數(shù)字圖像處理 綜合作業(yè)2

1、綜合作業(yè)二( 春季學(xué)期 ) 一對(duì)X1照片圖像增強(qiáng)91.1 直方圖增強(qiáng)91.1.1 直方圖拉伸增加對(duì)比度91.1.2直方圖均衡101.2 偽彩色增強(qiáng)111.2.1等密度分割法111.2.2多波段合成偽彩色顯示13二 對(duì)x2照片圖像增強(qiáng)152.1 濾波152.1.1各種濾波器152.1.2 中值濾波17 2.1.3 二階butterworth濾波192.2 直方圖增強(qiáng)20三 邊緣提取及增強(qiáng)223.1 對(duì)x1邊緣提取及復(fù)合223.1.1 對(duì)x1邊緣提取223.1.2 對(duì)x1邊緣復(fù)合233.2對(duì)x2邊緣提取及復(fù)合243.2.1 直接對(duì)原圖x2邊緣提取243.2.2 去噪后邊緣提取253.2.3 對(duì)x2

2、邊緣復(fù)合26一對(duì)X1照片圖像增強(qiáng)1.1 直方圖增強(qiáng)1.1.1 直方圖拉伸增加對(duì)比度 為了增強(qiáng)圖像，觀察x1，我們考慮增加圖像的對(duì)比度，看是否能使圖像更清晰。具體的編程思路是，讀入x1圖像，運(yùn)用matlab自帶的imadjust函數(shù)，對(duì)比所得結(jié)果，具體程序見(jiàn)附錄1.1.1（a），實(shí)驗(yàn)結(jié)果見(jiàn)圖1.1.1（1）。1.1.1（a）結(jié)論：由圖1.1.1（a）對(duì)比發(fā)現(xiàn)，左右兩邊基本沒(méi)有區(qū)別，基本沒(méi)有圖像增強(qiáng)效果。我們考慮到運(yùn)用imadjust函數(shù)可以得到原圖的負(fù)片，即將原灰度圖白色的地方變成黑色，黑色的地方變成白色，這種效果可能使X1圖像自身對(duì)比更鮮明，起到圖像增強(qiáng)的作用，具體程序見(jiàn)附錄1.1.1（2），

3、實(shí)驗(yàn)結(jié)果見(jiàn)圖1.1.1（b）。1.1.1（b） 結(jié)論：由圖1.1.1（b）的對(duì)比發(fā)現(xiàn)，從人眼的視覺(jué)角度來(lái)看，右圖比起左圖，在感官上比較舒適，似乎有點(diǎn)圖像增強(qiáng)的意思，但總體上，效果還不是很好。1.1.2直方圖均衡 在第三章的作業(yè)習(xí)題里，我們已經(jīng)接觸過(guò)直方圖均衡，它是一種利用圖像直方圖對(duì)對(duì)比度進(jìn)行調(diào)整的方法，也是圖像增強(qiáng)常用的方法之一。 我們的編程思路是運(yùn)用matlab中自帶的一些函數(shù)對(duì)原圖進(jìn)行處理，具體程序見(jiàn)附錄1.1.2，實(shí)驗(yàn)結(jié)果見(jiàn)圖1.1.2。1.1.2 結(jié)論：由圖1.1.2的對(duì)比，我們可以發(fā)現(xiàn)直方圖均衡化后的圖像整體變亮，圖片中部分位置變得清晰一些，部分位置灰度值過(guò)高，圖像有些發(fā)白，沒(méi)有得

4、到好的圖像增強(qiáng)效果，甚至發(fā)白部位阻礙醫(yī)生觀察骨骼細(xì)節(jié)。 原因是因?yàn)檫@種方法對(duì)處理的數(shù)據(jù)不加選擇，當(dāng)原圖的直方圖有高峰時(shí)，經(jīng)處理后對(duì)比度會(huì)不自然的過(guò)分增強(qiáng)。1.2 偽彩色增強(qiáng)1.2.1等密度分割法對(duì)圖像中各像元亮度值進(jìn)行統(tǒng)計(jì)，確定其最小值和最大值，確定分割的等級(jí)N，計(jì)算出分割的間隔再對(duì)輸入圖像的每一個(gè)像元進(jìn)行亮度轉(zhuǎn)換，為像元新值賦色。（1）matlab自帶函數(shù)grayslice（I，n）（源程序：color1.m）將灰度圖X1均勻量化為n個(gè)等級(jí)，然后利用jet映射將其轉(zhuǎn)化為偽彩色圖像x。程序見(jiàn)附錄1.2.1（1）1.2.1(a) N=81.2.1(b) N=64 1.2.1(c) n=256分析

