實(shí)驗(yàn)六 圖像分割

1、信 息 工 程 學(xué) 院 實(shí) 驗(yàn) 報(bào) 告課程名稱：數(shù)字圖像處理成績(jī)：實(shí)驗(yàn)項(xiàng)目名稱：實(shí)驗(yàn)六 圖像分割實(shí)驗(yàn)時(shí)間：指 導(dǎo) 老 師 ( 簽 名)：班級(jí)：一、實(shí)驗(yàn)?zāi)康男彰簩W(xué)號(hào)：1. 使用 MatLab 軟件進(jìn)行圖像的分割。使學(xué)生通過實(shí)驗(yàn)體會(huì)一些主要的分割算子對(duì) 圖像處理的效果，以及各種因素對(duì)分割效果的影響。2. 要求學(xué)生能夠自行評(píng)價(jià)各主要算子在無噪聲條件下和噪聲條件下的分割性能。能 夠掌握分割條件 (閾值等 )的選擇。完成規(guī)定圖像的處理并要求正確評(píng)價(jià)處理結(jié)果，能夠 從理論上作出合理的解釋。二、實(shí)驗(yàn)內(nèi)容與步驟1.邊緣檢測(cè)(1)使用 Roberts 算子的圖像分割實(shí)驗(yàn)調(diào)入并顯示圖像圖像；使用 Roberts

2、 算子對(duì)圖像進(jìn)行邊緣檢測(cè)處理； Roberts 算子 為一對(duì)模板：-1 00 1（a）4500 -11 0方向模板 （b）1350方向模板圖 1 matlab 2010 的 Roberts 算子模板相應(yīng)的矩陣為：rh = 0 1；-1 0； rv = 1 0；0 -1；這里的 rh 為 45 度 Roberts 算子，rv 為 135 度 Roberts 算子。分別顯示處理后的 45 度方向和 135 方向的邊界檢測(cè) 結(jié)果；用“歐幾里德距離”和“街區(qū)距離”方式計(jì)算梯度的模，并顯示檢測(cè)結(jié)果；對(duì)于 檢測(cè)結(jié)果進(jìn)行二值化處理，并顯示處理結(jié)果。提示：先做檢測(cè)結(jié)果的直方圖，參考直方圖中灰度的分布嘗試確定閾

3、值；應(yīng)反復(fù)調(diào) 節(jié)閾值的大小，直至二值化的效果最為滿意為止。(2)使用 Prewitt 算子的圖像分割實(shí)驗(yàn)-1 -1 -1-1 01010101-1 0-1 011（a）水平模型 （b）垂直模板 圖 2. Prewitt 算子模板使用 Prewitt 算子進(jìn)行內(nèi)容(1)中的全部步驟。(3)使用 Sobel 算子的圖像分割實(shí)驗(yàn)使用 Sobel 算子進(jìn)行內(nèi)容(1)中的全部步驟。-1 -2 -1-1 01010201-2 0-1 021（a）水平模型 （b）垂直模板 圖 3. Sobel 算子模板(4)使用 LoG (拉普拉斯-高斯)算子的圖像分割實(shí)驗(yàn)使用 LoG (拉普拉斯-高斯)算子進(jìn)行內(nèi)容(1)

4、中的全部步驟。提示 1：處理后可以直 接顯示處理結(jié)果，無須另外計(jì)算梯度的模。提示 2：注意調(diào)節(jié)噪聲的強(qiáng)度以及 LoG (拉普 拉斯-高斯)算子的參數(shù)，觀察處理結(jié)果。(5) 打印全部結(jié)果并進(jìn)行討論。下面是使用 sobel 算子對(duì)圖像進(jìn)行分割的 MATLAB 程序f=imread('');gv,t1=edge(f,'sobel','vertical');%使用 edge 函數(shù)對(duì)圖像 f 提取垂直邊緣 imshow(gv)gb,t2=edge(f,'sobel','horizontal');%使用 edge 函數(shù)對(duì)圖像

