数字图像处理实验报告——图像分割实验
数字图像处理实验报告——图像分割实验
实验报告课程名称数字图像处理导论专业班级_＿____＿＿_＿___＿_姓名 __＿___＿_____＿__学号___＿＿_____＿____电气与信息学院与谐勤奋求就是创新一．实验目得1.理解图像分割得基本概念;2.理解图像边缘提取得基本概念；3.掌握进行边缘提取得基本方法；4.掌握用阈值法进行图像分割得基本方法.二。
实验内容1.分别用Roｂerｔs，Ｓobel与拉普拉斯高斯算子对图像进行边缘检测。
比较三种算子处理得不同之处；2.设计一个检测图1中边缘得程序，要求结果类似图2，并附原理说明。
3.任选一种阈值法进行图像分割、图1 图２三．实验具体实现1.分别用Robｅrts,Ｓobel与拉普拉斯高斯算子对图像进行边缘检测。
比较三种算子处理得不同之处；I=ｉｍreａｄ(’ｍｒi、ｔｉｆ');imshｏw（Ｉ)BW1=edgｅ（I，’ｒoｂerｔs’）;ｆigure ，ｉｍshow（BＷ1）,titlｅ(’用Robeｒｔs算子’)ＢW2=edgｅ(Ｉ，’sｏbel’);ｆigure,imshoｗ（BW2），ｔitle（’用Sｏbｅl算子 ')BW３＝ｅdge(I，’log’);figure，iｍshｏw（BW３)，titlｅ(’用拉普拉斯高斯算子’）比较提取边缘得效果可以瞧出,sｏbｅr算子就是一种微分算子,对边缘得定位较精确,但就是会漏去一些边缘细节.而Ｌaplaｃｉan—Gaussiaｎ算子就是一种二阶边缘检测方法，它通过寻找图象灰度值中二阶过零点来检测边缘并将边缘提取出来，边缘得细节比较丰富。
通过比较可以瞧出Ｌａplaciaｎ-Gauｓsｉan算子比sobeｒ算子边缘更完整，效果更好。
2.设计一个检测图1中边缘得程序，要求结果类似图2，并附原理说明.i=ｉmread（＇m８3、ｔif’）;subplｏｔ（１，2,1）；ｉmｈｉst（i）;ｔitle（'原始图像直方图'）;thread＝1３０/２5５；subplot（1，２，2);ｉ3=ｉｍ2bｗ(i，thrｅaｄ）；imsｈow（i3)；titlｅ('分割结果’);3.任选一种阈值法进行图像分割、i=iｍread（'tｒｅes、tif’）;subploｔ（１,2,1）；imｈist（i)；ｔitle（＇原始图像直方图’)；threａd=10０/２5５；sｕｂploｔ（１，2,2）;i3=iｍ2bｗ(i,thread）;imｓhow（i３）;titlｅ('分割结果’)1、分别用Robｅrts，Sobel与拉普拉斯高斯算子对图像进行边缘检测。
《数字图像处理》图像恢复和图像分割实验
《数字图像处理》图像恢复和图像分割实验1.实验目的1、熟悉并掌握MATLAB 图像处理工具箱的使用；2、理解并掌握常用的图像的恢复和分割技术。
2.实验环境MATLAB 6.5 以上版本、WIN XP 或 WIN2000 计算机3、实验内容与要求1、采用三种不同算子检测图像边缘，显示结果。
i=imread('C:\Users\skr\Desktop\lra.png')BW1 = edge(I,'prewitt');BW2 = edge(I,'zerocross');BW3 = edge(I,'canny');subplot(2,2,1);imshow(i);title('原图像-李荣桉 1909290239')subplot(2,2,2);imshow(BW1);title('prewitt 边缘图-李荣桉 1909290239')subplot(2,2,3);imshow(BW2);title('zerocross 边缘图-李荣桉 1909290239')subplot(2,2,4);imshow(BW3);title('canny 边缘图-李荣桉 1909290239')2、对二值图像分别进行方形模板3*3 和5*5 的膨胀和腐蚀操作，显示结果a=imread('C:\Users\skr\Desktop\lra.png')i = rgb2gray(a)I = im2bw(a,0.5)se3 = strel('disk',3);erodedBW1 = imerode(I,se3);se4 = strel('disk',5);erodedBW2 = imerode(I,se4);se1 = strel('ball',3,3);I1 = imdilate(a,se1);se2 = strel('ball',5,5);I2 = imdilate(a,se2);subplot(2,2,1);imshow(I1);title('3*3 膨胀图像-李荣桉 1909290239')subplot(2,2,2);imshow(I2);title('5*5 膨胀图像-李荣桉 1909290239')subplot(2,2,3);imshow(erodedBW1);title('3*3 腐蚀图像-李荣桉 1909290239') subplot(2,2,4);imshow(erodedBW2);title('5*5 腐蚀图像-李荣桉 1909290239')3、完成图像的阈值分割与边缘检测。
实验六 图像分割
信息工程学院实验报告课程名称：数字图像处理实验项目名称：实验六图像分割实验时间：班级：姓名：学号：一、实验目的1. 使用MatLab 软件进行图像的分割。
使学生通过实验体会一些主要的分割算子对图像处理的效果，以及各种因素对分割效果的影响。
