東南大學(xué)數(shù)字圖像處理實(shí)驗(yàn)報(bào)告要點(diǎn)(共18頁(yè))

1、精選優(yōu)質(zhì)文檔-傾情為你奉上數(shù)字圖像處理實(shí)驗(yàn)報(bào)告學(xué)號(hào)： 姓名：付永欽 日期：2014/6/71. 圖像直方圖統(tǒng)計(jì)原理：灰度直方圖是將數(shù)字圖像的所有像素，按照灰度值的大小，統(tǒng)計(jì)其所出現(xiàn)的頻度。通常，灰度直方圖的橫坐標(biāo)表示灰度值，縱坐標(biāo)為半個(gè)像素個(gè)數(shù)，也可以采用某一灰度值的像素?cái)?shù)占全圖像素?cái)?shù)的百分比作為縱坐標(biāo)。 算法：clear allPS=imread('girl-grey1.jpg'); %讀入JPG彩色圖像文件figure(1);subplot(1,2,1);imshow(PS);title('原圖像灰度圖');m,n=size(PS); %測(cè)量圖像尺

2、寸參數(shù)GP=zeros(1,256); %預(yù)創(chuàng)建存放灰度出現(xiàn)概率的向量for k=0:255 GP(k+1)=length(find(PS=k)/(m*n); %計(jì)算每級(jí)灰度出現(xiàn)的概率endfigure(1);subplot(1,2,2);bar(0:255,GP,'g') %繪制直方圖axis(0 255 min(GP) max(GP);title('原圖像直方圖')xlabel('灰度值')ylabel('出現(xiàn)概率')處理結(jié)果：結(jié)果分析：由圖可以看出，原圖像的灰度直方圖比較集中。2. 圖像的線(xiàn)性變換原理：直方圖均衡方法的基本原

3、理是：對(duì)在圖像中像素個(gè)數(shù)多的灰度值（即對(duì)畫(huà)面起主要作用的灰度值）進(jìn)行展寬，而對(duì)像素個(gè)數(shù)少的灰度值（即對(duì)畫(huà)面不起主要作用的灰度值）進(jìn)行歸并。從而達(dá)到清晰圖像的目的。算法：clear all%一，圖像的預(yù)處理，讀入彩色圖像將其灰度化PS=imread('girl-grey1.jpg'); figure(1);subplot(2,2,1);imshow(PS);title('原圖像灰度圖');%二，繪制直方圖m,n=size(PS); %測(cè)量圖像尺寸參數(shù)GP=zeros(1,256); %預(yù)創(chuàng)建存放灰度出現(xiàn)概率的向量for k=0:255 GP(k+1)=length

4、(find(PS=k)/(m*n); %計(jì)算每級(jí)灰度出現(xiàn)的概率endfigure(1);subplot(2,2,2);bar(0:255,GP,'g') %繪制直方圖axis(0 255 min(GP) max(GP);title('原圖像直方圖')xlabel('灰度值')ylabel('出現(xiàn)概率')%三，直方圖均衡化S1=zeros(1,256);for i=1:256 for j=1:i S1(i)=GP(j)+S1(i); %計(jì)算Sk endendS2=round(S1*256)+0.5); %將Sk歸到相近級(jí)的灰度f(wàn)or

5、 i=1:256 GPeq(i)=sum(GP(find(S2=i); %計(jì)算現(xiàn)有每個(gè)灰度級(jí)出現(xiàn)的概率endfigure(1);subplot(2,2,4);bar(0:255,GPeq,'b') %顯示均衡化后的直方圖axis(0 255 min(GPeq) max(GPeq);title('均衡化后的直方圖')xlabel('灰度值')ylabel('出現(xiàn)概率')%四，圖像均衡化PA=PS;for i=0:255 PA(find(PS=i)=S2(i+1); %將各個(gè)像素歸一化后的灰度值賦給這個(gè)像素endfigure(1);s

