實(shí)驗(yàn)一圖像增強(qiáng)和圖像分割實(shí)驗(yàn)

...wd......wd......wd...實(shí)驗(yàn)一圖像增強(qiáng)和圖像分割實(shí)驗(yàn)〔1〕分別用圖中給出的直線和曲線作為增強(qiáng)函數(shù)進(jìn)展增強(qiáng)，比擬它們的效果并討論其特點(diǎn)。E5(s)E4(s)E5(s)E4(s)L-1L-1E2(s)E3(s)E1(s)L-1L-1線性變換對(duì)指數(shù)變換圖片1圖片2實(shí)驗(yàn)步驟：在MATLAB中編寫灰度圖像的線性變換點(diǎn)運(yùn)算程序圖片1處理程序I=imread('圖片1.png');%讀入原圖像I=im2double(I);%轉(zhuǎn)換數(shù)據(jù)類型為double[M,N]=size(I);figure(1);imshow(I);%顯示原圖像title('原圖像');figure(2);I=rgb2gray(I);%轉(zhuǎn)化為灰度圖像[H,x]=imhist(I,64);stem(x,(H/M/N),'.');title('原圖像');%tan=30`a=sqrt(3)/3;b=0;y=a.*I+b;figure(3);imshow(y);title('tan=30');figure(4);[H,x]=imhist(y,64);stem(x,(H/M/N),'.');title('tan=30');%tan=45`a=1;b=0;y=a.*I+b;figure(5);imshow(y);title('tan=45');figure(6);[H,x]=imhist(y,64);stem(x,(H/M/N),'.');title('tan=45');%tan=60`a=sqrt(3);b=0;y=a.*I+b;figure(7);imshow(y);title('tan=60');figure(8);[H,x]=imhist(y,64);stem(x,(H/M/N),'.');title('tan=60');實(shí)驗(yàn)結(jié)果如以下列圖所示：圖片1的原圖像圖片1的30度線性變換圖像圖片1的45度線性變換圖像圖片1的60度線性變換圖像原圖像的直方圖30度變換后直方圖45度變換后的直方圖60度變換后直方圖圖片2處理程序參考圖片1處理程序。圖片2實(shí)驗(yàn)結(jié)果如以下列圖：圖片2原圖像30度變換后圖像45度變換后圖像60度變換后圖像實(shí)驗(yàn)結(jié)果分析由實(shí)驗(yàn)結(jié)果可以看出，當(dāng)按照30度線性變換后圖像變暗，按照45度變換后圖像沒有任何改變，按照60度變換后圖像變亮，由變換后的直方圖可以確認(rèn)像素點(diǎn)的變化。由以上分析可以得出，當(dāng)線性變換函數(shù)的斜率大于1時(shí)，圖像的比照度將增大；當(dāng)線性變換的斜率小于時(shí)，圖像的比照度將減?。划?dāng)線性變換函數(shù)的斜率等于1時(shí)，圖像的比照度不變，只是像素點(diǎn)整體的移動(dòng)。雖然線性變換可以改變比照度，但是對(duì)圖像的細(xì)節(jié)局部增強(qiáng)有限。在MATLAB中編寫灰度圖像的對(duì)指數(shù)點(diǎn)運(yùn)算程序圖片1對(duì)數(shù)處理程序：I=imread('圖片1.png');%讀入原圖像I=im2double(I);%轉(zhuǎn)換數(shù)據(jù)類型為doubleI=rgb2gray(I);figure(1);imshow(I);%顯示原圖像title('原圖像');figure(3);[H,x]=imhist(I,64);stem(x,(H/M/N),'.');title('原圖像');figure(2);y=log(I+1);imshow(I);title('對(duì)數(shù)變換');figure(4);[H,x]=imhist(y,64);stem(x,(H/M/N),'.');title('對(duì)數(shù)變換');實(shí)驗(yàn)結(jié)果如以下列圖所示：圖片1直方圖圖片1對(duì)數(shù)變換直方圖對(duì)數(shù)變換后圖像圖片1指數(shù)處理程序：I=imread('圖片1.png');%讀入原圖像I=im2double(I);%轉(zhuǎn)換數(shù)據(jù)類型為doubleI=rgb2gray(I);[M,N]=size(I);figure(1);imshow(I);%顯示原圖像title('原圖像');figure(3);[H,x]=imhist(I,64);stem(x,(H/M/N),'.');title('原圖像');figure(2);imshow(imadjust(I,[],[],3));figure(4);[H,x]=imhist(imadjust(I,[],[],4),64);stem(x,(H/M/N),'.');title('指數(shù)變換');實(shí)驗(yàn)結(jié)果如以下列圖所示：圖片1直方圖指數(shù)變換后直方圖圖片1指數(shù)變換后圖像圖片2對(duì)指數(shù)處理程序參考圖片1處理程序。對(duì)指數(shù)處理結(jié)果如以下列圖：圖片2指數(shù)變換后圖像圖片2直方圖指數(shù)變換后直方圖對(duì)數(shù)變換后直方圖圖片2對(duì)數(shù)變換后圖像實(shí)驗(yàn)結(jié)果分析A、對(duì)數(shù)變換采用對(duì)數(shù)變換，當(dāng)函數(shù)自變量為低值時(shí)，曲線斜率很高；自變量為高值時(shí)，曲線斜率變小。由變換后圖像和直方圖可以得出，對(duì)數(shù)變換是增強(qiáng)圖像中較暗的細(xì)節(jié)，從而可用來(lái)擴(kuò)展被壓縮的高值圖像中較暗的像素。B、指數(shù)變換對(duì)數(shù)變換采用的是伽瑪變換〔γ>1〕，同理圖像的高灰度區(qū)域比照度得到增加。因?yàn)橘が斪儞Q變換不是線性變換，不僅可以改變圖像的比照度，還能夠增強(qiáng)細(xì)節(jié)，從而帶來(lái)整體圖像效果的增強(qiáng)和改善?！?〕分別用Roberts算子、Sobel算子、LoG算子和Canny算子進(jìn)展邊緣檢測(cè)，比擬它們的效果并討論其特點(diǎn)；圖片3圖片4實(shí)驗(yàn)步驟：在MATLAB中編寫檢測(cè)程序I=imread('圖片3.png');bw1=edge(I,'roberts');bw2=edge(I,'sobel');bw3=edge(I,'log');bw4=edge(I,'canny');figure(1);imshow(I);title('原圖像');figure(2);imshow(bw1);title('roberts');figure(3);imshow(bw2);title('sobel');figure(4);imshow(bw3);title('log');figure(5);imshow(bw4);title('canny');實(shí)驗(yàn)結(jié)果如以下列圖：圖片3經(jīng)過(guò)roberts算子檢測(cè)的圖像圖片3經(jīng)過(guò)sobel算子檢測(cè)的圖像圖片3經(jīng)過(guò)LoG算子檢測(cè)的圖像圖片3經(jīng)過(guò)canny算子檢測(cè)的圖像圖片4處理程序參考圖片3處理程序。實(shí)驗(yàn)結(jié)果如以下列圖所示：roberts處理后圖像sobel處理后圖像LoG處理后圖像canny處理后圖像實(shí)驗(yàn)結(jié)果分析由實(shí)驗(yàn)結(jié)果可以看出：Roberts利用局部差分算子尋找邊緣，邊緣定位精度較高，但是容易喪失一局部邊緣，同時(shí)由于圖像沒經(jīng)過(guò)平滑處理，因此不具備抑制噪聲的能力，所以對(duì)含噪聲少的圖像的處理效果較好；Sobel算子考慮了鄰域信息，相當(dāng)于對(duì)圖像先做加權(quán)平滑處理，然后再做微分運(yùn)算，雖然能夠?qū)υ肼曈幸种菩Ч?，但不能完全排除檢測(cè)結(jié)果中出現(xiàn)的虛假邊緣。對(duì)邊緣定位準(zhǔn)確，但檢測(cè)出的邊緣容易出現(xiàn)多像素寬度；LoG算子即高斯-拉普拉斯算子，抑制了拉普拉斯抗噪聲比擬差的缺點(diǎn)，但在抑制噪聲的同時(shí)也可能將原有的比擬鋒利的邊緣也平滑掉，造成這些鋒利的邊緣無(wú)法被檢測(cè)到，但是相對(duì)于Roberts算子和Sobel算子處理結(jié)果稍好;Canny算子：在圖像邊緣檢測(cè)中，抑制噪聲和邊緣準(zhǔn)確定位是無(wú)法同時(shí)瞞足的，Canny算子在力圖在抗干擾和準(zhǔn)確定位之間尋求最正確的折中方案。由圖像處理結(jié)果可以看出，效果較前三者邊緣更細(xì)膩、清楚。從邊緣定位的精度看：Roberts算子和LoG算子定位精度更高。