图像平滑实验报告
图像平滑实验
图像平滑实验一、实验目的 1.熟练掌握空域滤波中常用平滑滤波器的原理2.理解邻域平均法、中值滤波法平滑降噪达到图像增强的原理3.利用MA TLAB 编程实现图像平滑处理二、实验原理平滑滤波是一种实用的图像处理技术,能减弱或消除图像中的高频分量,不影响低频分量。
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{a 1,a 2,…,a n },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1. 对lena.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。
1.1 对d:\mape_file\lena.bmp 图像添加零均值高斯噪声,观察噪声的影响参考代码如下:I=imread('d:\mape_file\lena.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');尝试加入其它噪声,分析不同噪声的影响结果和特点。
图像的平滑与锐化
昆明理工大学(数字图像处理)实验报告实验名称:图像的平滑与锐化专业:电子信息科学与技术姓名:学号:成绩:[实验目的]1、理解图像平滑与锐化的基本原理。
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、编程实现图像的平滑与锐化。
[实验原理]空间滤波器都是基于模板卷积,其主要工作步骤是:1)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;2)将模板上的系数与模板下对应的像素相乘;3)将所有乘积相加;4)将和(模板的输出响应)赋给图中对应模板中心位置的像素。
1、图像的平滑目的:减少噪声方法:空域法:邻域平均法、低通滤波、多幅图像求平均、中值滤波(1)邻域平均(均值滤波器)所谓的均值滤波是指在图像上对待处理的像素给一个模板,该模板包括了其周围的邻近像素。
将模板中的全体像素的均值来替代原来的像素值的方法。
(2)中值滤波(统计排序滤波)一般地 , 设有一个一维序列 f1 , f2 , f3 ,…, fn ,取该窗口长度(点数)为 m (m为奇数 ),对一维序列进行中值滤波,就是从序列中相继抽取m 个数 fi-v , … , fi-1, fi,fi+1 , … , fi+v;其中 fi 为窗口的中心点值 ,v = ( m - 1 )/ 2 。
再将这 m 个点 值按 其数值大小排序,取中间的 那个数作为滤波输出 ,用数学公式表示为:yi = med fi-v,…,fi-1,fi,fi+1,…,fi+v其中i ∈Z,v=(m-1)/2 。
中值滤波一般采用一个含有奇数个点的滑动窗口,将窗口中各点灰度值的中值来替代指定点(一般是窗口的中心点)的灰度值。
二维中值滤波可有下式表示 :yi = med { fij }中值滤波的性质有 :(1) 非线性 , 两序列 f ( r ) , g ( r )med{ f ( r ) + g ( r ) } ≠ med{ f ( r ) } + med{ g ( r ) }(2) 对尖峰性干扰效果好,即保持边缘的陡度又去掉干扰,对高斯分 布噪声效果差;(3) 对噪声延续距离小于W/2的噪声抑制效果好,W 为窗口长度。
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。
数字图像处理-- 图像平滑
实验三图像平滑一.实验目的1.掌握图像平滑的目的和常用方法:低通滤波和中值滤波2.了解噪声产生的主要来源,及常用的噪声。
二.实验内容及步骤1. 模拟噪声生成I=imread('cameraman.tif');I1= imnoise(I,'gaussian');I2= imnoise(I,'salt & pepper',0.02);imshow(I);figure,imshow(I1);figure,imshow(I2);(1)原图像(2)受高斯噪声污染的图像(3)受椒盐噪声污染的图像2.平均值滤波对噪声消除的效果以及对原图像的平滑代码如下:I=imread('cameraman.tif');I1=imnoise(I,'salt & pepper',0.02);I2=imnoise(I,'gaussian');H1=[1/9 1/9 1/9;1/9 1/9 1/9;1/9 1/9 1/9];J=imfilter(I,H1);J1=imfilter(I1,H1);J2=imfilter(I2,H1);imshow(J);figure,imshow(J1);figure,imshow(J2);(a)原图像滤波后(b)受高斯噪声污染图像滤波后(c)受椒盐噪声污染图像滤波3.