5、：由上面三組圖像可知，當(dāng)分割等級(jí)越大，所呈現(xiàn)的效果越好。（2）自編程序 （源程序：color2.m）將圖像X1按灰度分為11份R=0：256 間隔為256/10G=0到256 再到0 間隔為256/5B=256：0 間隔為256/101.2.1(d)分析：從上面各圖的分析我們知道n越大，效果越好。但對(duì)比利用grayslice（I，n）函數(shù)n=8時(shí)的效果，自編程序n=11時(shí)的效果沒(méi)有很好，可能是顏色映射不恰當(dāng)，導(dǎo)致效果不好。1.2.2多波段合成偽彩色顯示 （源程序：color.m）對(duì)同一幅圖像在不同波長(zhǎng)獲得多幅圖像，可采用多種變換方式，最后合成R、G、B圖像進(jìn)而形成為彩色圖像顯示。在這里使用分段

6、線性映射法。實(shí)驗(yàn)結(jié)果見(jiàn)1.2.2.程序見(jiàn)附錄1.2.2.1.2.2分析：對(duì)比利用密度分割法產(chǎn)生的效果，多波段合成偽彩色顯示法的效果不是很好，反而將圖像變得更加模糊。結(jié)論：通過(guò)對(duì)圖像進(jìn)行偽彩色處理，主要得出以下兩點(diǎn)。（1）對(duì)圖像進(jìn)行偽彩色處理時(shí)，不同的偽彩色處理方法有不同的效果，要選擇合適的處理方法。（2）不同的顏色映射法也有不同的效果，根據(jù)圖像選擇合適的顏色映射法。2 對(duì)x2照片圖像增強(qiáng)2.1 濾波 首先我們先分別觀察一下X2的在MATLAB中的原始圖像和頻譜分布情況。因?yàn)槲覀冇^察到X2是彩色圖，所以我們需要利用rgb2gray函數(shù)將它轉(zhuǎn)換成灰度圖再進(jìn)行處理。X2的原始圖像和頻譜分布圖如下圖2

7、.1所示：2.1 我們觀察到X2的灰度圖存在較嚴(yán)重的椒鹽噪聲，其頻譜圖也存在一個(gè)十字叉的亮線，但是圍繞中間亮點(diǎn)又有一個(gè)矩型噪聲。綜上，X2存在明顯的噪聲近似于椒鹽噪聲，所以我們先采用“廣撒網(wǎng)，撈大魚(yú)”的方法進(jìn)行篩選，嘗試使用不同類(lèi)型的濾波器對(duì)X2進(jìn)行濾波處理，分析對(duì)比哪種濾波器的濾波效果最好，然后再選擇濾波效果最好的濾波器進(jìn)行各種參數(shù)設(shè)置，使其濾波效果最好。2.1.1各種濾波器在這里我們使用了高斯低通濾波器，均值濾波器，中值濾波器，自適應(yīng)濾波器，二維統(tǒng)計(jì)順序?yàn)V波器，二階Butterworth濾波器分別對(duì)X2圖像進(jìn)行濾波。程序見(jiàn)附錄2.1.1各種濾波結(jié)果如下圖2.1.1所示： 高斯低通濾波 均值

8、濾波 中值濾波 自適應(yīng)濾波 二維統(tǒng)計(jì)順序?yàn)V波 二階butterworth濾波 2.1.1結(jié)論：對(duì)比分析后我們發(fā)現(xiàn)，中值濾波對(duì)于去除噪聲效果最好，第二好的是二階butterworth濾波，而自適應(yīng)濾波去除效果則較差。所以接下來(lái)我們針對(duì)中值濾波器和二階butterworth濾波器進(jìn)行詳細(xì)的參數(shù)設(shè)置，通過(guò)多次試驗(yàn)使其達(dá)到最好的效果。2.1.2 中值濾波因?yàn)橛^察X2的原始圖像和頻譜分布圖，我們發(fā)現(xiàn)X2存在很明顯的椒鹽噪聲，所以我們可以預(yù)見(jiàn)到使用中值濾波對(duì)X2進(jìn)行處理后會(huì)有明顯的改善?；舅悸肥窍茸x入待處理圖像，因?yàn)槲覀兊接^察X2是彩色圖，所以我們需要利用rgb2gray函數(shù)先將它轉(zhuǎn)換成灰度圖，再利用中