5、f 提取水平邊緣 figure,imshow(gb)w45=-2 -1 0;-1 0 1;0 1 2;%指定模版使用 imfilter 計(jì)算 45 度方向的邊緣g45=imfilter(double(f),w45,'replicate');T=*max(abs(g45(:); %設(shè)定閾值g45=g45>=T; %進(jìn)行閾值處理figure,imshow(g45);在函數(shù)中使用'prewitt'和'roberts'的過程，類似于使用 sobel 邊緣檢測(cè)器的過程。 三、實(shí)驗(yàn)結(jié)果及結(jié)果分析1.邊緣檢測(cè)(1)使用 Roberts 算子的圖像分割實(shí)驗(yàn)

6、實(shí)驗(yàn)結(jié)果：圖 4. Roberts 算子的圖像分割實(shí)驗(yàn)結(jié)果分析：Roberts 算子利用局部差分算子尋找邊緣，邊緣定位精度比較高，但容易丟失一部 分邊緣，同時(shí)由于圖像沒經(jīng)過平滑處理，因此不具備抑制噪聲能力。該算子對(duì)具有陡峭 邊緣且噪聲少的圖像效果較好。(2)使用 Prewitt 算子的圖像分割實(shí)驗(yàn)實(shí)驗(yàn)結(jié)果：圖 5 .Prewitt 算子的圖像分割實(shí)驗(yàn)結(jié)果分析：Prewitt 算子先對(duì)圖像做加權(quán)平滑處理，然后再做微分運(yùn)算，所不同的是平滑部分 的權(quán)值有些差異，因此它們對(duì)噪聲有一定的抑制能力。(3)使用 Sobel 算子的圖像分割實(shí)驗(yàn)實(shí)驗(yàn)結(jié)果：圖 6. Sobel 算子的圖像分割實(shí)驗(yàn)結(jié)果分析：Sob

7、el 算子和 Prewitt 算子一樣，都是先對(duì)圖像做加權(quán)平滑處理，然后再做微分運(yùn) 算，因此它們對(duì)噪聲有一定的抑制能力。比較實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)，Sobel 算子比 Prewitt 算子在噪聲抑制方面略勝一籌，但不能排除檢測(cè)結(jié)果中出現(xiàn)的虛假邊緣。雖然這兩個(gè)算 子邊緣定位效果不錯(cuò)，但檢測(cè)出的邊緣容易出現(xiàn)多像素的寬度。(4)使用 LoG (拉普拉斯-高斯)算子的圖像分割實(shí)驗(yàn)實(shí)驗(yàn)結(jié)果：圖 7. LoG (拉普拉斯-高斯)算子的圖像分割實(shí)驗(yàn)結(jié)果分析：拉普拉斯算子，它是無方向的二階微分算子，對(duì)圖像中的階躍型邊緣定位準(zhǔn)確，該 算子對(duì)噪聲非常敏感，它使噪聲成分得到加強(qiáng)。這兩個(gè)特性使得該算子容易丟失一部分邊緣的方

8、向信息，造成一些不連續(xù)的檢測(cè)邊緣。LoG 算子，該算子克服了拉普拉斯算子抗噪聲性能比較差的缺點(diǎn)，但是在抑制噪聲的 同時(shí)也可能將原有的比較尖銳的邊緣平滑掉了。(5) 打印全部結(jié)果并進(jìn)行討論。使用 sobel、prewitt 和 roberts 算子對(duì)圖像進(jìn)行分割實(shí)驗(yàn)。圖 8. 全部結(jié)果四、實(shí)驗(yàn)中遇到問題及解決方法1. 評(píng)價(jià)一下 Roberts 算子、Prewitt 算子、Sobel 算子對(duì)于噪聲條件下邊界檢測(cè)的 性能。答：Roberts 算子采用對(duì)角線方向相鄰兩像素之差近似梯度幅值檢測(cè)邊緣。檢測(cè)水平 和垂直邊緣的效果好于斜向邊緣，定位精度高，對(duì)噪聲敏感。Sobel 算子根據(jù)像素點(diǎn)上下、左右鄰點(diǎn)灰