2. 要求学生能够自行评价各主要算子在无噪声条件下和噪声条件下的分割性能。
能够掌握分割条件(阈值等)的选择。
完成规定图像的处理并要求正确评价处理结果，能够从理论上作出合理的解释。
二、实验内容与步骤1.边缘检测(1)使用Roberts 算子的图像分割实验调入并显示图像room.tif图像；使用Roberts 算子对图像进行边缘检测处理；Roberts 算子为一对模板：（a）450方向模板（b）1350方向模板图 1 matlab 2010的Roberts算子模板相应的矩阵为：rh = [0 1；-1 0]；rv = [1 0；0 -1]；这里的rh 为45度Roberts 算子，rv 为135度Roberts 算子。
分别显示处理后的45度方向和135方向的边界检测结果；用“欧几里德距离”和“街区距离”方式计算梯度的模，并显示检测结果；对于检测结果进行二值化处理，并显示处理结果。
提示：先做检测结果的直方图，参考直方图中灰度的分布尝试确定阈值；应反复调节阈值的大小，直至二值化的效果最为满意为止。
(2)使用Prewitt 算子的图像分割实验（a）水平模型（b）垂直模板图2. Prewitt算子模板使用Prewitt 算子进行内容(1)中的全部步骤。
(3)使用Sobel 算子的图像分割实验使用Sobel（a）水平模型（b）垂直模板图3. Sobel算子模板(4)使用LoG (拉普拉斯-高斯)算子的图像分割实验使用LoG (拉普拉斯-高斯)算子进行内容(1)中的全部步骤。
提示1：处理后可以直接显示处理结果，无须另外计算梯度的模。
提示2：注意调节噪声的强度以及LoG (拉普拉斯-高斯)算子的参数，观察处理结果。
图像分割处理实验报告
图像分割处理实验报告1. 引言图像分割是计算机视觉中的重要任务之一，其目标是将图像划分成具有相似特征的子区域。
图像分割在很多应用领域中都有着广泛的应用，比如医学影像分析、目标检测和图像编辑等。
本实验旨在探索不同的图像分割算法，并比较它们在不同场景下的效果和性能。
2. 实验方法2.1 实验数据本实验选取了一组包含不同场景的图像作为实验数据集，包括自然景观、人物肖像和城市街景等。
每张图像的分辨率为500x500像素。
2.2 实验算法本实验使用了两种经典的图像分割算法进行比较，分别是基于阈值的分割和基于边缘的分割。
2.2.1 基于阈值的分割基于阈值的分割算法是一种简单而直观的方法，其原理是根据像素值的亮度信息将图像分割成不同的区域。
在本实验中，我们将图像的灰度值与一个事先设定的阈值进行比较，如果大于阈值则设为白色，否则设为黑色，从而得到分割后的图像。
2.2.2 基于边缘的分割基于边缘的分割算法利用图像中的边缘信息进行分割，其原理是检测图像中的边缘并将其作为分割的依据。
在本实验中，我们使用了Canny边缘检测算法来提取图像中的边缘信息，然后根据边缘的位置进行分割。
2.3 实验流程本实验的流程如下：1. 加载图像数据集；2. 对每张图像分别应用基于阈值的分割算法和基于边缘的分割算法；3. 计算分割结果和原始图像之间的相似度，使用结构相似性指标（SSIM）进行评估；4. 分析并比较两种算法在不同场景下的分割效果和性能。
3. 实验结果3.1 分割效果实验结果表明，基于阈值的分割算法在处理简单场景的图像时效果较好，可以比较准确地将图像分割为目标区域和背景。
然而，当图像的复杂度增加时，基于阈值的分割算法的效果明显下降，往往会产生较多的误分割。
相比之下，基于边缘的分割算法在处理复杂场景的图像时表现良好。
通过提取图像的边缘信息，该算法能够较准确地分割出图像中的目标区域，相比于基于阈值的分割算法，其产生的误分割较少。
3.2 性能评估通过计算分割结果和原始图像之间的SSIM指标，我们可以得到两种算法在不同场景下的性能评估。
图像分割 实验报告
图像分割实验报告《图像分割实验报告》摘要：图像分割是计算机视觉领域的重要研究方向，它在许多领域都有着重要的应用价值。
本实验旨在探究图像分割算法在不同场景下的表现，并对比不同算法的优缺点，为图像分割技术的进一步发展提供参考。
一、实验背景图像分割是指将图像划分成若干个具有独立语义的区域的过程。
图像分割技术在医学影像分析、自动驾驶、图像识别等领域都有着广泛的应用。
因此，对图像分割算法的研究和优化具有重要意义。
二、实验目的本实验旨在通过对比不同图像分割算法在不同场景下的表现，探究其优劣，并为图像分割技术的进一步发展提供参考。
三、实验内容1. 数据准备：收集不同场景下的图像数据，包括自然景观、医学影像、交通场景等。
2. 算法选择：选择常用的图像分割算法，如基于阈值的分割、边缘检测、区域生长等。
3. 实验设计：将不同算法应用于不同场景的图像数据上，对比它们的分割效果和计算速度。
4. 结果分析：对比不同算法的优缺点，并分析其适用场景和改进空间。
四、实验结果通过实验我们发现，在自然景观图像中，基于阈值的分割算法表现较好，能够有效地将图像分割成不同的颜色区域；而在医学影像中，边缘检测算法表现更为出色，能够准确地识别出器官的边缘；在交通场景中，区域生长算法表现较好，能够有效地区分不同的交通标志和车辆。
五、结论不同的图像分割算法在不同场景下有着不同的表现，没有一种算法能够适用于所有场景。
因此，我们需要根据具体的应用场景选择合适的图像分割算法，或者结合多种算法进行优化，以达到更好的分割效果。
六、展望未来，我们将继续探究图像分割算法的优化和改进，以适应不同场景下的需求。
同时，我们还将研究图像分割算法在深度学习和人工智能领域的应用，为图像分割技术的发展贡献力量。