6、ubplot(2,2,3);imshow(PA) %顯示均衡化后的圖像 title('均衡化后圖像')imwrite(PA,'PicEqual.bmp');處理結(jié)果：結(jié)果分析：通過(guò)原始圖像和均衡化后的圖像對(duì)比，均衡化后圖像由彩色圖像變?yōu)榱嘶叶葓D像。原始圖像直方圖與均衡化后直方圖對(duì)比，均衡化后的直方圖灰度值更加平均，在整幅圖像中不在集中。3. 圖象平滑消噪處理原理：圖像的平滑方法是一種實(shí)用的圖像處理技術(shù)，能減弱或消除圖像中的高頻率分量，但不影響低頻率分量。因?yàn)楦哳l率分量主要對(duì)應(yīng)圖像中的區(qū)域邊緣等灰度值具有較大較快變化的部分，平滑濾波將這些分量濾去可減少局部灰度起伏

7、，使圖像變得比較平滑。實(shí)際應(yīng)用中，平滑濾波還可用于消除噪聲，或者在提取較大目標(biāo)前去除過(guò)小的細(xì)節(jié)或?qū)⒛繕?biāo)內(nèi)的小間斷連接起來(lái)。它的主要目的是消除圖像采集過(guò)程中的圖像噪聲，在空間域中主要利用鄰域平均法、中值濾波法和選擇式掩模平滑法等來(lái)減少噪聲；在頻率域內(nèi)，由于噪聲主要存在于頻譜的高頻段，因此可以利用各種形式的低通濾波器來(lái)減少噪聲。算法：clear all;x=imread('smooth_Gauss.jpg'); n=5;a(1:n,1:n)=1; %a即n×n模板,元素全是1height, width=size(x); %hight>n,width>nx1=d

8、ouble(x);x2=x1;for i=1:height-n+1 for j=1:width-n+1 c=x1(i:i+(n-1),j:j+(n-1).*a; %取出x1中從(i,j)開(kāi)始的n行n列元素與模板相乘 s=sum(sum(c); %求c矩陣中各元素之和 x2(i+(n-1)/2,j+(n-1)/2)=s/(n*n); %將與模板運(yùn)算后的各元素的均值賦給模板中心位置的元素 endend%未被賦值的元素取原值d=uint8(x2);figure(1);subplot(1,2,1);imshow(x);title('原圖像');figure(1);subplot(1,2

9、,2);imshow(d);title('5*5模板均值濾波后的圖像');處理結(jié)果：結(jié)果分析：由圖像可知，原圖像的噪聲得到了較好的消除。實(shí)驗(yàn)結(jié)果比較理想。4. 彩色圖象銳化處理原理：圖像平滑往往使圖像中的邊界、輪廓變得模糊，為了減少這類(lèi)不利效果的影響，需要利 用圖像銳化技術(shù)，使圖像的邊緣變得清晰。算法：clear all;rgb = imread('acute.bmp');figure(1);subplot(2,2,1);imshow(rgb);title('原圖');lapmatrix = 1 1 1; 1 -8 1; 1 1 1;I

10、 = imfilter(rgb, lapmatrix, 'replicate');figure(1);subplot(2,2,2);imshow(I);title('圖像邊緣銳化');I_sharp = double(rgb) - double(I);figure(1);subplot(2,2,3);imshow(uint8(I_sharp);title('銳化后的圖像');處理結(jié)果：結(jié)果分析：由處理后的圖像與原圖像對(duì)比，可以看出處理后的圖像細(xì)節(jié)特征得到了增強(qiáng)，得到了較好的銳化效果。5. 中值濾波處理原理：統(tǒng)計(jì)濾波器是一種非線(xiàn)性的空間濾波器，它的

11、響應(yīng)基于圖像濾波器包圍的圖像區(qū)域中像素的排列，然后用統(tǒng)計(jì)排序結(jié)果決定的值代替中心像素的值。統(tǒng)計(jì)濾波器中最常見(jiàn)的例子是中值濾波器，是將鄰域內(nèi)像素灰度的中值代替該像素的值。對(duì)處 理椒鹽噪聲非常有效。 算法：clear all;x=imread('r.bmp'); x=rgb2gray(x);n=5;height, width=size(x); %輸入圖像是p×q的,且p>n,q>nx1=double(x);x2=x1;for i=1:height-n+1 for j=1:width-n+1 c=x1(i:i+(n-1),j:j+(n-1); %取出x

