图像分割实验报告材料.docx
《图像分割实验报告材料.docx》由会员分享，可在线阅读，更多相关《图像分割实验报告材料.docx（20页珍藏版）》请在冰点文库上搜索。
图像分割实验报告材料
评分
实验报告
课程名称医学图像处理
实验名称图像分割
专业班级
姓名
学号
实验日期
实验地点
2015—2016学年度第2学期
一、实验目的
掌握常用的边缘提取算法，从图像中提取感兴趣的区域，实现图像分割。
在图像中，寻找灰度相同或相似的区域，区分图像中的背景区域和目标区域，利用Matlab实现图像的边缘检测，进行图像分割。
二、实验环境
1、硬件配置：
Intel（R）Core（TM）i5-4210UCPU1.7GHz1.7GHz
安装存（RAM）：
4.00GB系统类型：
64位操作系统
2、软件环境：
MATLABR2013b软件
三、实验容
（包括本实验要完成的实验问题及需要的相关知识简单概述）
图像边缘是图像中特性（如像素灰度、纹理等）分布的不连续处，图像周围特性有阶跃变化或屋脊状变化的那些像素的集合。
图像边缘存在于目标与背景、目标与目标、基元与基元的边界，标示出目标物体或基元的实际含量，是图像识别信息最集中的地方。
图像分割处理主要用于检测出图像中的轮廓边缘、细节以及灰度跳变部分，形成完整的物体边界，达到将物体从图像中分离出来或将表示同一物体表面的区域检测出来的目的。
常用的分割方法是边缘检测。
边缘检测是采用多种边缘算子实现突出图像边缘，抑制图像中非边缘信息，使图像轮廓更加清晰。
1．梯度算子法
对于图像f（x,y），它在点f（x,y）处的梯度是一个矢量，定义为
梯度的方向在函数f（x,y）最大变化率的方向上，梯度的幅值为
梯度的数值就是f（x,y）在其最大变化率方向上的单位距离所增加的量。
对于图像而言，微分运算可以用差分运算来近似。
简化成模板可以表示成如下形式：
Robert梯度算子
当梯度计算完后，可采用以下几种形式突出图像的轮廓。
梯度直接输出
使各点的灰度g（x,y）等于该点的梯度，即
这种方法简单、直接。
但增强的图像仅显示灰度变化比较陡的边缘轮廓，而灰度变换比较平缓的区域则呈暗色。
加阈值的梯度输出
加阈值的梯度输出表达式为
式中，T是一个非负的阈值，适当选取T，既可以使明显的边缘得到突出，又不会破坏原来灰度变化比较平缓的背景。
给边缘指定一个特定的灰度级
式中LG是根据需要指定的一个灰度级，它将明显的边缘用一个固定的灰度级表现，而其他的非边缘区域的灰度级仍保持不变。
给背景指定一个特定的灰度级
该方法将背景用一个固定灰度级LG表现，便于研究边缘灰度的变化。
二值图像输出
在某些场合（如字符识别等），既不关心非边缘像素的灰度级差别，又不关心边缘像素的灰度级差别，只关心每个像素是边缘像素还是非边缘像素，这时可采用二值化图像输出方式，其表达式为
此法将背景和边缘用二值图像表示，便于研究边缘所在位置。
2．Sobel算子法
Sobel相对于先对图像进行加权平均再做差分。
对于图像的3×3窗口
，设
则定义Sobel算子为
简化成模板可以表示成如下形式：
Sobel模板
3．拉普拉斯运算法
拉普拉斯算子定义图像f（x,y）的梯度为
锐化后的图像g为
式中k为扩散效应系数。
对系数k的选择要合理，太大会使图像中的轮廓边缘产生过冲；太小则锐化不明显。
常用laplacian算子模板为
，
，
另外还有一些模板也常用于图像增强，如
Prewitt模板
四、实验结果与分析
（包括实验原理、数据的准备、运行过程分析、源程序（代码）、图形图象界面等）
注：
本项可以增加页数
%例1手动阈值分割
[I,map]=imread（'cameraman.tif'）;%读入图像
imshow（I）;figure;%显示图像
J=imhist（I）;imhist（I）;%生成直方图并显示
[M,N]=size（I）;%返回图像的行数和列数
fori=1:
1:
M%将i以步长1从1增加到M
forj=1:
1:
N%将j以步长1从1增加到N
ifI（i,j）>80%如果图像阈值大于80
g（i,j）=0;%则大于80的就变成黑的
elseg（i,j）=1;%小于80就变成白的
end
end
end
figure;imshow（g）;%保持原图，显示图像g
图1原图图2直方图图3阈值分割后的二值图像
分析：
手动阈值分割的阈值是取直方图中双峰的谷底的灰度值作为阈值，若有多个双峰谷底，
