实验一-图像增强和图像分割实验
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。
图像增强实验报告
课程: 数字图像处理实验日期: 2012年 4 月日成绩：实验一图像增强与平滑一．实验目的及要求1．了解MATLAB的操作环境和基本功能。
2．掌握MATLAB中图像增强与平滑的函数的使用方法。
3．加深理解图像增强与平滑的算法原理。
二．实验原理图像增强的目的是改善图像的视觉效果，或者使图像更适合于人或机器进行分析处理。
通过图像增强，可以减少图像中的噪声，提高目标与背景的对比度，也可以强调或抑制图像中的某些细节。
从处理的作用域出发，图像增强可以分为空间域法和频率域法。
前者在空间域直接对像素进行处理，后者在图像的变换域内处理，然后经逆变换获得增强图像。
图像增强技术主要有：空域变换增强、空域滤波增强、频域增强。
点运算可以在空域内进行图像灰度修正、图像灰度变换以及图像直方图修正。
空域滤波增强主要应用平滑滤波器、中值滤波器以及锐化滤波器。
频域增强主要应用高通滤波和同态滤波。
图像增强还包括图像的伪彩色处理。
彩色图像中包含有丰富的细节信息,为了获得清晰的彩色图像,保护原有的彩色信息,消除亮度不够对彩色图像像质的影响, 应用图像增强技术对彩色图像进行处理,既可以得到清晰的彩色图像,又可以保护原有的彩色信息。
总之图像增强技术就是对图像中感兴趣的特征有选择地突出,而衰减其不需要的特征。
三、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。
（可将每段程序保存为一个.m文件）1．直方图均衡化clear all; close all % Clear the MATLAB workspace of any variables% and close open figure windows.I = imread('pout.tif'); % Rea ds the sample images ‘ pout.tif’, and stores it inimshow(I) % an array named I.display the imagefigure, imhist(I) % Create a histogram of the image and display it in% a new figure window.[I2,T] = histeq(I); % Histogram equalization.figure, imshow(I2) % Display the new equalized image, I2, in a new figure window.figure, imhist(I2) % Create a histogram of the equalized image I2.figure,plot((0:255)/255,T); % plot the transformation curve.课程: 数字图像处理实验日期: 2012年 4 月日成绩：imwrite (I2, 'pout2.png'); % Write the newly adjusted image I2 to a disk file named% ‘pout2.png’.imfinfo('pout2.png') % Check the contents of the newly written file功能：直方图均衡化的基本思想是将原始图像的直方图变换为均匀分布的形式，从而增加图像灰度的动态范围，达到增强图像对比度的效果。
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一、引言图像分割是计算机视觉领域中的一个重要研究方向，它旨在将一幅图像分割成具有语义意义的不同区域。
图像分割在许多应用中发挥着关键作用，如目标检测、场景理解和医学图像处理等。
本实验旨在探索不同的图像分割方法，并对其进行比较和评估。
二、实验方法本实验选择了两种常用的图像分割方法：基于阈值的分割和基于边缘的分割。
首先，我们使用Python编程语言和OpenCV库加载图像，并对图像进行预处理，如灰度化和平滑处理。
接下来，我们将详细介绍这两种分割方法的实现步骤。
1. 基于阈值的分割基于阈值的分割是一种简单而常用的分割方法。
它通过将图像像素的灰度值与预先设定的阈值进行比较，将像素分为前景和背景两类。
具体步骤如下：（1）将彩色图像转换为灰度图像。
（2）选择一个适当的阈值，将图像中的像素分为两类。
（3）根据阈值将图像分割，并得到分割结果。
2. 基于边缘的分割基于边缘的分割方法是通过检测图像中的边缘来实现分割的。
边缘是图像中灰度变化剧烈的区域，通常表示物体的边界。
具体步骤如下：（1）将彩色图像转换为灰度图像。
（2）使用边缘检测算法（如Canny算法）检测图像中的边缘。
（3）根据边缘信息将图像分割，并得到分割结果。
三、实验结果与讨论我们选择了一张包含多个物体的彩色图像进行实验。
首先，我们使用基于阈值的分割方法对图像进行分割，选择了适当的阈值进行实验。
实验结果显示，基于阈值的分割方法能够将图像中的物体与背景分离，并得到较好的分割效果。
接下来，我们使用基于边缘的分割方法对同一张图像进行分割。
实验结果显示，基于边缘的分割方法能够准确地检测出图像中的边缘，并将图像分割成多个具有边界的区域。
与基于阈值的分割方法相比，基于边缘的分割方法能够更好地捕捉到物体的形状和边界信息。
通过对比两种分割方法的实验结果，我们发现基于边缘的分割方法相对于基于阈值的分割方法具有更好的效果。
基于边缘的分割方法能够提供更准确的物体边界信息，但也更加复杂和耗时。
图像增强实验报告
图像增强实验报告图像增强实验报告引言：图像增强是数字图像处理中的重要技术之一，它可以通过改变图像的亮度、对比度、色彩等参数，使图像更加清晰、细节更加突出。