從對(duì)不同方向邊緣的敏感性而言：Sobel算子檢測(cè)斜向階躍邊緣效果較好；Roberts算子檢測(cè)水平和垂直邊緣效果較好；LoG算子不具備邊緣方向檢測(cè)能力；Soberl算子可以提供最準(zhǔn)確的邊緣方向估計(jì)。從去噪能力看：Roberts算子和LoG算子雖然定位精度較高，但受噪聲影響大。從總體效果來(lái)衡量，Canny算子給出了一種邊緣定位準(zhǔn)確性和抗噪聲干擾性的較好折中。〔3〕采用不同閾值化方法〔固定閾值、迭代閾值、Otsu閾值等〕對(duì)圖像進(jìn)展分割，比擬它們的效果并討論其特點(diǎn)；圖片5圖片6實(shí)驗(yàn)步驟：固定閾值：I=imread('圖片5.png');figure(1);imshow(I);title('原圖像');figure(2);imhist(I);title('直方圖');i=1;j=1;fori=1:1:256forj=1:1:256if(I(i,j)<=129)I(i,j)=0;elseI(i,j)=255;endendendfigure(3);imshow(I);title('129閾值');圖片5直方圖取129閾值分割圖片6處理過(guò)程參考圖片5。實(shí)驗(yàn)結(jié)果如以下列圖：圖片6直方圖取83閾值分割迭代閾值：I=imread('圖片5.png');ZMAX=max(max(I));%取出最大灰度值ZMIN=min(min(I));%取出最小灰度值TK=(ZMAX+ZMIN)/2;bcal=1;ISIZE=size(I);%讀出圖像大小while(bcal)iForeground=0;%定義前景和背景數(shù)iBackground=0;ForegroundSum=0;%定義前景和背景灰度總和BackgroundSum=0;fori=1:ISIZE(1)forj=1:ISIZE(2)tmp=I(i,j);if(tmp>=TK)iForeground=iForeground+1;ForegroundSum=ForegroundSum+double(tmp);%前景灰度值elseiBackground=iBackground+1;BackgroundSum=BackgroundSum+double(tmp);endendendZO=ForegroundSum/iForeground;%計(jì)算前景和背景的平均值ZB=BackgroundSum/iBackground;TKTmp=uint8(ZO+ZB)/2;if(TKTmp==TK)bcal=0;elseTK=TKTmp;end%當(dāng)閾值不再變化的時(shí)候，說(shuō)明迭代完畢enddisp(strcat('迭代后的閥值：',num2str(double(TK))));%顯示最終閾值newI=im2bw(I,double(TK)/255);figure(1);imshow(I);title('原始圖像');figure(2);imshow(newI);title('迭代法分割')實(shí)驗(yàn)結(jié)果：迭代后的閥值：128圖片5迭代分割圖片6處理過(guò)程同上，實(shí)驗(yàn)結(jié)果如以下列圖：迭代后的閥值：104圖片6迭代分割Otsu閾值：I=imread('圖片5.png');level=graythresh(I);BW=im2bw(I,level);figure(1);imshow(I);title('原圖像');figure(2);imshow(BW);title('otsu');實(shí)驗(yàn)結(jié)果：Level=0.5137Otsu閾值分割圖片6處理過(guò)程同上，實(shí)驗(yàn)結(jié)果如下：Level=0.4039；Otsu閾值分割實(shí)驗(yàn)結(jié)果分析固定閾值：由圖片5和圖片6的處理結(jié)果看出，固定閾值適合具有明顯雙峰的圖像，但是當(dāng)兩個(gè)峰值相差很遠(yuǎn)時(shí)不適用，而且容易受到噪聲的干擾，進(jìn)而導(dǎo)致閾值的選取誤差。又因?yàn)橹狈綀D是各灰度的像素統(tǒng)計(jì)，其峰值和谷底并不一定代表目標(biāo)和背景，所以沒有圖像其他方面的知識(shí)，只靠直方圖進(jìn)展圖像分割是不一定準(zhǔn)確的。迭代閾值：根本思想是：開場(chǎng)選擇一個(gè)閾值作為初始值，然后按照某種方法不斷更新這個(gè)閾值，直到滿足給定的條件為止。