则取第一个作为阈值。
本题的阈值取80。
%例2迭代阈值分割
f=imread（'cameraman.tif'）;%读入图像
subplot（1,2,1）;imshow（f）;%创建一个一行二列的窗口，在第一个窗口显示图像
title（'原始图像'）;%标注标题
f=double（f）;%转换位双精度
T=（min（f（:
））+max（f（:
）））/2;%设定初始阈值
done=false;%定义开关变量，用于控制循环次数
i=0;%迭代，初始值i=0
while~done%while~done是循环条件，~是“非”的意思，此
处done=0;说明是无限循环，循环体里面应该还
有循环退出条件，否则就循环到死了;
r1=find（f<=T）;%按前次结果对t进行二次分
r2=find（f>T）;%按前次结果重新对t进行二次分
Tnew=（mean（f（r1））+mean（f（r2）））/2;%新阈值两个围像素平均值和的一半
done=abs（Tnew-T）<1;%设定两次阈值的比较，当满足小于1时，停止循环，
1是自己指定的参数
T=Tnew;%把Tnw的值赋给T
i=i+1;%执行循坏，每次都加1
end
f（r1）=0;%把小于初始阈值的变成黑的
f（r2）=1;%把大于初始阈值的变成白的
subplot（1,2,2）;%创建一个一行二列的窗口，在第二个窗口显示图像
imshow（f）;%显示图像
title（'迭代阈值二值化图像'）;%标注标题
图4原始图像图5迭代阈值二值化图像
分析：
本题是迭代阈值二值化分割，步骤是：
1.选定初始阈值，即原图大小取平均；2.用初阈
值进行二值分割；3.目标灰度值平均背景都取平均；4.迭代生成阈值，直到两次阈值的灰
度变化不超过1，则稳定；5.输出迭代结果。
%例3Laplacian算子和模板匹配法
I=imread（'cameraman.tif'）;%读入图像
subplot（1,3,1）;imshow（I）;%创建一个一行三列的窗口，在第一个窗口显示图像
title（'原图像'）;%标注标题
H=fspecial（'laplacian'）;%生成laplacian滤波器
laplacianH=filter2（H,I）;%以laplacian为模板对图像I进行锐化滤波
subplot（1,3,2）;%创建一个一行三列的窗口，在第二个窗口显示图像
imshow（laplacianH）;%显示图像
title（'laplacian算子锐化图像'）;%标注标题
H=fspecial（'prewitt'）;%生成Prewitt滤波器
prewittH=filter2（H,I）;%以prewitt为模板对图像I进行锐化滤波
subplot（1,3,3）;%创建一个一行三列的窗口，在第三个窗口显示图像
imshow（prewittH）;%显示图像
title（'prewitt模板锐化图像'）;%标注标题
图6原图像图7laplacian算子锐化图像图8prewitt模板锐化图像
分析：
从结果图可以看出，laplacian算子对边缘的处理更明显，它是二阶微分算子，能加强
边缘效果，对噪声很敏感，Prewitt算子是平均滤波的一阶的微分算子，不仅能检测边缘
点，而且能抑制噪声的影响。
%例4不同边缘检测方法比较
f=imread（'cameraman.tif'）;%读取图像
subplot（2,2,1）;imshow（f）;%创建一个二行二列的窗口，在第一个窗口显示图像
title（'原始图像'）;%标注标题
[g,t]=edge（f,'roberts',[],'both'）;%用roberts检测器对图像进行边缘检测，阈值自动选
取，检测边缘方向（双向）为both
subplot（2,2,2）;imshow（g）;%创建一个二行二列的窗口，在第二个窗口显示图像
title（'Roberts算子分割结果'）;%标注标题
[g,t]=edge（f,'sobel',[],'both'）;%用sobel检测器对图像进行边缘检测，阈值自动选取，检测边缘方向（双向）为both
subplot（2,2,3）;imshow（g）;%创建一个二行二列的窗口，在第三个窗口显示图像
title（'Sobel算子分割结果'）;%标注标题
[g,t]=edge（f,'prewitt',[],'both'）;%用prewitt检测器对图像进行边缘检测，阈值自动