中值滤波I=imread('cameraman.tif');I1=imnoise(I,'salt & pepper',0.02);I2=imnoise(I,'gaussian');J1=medfilt2(I1,[3,3]); %3×3 中值滤波模板J2=medfilt2(I2,[3,3]); %3×3 中值滤波模板J3=medfilt2(I1,[5,5]); %5×5 中值滤波模板J4=medfilt2(I2,[5,5]); %5×5 中值滤波模板figure,imshow(J1);figure,imshow(J2);figure,imshow(J3);figure,imshow(J4);(e)(f)(g)(i)*4. 频率域低通滤波(1)构建二维滤波器 h:[f1,f2]=freqspace(25, 'meshgrid');Hd=zeros(25,25);d=sqrt(f1.^2+f2.^2)<0.5; %(0.5 为截止半径大小)Hd(d)=1;h=fsamp2(Hd);figure,freqz2(h,[64,64]);图-(4)(2)用所构建的二维滤波器对以上图像进行滤波。
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)。
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。
图像的平滑滤波实验报告
图像的平滑滤波实验报告
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
函数 filter来实现线性空间滤波,用于指定在滤波过程中是使用相关运算,还是卷积运算,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。
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,定义了一个大小为m×n的邻域,中值就在该邻域上计算。
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special实现。
生成滤波模板的函数。
三、实验内容及结果
(1)选择一副图像fig620,分别选择3x3,7x7,25x25等平均模板进行均值滤波模糊处理,并对不同尺寸的滤波器模板操作后的图像进行比较。
(1)选择一副图像fig620,分别选择3x3,7x7,25x25等平均模板进行高斯滤波模糊处理,并对不同尺寸的滤波器模板操作后的图像进行比较。
(2)选择一副图像circuit,对图像加入椒盐噪声,检验两种滤波模板(3x 3平均模板和3x3的非线性模板中值滤波器)对噪声的滤波效果。
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。
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。
实验四 图像的平滑
实验四图像的平滑一.实验目的1、掌握常见的图像噪声种类;2、理解邻域平均法和中值滤波的原理、特点、适用对象;3、掌握边缘检测的基本思想和常见的边缘检测算子的使用方法;二.实验原理及内容图像平滑的目的是消除图像噪声、恢复原始图像。
实际中摄取的图像一般都含有某种噪声,引起噪声的原因很多,噪声的种类也很多。
总的说来,可以将噪声分为加性噪声和乘性噪声。
加性噪声中又包含高斯噪声、椒盐噪声等典型噪声。
Matlab图像处理工具箱提供了模拟噪声生成的函数imnoise,可以对图像添加一些典型的噪声。
imnoise格式:J=imnoise(I,type,parameters);常见的去除噪声的方法有:邻域平均法、空间域低通滤波、频率域低通滤波、中值滤波等。
二维中值滤波的Matlab函数为medfilt2。
实验内容:1、对图像lena.tif叠加零均值高斯噪声,噪声方差为0.02,然后分别利用邻域平均法和中值滤波法(窗口尺寸可变(先用3×3,再取5×5逐渐增大)对该图像进行滤波,显示滤波后的图像。
2、对图像lena.tif叠加椒盐噪声,噪声方差为0.02,选择合适的滤波器将噪声滤除。
3、对图像lena.tif叠加乘性噪声,噪声方差为0.02,设计一种处理方法,既能去噪声又能保持边缘清晰。
三、实验报告要求1、给出对图像lena.tif叠加零均值高斯噪声,以及利用平均法和中值滤波法对该图像进行滤波的Matlab程序,显示叠加噪声前后的图像,显示滤波后的图像,比较滤波效果。
2、给出对图像lena.tif叠加椒盐噪声,以及对该图像进行滤波的Matlab程序,显示叠加噪声前后的图像,显示滤波后的图像,对结果进行分析。
3、给出对图像lena.tif叠加乘性噪声,以及对该图像进行滤波的Matlab程序,显示叠加噪声前后的图像,显示滤波后的图像,对结果进行分析。
4、比较中值滤波对含有不同噪声的图像的平滑效果,讨论中值滤波最适用于平滑哪种噪声?四、实验程序及框图实验框图实验程序1.叠加高斯噪声并滤波clear all %清空工作空间I=imread('lena.jpg'); %读入图像J=imnoise(I,'gaussian',0,0.02); %叠加高斯噪声h1=im2double(J); %转换成double型h2=fspecial('average');g1=filter2(h2,h1,'same'); %均值滤波g2=medfilt2(h1); %中值滤波subplot(2,2,1);imshow(I);xlabel('原图') %显示原图subplot(2,2,2);imshow(J);xlabel('添加高斯噪声') %显示叠加噪声图像subplot(2,2,3);imshow(g1);xlabel('均值滤波') %显示均值滤波图像subplot(2,2,4);imshow(g2);xlabel('中值滤波') %显示中值滤波图像2.叠加椒盐噪声并滤波clear all; %清空工作空间I=imread('lena.jpg'); %读入图像J=imnoise(I,'salt & pepper',0.02); %叠加椒盐噪声h1=im2double(J); %转换成double型h2=fspecial('average');g1=filter2(h2,h1,'same'); %均值滤波g2=medfilt2(h1); %中值滤波subplot(2,2,1);imshow(I);xlabel('原图像'); %显示原图subplot(2,2,2);imshow(J)xlabel('添加椒盐噪声图像'); %显示叠加噪声图像subplot(2,2,3);imshow(g1);xlabel('均值滤波'); %显示均值滤波图像subplot(2,2,4);imshow(g2);xlabel('中值滤波') %显示中值滤波图像3.叠加乘性噪声并滤波clear all; %清空工作空间I=imread('lena.jpg'); %读入图像J=imnoise(I,'speckle',0.02); %叠加乘性噪声h1=im2double(J); %转换成double型h2=fspecial('average');g1=filter2(h2,h1,'same'); %均值滤波g2=medfilt2(h1); %中值滤波subplot(2,2,1);imshow(I);xlabel('原图像') %显示原图subplot(2,2,2);imshow(J);xlabel('添加乘性噪声图像') %显示噪声图像subplot(2,2,3);imshow(g1);xlabel('均值滤波') %均值滤波subplot(2,2,4);imshow(g2);xlabel('中值滤波') %中值滤波4.比较中值滤波对各种噪声滤波效果,并说明中值滤波适合哪种噪声?答:中值滤波对椒盐噪声滤波效果最好,对乘性噪声滤波效果一般,对高斯噪声滤波效果最差。
数字图像处理上机图像平滑锐化
中国地质大学(武汉)数字图像处理上机实习(第二专题)学生姓名:班级:学号:指导老师:一、图象灰度变换0, 显示灰度图象p02-01~p02-06及直方图;1, 对灰度图象p02-04的灰度范围进行适当展宽;二、图象平滑4,对p02-04jy 、p02-04gs 进行5*5方形窗口的最大均匀性平滑滤波,并比较其效果;三、图象锐化4,利用3*3的Krisch 算子对p02-04实施图象锐化,二维梯度模板为:H1=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡-----3333*03555, H2=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡-----5335*03533 H3=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡-----5553*03333, H4=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡-----3353*05335一图象灰度变换要求(1-0)显示灰度图象p02-01~p02-06及直方图;1.程序代码I=imread('D:\matlab2011\work\p02-01.bmp');subplot(621)imshow(I)title('图像')subplot(622),imhist(I,256)title('图像直方图')I=imread('D:\matlab2011\work\p02-02.tif');subplot(623)imshow(I)subplot(624),imhist(I,256)I=imread('D:\matlab2011\work\p02-03.tif');subplot(625)imshow(I)subplot(626),imhist(I,256)I=imread('D:\matlab2011\work\p02-04.tif');subplot(6,2,7)imshow(I)subplot(6,2,8),imhist(I,256)I=imread('D:\matlab2011\work\p02-05.bmp');subplot(6,2,9)imshow(I)subplot(6,2,10),imhist(I,256)I=imread('D:\matlab2011\work\p02-06.tif');subplot(6,2,11)imshow(I)subplot(6,2,12),imhist(I,256)所用函数:I=imread(‘path’):函数imread用于读取图片文件中的数据,path为图像文件存放路径。