由處理結(jié)果可以看出，迭代閾值法不需要再依靠直方圖或其他方法給出分割閾值，就能夠很好的分割圖像。對(duì)于圖片6效果不是很好。Otsu閾值：Otsu閾值又稱最大類間方差法，函數(shù)Graythresh可以自適應(yīng)地確定變換所用的最優(yōu)閾值。由圖像處理結(jié)果可以看出，對(duì)于簡(jiǎn)單圖像處理效果稍好，但是對(duì)于復(fù)雜圖像的處理效果不好，常常給物體的邊緣帶來(lái)誤差?！?〕對(duì)于2幅不同的紋理圖像，計(jì)算其灰度共生矩陣及相關(guān)的二次統(tǒng)計(jì)量〔能量、慣性、相關(guān)性、熵等〕，并比擬有何不同從這些統(tǒng)計(jì)量中可以看出紋理圖像有何特點(diǎn)圖片7圖片8實(shí)驗(yàn)步驟：實(shí)驗(yàn)程序%基于共生矩陣紋理特征提取，d=1,θ=0°,45°,90°,135°共四個(gè)矩陣%所用圖像灰度級(jí)均為256Gray=imread('圖片7.png');[M,N]=size(Gray);I=zeros(M,N);I=(Gray-rem(Gray,8))/8;figure(1);imshow(Gray,[]);title('256*256');figure(3);imhist(Gray);figure(2);imshow(I,[]);title('8*8');figure(4);imhist(I);%--------------------------------------------%計(jì)算四個(gè)共生矩陣P,取距離為1，角度分別為0,45,90,135%--------------------------------------------P=zeros(8,8,4);form=1:8forn=1:8fori=1:Mforj=1:Nifj<N&I(i,j)==m-1&I(i,j+1)==n-1P(m,n,1)=P(m,n,1)+1;P(n,m,1)=P(m,n,1);endifi>1&j<N&I(i,j)==m-1&I(i-1,j+1)==n-1P(m,n,2)=P(m,n,2)+1;P(n,m,2)=P(m,n,2);endifi<M&I(i,j)==m-1&I(i+1,j)==n-1P(m,n,3)=P(m,n,3)+1;P(n,m,3)=P(m,n,3);endifi<M&j<N&I(i,j)==m-1&I(i+1,j+1)==n-1P(m,n,4)=P(m,n,4)+1;P(n,m,4)=P(m,n,4);endendendifm==nP(m,n,:)=P(m,n,:)*2;endendend%%-------------------------------------------%對(duì)共生矩陣歸一化%%-------------------------------------------forn=1:4P(:,:,n)=P(:,:,n)/sum(sum(P(:,:,n)));end%----------------------------------------%4.對(duì)共生矩陣計(jì)算能量、熵、慣性矩、相關(guān)4個(gè)紋理參數(shù)%--------------------------------------------H=zeros(1,4);I=H;Ux=H;Uy=H;deltaX=H;deltaY=H;C=H;forn=1:4E(n)=sum(sum(P(:,:,n).^2));%%能量fori=1:8forj=1:8ifP(i,j,n)~=0H(n)=-P(i,j,n)*log(P(i,j,n))+H(n);%%熵endI(n)=(i-j)^2*P(i,j,n)+I(n);%%慣性矩Ux(n)=i*P(i,j,n)+Ux(n);%相關(guān)性中μxUy(n)=j*P(i,j,n)+Uy(n);%相關(guān)性中μyendendendforn=1:4fori=1:8forj=1:8deltaX(n)=(i-Ux(n))^2*P(i,j,n)+deltaX(n);%相關(guān)性中σxdeltaY(n)=(j-Uy(n))^2*P(i,j,n)+deltaY(n);%相關(guān)性中σyC(n)=i*j*P(i,j,n)+C(n);endendC(n)=(C(n)-Ux(n)*Uy(n))/deltaX(n)/deltaY(n);%相關(guān)性end%--------------------------------------------%求能量、熵、慣性矩、相關(guān)的均值和標(biāo)準