9、值濾波器對(duì)其進(jìn)行平滑濾波，分別使用3*3窗口，5*5窗口，7*7窗口，11*11窗口進(jìn)行處理，分析比較處理結(jié)果。程序見(jiàn)附錄2.1.2X2的處理結(jié)果如下圖2.1.2所示： 3*3窗口中值濾波 7*7窗口中值濾波 11*11窗口中值濾波 13*13窗口中值濾波2.1.2結(jié)論：正如預(yù)想的那樣，中值濾波對(duì)X2會(huì)產(chǎn)生明顯的效果。中值濾波對(duì)于去除椒鹽噪聲效果明顯，是因?yàn)榻符}噪聲只在畫(huà)面上的部分點(diǎn)隨機(jī)出現(xiàn)，而中值濾波根據(jù)數(shù)據(jù)排序，將未被污染的點(diǎn)代替噪聲點(diǎn)的值的概率較大，所以抑制效果好。但是當(dāng)我們選擇的窗口較小時(shí)噪聲依然比較嚴(yán)重，當(dāng)我們把窗口加到11*11時(shí)只存在少數(shù)噪聲，當(dāng)我們把窗口加到13*13時(shí)，噪聲基

10、本消除，雖然一些細(xì)節(jié)也模糊了，但是效果最好。2.1.3 二階butterworth濾波基本步驟與中值濾波相似，這里不再贅述。但是，我們認(rèn)為二階butterworth濾波應(yīng)該達(dá)不到中值濾波的效果。另外，二階butterworth濾波需要修改與原點(diǎn)的距離d0,來(lái)實(shí)現(xiàn)最優(yōu)效果,下圖2.1.3分別展示了在d0=10，12,14,16,18,20時(shí)的情況。程序見(jiàn)附錄2.1.3 d0=10 d0=12 d0=14 d0=16 d0=18 d0=202.1.3 結(jié)論：顯而易見(jiàn)，無(wú)論我們?cè)趺葱薷膮?shù)d0，其結(jié)果始終沒(méi)有中值濾波好。同時(shí)，我們發(fā)現(xiàn)就X2圖像而言，當(dāng)d0=14左右時(shí)，二階butterworth濾波

11、器的效果是最好的。因此，為了達(dá)到對(duì)X2圖像最好的處理效果，我們選擇了中值濾波器進(jìn)行濾波處理。2.2 直方圖增強(qiáng)由于在之前1.1的（1）中，我們發(fā)現(xiàn)通過(guò)直方圖拉伸來(lái)增加對(duì)比度的方法幾乎沒(méi)有任何作用，所以對(duì)X2不再重復(fù)。因?yàn)閤2明顯存在噪聲，所以我們對(duì)2.1中去噪后的圖進(jìn)行直方圖均衡化處理，具體程序見(jiàn)附錄2.2，實(shí)驗(yàn)結(jié)果見(jiàn)圖2.2。2.2 結(jié)論：觀察并對(duì)比圖2.2，我們發(fā)現(xiàn)，中值濾波去噪后的圖像再做均衡化處理，泛白情況非常嚴(yán)重，嚴(yán)重?fù)p害了圖像質(zhì)量，所以直方圖均衡的方法不能用于x2圖像的增強(qiáng)。3 邊緣提取及增強(qiáng) 圖像的邊緣部分對(duì)應(yīng)圖像上灰度變化劇烈的區(qū)域。圖像的邊緣提取有多種方法，可以采用一階微分算