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。
数字图像处理实验03图像的平滑滤波
一、数字图像处理实验实验三 图像的平滑滤波一、实验目的图像平滑主要目的是减少噪声。
噪声有很多种类,不同的噪声有不同的抑制措施。
本实验要求用平滑线性滤波和中值滤波2种最典型、最常用的处理算法进行程序设计,学习如何对已被噪声污染的图像进行“净化”。
通过平滑处理,对结果图像加以比较,得出自己的实验结论。
二、实验内容1.编写并调试窗口尺寸为m m ×的平滑滤波函数。
2.编写并调试窗口尺寸为m m ×的中值滤波函数。
三、实验原理图像平滑滤波可分为空间域和频率域两种方法。
在空间域内可以用邻域处理来减少噪声。
在频率域,因为噪声频谱多在高频段,可以采用各种形式的低通滤波办法来减少噪声。
空间域邻域处理包括:(1)定义中心点),(y x ;(2)仅对预先定义的以),(y x 为中心点的邻域内的像素进行运算;(3)令运算结果为该点处处理的响应;(4)对图像中的每一点重复此步骤。
移动中心点会产生新的邻域,而每个邻域对应于输入图像上的一个像素。
通常邻域是远比图像尺寸小的一规则形状,如正方形 m m × 或近似表示圆等形状的多边形。
若邻域的大小为n m ×,则总共需要mn 个系数。
这些系数排列为一个矩阵,我们称其为滤波器、掩模、滤波掩模、模板或窗口。
对于一个大小为n m ×的模板,假定12+=a m 且12+=b n ,其中a 和b 为非负整数。
所有假设都是基于模板的大小应均为奇数的原则,处理奇数尺寸的模板会更加直观,因为它们都有唯一的一个中心点。
若对邻域中像素的计算为线性运算时,则此运算称为线性空间滤波(也称为空间卷积);否则,我们称此运算为非线性空间滤波。
1. 平滑线性滤波空间域图像平滑线性滤波器是一种最常用的线性低通滤波器,其处理方法是在待处理图像),(y x f 中逐点地移动模板,在每个点),(y x 处的响应是模板系数与直接在模板下的相应像素的乘积之和,作为处理后图像),(y x g 的像素值。
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,
图像平滑处理
数字图像处理实验报告姓名:冯玉平学号: 1203210014 指导老师:吕建平完成时间: 2013年6月实验三图像平滑处理一、实验任务⑴理解图像噪声,模板等概念;⑵掌握邻域平滑法原理及实现方法;⑶掌握中值滤波法原理及实现方法;⑷通过Matlab或VC++环境编程实现对一幅有噪声的灰度图象的邻域平滑处理和中值滤波处理去除噪声。
二、实验条件微机一台、vc++6.0或matlab集成开发环境。
三、实验原理⑴邻域平均法图像平滑处理就是用平滑模板对图像进行处理,以减少图像的噪声。
平滑模板的思想是通过一点和周围邻域内像素点的平均来去除突然变化的点,从而滤掉一定的噪声,其代价是图像有一定程度的模糊,减少图像的模糊是图像平滑处理研究的主要问题之一。
当模板中所有系数都取同样的值时,称其为Box模板,常用的3×3和5×5模板如下:3×3平滑模板5×5平滑模板利用Box模板对图像进行平滑处理又称为邻域平均法平滑处理。
Box模板对当前像素及其相邻的的像素点都一视同仁,统一进行平均处理,这样就可以滤去图像中的噪声。
⑵中值滤波法中值滤波是一种非线性的信号处理方法,与其对应的中值滤波器是一种非线性的滤波器。
中值滤波在一定的条件下可以克服线性滤波如最小均方滤波、均值滤波等带来的图像细节模糊问题,而且对滤除脉冲干扰及图像扫描噪声最为有效。
由于在实际运算过程中不需要图像的统计特征,因此也带来不少方便。
中值滤波一般采用一个含有奇数个点的滑动窗口,将窗口中各点灰度值的中值来替代指定点(一般是窗口的中心点)的灰度值。
对于奇数个元素,中值是指按大小排序后,中间的数值;对于偶数个元素,中值是指排序后中间两个元素灰度值的平均值。
对二维中值滤波来说,窗口的形状和尺寸对滤波器的效果影响很大。
不同图像内容和不同应用往往选用不同的窗口形状和尺寸。
常用的二维中值滤波窗口形状有线状、方形、圆形、十字形等。
四、实验步骤⑴实现灰度图像读取、保存模块;⑵读入灰度图像并加入椒盐噪声;⑶对图像进行中值滤波处理,并显示处理后的图像。
- 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)。
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。
