图像分割实验报告

实验报告

课程名称医学图像处理

实验名称图像分割

专业班级

姓名

学号

实验日期

实验地点

2015—2016学年度第 2 学期

050100150200250

图1 原图 3 阈值分割后的二值图像

分析：手动阈值分割的阈值是取直方图中双峰的谷底的灰度值作为阈值，若有多个双峰谷底，则取第一个作为阈值。本题的阈值取80。

%例2 迭代阈值分割

f=imread('cameraman.tif'); %读入图像

subplot(1,2,1);imshow(f); %创建一个一行二列的窗口，在第一个窗口显示图像title('原始图像'); %标注标题

f=double(f); %转换位双精度

T=(min(f(:))+max(f(:)))/2; %设定初始阈值

done=false; %定义开关变量，用于控制循环次数

i=0; %迭代，初始值i=0

while~done %while ~done 是循环条件，~ 是“非”的意思，此

处done = 0; 说明是无限循环，循环体里面应该还

有循环退出条件，否则就循环到死了;

r1=find(f<=T); %按前次结果对t进行二次分

r2=find(f>T); %按前次结果重新对t进行二次分

Tnew=(mean(f(r1))+mean(f(r2)))/2; %新阈值两个围像素平均值和的一半done=abs(Tnew-T)<1; %设定两次阈值的比较，当满足小于1时，停止循环，

1是自己指定的参数

T=Tnew; %把Tnw的值赋给T

i=i+1; %执行循坏，每次都加1

end

f(r1)=0; %把小于初始阈值的变成黑的

f(r2)=1; %把大于初始阈值的变成白的

subplot(1,2,2); %创建一个一行二列的窗口，在第二个窗口显示图像imshow(f); %显示图像

title('迭代阈值二值化图像'); %标注标题

图4原始图像图5迭代阈值二值化图像

分析：本题是迭代阈值二值化分割，步骤是：1.选定初始阈值，即原图大小取平均；2.用初阈值进行二值分割；3.目标灰度值平均背景都取平均；4.迭代生成阈值，直到两次阈值的灰

度变化不超过1，则稳定；5.输出迭代结果。

%例3 Laplacian算子和模板匹配法

I=imread('cameraman.tif'); %读入图像

subplot(1,3,1);imshow(I); %创建一个一行三列的窗口，在第一个窗口显示图像title('原图像'); %标注标题

H=fspecial('laplacian'); %生成laplacian滤波器

laplacianH=filter2(H,I); %以laplacian为模板对图像I进行锐化滤波subplot(1,3,2); %创建一个一行三列的窗口，在第二个窗口显示图像imshow(laplacianH); %显示图像

title('laplacian算子锐化图像'); %标注标题

H=fspecial('prewitt'); %生成Prewitt滤波器

prewittH=filter2(H,I); %以prewitt为模板对图像I进行锐化滤波

subplot(1,3,3); %创建一个一行三列的窗口，在第三个窗口显示图像imshow(prewittH); %显示图像

title('prewitt模板锐化图像'); %标注标题

图6原图像图7 laplacian算子锐化图像图8 prewitt模板锐化图像

分析：从结果图可以看出，laplacian算子对边缘的处理更明显，它是二阶微分算子，能加强边缘效果，对噪声很敏感，Prewitt算子是平均滤波的一阶的微分算子，不仅能检测边缘点，而且能抑制噪声的影响。

%例4 不同边缘检测方法比较

f=imread('cameraman.tif'); %读取图像

subplot(2,2,1);imshow(f); %创建一个二行二列的窗口，在第一个窗口显示图像title('原始图像'); %标注标题

[g,t]=edge(f,'roberts',[],'both'); %用roberts检测器对图像进行边缘检测，阈值自动选

取，检测边缘方向(双向)为both

subplot(2,2,2);imshow(g); %创建一个二行二列的窗口，在第二个窗口显示图像title('Roberts算子分割结果'); %标注标题

[g,t]=edge(f,'sobel',[],'both'); %用sobel检测器对图像进行边缘检测，阈值自动选取，

检测边缘方向(双向)为both

subplot(2,2,3);imshow(g); %创建一个二行二列的窗口，在第三个窗口显示图像title('Sobel算子分割结果'); %标注标题

[g,t]=edge(f,'prewitt',[],'both'); %用prewitt检测器对图像进行边缘检测，阈值自动

选取，检测边缘方向(双向)为both

subplot(2,2,4);imshow(g); %创建一个二行二列的窗口，在第四个窗口显示图像

title('prewitt算子分割结果'); %标注标题

图9原始图像图10 Roberts算子分割结果图像

图11 Sobel算子分割结果图像图12 prewitt算子分割结果图像

分析：从结果图可以看出，Prewitt 和 Sobel 算子分割效果比 Roberts 效果要好一些，提取边缘较完整，其边缘连续性较好。但是这三种算子的边缘的连续性都不太好，这时我们需要采用霍夫变换使间断变成连续，连接边缘。

思考题

1．分析Sobel算子特点，并给予说明。

f=imread('skull.tif'); %读取图像

f=double(f); %转化图像f的类型为双精度

subplot(3,3,1); %创建有3*3子图像的窗口，原图在位置1

imshow(f,[]); %显示原图像f

title('原始图像'); %给图像加标题为'原始图像'

J=imnoise(f,'gaussian',0.02); %对图像加高斯噪声

subplot(3,3,2); %创建有3*3子图像的窗口，原图在位置2

imshow(J,[]); %显示加噪声的图像

title('加高斯噪声图像'); %给图像加标题为'加高斯噪声图像'

[g1,t]=edge(f,'sobel',[],'both'); %用sobel检测器对原图像进行边缘检测，阈值自动选

取，检测边缘方向(双向)为both

[g2,t]=edge(J,'sobel',[],'both'); %用sobel检测器对加噪图像进行边缘检测，阈值自动

选取，检测边缘方向(双向)为both

[g3,t]=edge(f,'sobel',[],'vertical'); %用sobel检测器对原图像进行边缘检测，阈值自动

选取，检测边缘方向为垂直方向

[g4,t]=edge(J,'sobel',[],'vertical'); %用sobel检测器对加噪图像进行边缘检测，阈值自