);}BYTE *window = new BYTE[9];for(y=0;y<nHeight;y++){for (x=0;x<nWidth;x++){int k = 0;for(int i=y ; i <= y+2 ; i++){for(int j=x ; j <= x+2; j++){if(k < 9)window[k++] = Point1(j,i);}}for (int m = 0; m < 5; ++m) //求9个数的中值,window[4]为中值{int min = m;for (int n = m + 1; n < 9; ++n)if (window[n] < window[min])min = n;// Put found minimum element in its placeBYTE temp = window[m];window[m] = window[min];window[min] = temp;}Point(x,y) = window[4];}}PutPoints(nWidth,nHeight,lpOutput,lpPoints); //输出lpPoints到lpOutputdelete lpPoints;}void CHistDemoADlg::OnBnClickedMedianfilter(){// TODO: 在此添加控件通知处理程序代码if (lpBitmap==0) return;BYTE *lpOutput=new BYTE[nByteWidth*nHeight];MedianFilter(nWidth,nHeight,lpBits,lpOutput);(nWidth,nHeight,lpOutput); //在中值滤波的区域显示结果delete lpOutput;NoColor(); //将原始图像转换成灰度图像}类继承自CWnd主要是图像显示方面的函数,如水平滚轮和垂直滚轮的事件函数,以及绘制函数OnPaint(),初始化函数等等,以及存放需要绘制的图像信息的成员变量。
数字图像处理实验报告
实验一、图像的显示与格式变换1、实验目的1)熟悉常用的图像文件格式与格式转换;2)熟悉图像矩阵的显示方法(灰度、索引、黑白、彩色);3)熟悉图像矩阵的格式转换2、实验内容练习图像读写命令imread和imwrite并进行图像文件格式间的转换。
特别是索引图像与1,4,8,16比特图像的存储与转换。
3、实验步骤a.用图像读命令(imread)从你的硬盘中读取图像(cameramen.tif);b.用图像显示功能(imshow)将刚读入的图像显示在一图像窗中;c.显示颜色条功能(colorbar)在图像的左边画一条颜色亮度显示条;d.用(imfinfo)功能得到(gray.bmp)图像的相关信息;e.用(colormap )获取当前图像的调色板,观察调色板中的颜色设置;f.用(getimage)功能从坐标轴取得当前图像数据;g.用(imagesc)功能显示图像从64-128的灰度值;h. 用(immovie)功能将一个4-D 图像创建多帧索引图的电影动画;i. 用(warp)功能将图像('testpat1.tif)显示到纹理映射柱面;思考:怎样让(cameraman.tif)图像如下图一样显示?四.实验结果及代码a.代码:>>X=imread(‘cameraman.tif’)b.代码:>>y=imshow(X)显示的图像为:c、代码:>>I = colorbar('cameraman.tif')H=imshow('cameraman.tif')显示的图像为d、代码:>>info=imfinfo(‘gray.bmp')显示结果为:Filename: [1x71 char]FileModDate: '16-Apr-2010 11:23:52'FileSize: 107786Format: 'bmp'FormatV ersion: 'V ersion 3 (Microsoft Windows 3.x)'Width: 409Height: 259BitDepth: 8ColorType: 'indexed'FormatSignature: 'BM'NumColormapEntries: 256Colormap: [256x3 double]RedMask: []GreenMask: []BlueMask: []ImageDataOffset: 1078BitmapHeaderSize: 40NumPlanes: 1CompressionType: 'none'BitmapSize: 106708HorzResolution: 0V ertResolution: 0NumColorsUsed: 0NumImportantColors: 0e、代码:>>x=imread(‘256.bmp’)color1=colormap %获取当前图象的调色板image (x)info=imfinfo(’256.bmp’)color2=info.Colormap %注意观察调色板有多少种颜色colormap(color2)f、代码:>>I=getimageg、代码:>> imagesc(x,[64 128])h、代码:>> load mri;mov = immovie(D,map); movie(mov,3)显示图像为:i.源代码:>>[x,y,z]=cylinder;I= imread('testpat1.tif');warp(x,y,z,I),图像显示为:思考:代码:>>X=inread('cameramen.tif');Y=[X X];[x,-y,z]=cylinder;I=imread(Y);warp(x,y,z,I)显示图像为:实验二、图像增强一、实验目的1.理解图像直方图的含义;2.了解直方图的应用;3.掌握直方图均衡化的实现方法。