12、1中從(i,j)開(kāi)始的n行n列元素,即模板(n×n的) e=c(1,:); %是c矩陣的第一行 for u=2:n e=e,c(u,:); %將c矩陣變?yōu)橐粋€(gè)行矩陣 end mm=median(e); %mm是中值 x2(i+(n-1)/2,j+(n-1)/2)=mm; %將模板各元素的中值賦給模板中心位置的元素 endend %未被賦值的元素取原值d=uint8(x2);figure(1);subplot(1,2,1);imshow(x);title('原圖像');figure(1);subplot(1,2,2);imshow(d);title('5*5模板

13、中值濾波后的圖像');處理結(jié)果：結(jié)果分析：由處理后的圖像可知，原圖像中小貓臉上的圓圈得到了較好的消除。6. 偽彩色增強(qiáng)處理原理：可以有多種方式實(shí)現(xiàn)從灰度空間到彩色空間的變換。最簡(jiǎn)單的一種是把灰度 圖像的灰度級(jí)從0255 分成255 個(gè)區(qū)間，給每個(gè)區(qū)間指定一種彩色。這種方法較 簡(jiǎn)單，但變換出的彩色有限。 從灰度空間到彩色空間的一種有代表性的變換方式是將源圖像 f(x，y)的灰 度經(jīng)紅、綠、藍(lán)3 種不同變換，變成3 基色的分量R(x，y)、G(x、y)、B(x、y)， 生成相應(yīng)的彩色。彩色的含量由變換函數(shù)而定。 還有一種偽彩色增強(qiáng)也可通過(guò)頻率域處理來(lái)實(shí)現(xiàn)。輸入圖像的傅立葉變換通 過(guò)三個(gè)不同

14、的濾波器被分成不同的頻率分量，對(duì)各頻率分量分別進(jìn)行傅立葉逆變 換，其結(jié)果進(jìn)一步處理（如直方圖均衡化或規(guī)定化），然后進(jìn)行彩色合成就能得 到增強(qiáng)后的彩色圖像。算法：clear all;A=imread('pseudo.bmp');I=rgb2gray(A);I=double(I);m,n=size(I);L=256;R=zeros(m,n);G=zeros(m,n);B=zeros(m,n);s1=find(I<=L/4); %0-L/4R(s1)=0;G(s1)=4*I(s1);B(s1)=L;s2=find(I<=L/2&I>L/4) ; %L/4-L

15、/2R(s2)=0;G(s2)=L;B(s2)=-4*I(s2)+2*L;s3=find(L/2<I&I<=3*L/4); %L/2-3L/4R(s3)=4*I(s3)-2*L;G(s3)=L;B(s3)=0;s4=find(3*L/4<I&I<=L); %3L/4-LR(s4)=L;G(s4)=-4*I(s4)+4*L;B(s4)=0;out(:,:,1)=R;out(:,:,2)=G;out(:,:,3)=B;out=out/256;figure(1);subplot(1,2,1);imshow(A);title('原圖像');fig

16、ure(1);subplot(1,2,2);imshow(out);title('偽彩色增強(qiáng)后圖像');處理結(jié)果：結(jié)果分析：由處理后的圖像可知，經(jīng)過(guò)偽彩色增強(qiáng)后的圖像給人的視覺(jué)刺激更為強(qiáng)烈。7. 圖像勾邊處理（1） 梯度法算子原理：算法：clear;sourcePic=imread('edge.jpg'); %讀取原圖像grayPic=mat2gray(sourcePic); %轉(zhuǎn)換成灰度圖像m,n=size(grayPic);newGrayPic=grayPic;%為保留圖像的邊緣一個(gè)像素gradNum=0; %經(jīng)梯度法算子計(jì)算得到的每個(gè)像素的值gradThr

17、eshold=0.2; %設(shè)定閾值for j=1:m-1 %進(jìn)行邊界提取for k=1:n-1gradNum = abs(grayPic(j+1,k)-grayPic(j,k) + abs(grayPic(j,k+1)-grayPic(j,k);if(gradNum > gradThreshold)newGrayPic(j,k)=255;elsenewGrayPic(j,k)=0;endendendfigure,imshow(newGrayPic);title('梯度法算子的處理結(jié)果')處理結(jié)果：結(jié)果分析：由處理后的圖像知，梯度法算子較好地勾勒出了圖像的輪廓，但比較容易受