通过本次实验，我们对图像分割算法有了更深入的了解，也为其在实际应用中的选择提供了一定的指导。
希望我们的研究能够为图像分割技术的发展做出一定的贡献。
图像分割处理实验报告
一、实验目的：1.学会对图像进行二值化处理和直方图均衡化处理2.进一步了解数字图像处理的知识以及matlab软件的使用3.掌握基本的查资料方法二、实验内容把这幅图像分成同样大小的10幅人脸图片然后分别对第一行5幅人脸图像的第3 第4 第5 第二行5幅人脸图像的第1 第5 进行如下处理：1.进行大津法阈值分割的二值化处理2.进行直方图均衡化处理三、实验具体代码以及结果1.实验代码%clcclearsrc_path='D:\histogram matching.bmp'; %原始图片路径dst_path='D:\picture\'; %分割图片后保存路径mkdir(dst_path);A = imread(src_path); %读入原始图片[m,n,l] = size(A); %获得尺寸for i = 1:2for j = 1:5m_start=1+(i-1)*fix(m/2);m_end=i*fix(m/2);n_start=1+(j-1)*fix(n/5);n_end=j*fix(n/5);AA=A(m_start:m_end,n_start:n_end,:); %将每块读入矩阵imwrite(AA,[dst_path num2str(i) '-' num2str(j) '.jpg'],'jpg'); %保存每块图片endendcd 'D:\pic'x1=imread('1-3.jpg');%%%%%%%%%目标读取图像x2=imread('1-4.jpg');x3=imread('1-5.jpg');x4=imread('2-1.jpg');x5=imread('2-5.jpg');% matlab 自带的自动确定阈值的方法level1=graythresh(x1);level2=graythresh(x2);level3=graythresh(x3);level4=graythresh(x4);level5=graythresh(x5);%用得到的阈值直接对图像进行二值化处理并显示BW1=im2bw(x1,level1);BW2=im2bw(x2,level2);BW3=im2bw(x3,level3);BW4=im2bw(x4,level4);BW5=im2bw(x5,level5);figure(1),imshow(BW1);figure(2),imshow(BW2);figure(3),imshow(BW3);figure(4),imshow(BW4);figure(5),imshow(BW5);%直方图均衡化处理%%%%%%%%%%调用直方图均衡化函数 histeq（）%%%%%均衡化处理后的灰度级直方图分布figure(6),imhist(histeq(rgb2gray(x1))); figure(7),imhist(histeq(rgb2gray(x2))); figure(8),imhist(histeq(rgb2gray(x3))); figure(9),imhist(histeq(rgb2gray(x4))); figure(10),imhist(histeq(rgb2gray(x5)));%%%均衡化处理后的图像%%%%%%figure(11),imshow(histeq(rgb2gray(x1))); figure(12),imshow(histeq(rgb2gray(x2))); figure(13),imshow(histeq(rgb2gray(x3))); figure(14),imshow(histeq(rgb2gray(x4))); figure(15),imshow(histeq(rgb2gray(x5)));。
实验六 图像分割
信息工程学院实验报告课程名称：数字图像处理 实验项目名称:实验六 图像分割 实验时间：2０16、１2、16班级: 姓名： 学号：一、实验目得1、 使用Ｍat Ｌa ｂ 软件进行图像得分割。
使学生通过实验体会一些主要得分割算子对图像处理得效果，以及各种因素对分割效果得影响。
２、 要求学生能够自行评价各主要算子在无噪声条件下与噪声条件下得分割性能。
能够掌握分割条件(阈值等)得选择。
完成规定图像得处理并要求正确评价处理结果，能够从理论上作出合理得解释。
二、实验内容与步骤1、边缘检测(１）使用Roberts 算子得图像分割实验调入并显示图像r ｏｏｍ、tif 图像；使用Ro ｂerts 算子对图像进行边缘检测处理； Ｒo ｂer ｔs 算子为一对模板:（a)45０方向模板 (b)１350方向模板图 1 mat ｌab ２0１０得Ro ｂerts 算子模板相应得矩阵为:ｒh = ［０ １;—1 ０］； rv = [1 ０;0 -１］；这里得rh 为45度Ｒob ｅrts 算子，ｒv 为１35度Robert ｓ 算子。
分别显示处理后得4５度方向与1３5方向得边界检测结果；用“欧几里德距离”与“街区距离”方式计算梯度得模,并显示检测结果;对于检测结果进行二值化处理,并显示处理结果。
提示：先做检测结果得直方图,参考直方图中灰度得分布尝试确定阈值；应反复调节阈值得大小，直至二值化得效果最为满意为止。
(2)使用Ｐrewitt 算子得图像分割实验（a）水平模型（ｂ）垂直模板图2、Pｒewiｔt算子模板使用Ｐrewitt 算子进行内容(1）中得全部步骤。
