數(shù)字圖像處理實驗報告

實驗報告書系部名稱：學生姓名：專業(yè)名稱：班級：實驗時間：實驗一直方圖均衡一、實驗目的在學習圖像直方圖的概念、計算方法、性質(zhì)和相關(guān)應用基礎(chǔ)上，生成、繪制圖像的直方圖，并應用MATLAB編程實現(xiàn)圖像直方圖均衡化程序。二、實驗內(nèi)容（1）計算并繪制圖像直方圖；（2）編程實現(xiàn)圖像的直方圖均衡化處理，顯示均衡前后的直方圖和圖像；三、實驗運行結(jié)果實驗二頻域圖像增強一、實驗目的1、頻域圖像增強2、掌握基于頻域的圖像增強方法。二、實驗內(nèi)容（1）編程實現(xiàn)圖像的理想低通和高通濾波；（2）編程實現(xiàn)圖像的巴特沃斯低通和高通濾波。三、實驗運行結(jié)果四、實驗中遇到的問題及解決方法顯示圖像無法打開，最終查出來時圖像格式弄錯了。五、思考題分析為什么圖像通過低通濾波器后變得模糊？為什么通過高通濾波器后得到銳化結(jié)果？答：圖像的精細結(jié)構(gòu)及突變部分主要由高頻成分起作用，故經(jīng)低通濾波后圖像的精細結(jié)構(gòu)消失，變得模糊；經(jīng)高通濾波后圖像得到銳化。六、實驗心得體會本實驗中遇到很多問題及錯誤，例如圖像打不開、處理后圖像模糊等，都是經(jīng)常容易發(fā)生的錯誤，最后實驗幾次，就能夠逐一自己解決了。使自己對數(shù)字圖像處理課程中的許多問題有了更實際和確切的深入了解。七、程序清單clc;clear;data4=imread('lena.gif');subplot(3,2,1);imshow(data4);title('原圖');i=fft2(data4);subplot(3,2,2);i=fftshift(i);z=log(abs(i));x=0:1:255;y=0:1:255;[x,y]=meshgrid(x,y);mesh(z);%以三維坐標顯示該圖像頻譜圖title('原圖頻譜');[n,m]=size(i);%對該圖進行低通濾波fork=1:1:nforl=1:1:mif(k^2+l^2)>=190^2%選取D=190result(k,l)=0;elseresult(k,l)=i(k,l);endendendsubplot(3,2,4);z=log(abs(result));%三維方式顯示低通濾波后的頻譜圖x=0:1:255;y=0:1:255;[x,y]=meshgrid(x,y);mesh(z);title('理想低通濾波后的頻譜');subplot(3,2,3);%新建圖像顯示窗口result=fftshift(result);%濾波后的數(shù)據(jù)去中心化b=ifft2(result);%逆傅里葉變換imshow(uint8(abs(b)));title('理想低通濾波后的圖像');subplot(3,2,6);%新建圖像顯示窗口%[n,m]=size(c);%對原圖進行高通濾波fork=1:1:nforl=1:1:mif(k^2+l^2)<=190^2%選取D=190result(k,l)=0;elseresult(k,l)=i(k,l);endendendz=log(abs(result));x=0:1:255;%三維方式顯示高通濾波前的頻譜圖y=0:1:255;[x,y]=meshgrid(x,y);mesh(z);title('理想高通濾波后的頻譜');subplot(3,2,5);result=fftshift(result);%濾波后的數(shù)據(jù)去中心化d=ifft2(result);%逆傅里葉變換imshow(uint8(abs(d)));title('理想高通濾波后的圖像');%頻域增強（巴特沃斯原型）%二階巴特沃斯（Butterworth）低通濾波器%clc;%clear;Figure;J1=imread('lena.gif');subplot(3,2,1);imshow(J1);title('原圖');f=double(J1);g=fft2(f);%傅立葉變換g=fftshift(g);%轉(zhuǎn)換數(shù)據(jù)矩陣subplot(3,2,2);x=0:1:255;y=0:1:255;[x,y]=meshgrid(x,y);z=log(abs(g));%取幅度mesh(z);%以三維坐標顯示該圖像頻譜圖title('原圖頻譜');[M,N]=size(g);nn=2;%二階巴特沃斯(Butterworth)低通濾波器d0=20;m=fix(M/2);n=fix(N/2);fori=1:Mforj=1:Nd=sqrt((i-m)^2+(j-n)^2);h=1/(1+0.414*(d/d0)^(2*nn));%計算低通濾波器傳遞函數(shù)result(i,j)=h*g(i,j);endendsubplot(3,2,4);x=0:1:255;y=0:1:255;[x,y]=meshgrid(x,y);z=log(abs(result));%取幅度mesh(z);%以三維坐標顯示該圖像頻譜圖title('低通濾波后的頻譜');result=ifftshift(result);J2=ifft2(result);J3=uint8(abs(J2));subplot(3,2,3);imshow(J3);title('低通濾波后的圖像');%利用二階巴特沃斯（Butterworth）高通濾波器nn=2;%二階巴特沃斯(Butterworth)高通濾波器d0=5;m=fix(M/2);n=fix(N/2);fori=1:Mforj=1:Nd=sqrt((i-m)^2+(j-n)^2);if(d==0)h=0;elseh=1/(1+0.414*(d0/d)^(2*nn));%計算傳遞函數(shù)endresult(i,j)=h*g(i,j);endendsubplot(3,2,6);x=0:1:255;y=0:1:255;[x,y]=meshgrid(x,y);z=log(abs(result));%取幅度mesh(z);%以三維坐標顯示該圖像頻譜圖title('高通濾波后的頻譜');result=ifftshift(result);J2=ifft2(result);J3=uint8(abs(J2));subplot(3,2,5);imshow(J3);title('高通濾波后的圖像');實驗三圖像邊緣檢測與連接一、實驗目的圖像邊緣檢測與連接二、實驗內(nèi)容（1）編程實現(xiàn)一階差分邊緣檢測算法，包括Robert梯度算子、Prewitt算子、Sobel算子等； （2）編程實現(xiàn)二階差分拉普拉斯邊緣檢測算法以及LoG檢測法和Canny檢測法； （3）分析與比較各種邊緣檢測算法的性能； （4）編程實現(xiàn)Hough變換提取直線（5）分析Hough變換檢測性能；三、實驗運行結(jié)果四、實驗中遇到的問題及解決方法拷貝文件后沒改文件名，直接執(zhí)行時出現(xiàn)錯誤，最后重新修改后重新編譯，使之成功。五、思考題（1）邊緣的方向是什么意思？為什么要考慮邊緣的方向？答：邊緣常常意味著一個區(qū)域的終結(jié)和另一個區(qū)域的開始，圖像的邊緣也包含了物體的形狀的重要信息，他不僅在分析圖像時大幅度的減少了要處理的信息量，而且還保護了目標的邊界結(jié)構(gòu)。所以考慮邊緣的方向很重要。（2）Hough變換原理是什么？答：Hough變換的基本原理在于利用點與線的對偶性，將原始圖像空間的給定的曲線通過曲線表達形式變?yōu)閰?shù)空間的一個點。這樣就把原始圖像中給定曲線的檢測問題轉(zhuǎn)化為準找參數(shù)空間的峰值問題。也即把檢測整體特性轉(zhuǎn)化為檢測局部特性。比如直線、橢圓、圓、弧線等。六、實驗心得體會對于一些圖像處理的函數(shù)不是很了解，只能夠按課本的參照函數(shù)拷貝做實驗，對于其中的一些函數(shù)問題理解不是很透徹，有些甚至完全不懂。還得繼續(xù)努力。七、程序清單1、邊緣檢測由edge函數(shù)實現(xiàn)各算子對圖像的邊緣檢測clearall;I=imread('d:\office.bmp');I=rgb2gray(I);BW1=edge(I,'sobel');%利用Sobel算子進行邊緣檢測BW2=edge(I,'roberts');%利用roberts算子進行邊緣檢測BW3=edge(I,'prewitt');%利用prewitt算子進行邊緣檢測BW4=edge(I,'log');%利用log算子進行邊緣檢測BW5=edge(I,'canny');%利用canny算子進行邊緣檢測subplot(2,3,1),imshow(I)subplot(2,3,2),imshow(BW1)subplot(2,3,3),imshow(BW2)subplot(2,3,4),imshow(BW3)subplot(2,3,5),imshow(BW4)subplot(2,3,6),imshow(BW5)2、邊緣連接使用Hough變換作線檢測和連接clearall;RGB=imread('d:\M_M.bmp');I=RGB;%I=rgb2gray(RGB);BW=edge(I,'canny');%利用Canny算子提取圖像邊緣[H,T,R]=hough(BW,'RhoResolution',0.5,'ThetaResolution',0.5);figure(1),imshow(T,R,H,[],'notruesize'),axison,axisnormalxlabel('\T'),ylabel('\R')p=houghpeaks(H,5,'threshold',ceil(0.3*max(H(:))));%找到5個較明顯的Hough變換峰值holdonplot(T(p(:,2)),R(p(:,1)),'s','color','w