本实验旨在探究不同图像增强方法对图像质量的影响，并比较它们的效果。
一、实验目的通过实验比较不同的图像增强方法，包括直方图均衡化、拉普拉斯算子增强、灰度变换等，对图像质量的影响，了解各种方法的优缺点，为实际应用提供参考。
二、实验步骤1. 实验准备：准备一组包含不同场景、不同光照条件下的图像样本，以及实验所需的图像处理软件。
2. 直方图均衡化：将图像的直方图进行均衡化，使得图像的像素值分布更加均匀，从而提高图像的对比度和亮度。
3. 拉普拉斯算子增强：使用拉普拉斯算子对图像进行边缘增强，突出图像的细节和纹理。
4. 灰度变换：通过调整图像的灰度级别，改变图像的亮度和对比度，使图像更加清晰明亮。
5. 实验结果分析：对比不同图像增强方法处理后的图像，分析它们在视觉效果上的差异，并根据实验结果评估各种方法的优劣。
三、实验结果与讨论在本次实验中，我们选择了一张室内拍摄的暗淡图像作为样本进行增强处理。
首先，我们对该图像进行了直方图均衡化处理。
结果显示，通过直方图均衡化，图像的亮度和对比度得到了明显的提升，细节也更加清晰可见。
然而，由于直方图均衡化是全局处理，可能会导致图像的局部细节过于突出，从而影响整体视觉效果。
接下来，我们采用了拉普拉斯算子增强方法。
通过对图像进行边缘增强，图像的纹理和细节得到了突出展示。
然而，拉普拉斯算子增强也存在一定的局限性，对于噪声较多的图像，可能会导致边缘增强过程中出现伪影和锯齿现象。
最后，我们尝试了灰度变换方法。
通过调整图像的灰度级别，我们改变了图像的亮度和对比度，使图像的细节更加突出。
与直方图均衡化相比，灰度变换方法更加灵活，可以根据实际需求对图像进行个性化的调整。
综合对比三种图像增强方法的实验结果，我们可以得出以下结论：直方图均衡化适用于对整体亮度和对比度进行提升的场景；拉普拉斯算子增强适用于突出图像的边缘和纹理；灰度变换方法可以根据实际需求对图像进行个性化调整。
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。
数字图像处理实验报告——图像增强实验
实验报告课程名称数字图像处理导论专业班级_______________姓名_______________学号_______________电气与信息学院和谐勤奋求是创新2.编写函数w = genlap lacia n(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 14.采用不同的梯度算子对b lurry_moon.tif进行锐化滤波，并比较其效果。
[I,m ap]=im read('trees.tif');I=double(I);subplo t(2,3,1)imshow(I,m ap);title(' Original Im age');[Gx,Gy]=gradie nt(I); % gradie n t calcul ationG=sqrt(Gx.*Gx+Gy.*Gy); % matrixJ1=G; % gradie nt1subplo t(2,3,2)imshow(J1,m ap);title(' Operator1 Im age');J2=I; % gradie nt2 K=find(G>=7);J2(K)=G(K);subplo t(2,3,3)im show(J2,m ap);title(' Operator2 Im age');J3=I; % gradie n t3 K=find(G>=7);J3(K)=255;subplo t(2,3,4)im show(J3,m ap);title(' Operator3 Im age');J4=I; % gradie n t4 K=find(G<=7);J4(K)=255;subplo t(2,3,5)im show(J4,m ap);title(' Operator4 Im age');J5=I; % gradie nt5 K=find(G<=7);J5(K)=0;Q=find(G>=7);J5(Q)=255;subplo t(2,3,6)im show(J5,m ap);title(' Operator5 Im age');5.自己设计锐化空间滤波器，并将其对噪声图像进行处理，显示处理后的图像；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)采用3×3的拉普拉斯算子w = [ 1, 1, 1; 1 – 8 1; 1, 1, 1]滤波I=im read('moon.tif');T=double(I);subplo t(1,2,1),im show(T,[]);title('Origin al Im age');w =[1,1,1;1,-8,1;1,1,1];K=conv2(T,w,'sam e');subplo t(1,2,2)im show(K);title('Laplacian Transf orm ation');图2.9 初始图像与拉普拉斯算子锐化图像2)编写函数w = genlap lacia n(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]functi on w = genlap lacia n(5)%Com put es the Laplac ian operat orw = ones(n);x = ceil(n/2);w(x, x) = -1 * (n * n - 1);3)分别采用5×5，9×9，15×15和25×25大小的拉普拉斯算子对blurry_mo on.tif进行锐化滤波，并利用式完成图像的锐化增强，观察其有何不同，要求在同一窗口中显示。
图像增强与分割实验参考程序