选取，检测边缘方向（双向）为both
subplot（2,2,4）;imshow（g）;%创建一个二行二列的窗口，在第四个窗口显示图像
title（'prewitt算子分割结果'）;%标注标题
图9原始图像图10Roberts算子分割结果图像
图11Sobel算子分割结果图像图12prewitt算子分割结果图像
分析：
从结果图可以看出，Prewitt和Sobel算子分割效果比Roberts效果要好一些，提取
边缘较完整，其边缘连续性较好。
但是这三种算子的边缘的连续性都不太好，这时我们
需要采用霍夫变换使间断变成连续，连接边缘。
思考题
1．分析Sobel算子特点，并给予说明。
f=imread（'skull.tif'）;%读取图像
f=double（f）;%转化图像f的类型为双精度
subplot（3,3,1）;%创建有3*3子图像的窗口，原图在位置1
imshow（f,[]）;%显示原图像f
title（'原始图像'）;%给图像加标题为'原始图像'
J=imnoise（f,'gaussian',0.02）;%对图像加高斯噪声
subplot（3,3,2）;%创建有3*3子图像的窗口，原图在位置2
imshow（J,[]）;%显示加噪声的图像
title（'加高斯噪声图像'）;%给图像加标题为'加高斯噪声图像'
[g1,t]=edge（f,'sobel',[],'both'）;%用sobel检测器对原图像进行边缘检测，阈值自动选
取，检测边缘方向（双向）为both
[g2,t]=edge（J,'sobel',[],'both'）;%用sobel检测器对加噪图像进行边缘检测，阈值自动
选取，检测边缘方向（双向）为both
[g3,t]=edge（f,'sobel',[],'vertical'）;%用sobel检测器对原图像进行边缘检测，阈值自动
选取，检测边缘方向为垂直方向
[g4,t]=edge（J,'sobel',[],'vertical'）;%用sobel检测器对加噪图像进行边缘检测，阈值自
动选取，检测边缘方向为垂直方向
[g5,t]=edge（f,'sobel',[],'horizontal'）;%用sobel检测器对原图像进行边缘检测，阈值自
动选取，检测边缘方向为水平方向
[g6,t]=edge（J,'sobel',[],'horizontal'）;%用sobel检测器对加噪图像进行边缘检测，阈值
自动选取，检测边缘方向为水平方向
subplot（3,3,3）;%创建有3*3子图像的窗口，图在位置3
imshow（g1）;%显示经sobel算子处理后的图像
title（'sobel算子双向分割结果'）;%给图像加标题为‘sobel算子双向分割结果’
subplot（3,3,4）;imshow（g2）;title（'加噪后sobel双向分割结果'）;%在3*3子图像的位置4
显示加噪后sobel双向分割结果图像
subplot（3,3,5）;imshow（g3）;title（'sobel水平方向分割结果'）;%在3*3子图像的位置5显示
sobel水平方向分割结果结果图像
subplot（3,3,6）;imshow（g4）;title（'加噪后sobel水平方向分割结果'）;%在3*3子图像的位
置6显示加噪后sobel水平方向分割结果图像
subplot（3,3,7）;imshow（g5）;title（'sobel垂直方向分割结果'）;%在3*3子图像的位置7显示
sobel垂直方向分割结果图像
subplot（3,3,8）;imshow（g6）;title（'加噪后sobel垂直方向分割结果'）;%在3*3子图像的位
置8显示加噪后sobel垂直方向分割结果图像
图13原始图像图14加高斯噪声图像图15sobel算子双向分割结果图像
图16加噪后sobel双向分割图图17sobel水平方向分割图图18加噪后sobel水平分割图
图19sobel垂直方向分割结果图像图20加噪后sobel垂直方向分割结果图像
分析：
Sobel相对于先对图像进行加权平均再做差分。
在边缘检测中，常用的一种模板是Sobel
算子。
Sobel算子有三个，一个是检测双向边缘的，一个是检测水平边缘的;另一个是检
测垂直边缘的。
由于Sobel算子是一节微分滤波算子的，用于提取边缘，有方向性，从结
果可以看出双向both的分割效果最好。
缺点：
Sobel算子并没有将图像的主体与背景严格