（3）使用Ｓoｂel 算子得图像分割实验使用Sobeｌ算子进行内容（１)中得全部步骤。
(a）水平模型（b）垂直模板图3、Sobｅl算子模板（４)使用LoG （拉普拉斯-高斯)算子得图像分割实验使用LoG （拉普拉斯—高斯）算子进行内容（1）中得全部步骤。
提示1：处理后可以直接显示处理结果,无须另外计算梯度得模。
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。
分割实验报告范文
实验名称：分割实验一、实验目的1. 了解分割算法的基本原理和分类。
2. 掌握常用的分割算法，如阈值分割、边缘检测等。
3. 熟悉分割算法在图像处理中的应用。
二、实验原理分割算法是图像处理中的一项基本技术，其主要目的是将图像分割成若干个区域，以便对图像进行进一步的分析和处理。
分割算法可分为阈值分割、边缘检测、区域生长、聚类等方法。
1. 阈值分割：通过设定一个阈值，将图像中的像素分为两类，一类为背景，一类为前景。
2. 边缘检测：通过检测图像中像素的灰度变化，找出图像的边缘。
3. 区域生长：从种子点开始，逐步将相邻的像素合并到同一个区域。
4. 聚类：将图像中的像素根据其特征进行分类。
三、实验内容1. 阈值分割实验（1）选择一幅图像作为实验对象。
（2）设定阈值，对图像进行分割。
（3）分析分割结果，比较不同阈值对分割效果的影响。
2. 边缘检测实验（1）选择一幅图像作为实验对象。
（2）采用不同的边缘检测算法（如Sobel、Prewitt、Roberts等）对图像进行处理。
（3）比较不同算法的边缘检测结果，分析其优缺点。
3. 区域生长实验（1）选择一幅图像作为实验对象。
（2）设定种子点，选择合适的邻域搜索方法（如八邻域、四邻域等）。
（3）逐步将相邻的像素合并到同一个区域。
（4）分析分割结果，比较不同邻域搜索方法对分割效果的影响。
4. 聚类实验（1）选择一幅图像作为实验对象。
（2）采用不同的聚类算法（如K-means、层次聚类等）对图像进行处理。
（3）比较不同算法的聚类结果，分析其优缺点。
四、实验步骤1. 准备实验环境，安装相关软件。
2. 选择实验对象，如一张包含前景和背景的图像。
3. 根据实验目的，选择合适的分割算法。
4. 设置参数，如阈值、邻域搜索方法等。
5. 运行实验，观察分割结果。
6. 分析实验结果，总结经验。
五、实验结果与分析1. 阈值分割实验结果分析通过实验，我们可以发现，不同的阈值对分割效果有较大影响。
数字图像处理_实验报告书(六)分割
figureimshow(a)figuresubplot(2,2,1) imshow(bw1) xlabel('soble') subplot(2,2,2) imshow(bw2) xlabel('prewitt') subplot(2,2,3) imshow(bw3) xlabel('roberts') subplot(2,2,4) imshow(bw4) xlabel('log')截图：（2）编写MATLAB程序，用Hough变换对图像进行直线检测。
如例8.5所示。
程序：I=imread('Peppers.bmp');rotI=imrotate(I,33,'crop')BW=edge(rotI,'log')[H,T,R]=hough(BW)P=houghpeaks(H,5,'threshold',ceil(0.3*max(H(:))));x=T(P(:,2)); y=R(P(:,1));lines=houghlines(BW,T,R,P,'FillGap',5,'MinLength',7);figure,imshow(rotI),hold onmax_len=0;for k=1:length(lines)xy=[lines(k).point1;lines(k).point2];plot(xy(:,1),xy(:,2),'LineWidth',2,'Color','green');plot(xy(1,1),xy(1,2),'x','LineWidth',2,'Color','yellow');plot(xy(2,1),xy(2,2),'x','LineWidth',2,'Color','red');end截图：（3）编写MATLAB程序，对一幅图像进行基于形态学的边缘检测。
图像处理边缘提取与分割实验报告附源码
图像处理边缘提取与分割实验报告附源码实验一数字图像处理实例专业:模式识别与智能系统姓名：XXX学号：*************边缘提取与图像分割理论、算法、源码与实例1）理论一、边缘检测的基本方法：各种差分算子，主要有：差分边缘检测方法Roberts梯度模算子前两种对垂直，水平，对角检测好。
Prewitt算子，Robinson算子（算八个方向的梯度最大值）Sobel算子（利用上下左右加权，可平滑噪声）；Kirsch算子Rosenfeld算子Laplace算子（二阶导数算子，一般不用于检测，用于之后判别暗区与明区。
）LOG算子，（XXX平滑后求导提取边界。
）主要思路用高斯函数对图像平滑滤波，然后再对图像进行拉普拉斯运算，算得的值等于零的点认为是边界点。
该算法高斯函数方差取值很重要，过大会导至精度不高。
还容易产生虚假边界。
但可以用一些准备去除虚假边界。
对于灰度渐变图的效果也不太好。
但大部份图片边缘提取效果还好。
Canny边界检测算子二、拟合曲面求导提取边界。