12、子，如sobel算子，Roberts算子，Prewitt算子，Canny算子。也可以采用二階微分算子，如Laplacian算子。各種算子都有對(duì)應(yīng)的優(yōu)缺點(diǎn)，Sobel算子檢測(cè)方法對(duì)灰度漸變和噪聲較多的圖像處理效果較好，但Sobel算子對(duì)邊緣定位不是很準(zhǔn)確，圖像的邊緣不止一個(gè)像素。Roberts算子檢測(cè)方法對(duì)具有陡峭的低噪聲的圖像處理效果較好，但是利用roberts算子提取邊緣的結(jié)果是邊緣比較粗，因此邊緣的定位不是很準(zhǔn)確。Prewitt算子檢測(cè)方法對(duì)灰度漸變和噪聲較多的圖像處理效果較好。但邊緣較寬，而且間斷點(diǎn)多。Laplacian算子法對(duì)噪聲比較敏感，所以很少用該算子檢測(cè)邊緣，而是用來(lái)判斷邊緣像素

13、視為與圖像的明區(qū)還是暗區(qū)。Canny方法不容易受噪聲干擾，能夠檢測(cè)到真正的弱邊緣。優(yōu)點(diǎn)在于，使用兩種不同的閾值分別檢測(cè)強(qiáng)邊緣和弱邊緣，并且當(dāng)弱邊緣和強(qiáng)邊緣相連時(shí)，才將弱邊緣包含在輸出圖像，它是目前邊緣檢測(cè)最常用的算法，效果也是最理想的。3.1 對(duì)x1邊緣提取及復(fù)合 3.1.1 對(duì)x1邊緣提取根據(jù)上述對(duì)邊緣提取的分析，我們編寫(xiě)了各個(gè)邊緣提取的程序，希望找到一個(gè)最好的邊緣提取函數(shù)，進(jìn)而得到最好的圖像增強(qiáng)效果。X1的具體程序見(jiàn)附錄3.1.1，實(shí)驗(yàn)結(jié)果見(jiàn)圖3.1.1。 3.1.1觀察對(duì)比圖3.1.1，可以很明顯地發(fā)現(xiàn)Canny方法提取的邊緣效果最好，這個(gè)結(jié)果符合我們之前的分析，所以接下來(lái)的復(fù)合邊緣，我

14、們都采取Canny方法。3.1.2 對(duì)x1邊緣復(fù)合 因?yàn)閷?duì)x1做直方圖均衡化后，部分圖像由于對(duì)比度過(guò)高而泛白，不但沒(méi)有增強(qiáng)圖像，還損害了圖像的部分細(xì)節(jié)，所以復(fù)合時(shí)不再考慮疊加均衡化后的圖，所以我們的思路是將canny邊緣提取圖疊加在原圖上，進(jìn)行邊緣復(fù)合。具體程序見(jiàn)附錄3.1.2，實(shí)驗(yàn)結(jié)果見(jiàn)圖3.1.2。3.1.2 結(jié)論：觀察并分析3.1.2，利用canny算子提取邊緣后的圖像與原圖進(jìn)行疊加，復(fù)合后的圖像輪廓更加清晰，對(duì)比度明顯增強(qiáng)，達(dá)到了圖像增強(qiáng)的效果。但是提取的邊緣過(guò)多，很多細(xì)節(jié)被模糊了，總體效果不是很理想，這是我們需要解決的問(wèn)題，但是目前還沒(méi)找到更好的辦法。3.2對(duì)x2邊緣提取及復(fù)合 3.

15、2.1 直接對(duì)原圖x2邊緣提取 因?yàn)閤2是彩色圖，所以要對(duì)其進(jìn)行灰度轉(zhuǎn)化，其他操作思路同x1。x2的具體程序見(jiàn)附錄3.2.1，實(shí)驗(yàn)結(jié)果見(jiàn)圖3.2.1。3.2.1 結(jié)論：觀察對(duì)比圖3.2.1，同圖3.1.1一樣，也可以很明顯地發(fā)現(xiàn)Canny方法提取的邊緣效果最好，所以接下來(lái)的復(fù)合邊緣，我們也就只采取Canny方法進(jìn)行圖像增強(qiáng)。此外，我們還發(fā)現(xiàn)，在提取邊緣的同時(shí)，我們把噪聲也當(dāng)邊緣提取了。這是因?yàn)樵瓐DX2有明顯的噪聲存在，我們?cè)谔崛∵吘墪r(shí)，是提取圖像上灰度變化劇烈的區(qū)域，自然就會(huì)把噪聲也提取出來(lái)，這是我們不希望看到的，所以在提取邊緣之前需要對(duì)輸入圖像X2進(jìn)行消除噪聲的處理。3.2.2 去噪后邊緣提