%（1）通过直方图均衡来增强图像，要求原图像、原图像直方图（灰度等级数200）、均衡化后图像、均衡化后直方图（灰度等级数200）显示在图1上clear all;I1 = imread('美丽图片.jpg');I=rgb2gray(I1);figure(1);subplot(2,2,1);imshow(I1);title('(1)原图像','fontsize',12);J=histeq(I,64);subplot(2,2,2);imshow(J);title('(1)直方图均衡后图像','fontsize',12);subplot(2,2,3);imhist(I,256);title('(1)原始灰度图像直方图','fontsize',12);subplot(2,2,4);imhist(J,256);title('(1)灰度图像均衡直方图','fontsize',12);%对图像进行规定灰度变换，必须做的是灰度取反，要求取反后图像、取反后图像直方图（灰度等级数200）显示在图2上J1=imadjust(I,[0 1],[1 0]);figure(2);subplot(1,2,1);imshow(J1);title('(2)取反图像','fontsize',12);subplot(1,2,2);imhist(J1);title('(2)取反图像直方图','fontsize',12);%(3）通过直方图规定化来增强图像，规定图像由自己编程实现，具体形状不限，要求原图像、规定化图像、规定化后图像、规定化后图像直方图（灰度等级数200）显示在图3上r=127;x=-r:r+1;sigma=20;y1=exp(-((x-80).^2)/(2*sigma^2));y2=exp(-((x+80).^2)/(2*sigma^2));y=y1+y2;y=y/sum(y); %归一化，使函数符合概率分布的sum(y)==1这样一个规律k=histeq(J1,y);figure(3);subplot(2,2,1);imshow(I);title('(3)原始图像','fontsize',12);subplot(2,2,2);plot(y);title('(3)规定图像','fontsize',12);subplot(2,2,3);imshow(k);title('(3)规定化后的图像','fontsize',12);subplot(2,2,4);imhist(k);title('(3)规定化后的图像直方图','fontsize',12);%（4）通过拉普拉斯算子来锐化图像，要求原图像、卷积后图像、锐化I2=double(I); %转换数据类型为double双精度型H=[0 1 0,1 -4 1,0 1 0]; %拉普拉斯算子J2=conv2(I2,H,'same'); %用拉普拉斯算子对图像进行二维卷积运算figure(4);subplot(1,2,1);imshow(J2);title('(4)卷积后图像','fontsize',12);M=I2-J2; %增强的图像为原始图像减去拉普拉斯算子滤波的图像subplot(1,2,2);imshow(M);title('(4)锐化滤波处理','fontsize',12);%（5）通过人工选择法对图像进行分割，选择阈值自定义，要求原图像、分割后图像显示在图5上[width,height]=size(I);%获取图像的高度和宽度figure(5);subplot(1,2,1);imshow(I);title('(5)原图像','fontsize',12);T1=80;%用人工选择法，选择阈值为80for i=1:widthfor j=1:heightif(I(i,j)<T1) %用人工选择阈值80对图像进行分割BW1(i,j)=0;elseBW1(i,j)=1;endendendsubplot(1,2,2);imshow(BW1);title('(5)分割后图像','fontsize',12);。
图像处理实验 图像增强和图像分割
图像增强和图像分割一、实验目的：掌握用空间滤波进行图像增强的基本方法，掌握图像分割的基本方法。
二、 实验要求：1、测试图像1中同时含有均值为零的均匀分布噪声和椒盐噪声。
用大小为5×5的算术均值滤波器和中值滤波器对图像进行处理，在不同窗口中显示原图像及各处理结果图像，并分析哪一种滤波器去噪效果好2、对测试图像2进行图像分割，求出分割测试图像2的最佳阈值。
分别显示原图、原图的直方图（标出阈值）、和分割后的二值图。
实验内容：1. 实验原理1) 图像增强：流程图：图像增强可以通过滤波的方式来完成，即消除一部分的噪声。
滤波又可以分为均值滤波和中值滤波。
1. 中值滤波原理：中值滤波就是选用一个含有奇数个像素的滑动窗口，将该窗口在图像上扫描，把其中所含像素点按灰度级的升（或降）序排列，取位于中间的灰度值来代替窗口中心点的灰度值。
对于一维序列{N f }： 21,},...,,...,{-=∈=+-m u N i f f f Med y ui i u i i对于二维序列{ij F }：为滤波窗口W y ij F Med Wij }{=2. 均值滤波原理：对于含噪声的原始图像g(s,t)的每一个像素点去一个领域N ，用N 中所包含的相速的灰度平均值，作为领域平均处理后的图像f(x,y)的像素值，即：∑∈=xyS t s t s g mn y x f ),(),(1),(ˆ 2) 图像分割：图像分割：依据图像的灰度、颜色等特征，将一幅图像分为若干个互不重叠的、具有某种同质特征的区域。
本实验中我们是根据灰度值，将灰度值大于阈值T 的像素统一置为255，小于的则置为0。
如何求出最合适的分割阈值，则需要用到迭代算法。
迭代法算法步骤：(1) 初始化阈值T (一般为原图像所有像素平均值)。
(2) 用T分割图像成两个集合：G1 和G2，其中G1包含所有灰度值小于T的像素，G2包含所有灰度值大于T的像素。
(3) 计算G1中像素的平均值m1及G2中像素的平均值m2。
实验一-图像增强和图像分割实验
实验一 图像增强和图像分割实验（1）分别用图中给出的直线和曲线作为增强函数进行增强，比较它们的效果并讨论其特点。