主要思路为在点的邻域各点拟合一个曲面，由曲面的求导代替离散点求差分，这种方法对于噪声比较不敏感。
三、统计判决法提取边界以误判几率最小化设置门限，对边界检测算子作用后的每一个像点判别/。
统计判决法依赖于先验知识。
四、分裂—合并算法按一定的均一化标准，将图片分成子图。
合并满足均一性准则的子图。
实验一数字图像处理实例专业:模式识别与智能系统姓名：陈光磊学号：*************五、跟踪技术1）区域跟踪，基于区域的图像分割方法。
应用于直接提取区域。
检测满足跟踪准则的点，找到这样的点，检测其所有邻点，把满足跟踪准则的任合邻点合并再重复。
直到没有邻点满足检测准则。
2）曲线跟踪，基于边界的图像分割方法。
对整幅图扫描，对所有“目前点”的邻点检测，周围没有满足跟踪条件的点时，返回到上一个最近的分支处，掏出另一个满足跟踪原则的目前点。
重复根踪。
6、模型化与统计检验法检测边界开始步骤为对图像划分成多块子图，每块子图进行曲面拟合。
数字图像实验报告 图像分割
图像分割实验目的：1.了解图像分割的基本理论和方法；2.掌握对图像进行点、线和边缘检测的方法；3.掌握阈值分割的方法和阈值的选择；4.熟悉区域生长法和分水岭分割算法实验内容：1.对图片lung2.bmp和加噪声的lung3.bmp分别用3*3的sobel算子、prewitt算子、log算子、canny算子进行处理，根据处理结果分析上述算子，分别是什么类型的？有何作用？思考一下如何设计算子。
lung3.bmp为g = imnoise(f,”salt & pepper”,0.02)(0.02表示发生概率)答：lung2.bmp:>> f=imread('lung2.bmp');>> [fs,ts]=edge(f,'sobel');>> [fp,tp]=edge(f,'prewitt');>> [fl,tl]=edge(f,'log');>> [fc,tc]=edge(f,'canny');>> subplot(2,3,1),imshow(f),title '原图',subplot(2,3,2),imshow(fs),title 'sobel',subplot(2,3,3),imshow(fp),title'prewitt',subplot(2,3,4),imshow(fl),title'log',subplot(2,3,5),imshow(fc),title 'canny';lung3.bmp:>> g=imnoise(f,'salt & pepper',0.02);>> [gs,tgs]=edge(g,'sobel');>> [gp,tgp]=edge(g,'prewitt');>> [gl,tgl]=edge(g,'log');>> [gc,tgc]=edge(g,'canny');>> subplot(2,3,1),imshow(g),title '噪音图',subplot(2,3,2),imshow(gs),title 'sobel',subplot(2,3,3),imshow(gp),title'prewitt',subplot(2,3,4),imshow(gl),title'log',subplot(2,3,5),imshow(gc),title 'canny';Prewitt算子和Sobel算子提取边缘的结果差不多。
数字图像处理实验五图像分割和边缘检测
课程名称数字图像处理与分析实验序号实验5实验项目图像分割和边缘检测实验地点实验学时实验类型指导教师实验员专业班级学号姓名年月日成绩：教师评语一、实验目的及要求1）了解边缘检测的意义。
2）掌握边缘检测的数学方法。
3）掌握常用的几种边缘检测算子。
二、实验原理与内容图像边缘对人的视觉有重要意义。
一般而言，人们看一个有边缘的物体首先感觉到的就是边缘。
灰度或结构等信息的突变处称为边缘。
边缘是一个区域的结束，也是另一个区域的开始，利用该特征可以分割图像。
但检测出的边缘不等于实际目标的真实边缘。
由于图像数据是二维的，而实际物体是三维的，从三维到二维必然会造成信息丢失，再加上成像过程的光照不均和噪声等因素，使有边缘的地方不一定能检测出来，而检测出的边缘也不一定代表实际边缘。
图像的边缘有方向和幅度两个属性，沿边缘方向象素变化平缓，垂直于边缘方向象素变化剧烈。
这种变化可用微分算子检测出来。
三、实验软硬件环境装有MATLAB软件的电脑四、实验过程（实验步骤、记录、数据、分析）1）基于一阶导数的边缘算子：应用Roberts、Sobel和Prewitt算子检测边缘。
代码：f=imread('11.jpg');I=rgb2gray(f);subplot(2,2,1),imshow(f),title('yuanshituxiang');[g1,t1]=edge(I,'roberts',[],'both');subplot(2,2,2),imshow(g1),title‘Roberts’);[g2,t2]=edge(I,'sobel',[],'both');subplot(2,2,3),imshow(g2),title'Sobel');[g3,t3]=edge(I,'prewitt',[],'both');subplot(2,2,4),imshow(g3),title‘Prewitt’);运行结果：2)基于二阶导数的边缘算子：应用LOG算子检测边缘。
遥感数字图像处理图像分割与线性地物信息提取实验报告
（2）线性地物信息提取效果较好，能够准确地提取出不同的线性地物信息，如 道路、河流等。
1.