9、度加權(quán)差，在邊緣處達(dá)到極值這一現(xiàn)象 檢測(cè)邊緣。對(duì)噪聲具有平滑作用，提供較為精確的邊緣方向信息，邊緣定位精度不夠高。 當(dāng)對(duì)精度要求不是很高時(shí)，是一種較為常用的邊緣檢測(cè)方法。Prewitt 算子利用像素點(diǎn)上下、左右鄰點(diǎn)灰度差，在邊緣處達(dá)到極值檢測(cè)邊緣。 對(duì)噪聲具有平滑作用，定位精度不夠高。2. 實(shí)驗(yàn)中所使用的四種算子所得到的邊界有什么異同？答：算子的存在就是對(duì)這種導(dǎo)數(shù)分割原理進(jìn)行的實(shí)例化計(jì)算，是為了在計(jì)算過程中直 接使用的一種計(jì)算單位。Roberts 算子：邊緣定位準(zhǔn)，但是對(duì)噪聲敏感。適用于邊緣明顯且噪聲較少的圖像分 割。Roberts 邊緣檢測(cè)算子是一種利用局部差分算子尋找邊緣的算子,Rober

10、t 算子圖像處 理后結(jié)果邊緣不是很平滑。經(jīng)分析，由于 Robert 算子通常會(huì)在圖像邊緣附近的區(qū)域內(nèi)產(chǎn) 生較寬的響應(yīng)，故采用上述算子檢測(cè)的邊緣圖像常需做細(xì)化處理，邊緣定位的精度不是 很高。Prewitt 算子：對(duì)噪聲有抑制作用，抑制噪聲的原理是通過像素平均，但是像素平均 相當(dāng)于對(duì)圖像的低通濾波，所以 Prewitt 算子對(duì)邊緣的定位不如 Roberts 算子。Sobel 算子：Sobel 算子和 Prewitt 算子都是加權(quán)平均，但是 Sobel 算子認(rèn)為，鄰域 的像素對(duì)當(dāng)前像素產(chǎn)生的影響不是等價(jià)的，所以距離不同的像素具有不同的權(quán)值，對(duì)算 子結(jié)果產(chǎn)生的影響也不同。一般來說，距離越遠(yuǎn)，產(chǎn)生的影響

11、越小。Isotropic Sobel 算子：加權(quán)平均算子，權(quán)值反比于鄰點(diǎn)與中心點(diǎn)的距離，當(dāng)沿不同 方向檢測(cè)邊緣時(shí)梯度幅度一致，就是通常所說的各向同性。Laplacian 算子：這是二階微分算子。其具有各向同性，即與坐標(biāo)軸方向無關(guān)，坐標(biāo) 軸旋轉(zhuǎn)后梯度結(jié)果不變。但是，其對(duì)噪聲比較敏感，所以，圖像一般先經(jīng)過平滑處理， 因?yàn)槠交幚硪彩怯媚０暹M(jìn)行的，所以，通常的分割算法都是把 Laplacian 算子和平滑 算子結(jié)合起來生成一個(gè)新的模板。Laplacian 算子一般不以其原始形式用于邊緣檢測(cè)，因?yàn)槠渥鳛橐粋€(gè)二階導(dǎo)數(shù)， Laplacian 算子對(duì)噪聲具有無法接受的敏感性；同時(shí)其幅值產(chǎn)生算邊緣，這是復(fù)雜的

