試驗(yàn)六圖像分割

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：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：班級： 姓名：學(xué)號： 指導(dǎo)老師（簽名）：一、實(shí)驗(yàn)?zāi)康?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。.要求學(xué)生能夠自行評價(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（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算子對圖像進(jìn)行邊緣檢測處理；Roberts算子為一對模板：（a）45（a）450方向模板（b）1350方向模板圖1matlab2010的Roberts算子模板相應(yīng)的矩陣為：rh=[01；-10]；rv=[10；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(jì)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)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。⑵使用Prewitt算子的圖像分割實(shí)驗(yàn)-1-1-1-1-1-1-1010001000111(a)水平模型-101-101(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。⑶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。-1-2-1-2-1000121-101-202-101(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=[-2-10;-101;012];%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(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(gè)算子邊緣定位效果不錯(cuò)，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(gè)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(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.評價(jià)一下Roberts算子、Prewitt算子、Sobel算子對于噪聲條件下邊界檢測的性臺匕能匕。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(shí)，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。.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(jià)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。IsotropicSobel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(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，因?yàn)槠渥鳛橐粋€(gè)二階導(dǎo)數(shù)，Laplacian算子對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(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（LaplacianofaGaussian,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(gè)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(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=[-10;01];rv=[0-1;10];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.A2+g135.A2);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(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;000;111];rv=[-101;-101;-101];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.A2+g135.A2);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Sobel算子的圖像分割實(shí)驗(yàn)I=imread('');rh=[-1-2-1;000;121];rv=[-101;-202;-101];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.A2+g135.A2);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(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)對圖像f提取水平邊緣subplot(1,3,2);imshow(gb);title('gb');w45=[-2-10;-101;012];%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('');[gv,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=[-2-10;-101;012];%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('');[gv2,t3]=edge(f,,prewitf,'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=[-2-10;-101;012];%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