實(shí)驗(yàn)六圖像分割

1、精選優(yōu)質(zhì)文檔-傾情為你奉上 信息工程學(xué)院實(shí)驗(yàn)報告成 績：指導(dǎo)老師(簽名)：課程名稱：數(shù)字圖像處理 實(shí)驗(yàn)項(xiàng)目名稱：實(shí)驗(yàn)六 圖像分割 實(shí)驗(yàn)時間：2016.12.16 班級： 姓名： 學(xué)號： 一、實(shí)驗(yàn)?zāi)康?1. 使用MatLab 軟件進(jìn)行圖像的分割。使學(xué)生通過實(shí)驗(yàn)體會一些主要的分割算子對圖像處理的效果，以及各種因素對分割效果的影響。2. 要求學(xué)生能夠自行評價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價處理結(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(1)使用Roberts 算子的圖像分割實(shí)驗(yàn)調(diào)入并顯示圖像roo

2、m.tif圖像；使用Roberts 算子對圖像進(jìn)行邊緣檢測處理； Roberts 算子為一對模板：-100-10110 （a）450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方向的邊界檢測結(jié)果；用“歐幾里德距離”和“街區(qū)距離”方式計算梯度的模，并顯示檢測結(jié)果；對于檢測結(jié)果進(jìn)行二值化處理，并顯示處理結(jié)果。 提示：先做檢測結(jié)果的直方圖，參考直方圖中灰度的分布嘗試確定閾值；應(yīng)

3、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)-1-1-1-101000-101111-101 （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。-1-2-1-101000-202121-101 （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)中的全部步驟。提示1：處理后可以直接顯示處理

4、結(jié)果，無須另外計算梯度的模。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算子對圖像進(jìn)行分割的MATLAB程序f=imread(room.tif);gv,t1=edge(f,sobel,vertical);%使用edge函數(shù)對圖像f提取垂直邊緣imshow(gv)gb,t2=edge(f,sobel,horizontal);%使用edge函數(shù)對圖像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計算45度方向的邊緣g45=imf

5、ilter(double(f),w45,replicate);T=0.3*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邊緣檢測器的過程。三、實(shí)驗(yàn)結(jié)果及結(jié)果分析1.邊緣檢測(1)使用Roberts 算子的圖像分割實(shí)驗(yàn)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。該算子對具有陡峭邊緣且噪聲少的圖像效果較好

6、。(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：Sobel 算子和Prewitt 算子一樣，都是先對圖像做加權(quán)平滑處理，然后再做微分運(yùn)算，因此它們對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，但不能排除檢測結(jié)果中出現(xiàn)的虛假邊緣。雖然這兩個算子邊緣定

7、位效果不錯，但檢測出的邊緣容易出現(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，對圖像中的階躍型邊緣定位準(zhǔn)確，該算子對噪聲非常敏感，它使噪聲成分得到加強(qiáng)。這兩個特性使得該算子容易丟失一部分邊緣的方向信息，造成一些不連續(xù)的檢測邊緣。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算子對圖像進(jìn)行分割實(shí)驗(yàn)。圖8. 全部結(jié)果

8、四、實(shí)驗(yàn)中遇到問題及解決方法1. 評價一下Roberts 算子、Prewitt 算子、Sobel 算子對于噪聲條件下邊界檢測的性能。答：Roberts算子采用對角線方向相鄰兩像素之差近似梯度幅值檢測邊緣。檢測水平和垂直邊緣的效果好于斜向邊緣，定位精度高，對噪聲敏感。Sobel算子根據(jù)像素點(diǎn)上下、左右鄰點(diǎn)灰度加權(quán)差，在邊緣處達(dá)到極值這一現(xiàn)象檢測邊緣。對噪聲具有平滑作用，提供較為精確的邊緣方向信息，邊緣定位精度不夠高。當(dāng)對精度要求不是很高時，是一種較為常用的邊緣檢測方法。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)到極值檢測邊緣。對噪聲具有平滑作用，定位精度不夠高。2. 實(shí)驗(yàn)中所使

9、用的四種算子所得到的邊界有什么異同？答：算子的存在就是對這種導(dǎo)數(shù)分割原理進(jìn)行的實(shí)例化計算，是為了在計算過程中直接使用的一種計算單位。Roberts算子：邊緣定位準(zhǔn)，但是對噪聲敏感。適用于邊緣明顯且噪聲較少的圖像分割。Roberts邊緣檢測算子是一種利用局部差分算子尋找邊緣的算子,Robert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)于對圖像的低通濾波，所以Prewitt算子對邊緣的

10、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，鄰域的像素對當(dāng)前像素產(chǎn)生的影響不是等價的，所以距離不同的像素具有不同的權(quán)值，對算子結(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)沿不同方向檢測邊緣時梯度幅度一致，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