12、分割 不希望有的結(jié)果；最后 Laplacian 算子不能檢測(cè)邊緣的方向；所以 Laplacian 在分割中 所起的作用包括：（1）利用它的零交叉性質(zhì)進(jìn)行邊緣定位；（2）確定一個(gè)像素是在一 條邊緣暗的一面還是亮的一面；一般使用的是高斯型拉普拉斯算子（Laplacian of a Gaussian,LoG)，由于二階導(dǎo)數(shù)是線性運(yùn)算，利用 LoG 卷積一幅圖像與首先使用高斯型平 滑函數(shù)卷積改圖像，然后計(jì)算所得結(jié)果的拉普拉斯是一樣的。所以在 LoG 公式中使用高 斯函數(shù)的目的就是對(duì)圖像進(jìn)行平滑處理，使用 Laplacian 算子的目的是提供一幅用零交 叉確定邊緣位置的圖像；圖像的平滑處理減少了噪聲的影

13、響并且它的主要作用還是抵消 由 Laplacian 算子的二階導(dǎo)數(shù)引起的逐漸增加的噪聲影響。五、實(shí)驗(yàn)心得體會(huì)通過這個(gè)實(shí)驗(yàn)，我熟練學(xué)會(huì)了利用 MatLab 軟件進(jìn)行圖像的分割。在通過實(shí)驗(yàn)體會(huì)到 了一些主要的分割算子對(duì)圖像處理的效果，以及各種因素對(duì)分割效果的影響。在評(píng)價(jià)各 主要算子在無噪聲條件下和噪聲條件下的分割性能下，掌握分割條件 (閾值等)的選擇。 完成規(guī)定圖像的處理并評(píng)價(jià)處理結(jié)果。六、源程序清單%1.使用 Roberts 算子的圖像分割實(shí)驗(yàn)I=imread( '');rh=-1 0; 0 1;rv=0 -1; 1 0;g45=imfilter(double(I),rh, &#

14、39;replicate');g135=imfilter(double(I),rv, 'replicate');subplot(3,2,1);imshow(g45,);title('g45');subplot(322);imshow(g135,);title('g135');%計(jì)算梯度模%(1)歐幾里得距離計(jì)算梯度模OD=sqrt(g45.2+g135.2);subplot(323);imshow(OD,);title('(1)歐幾里得距離計(jì)算梯度模');T=*max(OD(:);BWOD=OD>T;subplot(

15、324);imshow(BWOD);title('(1)歐幾里得距離計(jì)算梯度模二值化'); %(2)街區(qū)距離計(jì)算梯度摸 JD=abs(g45)+abs(g135);subplot(325);imshow(JD,);title('(2)街區(qū)距離計(jì)算梯度模'); T=*max(JD(:);BWOD=OD>T;subplot(326);imshow(BWOD);title('(2)街區(qū)距離計(jì)算梯度模二值化'); %2.使用 Prewitt 算子的圖像分割實(shí)驗(yàn) I=imread( '');rh=-1 -1 -1;0 0 0;1 1

16、1;rv=-1 0 1 ;-1 0 1;-1 0 1; g45=imfilter(double(I),rh, 'replicate');g135=imfilter(double(I),rv, 'replicate');subplot(3,2,1);imshow(g45,);title('g45');subplot(322);imshow(g135,);title('g135');%計(jì)算梯度模%（1）歐幾里得距離計(jì)算梯度模 OD=sqrt(g45.2+g135.2);subplot(323);imshow(OD,);title(&#

17、39;(1)歐幾里得距離計(jì)算梯度模'); T=*max(OD(:);BWOD=OD>T;subplot(324);imshow(BWOD);title('(1)歐幾里得距離計(jì)算梯度模二值化'); %(2)街區(qū)距離計(jì)算梯度模 JD=abs(g45)+abs(g135);subplot(325);imshow(JD,);title('(2)街區(qū)距離計(jì)算梯度模'); T=*max(JD(:);BWOD=OD>T;subplot(326);imshow(BWOD);title('(2)街區(qū)距離計(jì)算梯度模二值化');%3.使用 Sobe