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一、引言数字图像处理是计算机科学与工程领域中的一个重要研究方向。
通过使用数字化技术,对图像进行采集、传输、存储和处理,可以实现对图像的增强、恢复、分析和识别等功能。
本实验旨在通过对数字图像处理算法的实践应用,探索图像处理的原理和方法。
二、实验目的本实验的主要目的是掌握数字图像处理的基本概念和算法,并通过实际操作加深对图像处理原理的理解。
具体目标包括:1. 学习使用图像处理软件,如Photoshop或Matlab等。
2. 掌握图像增强的方法,如直方图均衡化、滤波和锐化等。
3. 理解图像压缩和编码的原理,如JPEG和PNG等格式。
4. 了解图像分割和边缘检测的基本算法,如阈值分割和Canny边缘检测等。
三、实验过程1. 图像增强图像增强是指通过一系列算法和技术,改善图像的质量和视觉效果。
在实验中,我们可以使用直方图均衡化算法来增强图像的对比度和亮度。
该算法通过将图像的像素值映射到一个更大的范围内,使得图像的亮度分布更加均匀。
2. 图像滤波图像滤波是指通过一系列滤波器对图像进行处理,以实现去噪、平滑和锐化等效果。
在实验中,我们可以使用平滑滤波器(如均值滤波器和高斯滤波器)来去除图像中的噪声。
同时,我们还可以使用锐化滤波器(如拉普拉斯滤波器和Sobel滤波器)来增强图像的边缘和细节。
3. 图像压缩和编码图像压缩是指通过减少图像的数据量来减小图像文件的大小,从而实现存储和传输的效率提升。
在实验中,我们可以使用JPEG和PNG等压缩算法来对图像进行压缩和编码。
JPEG算法通过对图像的频域进行离散余弦变换和量化,实现对图像的有损压缩。
而PNG算法则采用无损压缩的方式,通过对图像的差值编码和哈夫曼编码,实现对图像的高效压缩。
4. 图像分割和边缘检测图像分割是指将图像分成若干个区域,以实现对图像的目标提取和图像分析的目的。
而边缘检测是指通过检测图像中的边缘和轮廓,实现对图像的形状分析和目标识别。
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第一章总论数字图像处理是计算机图形学、数字信号处理等学科交叉的一门学科。
它是基于数字计算机对图像信号进行数字处理的一种方法。
数字图像处理技术已广泛应用于医学影像诊断、遥感图像处理、图像识别、安防监控等领域,在当今社会中具有不可替代的重要作用。
本次实验主要介绍了数字图像处理的基本方法,包括图像采集、图像增强、图像恢复、图像分割、图像压缩等几个方面。
在实验过程中,我们采用了一些常用的数字图像处理方法,并通过 Matlab 图像处理工具箱进行实现和验证。
第二章实验过程2.1 图像采集在数字图像处理中,图像采集是一个重要的步骤。
采集到的图像质量直接影响到后续处理结果的准确性。
本次实验使用的图像是一张 TIF 格式的彩色图像,通过 Matlab 读取图像文件并显示,代码如下:```Matlabim = imread('test.tif');imshow(im);```执行代码后,可以得到如下图所示的图像:![image_1.png](./images/image_1.png)2.2 图像增强图像增强是指利用某些方法使图像具有更好的视觉效果或者变得更适合某种应用。
本次实验我们主要采用直方图均衡化、灰度变换等方法进行图像增强。
2.2.1 直方图均衡化直方图均衡化是一种常用的增强方法,它可以增加图像的对比度和亮度,使图像更加清晰。
代码实现如下:```Matlabim_eq = histeq(im);imshow(im_eq);```执行代码后,会得到直方图均衡化后的图像,如下图所示:![image_2.png](./images/image_2.png)可以看出,经过直方图均衡化处理后,图像的对比度和亮度得到了明显提高。
2.2.2 灰度变换灰度变换是一种用于调整图像灰度级别的方法。
通过变换某些像素的灰度级别,可以增强图像的视觉效果。
本次实验我们采用对数变换和幂函数变换两种方法进行灰度变换。
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。
- 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)。