16、取具體的思路是：前面我們已經(jīng)對(duì)x2濾波進(jìn)行去噪處理，發(fā)現(xiàn)13*13的中值濾波器具有最好的效果，而且canny算子具有最好的邊緣提取效果。所以我們將采用該尺寸的中值濾波器，對(duì)濾波后所得的圖，進(jìn)行canny邊緣提取。具體程序見(jiàn)附錄3.2.2，實(shí)驗(yàn)結(jié)果見(jiàn)圖3.2.2。3.2.2觀察對(duì)比圖3.2.2，很明顯，去噪后得到的邊緣圖就是我們所需要的。3.2.3 對(duì)x2邊緣復(fù)合因?yàn)橹狈綀D均衡不僅不能增強(qiáng)x2,反而由于對(duì)比度過(guò)高，損害了圖像細(xì)節(jié)，所以復(fù)合時(shí)，不再考慮疊加直方均衡圖。在前面，我們成功的得到了中值濾波去噪后的圖和去噪后的邊緣提取圖，接下來(lái)我們的思路是將這兩幅圖疊加，來(lái)增強(qiáng)圖像。具體程序見(jiàn)附錄3.2.

17、3，實(shí)驗(yàn)結(jié)果見(jiàn)圖3.2.3。3.2.3 結(jié)論：觀察對(duì)比圖3.2.3，利用canny算子提取邊緣后的圖像與原圖進(jìn)行疊加，復(fù)合后的圖像輪廓更加清晰，很多原來(lái)模糊的細(xì)節(jié)可被肉眼直接觀察，比如復(fù)合后的圖像中指甲也清晰可見(jiàn)。但是手腕關(guān)節(jié)處的骨骼由于過(guò)多的細(xì)節(jié)提取被掩蓋。不過(guò)總體效果比較理想，圖像的對(duì)比度明顯增強(qiáng)。作業(yè)合作說(shuō)明 我們?nèi)齻€(gè)（厲宏蘭，徐節(jié)速，李倩）都來(lái)自南京天光所，但是之前從未接觸過(guò)MATLAB編程以及圖像處理的相關(guān)內(nèi)容，所以此次作業(yè)我們選擇了一起合作探討，相互學(xué)習(xí)。徐節(jié)速同學(xué)主要做了直方圖增強(qiáng)以及邊緣函數(shù)提取復(fù)合，李倩同學(xué)主要做了圖像的偽彩色增強(qiáng)，厲宏蘭同學(xué)主要做了圖像濾波去噪工作。最后一起

18、討論了處理結(jié)果，利用了各自的最優(yōu)算法對(duì)圖像進(jìn)行了最后的綜合處理。附錄：1.1.1（1)f=imread('C:UsersAdministratorDesktopX1.tif');f1=imadjust(f,stretchlim(f),);subplot(1,2,1) ;imshow(f)title('原始圖像')subplot(1,2,2);imshow(f1)title('增加對(duì)比度后圖像')1.1.1(2)f=imread('C:UsersAdministratorDesktopX1.tif');f1=imadjust(f,0

19、,1,1,0);subplot(1,2,1) ;imshow(f)title('原始圖像')subplot(1,2,2);imshow(f1)title('負(fù)片')1.1.2f=imread('C:UsersAdministratorDesktopX1.tif');subplot(2,2,1),imshow(f);title('原圖像');subplot(2,2,2),imhist(f);title('原圖像直方圖')subplot(2,2,3),f1=histeq(f); imshow(f1);title(

20、9;均衡化后圖像')subplot(2,2,4),imhist(f1);title('均衡化后圖像直方圖')1.2.1（1）I = imread('C:UserslenovoDesktop綜合作業(yè)2_V3X光圖像X1.tif');X=grayslice(I,64);figure;imshow(X);title('索引圖像'); figure;imshow(X,jet(64);title('matlab自帶程序處理圖像');1.2.1 (2)I = imread('C:UserslenovoDesktop綜合作業(yè)2_

21、V3X光圖像X1.tif');figure;imshow(I);title('原始圖像'); m,n=size(I);Imax=max(max(I);Imin=min(min(I);a=(Imax-Imin)/10;for i=1:m for j=1:n if Imin<=I(i,j)&&I(i,j)<=(Imin+a) R(i,j)=0; G(i,j)=0; B(i,j)=256; else if (Imin+a)<I(i,j)&&I(i,j)<=(Imin+2*a) R(i,j)=25; G(i,j)=50;