18、l 算子的圖像分割實(shí)驗(yàn)I=imread( '');rh=-1 -2 -1;0 0 0;1 2 1;rv=-1 0 1 ;-2 0 2;-1 0 1;g45=imfilter(double(I),rh, 'replicate');g135=imfilter(double(I),rv, 'replicate');subplot(3,2,1);imshow(g45,);title('g45');subplot(322);imshow(g135,);title('g135');%計(jì)算梯度模%(1)歐幾里得距離計(jì)算梯度模OD

19、=sqrt(g45.2+g135.2);subplot(323);imshow(OD,);title('(1)歐幾里得距離計(jì)算梯度模');T=*max(OD(:);BWOD=OD>T;subplot(324);imshow(BWOD);title('(1)歐幾里得距離計(jì)算梯度模二值化');%(2)街區(qū)距離計(jì)算梯度摸JD=abs(g45)+abs(g135);subplot(325);imshow(JD,);title('(2)街區(qū)距離計(jì)算梯度模');T=*max(JD(:);BWOD=OD>T;subplot(326);imshow(

20、BWOD);title('(2)街區(qū)距離計(jì)算梯度模二值化');%4.使用 LoG (拉普拉斯-高斯)算子的圖像分割實(shí)驗(yàn)f=imread( '');gv,t1=edge(f, 'log','vertical');%使用 edge 函數(shù)對(duì)圖像 f 提取垂直邊緣 subplot(1,3,1);imshow(gv);title( 'gv');gb,t2=edge(f, 'log','horizontal');%使用 edge 函數(shù)對(duì)圖像 f 提取水平邊緣 subplot(1,3,2);ims

21、how(gb);title( 'gb');w45=-2 -1 0;-1 0 1;0 1 2; %指定模版使用 imfilter 計(jì)算 45 度方向的邊緣 g45=imfilter(double(f),w45, 'replicate');T=*max(abs(g45(:);g45=g45>=T;%設(shè)定閾值%進(jìn)行閾值處理subplot(1,3,3);imshow(g45);title( 'g45');%5 打印全部結(jié)果并進(jìn)行討論。%使用 sobel、prewitt 和 roberts 算子對(duì)圖像進(jìn)行分割實(shí)驗(yàn)。f=imread( '

22、9;);gv,t1=edge(f, 'sobel','vertical');%使用 edge 函數(shù)對(duì)圖像 f 提取垂直邊緣 subplot(1,3,1);imshow(gv);title( 'sobel(gv)');gb,t2=edge(f, 'sobel','horizontal');%使用 edge 函數(shù)對(duì)圖像 f 提取水平邊緣 subplot(1,3,2);imshow(gb);title( 'sobel(gb)');w45=-2 -1 0;-1 0 1;0 1 2; %指定模版使用 imfi

23、lter 計(jì)算 45 度方向的邊緣 g45=imfilter(double(f),w45, 'replicate');T=*max(abs(g45(:);g45=g45>=T;%設(shè)定閾值%進(jìn)行閾值處理subplot(1,3,3);imshow(g45);title( 'sobel(g45)');%使用 prewitt 算子對(duì)圖像進(jìn)行分割實(shí)驗(yàn)。f=imread( '');gv2,t3=edge(f, 'prewitt','vertical');%使用 edge 函數(shù)對(duì)圖像 f 提取垂直邊緣 subplot(1,

24、3,1);imshow(gv2);title( 'prewitt(gv)');gb2,t4=edge(f, 'prewitt','horizontal');%使用 edge 函數(shù)對(duì)圖像 f 提取水平邊緣 subplot(1,3,2);imshow(gb2);title( 'prewitt(gb)');w45=-2 -1 0;-1 0 1;0 1 2; %指定模版使用 imfilter 計(jì)算 45 度方向的邊緣 g45=imfilter(double(f),w45, 'replicate');T=*max(abs(g45(:);g45=g45>=T;%設(shè)定閾值%進(jìn)行閾值處理subplot(1,3,3);imsh