线性变换 对指数变换图片1 图片2实验步骤：1. 在MATLAB 中编写灰度图像的线性变换点运算程序图片1处理程序I=imread('图片1.png'); %读入原图像I=im2double(I);%转换数据类型为double [M,N]=size(I);figure(1);imshow(I);%显示原图像 title('原图像'); figure(2); I=rgb2gray(I);E2(s)E3(s)E1(s)L-1 L-1E5(s)E4(s)L-1L-1%转化为灰度图像[H,x]=imhist(I,64); stem(x,(H/M/N),'.'); title('原图像');%tan=30`a=sqrt(3)/3;b=0;y=a.*I+b;figure(3);imshow(y);title('tan=30'); figure(4);[H,x]=imhist(y,64); stem(x,(H/M/N),'.'); title('tan=30');%tan=45`a=1;b=0;y=a.*I+b; figure(5);imshow(y);title('tan=45'); figure(6);[H,x]=imhist(y,64); stem(x,(H/M/N),'.'); title('tan=45');%tan=60`a=sqrt(3);b=0;y=a.*I+b;figure(7);imshow(y);title('tan=60'); figure(8);[H,x]=imhist(y,64); stem(x,(H/M/N),'.'); title('tan=60');实验结果如下图所示：原图像图片1的原图像tan=30图片1的30度线性变换图像tan=45图片1的45度线性变换图像tan=60图片1的60度线性变换图像原图像的直方图 30度变换后直方图tan=45图片2处理程序参考图片1处理程序。
遥感影像处理实验报告(3篇)
第1篇一、实验背景与目的随着遥感技术的不断发展，遥感影像已成为获取地球表面信息的重要手段。
遥感影像处理是对遥感影像进行一系列技术操作，以提高影像质量、提取有用信息的过程。
本实验旨在通过实践操作，让学生掌握遥感影像处理的基本原理和常用方法，提高学生对遥感影像数据的应用能力。
二、实验内容与步骤本次实验主要包括以下内容：1. 数据准备：获取实验所需的遥感影像数据，包括光学影像、红外影像等。
2. 影像预处理：对原始遥感影像进行辐射校正、几何校正、图像增强等处理。
3. 影像分割：对预处理后的影像进行分割，提取感兴趣的目标区域。
4. 影像分类：对分割后的影像进行分类，识别不同的地物类型。
5. 结果分析：对分类结果进行分析，评估分类精度。
三、实验步骤1. 数据准备- 获取实验所需的遥感影像数据，包括光学影像、红外影像等。
- 确保影像数据具有较好的质量和分辨率。
2. 影像预处理- 辐射校正：对原始遥感影像进行辐射校正，消除大气、传感器等因素对影像辐射强度的影响。
- 几何校正：对原始遥感影像进行几何校正，消除地形起伏、地球曲率等因素对影像几何形状的影响。
- 图像增强：对预处理后的影像进行图像增强，提高影像对比度、清晰度等。
3. 影像分割- 选择合适的分割方法，如基于阈值分割、基于区域生长分割、基于边缘检测分割等。
- 对预处理后的影像进行分割，提取感兴趣的目标区域。
4. 影像分类- 选择合适的分类方法，如监督分类、非监督分类等。
- 对分割后的影像进行分类，识别不同的地物类型。
5. 结果分析- 对分类结果进行分析，评估分类精度。
- 分析分类结果中存在的问题，并提出改进措施。
四、实验结果与分析1. 影像预处理结果- 经过辐射校正、几何校正和图像增强处理后，遥感影像的质量得到显著提高，对比度、清晰度等指标明显改善。
2. 影像分割结果- 根据实验所采用的分割方法，成功提取了感兴趣的目标区域，分割效果较好。
3. 影像分类结果- 通过选择合适的分类方法，对分割后的影像进行分类，成功识别了不同的地物类型。
光学遥感算法实验报告
一、实验目的本次实验旨在通过光学遥感图像处理，掌握光学遥感图像的基本处理方法，包括图像预处理、图像增强、图像分割等，并熟悉常用的光学遥感图像处理算法，提高对光学遥感图像的分析和处理能力。
二、实验内容1. 实验环境（1）软件：ENVI 5.3（2）硬件：计算机2. 实验步骤（1）数据准备首先，准备一幅光学遥感图像，本实验选用的是一幅Landsat 8卫星影像。
（2）图像预处理对图像进行预处理，包括辐射校正、几何校正等。
（3）图像增强对图像进行增强，提高图像的视觉效果，便于后续处理。
本实验采用直方图均衡化、对比度拉伸等方法。
（4）图像分割对图像进行分割，提取目标区域。
本实验采用阈值分割、区域生长等方法。
（5）结果分析对分割结果进行分析，评估算法性能。
三、实验结果与分析1. 图像预处理经过辐射校正和几何校正后，图像质量得到提高，细节更加清晰。
2. 图像增强通过直方图均衡化和对比度拉伸，图像视觉效果得到明显改善。
3. 图像分割（1）阈值分割采用Otsu方法进行阈值分割，得到初步的目标区域。
但该方法存在一定局限性，如噪声干扰、目标区域内部亮度不均匀等。
（2）区域生长采用区域生长方法对图像进行分割，得到较为准确的目标区域。
区域生长方法具有以下优点：- 可以较好地处理噪声干扰；- 可以处理目标区域内部亮度不均匀的问题；- 可以根据需要设置生长参数，提高分割精度。
4. 结果分析通过对比阈值分割和区域生长两种方法，发现区域生长方法在处理光学遥感图像时具有更好的性能。
区域生长方法可以较好地处理噪声干扰和目标区域内部亮度不均匀等问题，提高分割精度。
四、实验结论1. 光学遥感图像预处理、增强和分割是光学遥感图像处理的重要环节。
2. 直方图均衡化、对比度拉伸等方法可以有效提高图像视觉效果。
3. 区域生长方法在处理光学遥感图像时具有较好的性能，可以提高分割精度。
4. 通过本次实验，掌握了光学遥感图像处理的基本方法，提高了对光学遥感图像的分析和处理能力。