地区分开来，换言之就是Sobel算子没有基于图像灰度进行处理，由于Sobel算子没有严
格地模拟人的视觉生理特征，所以提取的图像轮廓有时并不能令人满意。
2．分析laplacian算子特点，并解释它为何能增强图像的边缘？
I=imread（'skull.tif'）;%读取原图
subplot（2,3,1）,imshow（I,[]）;title（'原图像'）%在2*3子图像的位置1显示原图像
H1=fspecial（'laplacian',0）;%生成Laplacian算子滤波器，滤波器的标
准差为0，说明H1模板的中间系数是-4
H2=fspecial（'laplacian'）;%生成Laplacian算子滤波器，滤波器的标
准差为默认值0.2，说明H2模板的中间系数是-3.333
H3=fspecial（'laplacian',1）;%生成Laplacian算子滤波器，滤波器的标
准差为1，说明H3模板的中间系数是-2
J=imnoise（I,'salt&pepper',0.02）;%添加椒盐噪声
subplot（2,3,2）,imshow（J,[]）;title（'添加椒盐噪声图像'）%在2*3子图像的位置3显示添
加椒盐噪声图像
I1=imfilter（I,H1）;%用H1模板进行均值滤波
subplot（2,3,3）,imshow（I1,[]）;title（'HI模板laplacian算子滤波结果'）%在2*3子图像的
位置3显示'HI模板laplacian算子滤波结果图像
I2=imfilter（I,H2）;%用H2模板进行均值滤波
subplot（2,3,4）,imshow（I2,[]）;title（'H2模板laplacian算子滤波结果'）%在2*3子图像的
位置4显示H2模板laplacian算子滤波结果图像
I3=imfilter（I,H3）;%用H3模板进行均值滤波
subplot（2,3,5）,imshow（I3,[]）;title（'H3模板laplacian算子滤波结果'）%在2*3子图像的
位置5显示H3模板laplacian算子滤波结果图像
图21原图像图22添加椒盐噪声图像图23HI模板laplacian算子滤波图
图24H2模板laplacian算子滤波结果图像图25H3模板laplacian算子滤波结果图像
分析：
laplacian算子对边缘的处理明显，它是二阶微分算子，能加强边缘效果，对噪声很敏
感。
它没有方向性，但是可以改变模板的中间系数，会有不同的效果。
3．比较各个边缘算子对图像边缘的检测效果。
I=imread（'skull.tif'）;%读取图像
subplot（3,3,1）,imshow（I）,title（'原图像'）,imshow（I）;title（'原图像'）%在3*3子图像的
位置1显示原图像
BW1=edge（I,'sobel',0.1）;%用sobel算子进行边缘检测，判断阈值为0.1
subplot（3,3,2）,imshow（BW1）;title（'sobel算子处理后图像'）%在3*3子图像的位置2显示
sobel算子处理后图像
BW2=edge（I,'roberts',0.1）;%用roberts算子进行边缘检测，判断阈值为0.1
subplot（3,3,3）,imshow（BW2）;title（'roberts算子处理后图像'）%在3*3子图像的位置3显示
roberts算子处理后图像
BW3=edge（I,'prewitt',0.1）;%用prewitt算子进行边缘检测，判断阈值为0.1
subplot（3,3,4）,imshow（BW3）;title（'prewitt算子处理后图像'）%在3*3子图像的位置4显示
prewitt算子处理后图像
BW4=edge（I,'log',0.01）;%用log算子进行边缘检测，判断阈值为0.01
subplot（3,3,5）,imshow（BW4）;title（'log算子处理后图像'）%在3*3子图像的位置5显示log
算子处理后图像
BW5=edge（I,'canny',0.1）;%用canny算子进行边缘检测，判断阈值为0.1
subplot（3,3,6）,imshow（BW5）;title（'canny算子处理后图像'）%在3*3子图像的位置6显示canny算子处理后图像
H=fspecial（'laplacian'）;%生成Laplacian算子滤波器（突出图像中的小细节）（它具有各向