11、算法都是把Laplacian算子和平滑算子結(jié)合起來生成一個新的模板。Laplacian算子一般不以其原始形式用于邊緣檢測，因?yàn)槠渥鳛橐粋€二階導(dǎo)數(shù)，Laplacian算子對噪聲具有無法接受的敏感性；同時其幅值產(chǎn)生算邊緣，這是復(fù)雜的分割不希望有的結(jié)果；最后Laplacian算子不能檢測邊緣的方向；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

12、，然后計算所得結(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)心得體會通過這個實(shí)驗(yàn)，我熟練學(xué)會了利用MatLab 軟件進(jìn)行圖像的分割。在通過實(shí)驗(yàn)體會到了一些主要的分割算子對圖像處理的效果，以及各種因素對分割效果的影響。在評價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)定圖像的處理并評價處理結(jié)果。六、源程序清單%1.使用Rober

13、ts 算子的圖像分割實(shí)驗(yàn)I=imread(room.tif);rh=-1 0; 0 1;rv=0 -1; 1 0;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);%計算梯度模%(1)歐幾里得距離計算梯度模OD=sqrt(g45.2+g135.2);subplot(323);imshow(OD,);title(1)歐幾里得距離計算梯度模);T

14、=0.1*max(OD(:); BWOD=ODT;subplot(324);imshow(BWOD);title(1)歐幾里得距離計算梯度模二值化);%(2)街區(qū)距離計算梯度摸JD=abs(g45)+abs(g135);subplot(325);imshow(JD,);title(2)街區(qū)距離計算梯度模);T=0.1*max(JD(:);BWOD=ODT;subplot(326);imshow(BWOD);title(2)街區(qū)距離計算梯度模二值化);%2.使用Prewitt 算子的圖像分割實(shí)驗(yàn)I=imread(room.tif);rh=-1 -1 -1;0 0 0;1 1 1;rv=-1 0

15、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);%計算梯度模%（1）歐幾里得距離計算梯度模OD=sqrt(g45.2+g135.2);subplot(323);imshow(OD,);title(1)歐幾里得距離計算梯度模);T=0.1*max(OD(:); BWOD=ODT;subplot(324);im

16、show(BWOD);title(1)歐幾里得距離計算梯度模二值化);%(2)街區(qū)距離計算梯度模JD=abs(g45)+abs(g135);subplot(325);imshow(JD,);title(2)街區(qū)距離計算梯度模);T=0.1*max(JD(:);BWOD=ODT;subplot(326);imshow(BWOD);title(2)街區(qū)距離計算梯度模二值化);%3.使用Sobel 算子的圖像分割實(shí)驗(yàn)I=imread(room.tif);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

17、,replicate);g135=imfilter(double(I),rv,replicate);subplot(3,2,1);imshow(g45,);title(g45);subplot(322);imshow(g135,);title(g135);%計算梯度模%(1)歐幾里得距離計算梯度模OD=sqrt(g45.2+g135.2);subplot(323);imshow(OD,);title(1)歐幾里得距離計算梯度模);T=0.1*max(OD(:); BWOD=ODT;subplot(324);imshow(BWOD);title(1)歐幾里得距離計算梯度模二值化);%(2)街區(qū)距

18、離計算梯度摸JD=abs(g45)+abs(g135);subplot(325);imshow(JD,);title(2)街區(qū)距離計算梯度模);T=0.1*max(JD(:);BWOD=ODT;subplot(326);imshow(BWOD);title(2)街區(qū)距離計算梯度模二值化);%4.使用LoG (拉普拉斯-高斯)算子的圖像分割實(shí)驗(yàn)f=imread(room.tif);gv,t1=edge(f,log,vertical);%使用edge函數(shù)對圖像f提取垂直邊緣subplot(1,3,1);imshow(gv);title(gv);gb,t2=edge(f,log,horizontal

19、);%使用edge函數(shù)對圖像f提取水平邊緣subplot(1,3,2);imshow(gb);title(gb);w45=-2 -1 0;-1 0 1;0 1 2;%指定模版使用imfilter計算45度方向的邊緣g45=imfilter(double(f),w45,replicate);T=0.3*max(abs(g45(:); %設(shè)定閾值g45=g45=T; %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算子對圖像進(jìn)行分割實(shí)驗(yàn)。f=imread(room.tif);gv,

20、t1=edge(f,sobel,vertical);%使用edge函數(shù)對圖像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imfilter計算45度方向的邊緣g45=imfilter(double(f),w45,replicate);T=0.3*max(abs(g45(:); %設(shè)定閾值g45=g4

21、5=T; %進(jìn)行閾值處理subplot(1,3,3);imshow(g45);title(sobel(g45);%使用prewitt算子對圖像進(jìn)行分割實(shí)驗(yàn)。f=imread(room.tif);gv2,t3=edge(f,prewitt,vertical);%使用edge函數(shù)對圖像f提取垂直邊緣subplot(1,3,1);imshow(gv2);title(prewitt(gv);gb2,t4=edge(f,prewitt,horizontal);%使用edge函數(shù)對圖像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計算45度方向的邊緣g45=imfilter(double(f),w45,replicate);T=0.3*max(a