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。
PCB图像增强与分割
分 灰度 值 明显 高于其他 的 非边缘 区域 。 关 键词 ： Ｃ 二 阶梯 度 ； 化 ； 噪 ； 割 阈值 Ｐ Ｂ； 锐 去 分
中图分 类 号 ： Ｐ３ １４ Ｔ ９ ．１
文献 标识 码 ： Ａ
第３ Ｏ卷第 ２期 ２ １ 年 ６月 ０１
武
汉
工
业
学
院
学
报
Ｊｕ ａ ｏ Ｗ ｕ ａ Ｐ ｌｔｃ ｎｃ Ｕｎｖ ｒｉ ｏｒ ｌ ｆ ｎ ｈｎ ｏｙｅ ｈ ｉ ｉｅｓｙ ｔ
Ｖｏ ． Ｏ ． １ ３ Ｎｏ ２ Ｊ ｎ２ １ ｕ ． ０ｌ
文 章 编 号 ：０９４ ８ （０ １０ － ５ －５ １０ －８ １２ １ ）２０ ８０ ０
ｏ ｆｔｅ ｉ ｇ ｅｉ ｄｓ ｎ ｔ ｅｙｄｆ ｒ ｎ ｒｍ ｅｂ ａ ｋｃ ｌｒ ｒｏ ｈ ｍａ ｓｉ ｔ ｃ ｖ ｌ ｉ ｅｅ ｔ ｏ ｔ ｌｃ ｏｏ ．Ｗ ｈ ｔ ｔ ｒ ｓ ｉ ｔａ ｅｇａ ａｕ ｆ ｈ ｄ ｅｏ ｉ ｉ ｆ ｈ ａ ｔ ｓｍｏｔ ｓ ｈ ｔｔ ｒｙｖ ｌｅｏ ｅｅ ｇ ｆ ｍａ ｅ ｈ ｔ ｈ ｍａ ｅｂ ｅ ｘｒ ｔｄ ｉ ｉｇ ｒｔ ｎ ｔｅ ｏｈ ｒｐ ｒ ｔ ｅｉ ｇ ｅ ｎ ｅ ｔ ｃｅ ｓｂｇ ｅ ａ ｈ ｔｅ ａｔ． ａ ｈ ｓ Ｋｅ ｒ ｓ： ＣＢ； －ｔｐ ｇ ａ ｅ ｔ ｈ ｒｅ ｒｍｏ ｅｔｅｎ ｉｅ ｈ ｅ ｈ ｌ ｓ ｙ ｗｏ ｄ Ｐ ｔ ｓｅ ｄ ｎ ；ｓ ａｐ ｎ；ｅ ｖ ｏｓ ；ｔ ｓ ｏｄ ｗｏ ｒ ｉ ｈ ｒ
ｇ ａ ｉ ｎ ｄ ｅ ｄ ｒ ｃ ｏ ｅ ｅ ｔ ｅｅ ｔ ｎ ． ｏ ｅ ｈ ｎ ｅ ｔ ｅ ｉ ｇ ｃ ｏ ｄ ｎ ｈ ｈ ａ ｔ ｒ ｔ ｓ ｏ Ｃ ｍａ ｅ ，ｔ ｓ ｒ ｄ ｅ ｔｅ ｇ ｉ ｔ ｎ ｄ ｆ ｃ ｔ ｃ ｏ Ｔ ｎ ａ ｃ ｍａ ｅ ａ ｃ ｒ ｉ ｇ ｔ ｔ ｅ ｃ ａ ｃｅ ｓ ｃ ｆＰ Ｂ ｉ ｇ ｉ ｉ ｅｉ ｄ ｉ ｈ ｏ ｒ ｉｉ ｖ ｔｌｔ ｋ ｈ ｇ ｅ ｅ ｇ ｓｍｏ ｅ ｐ ｏ ｎ ｎ ｎ ｔ ｅ￥ ｎ ｅ ｔ ｉ ｅ ｅ ｎ ｉｅ ｎ ａ ｅ ｅ ｇ ｓ ｈ ｈ ｎ ｓｄ ｎ ｉ ｏ ｍａ ｅ ｔ ｅ ｉ ａ ｍａ ｄ ｅ ｒ ｒ ｍｉ ｅ ｔａ ｄ ａ ｈ ｔ ａ ｌ ｍｅ ｆ ｔｒｔ ｏ ｓ ｅ ｔ ｄ ｅ ．Ｔ ｅ ｔ ｉ ｇ ｏ ｅ ｉ ｌ ｈ ｒ ｈ
图像增强实验报告
图像增强实验报告篇一：图像处理实验报告——图像增强实验报告学生姓名：刘德涛学号:2010051060021指导老师：彭真明日期：2013年3月31日一、实验室名称：光电楼329、老计算机楼309机房二、实验项目名称：图像增强三、实验原理：图像增强是为了使受到噪声等污染图像在视觉感知或某种准则下尽量的恢复到原始图像的水平之外，还需要有目的性地加强图像中的某些信息而抑制另一些信息，以便更好地利用图像。
图像增强分频域处理和空间域处理，这里主要用空间域的方法进行增强。
空间域的增强主要有：灰度变换和图像的空间滤波。
1.灰度变换灰度变换主要有线性拉伸、非线性拉伸等。
灰度图像的线性拉伸是将输入图像的灰度值的动态范围按线性关系公式拉伸到指定范围或整个动态范围。
令原图像f(x,y)的灰度变化范围为[a,b]，线性变换后图像g(x,y)的范围为[a',b']，线性拉伸的公式为：b'?a'g(x,y)?a?[f(x,y)?a] b?a灰度图像的非线性拉伸采用的数学函数是非线性的。
非线性拉伸不是对图像的灰度值进行扩展，而是有选择地对某一灰度范围进行扩展，其他范围的灰度值则可能被压缩。
常用的非线性变换：对数变换和指数变换。
对数变换的一般形式：g(x,y)?a?ln[f(x,y)?1] blnc指数变换的一般形式：g(x,y)?bc[f(x,y)?a]?1（a,b,c用于调整曲线的位置和形状的参数。
）2.图像的空间滤波图像的空间滤波主要有图像的空域平滑和锐化。
图像的平滑是一种消除噪声的重要手段。
图像平滑的低频分量进行增强，同时抑制高频噪声，空域中主要的方法有领域平均、中值滤波、多帧相加平均等方法。
图像锐化能使图像的边缘、轮廓处的灰度具有突变特性。
图像的锐化主要有微分运算的锐化，包括梯度法和拉普拉斯法算子。
四、实验目的：1．熟悉和掌握利用Matlab工具进行数字图像的读、写、显示等数字图像处理基本步骤。
数字图像处理四个实验
数字图像处理实验指导书目录实验一MATLAB数字图像处理初步实验二图像的代数运算实验三图像增强-空间滤波实验四图像分割实验五形态学运算3实验一 MATLAB数字图像处理初步一、实验目的与要求1．熟悉及掌握在MATLAB中能够处理哪些格式图像。
2．熟练掌握在MATLAB中如何读取图像。
3．掌握如何利用MATLAB来获取图像的大小、颜色、高度、宽度等等相关信息。
4．掌握如何在MATLAB中按照指定要求存储一幅图像的方法。
5．图像间如何转化。
二、实验原理及知识点1、数字图像的表示和类别一幅图像可以被定义为一个二维函数f(x,y),其中x和y是空间(平面)坐标，f 在任何坐标处(x,y)处的振幅称为图像在该点的亮度。
灰度是用来表示黑白图像亮度的一个术语，而彩色图像是由单个二维图像组合形成的。
例如，在RGB彩色系统中，一幅彩色图像是由三幅独立的分量图像(红、绿、蓝)组成的。
因此，许多为黑白图像处理开发的技术适用于彩色图像处理，方法是分别处理三副独立的分量图像即可。
图像关于x和y坐标以及振幅连续。
要将这样的一幅图像转化为数字形式，就要求数字化坐标和振幅。
将坐标值数字化成为取样；将振幅数字化成为量化。
采样和量化的过程如图1所示。
因此，当f的x、y分量和振幅都是有限且离散的量时，称该图像为数字图像。
作为MATLAB基本数据类型的数值数组本身十分适于表达图像，矩阵的元素和图像的像素之间有着十分自然的对应关系。