实验总结与展望
通过本次实验，我们学习了利用 ENVI 软件进行 RS 图像分割和线性地物信息提
取的方法。我们发现，分割和信息提取的效果都受到算法和参数的选择影响。因
此，在实际应用中，需要根据不同的场景和需求选择合适的算法和参数，以达到
最佳的处理效果。同时，我们也需要注意图像预处理的重要性，它能够有效地提
高后续处理的准确性和可靠性。
未来，随着遥感技术的不断发展和应用场景的扩大，RS 图像分割和信息提取的 需求也将越来越大。因此，我们需要不断学习和掌握最新的算法和技术，以应对 不同场景和需求的处理要求，并且不断完善和优化处理流程，提高处理效率和精 度。
1.
实验背景与目的
遥感图像是一种重要的地学信息获取手段，可以获取大面积的地表信息。但是， 由于图像中存在着大量的地物信息，对于这些信息的快速、准确的提取是遥感研
究中的一个重要问题。本实验旨在利用 ENVI 软件对 RS 图像进行分割，并提取 其中的线性地物信息，为遥感图像处理提供实际的应用。
1.
实验步骤
（1）数据准备：获取需要处理的遥感图像，并导入 ENVI 软件中。
（2）图像预处理：对导入的遥感图像进行预处理，包括辐射校正、大气校正、 几何校正等，以便于后续的处理。
（3）图像分割：利用 ENVI 软件提供的图像分割工具，对遥感图像进行分割。 其中，可以根据需要选择不同的分割算法和参数设置，以达到最佳的分割效果。
（4）线性地物信息提取：根据已分割好的图像，利用 ENVI 软件提供的特征提
取工具，提取其中的线性地物信息。其中，可以根据需要选择不同的特征提取算 法和参数设置，以达到最佳的信息提取效果。
图像分割实验报告
图像分割实验报告
《图像分割实验报告》
图像分割是计算机视觉领域的一项重要技术，它能够将图像分割成不同的区域或对象，为图像识别、目标检测等任务提供了重要的基础。
本实验报告将介绍我们在图像分割领域的研究成果及实验结果。
实验目的
本次实验的目的是通过对图像分割算法的研究和实验，探讨不同算法在图像分割任务中的表现，并对比它们的优缺点，为进一步的研究提供参考。
实验方法
我们选取了常用的图像分割算法，包括基于阈值的分割、区域增长法、边缘检测法、基于聚类的分割等，对这些算法进行了实验比较。
我们使用了多种类型的图像数据集，包括自然场景图像、医学影像等，以验证算法在不同场景下的表现。
实验结果
通过实验，我们发现不同的图像分割算法在不同的图像类型下表现出不同的优劣势。
基于阈值的分割算法在简单的图像中表现较好，但在复杂的场景下效果有限；区域增长法对于连续性较强的对象分割效果较好；边缘检测法在处理边缘清晰的图像时表现出色；基于聚类的分割算法对于复杂背景下的对象分割有一定优势。
结论
通过本次实验，我们对图像分割算法的优劣势有了更深入的了解，不同的算法适用于不同的场景。
在未来的研究中，我们将进一步探索图像分割算法的改进
和优化，以提高图像分割的准确性和效率，为计算机视觉领域的发展贡献力量。
数字图像处理分割报告
一，实验目的。
1，了解图像分割的原理。
2，学会编写区域生长的算法和OTSU算法。
二，实验原理。
区域生长（region growing）是指将成组的像素或区域发展成更大区域的过程。
从种子点的集合开始，从这些点的区域增长是通过将与每个种子点有相似属性像强度、灰度级、纹理颜色等的相邻像素合并到此区域。
它是一个迭代的过程，这里每个种子像素点都迭代生长，直到处理过每个像素，因此形成了不同的区域，这些区域它们的边界通过闭合的多边形定义。
在区域生长中的主要问题如下：（1）表示区域的初始化种子的选择：在区域生长过程中，这些不同区域点合适属性的选择。
（2）基于图像具体属性的像素生长不一定是好的分割。
在区域生长过程中，不应该使用连通性或邻接信息。
（3）相似性：相似性表示在灰度级中观察在两个空间邻接像素之间或像素集合的平均灰度级间的最小差分，它们将产生不同的区域。
如果这个差分比相似度阈值小，则像素属于相同的区域。
（4）区域面积：最小面积阈值与像素中的最小区域大小有关。
在分割的图像中，没有区域比这个阈值小，它由用户定义。
区域生长的后处理（region growing post-processing）：由于非优化参数的设置，区域生长经常会导致欠生长或过生长。
人们已经开发了各种各样的后处理。
从区域生长和基于边缘的分割中，后处理能获得联合分割的信息。
更加简单的后处理是根据一般启发法，并且根据最初应用的均匀性标准，减少分割图像中无法与任何邻接区域合并的最小区域的数量。
区域连接图在场景中区域间的邻接关系可以由区域邻接图（region adjacency graph, RG A）表示。
在场景中的区域由在RGA的节点集合表示N = {N1, N2, ... , Nm}，这里，节点Ni表示在场景中的区域Ri ，并且区域Ri的属性存储在节点的数据结构Ni 中。