数字图像处理实验报告实验三中南大学数字图像处理实验报告实验三数学形态学及其应用实验三 数学形态学及其应用一.实验目的1.了解二值形态学的基本运算2.掌握基本形态学运算的实现3.了解形态操作的应用 二.实验基本原理腐蚀和膨胀是数学形态学最基本的变换,数学形态学的应用几乎覆盖了图像处理的所有领域,给出利用数学形态学对二值图像处理的一些运算。
膨胀就是把连接成分的边界扩大一层的处理。
而收缩则是把连接成分的边界点去掉从而缩小一层的处理。
二值形态学I(x,y), T(i,j)为 0/1图像Θ腐蚀:[]),(&),(),)((),(0,j i T j y i x I AND y x T I y x E mj i ++=Θ==膨胀:[]),(&),(),)((),(0,j i T j y i x I OR y x T I y x D mj i ++=⊕== 灰度形态学 T(i,j)可取10以外的值 腐蚀: []),(),(min ),)((),(1,0j i T j y i x I y x T I y x E m j i -++=Θ=-≤≤膨胀: []),(),(max ),)((),(1,0j i T j y i x I y x T I y x D m j i +++=⊕=-≤≤1.腐蚀Erosion:{}x B x B X x ⊂=Θ:1B 删两边 2B 删右上图5-1 剥去一层(皮)2.膨胀Dilation:{}X B x B X x ↑⊕:=1B 补两边 2B 补左下图5-2 添上一层(漆)3.开运算open :B B X ⊕Θ=)(X B4.闭close :∨Θ⊕=B B X X B)(5.HMT(Hit-Miss Transform:击中——击不中变换) 条件严格的模板匹配),(21T T T =模板由两部分组成。
1T :物体,2T :背景。
{}C x x i X T X T X T X ⊂⊂=⊗21,图5-3 击不中变换示意图性质:(1)φ=2T 时,1T X T X Θ=⊗ (2))()()(21T X T X T X C Θ⋂Θ=⊗C T X T X )()(21Θ⋂Θ=)/()(21T X T X ΘΘ= 6.细化/粗化 (1)细化(Thin )C T X X T X XoT )(/⊗⋂=⊗= 去掉满足匹配条件的点。
图5-4 细化示意图系统细化{}n B oB XoB T Xo Λ))(((21=, i B 是1-i B 旋转的结果(90︒,180︒,270︒)共8种情况 适于细化的结构元素1111000d d I = dd d L 101100=(2)粗化(Thick ) )(T X X T X ⊗⋃=•用(){}0,01=T (){}0,12=T 时,X X X T X =⋃=•X 2211123T⨯⨯⨯⨯⨯XoTXX ⊗T ⨯X X ⊗TX ΘTT ⊕故要选择合适的结构元素,如(){}0,11-=T ,(){}0,02=T对偶性:()*T X T X C Cο=•(验证一下) where ),(*12T T T = when ),(21T T T = 7. Morphology 小结A.通过物体(对象)和结构元素的相互作用,得到更本质的形态(shape )(1) 图像滤波(2) 平滑区域的边界(3) 将一定形状施加于区域边界(4) 描述和定义图像的各种几何参数和特征(区域数、面积、周长、连通度、颗粒度、骨架、边界) B.形态运算是并行运算 C.细化区域或边界变为1个象素的宽度,但它不破坏连通性 四方向细化算法:逻辑运算(可删除条件) 形态运算是否可用于细化?(1)腐蚀:收缩(去掉边缘的点)何时结束?能否保证连通性? (2)开:去毛刺,能否细化(去掉尺寸小于结构元素的块) 三.实验提示Matlab 中用imdilate 函数实现膨胀。
用法为:Imdilate(X,SE).其中X 是待处理的图像,SE 是结构元素对象。
例如:bw = imread('text.png'); se = strel('line',11,90); bw2 = imdilate(bw,se); imshow(bw), title('Original') figure, imshow(bw2), title('Dilated') Matlab 用imerode 函数实现图像腐蚀。
用法为:Imerode(X,SE).其中X 是待处理的图像,SE 是结构元素对象。
如:I = imread('cameraman.tif'); se = strel('ball',5,5); I2 = imerode(I,se); imshow(I), title('Original') figure, imshow(I2), title('Eroded')Matlab 用imopen 函数实现图像开运算。
用法为: imopen(I,se);I 为图像源,se 为结构元素Matlab 用imclosee 函数实现图像闭运算。