图1 图像的采样和量化根据图像数据矩阵解释方法的不同，MA TLAB把其处理为4类：亮度图像(Intensity images)二值图像(Binary images)索引图像(Indexed images)RGB图像(RGB images)(1) 亮度图像一幅亮度图像是一个数据矩阵，其归一化的取值表示亮度。
若亮度图像的像素都是uint8类或uint16类，则它们的整数值范围分别是[0，255]和[0，65536]。
图像增强的实验报告
图像增强的实验报告图像增强的实验报告引言：图像增强是数字图像处理领域中的一项重要任务。
通过改善图像的质量和清晰度，图像增强可以使我们更好地观察和分析图像中的细节。
本实验旨在探索图像增强的不同方法，并评估它们在不同场景下的效果。
实验设计：为了比较不同的图像增强方法，我们选择了一组具有不同特征的图像作为实验对象。
这些图像包括自然风景、人像和低对比度图像。
我们将使用以下三种方法进行图像增强：直方图均衡化、自适应直方图均衡化和增强对比度自适应拉伸。
实验步骤：1. 直方图均衡化：直方图均衡化是一种常用的图像增强方法，它通过重新分布图像的像素值来增强对比度。
我们首先将图像转换为灰度图像，然后计算灰度直方图。
接下来，我们使用累积分布函数对直方图进行均衡化，使得图像中的像素值分布更加均匀。
最后，我们将均衡化后的图像转换回原始图像的颜色空间。
2. 自适应直方图均衡化：直方图均衡化在某些情况下可能会导致图像的局部细节丢失。
为了解决这个问题，我们使用自适应直方图均衡化方法。
在这种方法中，我们将图像分成许多小区域，并对每个区域的直方图进行均衡化。
通过这种方式，我们可以保留图像的局部特征，并增强整体对比度。
3. 增强对比度自适应拉伸：增强对比度自适应拉伸是一种简单而有效的图像增强方法。
它通过将图像的像素值映射到一个更大的范围来增强对比度。
我们首先计算图像的平均亮度和标准差，然后使用以下公式对图像进行拉伸：enhanced_pixel = (pixel - mean) * (max_stretch / std) + mean其中，pixel是原始图像中的像素值，mean是图像的平均亮度，std是图像的标准差，max_stretch是拉伸的最大范围。
实验结果：我们将三种图像增强方法应用于不同类型的图像，并进行了对比分析。
结果显示，直方图均衡化方法在某些情况下可以显著增强图像的对比度，特别是对于低对比度图像。
然而，它可能会导致图像的噪声增加和细节丢失。
图像处理实验报告
图像处理实验报告第一次实验课：绘制直方图f=imread('bld.tif');imshow(f)imhist(f)原图像：直方图：第二次实验课：图像增强f=imread('hua.jpg');imshow(f)g=gscale(f);figure,imshow(g)原图像：处理后的图像：第三次实验课：图像平滑f=imread('noisy.jpg');imshow(f)f1=imnoise(f,'salt & pepper',0.1);figure,imshow(f1)f2=medfilt2(f1);figure,imshow(f2)imwrite(f2,'w.tif')原图像：加噪声后的图像：平滑后的图像：第四次实验课：图像分割f=imread('bld.tif');imshow(f)[gc,t]=edge(f,'canny');figure,imshow(gc)tt =0.0188 0.0469[gc,t]=edge(f,'canny',[0.04 0.10]); figure,imshow(gc)[gc,t]=edge(f,'canny',[0.04 0.10],1.5); figure,imshow(gc)原图像：线检测后得到如下图像：第五次实验课：彩色图像处理f=imread('iris.tif');imshow(b)fr=f(:,:,1);fg=f(:,:,2);fb=f(:,:,3);w=fspecial('disk',3.5);fr_f=imfilter(fr,w,'replicate');fg_f=imfilter(fg,w,'replicate');fb_f=imfilter(fb,w,'replicate');f1=cat(3,fr_f,fg_f,fb_f);原图像：处理后图片为：第六次实验课：形态学处理f=imread('calculator.tif');imshow(f)se=strel('line',55,0);f0=imopen(f,se);f1=imsubtract(f,f0);figure,imshow(f1)原图像：处理后图像：第七次实验课：频域处理f=imread('periodic.jpg');[m,n]=size(f)sig=30;h=lpfilter('gaussian',m,n,sig);F=fft2(double(f));G=h.*F;figure,imshow(abs(G),[])x=real(ifft2(G));figure,imshow(x,[])原图像：处理后图像：f=imread('noise.jpg'); imshow(f)g=fft2(f);s=abs(g);figure,imshow(double(s))figure,imshow(double(s),[])h=fftshift(g);figure,imshow(double(abs(g)),[]) figure,imshow(double(abs(h)),[]) ss=log(1+s);figure,imshow(double(ss),[])原图像：处理后图像：。
图像增强技术实验报告
图像增强技术实验报告
近年来，随着数字图像处理技术的快速发展，图像增强技术在各个
领域得到了广泛的应用。
本实验旨在探究图像增强技术的原理和方法，通过实际操作加深对该技术的理解和掌握。
首先，在本实验中我们使用了常见的图像增强技术包括灰度拉伸、
直方图均衡化、滤波等方法。