在Ni和Nj之间的边缘Eij表示在区域Ri和Rj之间的连接。
如果在区域Ri里存放一个像素与在区域Rj彼此相邻，那么两个区域Ri和Rj是相邻的。
实验三图像分析实验——图像分割、形态学及边缘与轮廓分析
实验三图像分析实验——图像分割、形态学及边缘与轮廓分析一、实验条件PC机数字图像处理实验教学软件大量样图二、实验目的1、熟悉图像形态学分析的基本原理，观察不同形态学方法处理的结果；2、熟悉图像阈值分割、区域生长、投影及差影检测和模板匹配的基本原理，观察处理的结果；3、熟悉图像边缘检测、Hough平行线检测、轮廓提取及跟踪和种子填充的基本原理，观察处理的结果；4、了解图像矩、空穴检测、骨架提取的基本原理，观察处理的结果。
三、实验原理本次实验侧重于演示观察，由于内容繁多，并且系统中已有部分实验项目的原理说明，因此实验原理及编程实现步骤这里不再详细叙述，有兴趣的同学可以查阅数字图像处理方面的有关书籍。
四、实验内容1、图像形态学分析内容包括：图像膨胀、图像腐蚀、开运算、闭运算和图像细化针对二值图像进行处理，有文字说明，实验步骤中将详细介绍其使用方法。
2、图像分割内容包括：阈值分割、区域生长、投影检测、差影检测和模板匹配阈值分割：支持灰度图像。
从图库中选择图像分割中的源图, 然后执行图像分析→图像分割→阈值分割, 比较原图和分割后的图, 对照直方图分析阈值分割的特点。
对源图再执行一次图像变换→点运算→阈值变换, 比较分析阈值变换和阈值分割的结果。
区域生长：支持灰度图像。
操作方法与阈值分割类似，比较分析其与阈值分割的不同。
投影检测：只支持二值图像。
从图库中选择投影检测中的源图, 然后执行图像分析→投影检测→水平投影, 然后再垂直投影, 记录下检测部分的水平和垂直方向的位置。
如有必要, 在检测之前, 对图像进行平滑消噪。
差影检测：支持灰度图像。
从图库中选择图像合成中的源图, 然后执行图像分析→图像合成→图像相减, 在弹出的文件对话框中选择图库图像合成中的模板图像,观察分析差影结果。
模板匹配：支持灰度图像。
从图库中选择模板匹配中的源图, 然后执行图像分析→模式识别→模板匹配, 在弹出的文件对话框中选择图库模板匹配中的模板图像, 观察分析结果。
《数字图像处理(实验部分)》实验8_图像分割
《数字图像处理（实验部分）》教案实验八：图像分割1．实验目的1．掌握MATLAB 的基本操作。
2．了解数字图像处理在MATLAB中的基本处理过程。
3．学习图像分割的原理，观察算法处理结果2．实验设备2．1．PC 兼容机一台；操作系统为WindowsWindowsXP。
2．2．数字图像处理开发环境：MATLAB软件3．实验原理图像分割：运用阀值分割法，通过观察直方图的谷值，选取分割的阀值T为该谷值，将图像分割为背景和目标两部分。
4．实验步骤.1 打开MA TLAB开发环境.2点击MA TLAB窗口上File菜单，选择New-〉M—File，在弹出的Edit编辑器内输入如下程序：I=imread('cameraman.tif');figure(1);subplot(2,2,1),imshow(I);title('原图');subplot(2,2,2),imhist(I);title('直方图,取波谷为阈值'); % 观察灰度直方图，灰度80处有谷，确定阈值T=80I1=im2bw(I,80/255); % im2bw函数将图像根据给定阈值转换为二值图像，阈值需要转换到[0,1]范围内subplot(2,2,3),imshow(I1);title('自带函数分割图');I2=I;k=find(I<=80);%返回满足条件的索引号I2(k)=0;g=find(I>80);I2(g)=255;subplot(2,2,4),imshow(I2);title('阈值分割图');.3将该程序保存，并点击工具栏中Run按钮，程序会自动运行，并显示出结果。
.4 观察处理结果5．实验结果分割后图像中前景部分被凸现出来，背景部分被去除。
01002006．问题与思考总结MATLAB开发环境在使用上的特点，掌握其在实验中使用方法。
改变程序中的参数，重新运行程序，观察会是什么结果。
- 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)。
实验报告
课程名称数字图像处理导论专业班级 ____________________ 姓名 _______________________ 学号 _______________________
电气与信息学院
和谐勤奋求是创新
实验题目图像分割实验
实验室DSP室&信号室实验时间
实验类别设计同组人数 2 成绩指导教师签字：
.实验目的