18、到噪聲的影響。（2） Roberts算子原理：算法：clear;sourcePic=imread('edge.jpg'); %讀取原圖像grayPic=mat2gray(sourcePic); %轉(zhuǎn)換成灰度圖像m,n=size(grayPic);newGrayPic=grayPic;%為保留圖像的邊緣一個(gè)像素robertsNum=0; %經(jīng)roberts算子計(jì)算得到的每個(gè)像素的值robertThreshold=0.2; %設(shè)定閾值for j=1:m-1 %進(jìn)行邊界提取for k=1:n-1robertsNum = abs(grayPic(j,k)-grayPic(j+1,k+1

19、) + abs(grayPic(j+1,k)-grayPic(j,k+1);if(robertsNum > robertThreshold)newGrayPic(j,k)=255;elsenewGrayPic(j,k)=0;endendendfigure,imshow(newGrayPic);title('roberts算子的處理結(jié)果')處理結(jié)果：結(jié)果分析：采用對(duì)角線(xiàn)方向相鄰兩像素之差表示信號(hào)的突變，檢測(cè)水平和垂直方向邊緣的性能好于斜線(xiàn)方向，定位精度比較高，但對(duì)噪聲敏感，檢測(cè)出的邊緣較細(xì)。prewitt算子原理：因?yàn)槠骄軠p少或消除噪聲，Prewitt梯度算子法就是先求平

20、均，再求差分來(lái)求梯度。利用檢測(cè)模板可求得水平和垂直方向的梯度，再通過(guò)梯度合成和邊緣點(diǎn)判定，就可得到平均差分法的檢測(cè)結(jié)果。算法：clear;sourcePic=imread('edge.jpg');%讀取原圖像grayPic=mat2gray(sourcePic);%轉(zhuǎn)換成灰度圖像m,n=size(grayPic);newGrayPic=grayPic;%為保留圖像的邊緣一個(gè)像素PrewittNum=0;%經(jīng)Prewitt算子計(jì)算得到的每個(gè)像素的值PrewittThreshold=0.5;%設(shè)定閾值for j=2:m-1 %進(jìn)行邊界提取for k=2:n-1PrewittNum=

21、abs(grayPic(j-1,k+1)-grayPic(j+1,k+1)+grayPic(j-1,k)-grayPic(j+1,k)+grayPic(j-1,k-1)-grayPic(j+1,k-1)+abs(grayPic(j-1,k+1)+grayPic(j,k+1)+grayPic(j+1,k+1)-grayPic(j-1,k-1)-grayPic(j,k-1)-grayPic(j+1,k-1);if(PrewittNum > PrewittThreshold)newGrayPic(j,k)=255;elsenewGrayPic(j,k)=0;endendendfigure,im

22、show(newGrayPic);title('Prewitt算子的處理結(jié)果')處理結(jié)果：結(jié)果分析：對(duì)噪聲有平滑作用，檢測(cè)出的邊緣比較粗，定位精度低，容易損失角點(diǎn)。 Sobel算子 原理： Sobel算子是典型的基于一階導(dǎo)數(shù)的邊緣檢測(cè)算子，由于該算子中引入了類(lèi)似局部平均的運(yùn)算，因此對(duì)噪聲具有平滑作用，能很好的消除噪聲的影響。Sobel算子包含兩組3x3的矩陣，分別為橫向及縱向模板，將之與圖像作平面卷積，即可分別得出橫向及縱向的亮度差分近似值。算法：clear;sourcePic=imread('edge.jpg');%讀取原圖像grayPic=mat2

23、gray(sourcePic);%轉(zhuǎn)換成灰度圖像m,n=size(grayPic);newGrayPic=grayPic;%為保留圖像的邊緣一個(gè)像素sobelNum=0;%經(jīng)sobel算子計(jì)算得到的每個(gè)像素的值sobelThreshold=0.8;%設(shè)定閾值for j=2:m-1 %進(jìn)行邊界提取for k=2:n-1sobelNum=abs(grayPic(j-1,k+1)+2*grayPic(j,k+1)+grayPic(j+1,k+1)-grayPic(j-1,k-1)-2*grayPic(j,k-1)-grayPic(j+1,k-1)+abs(grayPic(j-1,k-1)+2*gra