22、B(i,j)=225; else if (Imin+2*a)<I(i,j)&&I(i,j)<=(Imin+3*a) R(i,j)=50; G(i,j)=100; B(i,j)=200; else if (Imin+3*a)<I(i,j)&&I(i,j)<=(Imin+4*a) R(i,j)=75; G(i,j)=150; B(i,j)=175; else if (Imin+4*a)<I(i,j)&&I(i,j)<=(Imin+5*a) R(i,j)=100; G(i,j)=200; B(i,j)=150; el

23、se if (Imin+5*a)<I(i,j)&&I(i,j)<=(Imin+6*a) R(i,j)=125; G(i,j)=256; B(i,j)=125; else if (Imin+6*a)<I(i,j)&&I(i,j)<=(Imin+7*a) R(i,j)=150; G(i,j)=200; B(i,j)=100; else if (Imin+7*a)<I(i,j)&&I(i,j)<=(Imin+8*a) R(i,j)=175; G(i,j)=150; B(i,j)=75; else if (Imin+8

24、*a)<I(i,j)&&I(i,j)<=(Imin+9*a) R(i,j)=200; G(i,j)=100; B(i,j)=50; else if (Imin+9*a)<I(i,j)&&I(i,j)<=(Imin+10*a) R(i,j)=225; G(i,j)=50; B(i,j)=25; else R(i,j)=256; G(i,j)=0; B(i,j)=0; end end end end end end end end end end endendfor i=1:m for j=1:n x1(i,j,1)=R(i,j); x1(i

25、,j,2)=G(i,j); x1(i,j,3)=B(i,j); endendx1=x1/256;figure;imshow(x1);title('密度分割法'); 1.2.2I=imread('C:UserslenovoDesktop綜合作業(yè)2_V3X光圖像X1.tif'); figure;imshow(I);title('原始圖像'); I=double(I);m,n=size(I);L=256;for i=1:m for j=1:n if I(i,j)<L/4 R(i,j)=0; G(i,j)=4*I(i,j); B(i,j)=L; e

26、lse if I(i,j)<=L/2 R(i,j)=0; G(i,j)=L; B(i,j)=-4*I(i,j)+2*L; else if I(i,j)<=3*L/4 R(i,j)=4*I(i,j)-2*L; G(i,j)=L; B(i,j)=0; else R(i,j)=L; G(i,j)=-4*I(i,j)+4*L; B(i,j)=0; end end end endendfor i=1:m for j=1:n x1(i,j,1)=R(i,j); x1(i,j,2)=G(i,j); x1(i,j,3)=B(i,j); endendx1=x1/256;figure;imshow(x

27、1);title('多波段合成為彩色顯示'); 2.1.1I1=imread('D:MATLAB圖像處理程序X光圖像X2.tif');I2=rgb2gray(I1);figure;imshow(I2);title('X2灰圖像')%顯示原始圖像G=fspecial('gaussian',12 12,1); %這里的gaussian濾波窗口可選任意尺寸和標(biāo)準(zhǔn)差A(yù)=fspecial('average',12); %這里的average濾波窗口可選任意尺寸f1=filter2(G,I2);%使用G矩陣中的gaussian

28、濾波器對(duì)圖像濾波f2=filter2(A,I2);%使用A矩陣中的average濾波器對(duì)圖像濾波f3=medfilt2(I2,12 12);%使用中值濾波器對(duì)圖像濾波f4=wiener2(I2,12 12);%使用自適應(yīng)濾波器對(duì)圖像濾波f5=ordfilt2(I2,5,ones(12,12);% 使用二維統(tǒng)計(jì)順序過(guò)濾figure;imshow(f1,);title('高斯低通濾波器處理結(jié)果');figure;imshow(f2,);title('均值濾波器處理結(jié)果');figure;imshow(f3,);title('中值濾波器處理結(jié)果');f

29、igure;imshow(f4,);title('自適應(yīng)濾波器處理結(jié)果');figure;imshow(f5,);title('二維統(tǒng)計(jì)順序?yàn)V波處理結(jié)果');J=double(I2); f=fft2(J); g=fftshift(f); M,N=size(f); n=2;d0=16; n1=floor(M/2);n2=floor(N/2); for i=1:M; for j=1:N; d=sqrt(i-n1)2+(j-n2)2); h=1/(1+0.414*(d/d0)(2*n); g(i,j)=h*g(i,j); end end g=ifftshift(g);