1. 理解图像分割的基本概念；
2. 理解图像边缘提取的基本概念；
3. 掌握进行边缘提取的基本方法；
4. 掌握用阈值法进行图像分割的基本方法。
.实验内容
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；
2. 设计一个检测图1中边缘的程序，要求结果类似图2 ,并附原理说明。
3. 任选一种阈值法进行图像分割.
三.实验具体实现
1. 分别用RObertS,Sobel
处；
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l=imread('mri.tif);
imshow(l)
BW1=edge(I,'roberts');
figure ,imshow(BW1),title('
BW2=edge(l,'sobel');
figure,imshow(BW2),title('
BW3=edge(l,'log');
figure,imshow(BW3),title('
用RObertS算子')
用Sobel算子')
用拉普拉斯高斯算子')
图1
比较提取边缘的效果可以看出， sober 算子是一种微分算子，对边缘的定位较精确，但是会漏
去一些边缘细节。
而 LaPIaCia n-GaUSSia n 算子是一种二阶边缘检测方法，它通过寻找图象灰度值中
二阶过零点来检测边缘并将边缘提取出来，边缘的细节比较丰富。
通过比较可以看出 LaPIaCian-Gaussian 算子比sober 算子边缘更完整，效果更好。
2.
设计一个检测图1中边缘的程序，要求结果类似图 2 ,
并附原理说明。
i=imread('m83.tif); SUbPlot(1,2,1); imhist(i); title('
原始图像直方图');
thread=130∕255; subplot(1,2,2);
i3=im2bw(i,thread);
imshow(i3);
title(' 分割结果');
3. 任选一种阈值法进行图像分割
i=imread('trees.tif);
SUbPlot(1,2,1);
imhist(i);
title(' 原始图像直方图');
thread=100∕255;
subplot(1,2,2); i3=im2bw(i,thread);
imshow(i3);
title(' 分割结果')
附录：可能用到的函数和参考结果************** 报告里不能用参考结果中的图像
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；
输入如下代码：
l=imread('tire.tif);
imshow(l)
BW1=edge(I,'roberts');
BW3=edge(I,'log'); figure,imshow(BW3),title(' 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。
利用双峰法
i=imread('example.tif); subplot(1,2,1); imhist(i); title('
原始图像直方图');
thread=130∕255; subplot(1,2,2); i3=im2bw(i,thread); imshow(i3);
figure ,imshow(BW1),title(' BW2=edge(l,'sobel'); figure,imshow(BW2),title('
用RObertS 算子') 用Sobel 算子') 用拉普拉斯高斯算子')
得到:
比较提取边缘的效果可以看出，sober 算子是一种微分算子，对边缘的定位较精确, 但
是会漏去一些边缘细节。
而 LaPIaCia n-Gaussia n 算子是一种二阶边缘检测方法，它
通过寻找图象灰度值中二阶过零点来检测边缘并将边缘提取出来，边缘的细节比较丰 富。
通过
比较可以看出
LaPIaCian-Gaussian 算子比sober 算子边缘更完整，效果更好。
title(' 分割结果');
根据原图像的直方图，发现背景和目标的分割值大约在130左右，并将灰度图像转为二值图像，分割效果比较理想。
3 •任选一种阈值法进行图像分割选用双峰法对图像进行分割：
i=imread('eight.tif);
SUbPlot(1,2,1);
imhist(i);
title(' 原始图像直方图');
thread=100∕255;
subplot(1,2,2);
i3=im2bw(i,thread);
imshow(i3);
title(' 分割结果');
结果：
-f¾fltf" (X)L O
□
00*
OClg
DOe
0∞∣
OOffI (XrtH。