24、yPic(j-1,k)+grayPic(j-1,k+1)-grayPic(j+1,k-1)-2*grayPic(j+1,k)-grayPic(j+1,k+1);if(sobelNum > sobelThreshold)newGrayPic(j,k)=255;elsenewGrayPic(j,k)=0;endendendfigure,imshow(newGrayPic);title('Sobel算子的處理結(jié)果')處理結(jié)果：結(jié)果分析：?jiǎn)为?dú)使用Sobel算子做邊緣檢測(cè)，邊緣定位精度不高，有時(shí)還可能對(duì)非邊緣像素的響應(yīng)大于某些邊緣處的響應(yīng)或者響應(yīng)差別不是很大，造成漏檢或誤檢，但是它

25、對(duì)噪聲具有較好的魯棒性。（5）Kirsch算子原理：Kirsch算子由8個(gè)3×3窗口模扳組成、每個(gè)模板分別代表一個(gè)特定的檢測(cè)方向，其模板算子如圖2.3.1所示。 在進(jìn)行邊緣檢測(cè)時(shí)，把M0-M7所表示的邊緣模板(加權(quán)矩陣)分別與圖像中的一個(gè)3×3區(qū)域相乘，選取輸出值為最大的模板。然后，把這一最大輸出值作為中央像素點(diǎn)上的邊緣強(qiáng)度，把取得最大值的邊緣模板Mk的方向k(k的取值如圖2.3.2所示)作為其邊緣方向。假設(shè)圖像中一點(diǎn)P(i，j)及其八鄰域的灰度如圖3.3.3所示，并設(shè)Qk(k0，1，7)為圖像經(jīng)過(guò)kirsch算子第k個(gè)模板處理后得到的k方向上的邊緣強(qiáng)度，則P(i,j)的邊

26、緣強(qiáng)度為s(i,j)=max|qk|(k=0,1，7)，而相應(yīng)的邊緣方向D(i，j)=k|qk為最大值 圖2.3.1 圖2.3.2 圖2.3.3算法：clear all>> close all>> A=imread('edge.jpg');>> mask1=-3,-3,-3;-3,0,5;-3,5,5;>> mask2=-3,-3,5;-3,0,5;-3,-3,5;>> mask3=-3,5,5;-3,0,5;-3,-3,-3;>> mask4=-3,-3,-3;-3,0,-3;5,5,5;>>

27、 mask5=5,5,5;-3,0,-3;-3,-3,-3;>> mask6=-3,-3,-3;5,0,-3;5,5,-3;>> mask7=5,-3,-3;5,0,-3;5,-3,-3;>> mask8=5,5,-3;5,0,-3;-3,-3,-3;>> I=im2double(A);>> d1=imfilter(I,mask1);>> d2=imfilter(I,mask2);>> d3=imfilter(I,mask3);>> d4=imfilter(I,mask4);>> d5=

28、imfilter(I,mask5);>> d6=imfilter(I,mask6);>> d7=imfilter(I,mask7);>> d8=imfilter(I,mask8);>> dd=max(abs(d1),abs(d2);>> dd=max(abs(dd),abs(d3);>> dd=max(abs(dd),abs(d4);>> dd=max(abs(dd),abs(d5);>> dd=max(abs(dd),abs(d6);>> dd=max(abs(dd),abs(d7);

29、>> dd=max(abs(dd),abs(d8);>> grad=mat2gray(dd);>> level=graythresh(grad);>> BW=im2bw(grad,level);>> figure,imshow(BW);>> title('kirsch算子的處理結(jié)果')處理結(jié)果：結(jié)果分析：Kirsch算子是像素鄰域的加權(quán)和，模板中心值較大，不但產(chǎn)生較好的邊緣效果，而且對(duì)噪聲具有平滑作用。但存在偽邊緣，邊緣比較粗且定位精度低。8. 使用小波分解產(chǎn)生多種分辨率圖像原理：一個(gè)圖像作小波分解后，可得到一系列不同分辨率的子圖像,不同分辨率的子圖像對(duì)應(yīng)的頻率是不相同的。高分辨率(即高頻)子圖像上大部分點(diǎn)都接近于0，越是高頻這種現(xiàn)象越明顯。對(duì)一個(gè)圖像來(lái)說(shuō)，表現(xiàn)一個(gè)圖像最主要的部分是低頻部分，所以一個(gè)最簡(jiǎn)單的壓縮方法是利用小波分解，去掉圖像的高頻部分而只保留低頻部分。算法：clc;clear all;a=imread('lenna.jpg');X=rgb2gray(a);subplot(221);image(X);col