同性）（Laplacian算子对噪声比较敏感，所以图像一般先经过平滑
处理，因为平滑处理也是用模板进行的，所以，通常的分割算法都
是把Laplacian算子和平滑算子结合起来生成一个新的模板。
）
laplacianH=filter2（H,I）;%图像I经Laplacian算子锐化滤波处理
subplot（3,3,7）;imshow（laplacianH）;title（'Laplacian算子锐化图像'）;%在3*3子图像的位
置7显示Laplacian算子锐化图像
图26原图像图27sobel算子处理后图像图28roberts算子处理后图像
图29prewitt处理后图图30log处理后图图31canny处理后图像图32Laplacian锐化图
分析：
laplacian算子对边缘的处理最明显，Sobel和prewitt较差一些。
Roberts算子定位
比较精确，Prewitt算子是平均滤波的一阶的微分算子，Canny是一阶传统微分中检测阶
跃型边缘效果最好的算子之一。
Prewitt和Sobel算子比Roberts效果要好一些。
Log
滤波器和Canny算子的检测效果优于梯度算子，能够检测出图像较细的边缘部分。
比较
几种边缘检测结果，可以看到Canny算子提取边缘较完整，其边缘连续性较好，效果优
于其它算子。
其次是Prewitt算子，其边缘比较完整。
再次就是Sobel算子。
4．比较各个边缘检测算子对噪声的敏感性，并提出抗噪声性能较好的边缘检测的方法。
I=imread（'skull.tif'）;%读取图像
subplot（3,3,1）,imshow（I）,title（'原图像'）,imshow（I）;title（'原图像'）%在3*3子图像的
位置1显示原图像
J=imnoise（I,'salt&pepper',0.02）;%给图像加噪声密度为0.02的椒盐噪声
subplot（3,3,2）,imshow（J,[]）;title（'添加椒盐噪声图像'）%在3*3子图像的位置2显示添加
椒盐噪声图像
BW1=edge（J,'sobel',0.1）;%用sobel算子进行边缘检测，判断阈值为0.1
subplot（3,3,3）,imshow（BW1,[]）;title（'sobel算子处理后图像'）%在3*3子图像的位置3显示
sobel算子处理后图像
BW2=edge（J,'roberts',0.1）;%用roberts算子进行边缘检测，判断阈值为0.1
subplot（3,3,4）,imshow（BW2,[]）;title（'roberts算子处理后图像'）%在3*3子图像的位置4
显示roberts算子处理后图像
BW3=edge（J,'prewitt',0.1）;%用prewitt算子进行边缘检测，判断阈值为0.1
subplot（3,3,5）,imshow（BW3,[]）;title（'prewitt算子处理后图像'）%在3*3子图像的位置5
显示prewitt算子处理后图像
BW4=edge（J,'log',0.01）;%用log算子进行边缘检测，判断阈值为0.01
subplot（3,3,6）,imshow（BW4,[]）;title（'log算子处理后图像'）%在3*3子图像的位置6显示
log算子处理后图像
BW5=edge（J,'canny',0.1）;%用canny算子进行边缘检测，判断阈值为0.1
subplot（3,3,7）,imshow（BW5,[]）;title（'canny算子处理后图像'）%在3*3子图像的位置7显示
canny算子处理后图像
H=fspecial（'laplacian'）;%生成Laplacian算子滤波器（突出图像中的小细节）（它具有各向
同性）（Laplacian算子对噪声比较敏感，所以图像一般先经过平
滑处理，因为平滑处理也是用模板进行的，所以通常的分割算法
都是把Laplacian算子和平滑算子结合起来生成一个新的模板。
）
laplacianH=filter2（H,J）;%图像I经Laplacian算子锐化滤波处理
subplot（3,3,8）;imshow（laplacianH）;title（'Laplacian算子锐化图像'）;%在3*3子图像的位
置8显示Laplacian算子锐化图像
图33原图像图34添加椒盐噪声图像图35sobel算子处理后图像
图36
升级会员 