30、 f6=uint8(real(ifft2(g);figure;imshow(f6) title('二階Butterworth濾波圖像')2.1.2I1=imread('D:MATLAB圖像處理程序X光圖像X2.tif');I2=rgb2gray(I1);figure;imshow(I2);title('X2灰圖像')%顯示原始圖像 filtered1=medfilt2(I2,3 3);%使用3*3濾波窗口 figure;imshow(filtered1); title('3x3窗的中值濾波圖像') filtered2=medfil

31、t2(I2,7 7);%使用7*7濾波窗口 figure;imshow(filtered2); title('7x7窗的中值濾波圖像') filtered2=medfilt2(I2,11 11);%使用11*11濾波窗口 figure;imshow(filtered2); title('11x11窗的中值濾波圖像') filtered2=medfilt2(I2,13 13);%使用13*13濾波窗口 figure;imshow(filtered2); title('13x13窗的中值濾波圖像')2.1.3I1=imread('D:MATL

32、AB圖像處理程序X光圖像X2.tif');I2=rgb2gray(I1); J=double(I2); f=fft2(J); g=fftshift(f); M,N=size(f); n=2;d0=16;%這里的d0可任意修改 n1=floor(M/2);n2=floor(N/2); for i=1:M; for j=1:N; d=sqrt(i-n1)2+(j-n2)2); h=1/(1+0.414*(d/d0)(2*n); g(i,j)=h*g(i,j); end end g=ifftshift(g); g=uint8(real(ifft2(g);figure;imshow(g) ti

33、tle('二階Butterworth濾波圖像')2.2clear;clc;I=imread( 'C:UsersAdministratorDesktopx2.tif');I=rgb2gray(I);figure;subplot(1,2,1),imshow(I);title('原圖'); subplot(1,2,2),imhist(I);title('原圖直方圖')filtered2=medfilt2(I,13 13);%使用13*13濾波窗口 figure; subplot(221),imshow(filtered2); title

34、('13x13窗的中值濾波去噪后的圖像') subplot(2,2,2),imhist(filtered2);title('去噪后圖像直方圖')subplot(2,2,3),f1=histeq(filtered2); imshow(f1);title('去噪圖像均衡化后圖像')subplot(2,2,4),imhist(f1);title('去噪圖像均衡化后圖像直方圖')3.1.1clear;clc;I=imread( 'C:UsersAdministratorDesktopX1.tif');subplot(321

35、),imshow(I,);title('原始圖像');% sobelsobelBW=edge(I,'sobel');subplot(322),imshow(sobelBW);title('Sobel Edge');% robertsrobertsBW=edge(I,'roberts');subplot(323),imshow(robertsBW);title('Roberts Edge');% prewittprewittBW=edge(I,'prewitt');subplot(324),imsho

36、w(prewittBW);title('Prewitt Edge');%lowlogBW=edge(I,'log');subplot(325),imshow(logBW);title('Laplasian of Gaussian Edge');%cannycannyBW=edge(I,'canny');subplot(326),imshow(cannyBW);title('Canny Edge');3.1.2clear;clc;I=imread( 'C:UsersAdministratorDesktopX1

37、.tif');subplot(2,2,1), imshow(I); title('原圖');% cannyBW1=edge(I,'canny');subplot(2,2,2), imshow(BW1); title('原圖canny邊緣提取');% canny augmentedcannyBW1=im2uint8(BW1)+I;subplot(2,2,3),imshow(cannyBW1);title('原圖與canny邊緣提取圖復(fù)合');3.2.1clear;clc;I=imread( 'C:UsersAdmin

38、istratorDesktopx2.tif');I=rgb2gray(I);subplot(321),imshow(I,);title('原始圖像');% sobelsobelBW=edge(I,'sobel');subplot(322),imshow(sobelBW);title('Sobel Edge');% robertsrobertsBW=edge(I,'roberts');subplot(323),imshow(robertsBW);title('Roberts Edge');% prewittprewittBW=edge(I,'prewitt');subplot(324),imshow(prewittBW);title('Prewitt Edge');%lowl