(zhǔn)差作為最終8維紋理特征%--------------------------------------------b1=sqrt(cov(E));a1=mean(E);b2=sqrt(cov(H));a2=mean(H);b3=sqrt(cov(I));a3=mean(I);b4=sqrt(cov(C));a4=mean(C);sprintf('0,45,90,135方向上的能量依次為：%f,%f,%f,%f',E(1),E(2),E(3),E(4))%輸出數(shù)據(jù);sprintf('0,45,90,135方向上的熵依次為：%f,%f,%f,%f',H(1),H(2),H(3),H(4))%輸出數(shù)據(jù);sprintf('0,45,90,135方向上的慣性矩依次為：%f,%f,%f,%f',I(1),I(2),I(3),I(4))%輸出數(shù)據(jù);sprintf('0,45,90,135方向上的相關(guān)性依次為：%f,%f,%f,%f',C(1),C(2),C(3),C(4))%輸出數(shù)據(jù);實(shí)驗(yàn)結(jié)果如下所示：圖片7的結(jié)果：ans=0,45,90,135方向上的能量依次為：0.170495,0.143078,0.164191,0.141377ans=0,45,90,135方向上的熵依次為：2.223837,2.366822,2.239749,2.389057ans=0,45,90,135方向上的慣性矩依次為：0.671650,0.907801,0.640556,0.982820ans=0,45,90,135方向上的相關(guān)性依次為：0.672787,0.543289,0.677332,0.507081共生矩陣：P(:,:,1)=0000000000000000000000000000.00170.00360.00170.00030.00060000.00360.02210.02930.01020.00190000.00170.02930.07810.05370.01970000.00030.01020.05370.11520.09410000.00060.00190.01970.09410.3527P(:,:,2)=00000000000000000000000000000.00350.00390.00070.00070000.00350.01840.03260.01600.00640000.00390.03260.08010.05640.02620000.00070.01600.05640.09500.10180000.00070.00640.02620.10180.3099P(:,:,3)=0000000000000000000000000000.00190.00440.00190.00060.00030000.00440.02460.03250.00790.00220000.00190.03250.08400.05810.01480000.00060.00790.05810.11050.09600000.00030.00220.01480.09600.3411P(:,:,4)=00000000000000000000000000000.00290.00390.00210.00070000.00290.01500.03580.01720.00570000.00390.03580.07440.05760.03260000.00210.01720.05760.08590.09810000.00070.00570.03260.09810.3114圖片8的結(jié)果：ans=0,45,90,135方向上的能量依次為：0.375000,1.000000,0.375000,NaNans=0,45,90,135方向上的熵依次為：1.039721,0.000000,1.039721,NaNans=0,45,90,135方向上的慣性矩依次為：0.500000,0.000000,4.500000,NaNans=0,45,90,135方向上的相關(guān)性依次為：-1.777778,NaN,-0.197531,NaN共生矩陣：P(:,:,1)=00000000000000000000000000000000000000000000000000000000.25000000000.25000.5000P(:,:,2)=0000000000000000000000000000000000000000000000000000000000000001P(:,:,3)=00000000000000000