针对不同的图像特点和需求，我们选择
了不同的增强方法进行处理，并分析比较它们的效果和适用场景。
在实验过程中，我们首先对原始图像进行了灰度拉伸处理，通过拉
伸灰度范围来增强图像的对比度，使得图像中的细节更加清晰。
接着，我们运用直方图均衡化技术，将图像的像素分布均匀化，从而提高了
图像的整体亮度和细节展现。
同时，我们还尝试了一些滤波方法，如
均值滤波、中值滤波等，来去除图像中的噪声和平滑图像。
通过实验数据分析，我们发现不同的图像增强方法在处理不同类型
的图像时会产生不同的效果。
比如对于对比度较低的图像，灰度拉伸
和直方图均衡化能够取得比较好的增强效果；而对于受到噪声干扰的
图像，则需要采用滤波方法进行去噪处理。
综合以上实验结果，我们深入探讨了图像增强技术的优缺点以及适
用范围。
图像增强技术在医疗影像、航空航天、安防监控等领域具有
广泛的应用前景，在实际应用中需要根据图像特点和需求选择合适的
增强方法，以达到最佳的效果。
通过本次实验，我们对图像增强技术有了更深入的了解，并在实践中提升了我们的技术水平和解决问题的能力。
希望今后能够进一步拓展应用领域，将图像增强技术发挥到更大的作用，为社会发展和人类福祉做出更大的贡献。
- 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)。
实验一图像增强和图像分割实验（1）分别用图中给出的直线和曲线作为增强函数进行增强，比较它们的效果并讨论其特点。
1.I=im2double(I);%转换数据类型为double [M,N]=size(I);figure(1);imshow(I);%显示原图像title('原图像'); figure(2);I=rgb2gray(I);%转化为灰度图像[H,x]=imhist(I,64); stem(x,(H/M/N),'.'); title('原图像');%tan=30`a=sqrt(3)/3;b=0;y=a.*I+b;figure(3);imshow(y);title('tan=30'); figure(4);[H,x]=imhist(y,64); %tan=45`a=1;b=0;y=a.*I+b;figure(5);imshow(y);title('tan=45'); figure(6);[H,x]=imhist(y,64); stem(x,(H/M/N),'.'); title('tan=45');%tan=60`a=sqrt(3);b=0;y=a.*I+b;figure(7);imshow(y);title('tan=60'); figure(8);[H,x]=imhist(y,64); stem(x,(H/M/N),'.'); title('tan=60');实验结果如下图所示：图片1的原图像图片1的30度线性变换图像图片1的45度线性变换图像L-1图片1的60度线性变换图像原图像的直方图 30度变换后直方图45度变换后的直方图 60度变换后直方图图片2处理程序参考图片1处理程序。
图片2实验结果如图所示：图片2原图像30度变换后图像45度变换后图像60度变换后图像2.实验结果分析由实验结果可以看出，当按照30度线性变换后图像变暗，按照45度变换后图像没有任何改变，按照60度变换后图像变亮，由变换后的直方图可以确认像素点的变化。
由以上分析可以得出，当线性变换函数的斜率大于1时，图像的对比度将增大；当线性变换的斜率小于时，图像的对比度将减小；当线性变换函数的斜率等于1时，图像的对比度不变，只是像素点整体的移动。
虽然线性变换可以改变对比度，但是对图像的细节部分增强有限。
1.在MATLAB中编写灰度图像的对指数点运算程序图片1对数处理程序：I=imread('图片1.png'); %读入原图像I=im2double(I); %转换数据类型为doubleI=rgb2gray(I);figure(1);imshow(I); %显示原图像title('原图像');figure(3);[H,x]=imhist(I,64); stem(x,(H/M/N),'.'); title('原图像'); figure(2);y=log(I+1);imshow(I);title('对数变换'); figure(4);[H,x]=imhist(y,64); stem(x,(H/M/N),'.'); title('对数变换');实验结果如下图所示：图片1直方图图片1对数变换直方图对数变换后图像图片1指数处理程序：I=imread('图片1.png'); %读入原图像I=im2double(I); %转换数据类型为doubleI=rgb2gray(I);[M,N]=size(I);figure(1);imshow(I); %显示原图像title('原图像'); figure(3);[H,x]=imhist(I,64);stem(x,(H/M/N),'.');title('原图像');figure(2);imshow(imadjust(I,[],[],3));figure(4);[H,x]=imhist(imadjust(I,[],[],4),64); stem(x,(H/M/N),'.');title('指数变换');实验结果如下图所示：图片1直方图指数变换后直方图图片1指数变换后图像图片2对指数处理程序参考图片1处理程序。
对指数处理结果如图所示：图片2指数变换后图像图片2直方图指数变换后直方图对数变换后直方图图片2对数变换后图像2.实验结果分析A、对数变换采用对数变换，当函数自变量为低值时，曲线斜率很高；自变量为高值时，曲线斜率变小。
由变换后图像和直方图可以得出，对数变换是增强图像中较暗的细节，从而可用来扩展被压缩的高值图像中较暗的像素。
B、指数变换对数变换采用的是伽玛变换（γ>1），同理图像的高灰度区域对比度得到增加。
因为伽玛变换变换不是线性变换，不仅可以改变图像的对比度，还能够增强细节，从而带来整体图像效果的增强和改善。