图片的平滑处理A=imread('noise1.bmp');%读取图片A1=medfilt2(A,[3,3]);¨%中值滤波模板大小[3.3]A2=ordfilt2(A,8,ones(4,4));%顺序滤波模板大小【4.4】h=fspecial('average');%均值滤波A3=filter2(h,A); %卷积A3=uint8(A3);j=fspecial('gaussian');%高斯滤波A4=filter2(j,A);A4=uint8(A4);subplot(2,3,1);imshow(A);title('原图');subplot(2,3,2);title('中值滤波');subplot(2,3,3);imshow(A2);title('顺序滤波');subplot(2,3,4);imshow(A3);title('均值滤波');subplot(2,3,5);imshow(A4);title('高斯滤波');程序分析:1从原图的图片中可以看到,原图噪点很多,第二幅图片是利用了中值滤波处理A1=medfilt2(A,[3,3]);¨含义是将图片划分成多个[3,3]的矩阵,取其中的中间值代替里面的所有元素。
由于噪点的值与图片的值差距很大,所以划分[3.3]矩阵取中值处理后,大部分的噪点值将被中值取缔。
所以可以达到平滑图像和去除噪点的功能。
2.顺序滤波处理:A2=ordfilt2(A,8,ones(4,4));将图片划分成很多个[4,4]的矩阵,让后讲里面的值进行排序,一共有十六个值,取排第8位值,然后用那个值代替矩阵里面所有的值,其实等同于A1=medfilt2(A,[4,4]);的中值排序,因为A1=medfilt2(A,[3,3]);比A2=ordfilt2(A,8,ones(4,4));分的更细,所以滤波的效果图2比图3更好。
低通滤波程序:低通滤波a=imread('noise.bmp');figure(4)subplot(2,4,1);imshow(a);b=fft2(double(a));subplot(2,4,2);imshow(abs(b),[]);title('傅里叶变换');c=log(1+abs(b));subplot(2,4,3);imshow(c,[]);d=fftshift(b)e=log(1+abs(d));subplot(2,4,4);imshow(e,[]);[m,n]=size(d);for i=1:256for j=1:256d1(i,j)=(1/(1+((i-128)^2+(j-128)^2)^0.4/10)^2)*d(i,j);end;end;for i=1:256for j=1:256d2(i,j)=(1/(1+((i-128)^2+(j-128)^2)^0.3/20)^2)*d(i,j);end;end;for i=1:256for j=1:256d3(i,j)=(1/(1+((i-128)^2+(j-128)^2)^0.3/50)^2)*d(i,j);end;end;for i=1:256for j=1:256d4(i,j)=(1/(1+((i-128)^2+(j-128)^2)^0.4/100)^2)*d(i,j);end;end;FF1=ifftshift(d1);FF2=ifftshift(d2);FF3=ifftshift(d3);FF4=ifftshift(d4);ff1=real(ifft2(FF1));ff2=real(ifft2(FF2));ff3=real(ifft2(FF3));ff4=real(ifft2(FF4));subplot(2,4,5); imshow(uint8(ff1)); xlabel('截止频率 10');subplot(2,4,6); imshow(uint8(ff2)); xlabel('截止频率 20');subplot(2,4,7); imshow(uint8(ff3)); xlabel('截止频率 50');subplot(2,4,8); imshow(uint8(ff4)); xlabel('截止频率 100');分析:第一幅图是原图,图2是傅里叶变换处理,图3是对图片进行压缩处理,图4是对图2进行了反傅里叶变换,变回原图,在进行压缩处理。
从处理的结果看来,截止频率为50的处理结果更加清晰。
因为图片的有效元素频率大部分低于50.所以滤波后图片不至于失真。
五.思考题1.不同空间域卷积器模板的滤波效果有何不同?2.空间域卷积器模板的大小的滤波效果有何影响?3.用多幅图像代数平均的方法去噪对图像有何要求?4.不同频域滤波器的效果有何不同?答1:不同空间域卷积模板的滤波效果滤波的平滑程度不同,当空间域模板太小时,无法滤除噪点,当空间域模板太大时又会使得图像失真。
答2:当空间域模板太小时,无法滤除噪点,当空间域模板太大时又会使得图像失真。
答3:要求多幅图像的噪声点的分布不同,差别越大,效果越好答4:对于不同图而言,图像的频率高低也不一样,当滤波器的频率太低,远低于图像的大部分频率,虽然噪声滤除了,但是图像的大部分信息也被滤除。
如果滤波器的滤波频率太高,虽然图像不至于失真,但是滤波效果不好。
所以滤波器的截止频率尽量选择与图片的大部分有效元素频率相等的频率进行滤波,这样既可以滤除噪音,图片又不至于失真。