用法为:imclose(I,se);I为图像源,se为结构元素结构元素的选取:strel函数SE = strel('arbitrary',NHOOD)将NHOOD构造成你设定的矩阵;如将NHOOD写在[1 1 1;1 1 1; 1 1 1] SE = strel('diamond',R)构造一个中心具有菱形结构的结构元素,R为跟中心点的距离SE = strel('rectangle',MN)构造一个矩形的结构元素,MN可写在[3 4],表示3行4列SE = strel('square',W)构造一个正方形的矩阵。
计算二值图像面积bwarea功能:计算二进制图像对象的面积。
语法:total = bwarea(BW)举例BW = imread('circles.png');imshow(BW);bwarea(BW)ans =15799bwmorph功能:提取二进制图像的轮廓。
语法:BW2 = bwmorph(BW1,operation)BW2 = bwmorph(BW1,operation,n)举例BW1 = imread('circles.png');imshow(BW1);BW2 = bwmorph(BW1,'remove');BW3 = bwmorph(BW1,'skel',Inf);imshow(BW2)figure, imshow(BW3)四.实验内容与要求1.设计程序实现对图5-5,实现去除图像中的噪声。
2.设计程序,实现将图5-6转化为二值图像,并计算图中鸡块中骨头的比重。
3.设计程序,实现去除图5-7中的矩形区域外的噪声,并填充矩形区域内部了。
提示:做题是把下面的图另存为单独的图像文件进行处理。
图5-5图5-6图5-7五、实验过程与结果1.分别用Roberts,Sobel和拉普拉斯高斯算子对图像进行边缘检测。
比较三种算子处理的不同之处代码:I=imread('test_pattern.tif');subplot(2,2,1);imshow(I),title('原图');BW1=edge(I,'roberts');subplot(2,2,2);imshow(BW1),title('用Roberts算子')BW2=edge(I,'sobel');subplot(2,2,3);imshow(BW2),title('用Sobel算子 ')BW3=edge(I,'log');subplot(2,2,4);imshow(BW2),title('用拉普拉斯高斯算子 ')结果:(3)比较Roberts算子:边缘定位准,但是对噪声敏感。
适用于边缘明显且噪声较少的图像分割。
Roberts边缘检测算子是一种利用局部差分算子寻找边缘的算子,Robert算子图像处理后结果边缘不是很平滑,会在图像边缘附近的区域内产生较宽的响应,边缘定位的精度不是很高。
Sobel算子:算法的优点是计算简单,速度快。
但是由于只采用了2个方向的模板,只能检测水平和垂直方向的边缘,因此这种算法对于纹理较为复杂的图像,其边缘检测效果就不是很理想。
拉普拉斯:对噪声敏感,会产生双边效果。
不能检测出边的方向。
通常不直接用于边的检测,只起辅助的角色,检测一个像素是在边的亮的一边还是暗的一边利用零跨越,确定边的位置。
2.设计一个检测图3-2中边缘的程序,要求结果类似图3-3,并附原理说明代码:I=imread('lines.png');F=rgb2gray(I);subplot(2,2,1);imshow(I);title('原始图像');thread=130/255;subplot(2,2,2);imhist(F);title('直方图');subplot(2,2,3);J2=im2bw(F,thread);imshow(J2);title('分割结果');实验结果:(3)原理说明:根据图像的直方图,发现背景和目标的分割值在135左右,将此作为分割值,将图像转换为二值图像。
3.任选一种阈值法进行图像分割:(1)选取阈值为180进行分割:I=imread('lines.png');F=rgb2gray(I);subplot(2,2,1);imshow(I);title('原始图像');thread=180/255; %阈值为180进行分割subplot(2,2,2);imhist(F);title('直方图');subplot(2,2,3);J2=im2bw(F,thread);imshow(J2);title('分割结果');实验结果:将阈值调节到180,明显的看到线条的边缘变得模糊,而背景的线条被消除。
4.检测出3.3图像的线条,要求完成的结果为二值图像:代码:I=imread('line2.png');F=rgb2gray(I);subplot(2,2,1);imshow(I);title('原始图像');thread=120/255;subplot(2,2,2);imhist(F);title('直方图');subplot(2,2,3);J2=im2bw(F,thread);imshow(J2);title('分割结果');实验结果:说明:根据直方图,分割值在120左右,去120为分割线,得到以上分割结果。