（2）分别用Roberts算子、Sobel算子、LoG算子和Canny算子进行边缘检测，比较它们的效果并讨论其特点；图片3 图片4实验步骤：1.在MATLAB中编写检测程序I=imread('图片3.png');bw1=edge(I,'roberts');bw2=edge(I,'sobel');bw3=edge(I,'log');bw4=edge(I,'canny');figure(1);imshow(I);title('原图像');figure(2);imshow(bw1);title('roberts');figure(3);imshow(bw2);title('sobel');figure(4);imshow(bw3);title('log');figure(5);imshow(bw4);title('canny');实验结果如图所示：图片3经过roberts算子检测的图像图片3经过sobel算子检测的图像图片3经过LoG算子检测的图像图片3经过canny算子检测的图像图片4处理程序参考图片3处理程序。
实验结果如下图所示：roberts处理后图像 sobel处理后图像LoG处理后图像 canny处理后图像2.实验结果分析由实验结果可以看出：Roberts利用局部差分算子寻找边缘，边缘定位精度较高，但是容易丢失一部分边缘，同时由于图像没经过平滑处理，因此不具备抑制噪声的能力，所以对含噪声少的图像的处理效果较好；Sobel算子考虑了邻域信息，相当于对图像先做加权平滑处理，然后再做微分运算，虽然能够对噪声有抑制效果，但不能完全排除检测结果中出现的虚假边缘。
对边缘定位准确，但检测出的边缘容易出现多像素宽度；LoG算子即高斯-拉普拉斯算子，克服了拉普拉斯抗噪声比较差的缺点，但在抑制噪声的同时也可能将原有的比较尖锐的边缘也平滑掉，造成这些尖锐的边缘无法被检测到，但是相对于Roberts算子和Sobel算子处理结果稍好;Canny算子：在图像边缘检测中，抑制噪声和边缘精确定位是无法同时瞒足的，Canny算子在力图在抗干扰和精确定位之间寻求最佳的折中方案。
由图像处理结果可以看出，效果较前三者边缘更细腻、清楚。
从边缘定位的精度看：Roberts算子和LoG算子定位精度更高。
从对不同方向边缘的敏感性而言：Sobel算子检测斜向阶跃边缘效果较好；Roberts算子检测水平和垂直边缘效果较好；LoG算子不具备边缘方向检测能力；Soberl算子可以提供最精确的边缘方向估计。
从去噪能力看：Roberts算子和LoG算子虽然定位精度较高，但受噪声影响大。
从总体效果来衡量，Canny算子给出了一种边缘定位精确性和抗噪声干扰性的较好折中。
（3）采用不同阈值化方法（固定阈值、迭代阈值、Otsu阈值等）对图像进行分割，比较它们的效果并讨论其特点；图片5 图片6实验步骤：1.固定阈值：I=imread('图片5.png');figure(1);imshow(I);title('原图像'); figure(2);imhist(I);title('直方图'); i=1;j=1;for i=1:1:256for j=1:1:256if (I(i,j)<=129) I(i,j)=0;else I(i,j)=255;endendendfigure(3);imshow(I);title('129阈值');图片5直方图取129阈值分割图片6处理过程参考图片5。
实验结果如图所示：图片6直方图取83阈值分割2.迭代阈值：I=imread('图片5.png');ZMAX=max(max(I)); %取出最大灰度值ZMIN=min(min(I)); %取出最小灰度值TK=(ZMAX+ZMIN)/2;bcal=1;ISIZE=size(I); %读出图像大小while(bcal)iForeground=0; %定义前景和背景数 iBackground=0;ForegroundSum=0;%定义前景和背景灰度总和BackgroundSum=0;for i=1:ISIZE(1)for j=1:ISIZE(2)tmp=I(i,j);if(tmp>=TK)iForeground=iForeground+1; ForegroundSum=ForegroundSum+double(tmp); %前景灰度值elseiBackground=iBackground+1;BackgroundSum=BackgroundSum+double(tmp);endendendZO=ForegroundSum/iForeground;%计算前景和背景的平均值ZB=BackgroundSum/iBackground;TKTmp=uint8(ZO+ZB)/2;if(TKTmp==TK )bcal=0;elseTK=TKTmp;end%当阈值不再变化的时候，说明迭代结束enddisp(strcat('迭代后的阀值：',num2str(double(TK))));%显示最终阈值newI=im2bw(I,double(TK)/255);figure(1);imshow(I);title('原始图像');figure(2);imshow(newI);title('迭代法分割')实验结果：迭代后的阀值：128图片5迭代分割图片6处理过程同上，实验结果如图所示：迭代后的阀值：104图片6迭代分割3.Otsu阈值：I = imread('图片5.png'); level = graythresh(I); BW = im2bw(I,level); figure(1);imshow(I);title('原图像'); figure(2); imshow(BW);title('otsu');实验结果：Level=0.5137Otsu阈值分割图片6处理过程同上，实验结果如下：Level=0.4039；Otsu阈值分割4.实验结果分析固定阈值：由图片5和图片6的处理结果看出，固定阈值适合具有明显双峰的图像，但是当两个峰值相差很远时不适用，而且容易受到噪声的干扰，进而导致阈值的选取误差。