实验一图像的直方图均衡数字图像的空间域滤波.docx
《实验一图像的直方图均衡数字图像的空间域滤波.docx》由会员分享，可在线阅读，更多相关《实验一图像的直方图均衡数字图像的空间域滤波.docx（17页珍藏版）》请在冰点文库上搜索。
实验一图像的直方图均衡数字图像的空间域滤波
实验一、图像的直方图均衡
一、实验目的
1、理解直方图均衡的原理与作用；
2、掌握统计图像直方图的方法；
3掌握图像直方图均衡的方法。
二、实验原理
在实际应用中，希望能够有目的地增强某个灰度区间的图像，即能够人为地修正直方图的形状，使之与期望的形状相匹配，这就是直方图规定化的基本思想。
换句话说，希望可以人为地改变直方图形状，使之成为某个特定的形状，直方图规定化就是针对上述要求提出来的一种增强技术，它可以按照预先设定的某个形状来调整图像的直方图。
直方图规定化是在运用均衡化原理的基础上，通过建立原始图像和期望图像之间的关系，选择地控制直方图，使原始图像的直方图变成规定的形状，从而弥补了直方图均衡不具备交互作用的特性。
三、实验步骤
1、利用matlab图像处理工具箱提供的函数进行均衡处理；
程序如下：
clc
IM=imread（'imag.jpg'）;
figure,
imshow（IM）;
imwrite（rgb2gray（IM）,'Gray.bmp'）;%将彩色图片灰度化并保存
figure,
subplot（2,1,1）,
imshow（'gray.bmp'）
IM=rgb2gray（IM）;%转换为灰度图
subplot（2,1,2）,
imhist（IM）;%画出直方图
figure,
IM2=histeq（IM）;%利用函数图像均值
subplot（2,1,1）,
imshow（IM2）;%显示均值后图片
subplot（2,1,2）,
imhist（IM2）;%显示处理后的直方图
处理结果：
原始图片：
用系统函数均衡后结果：
均值后：
2、自己设计程序实现图像的直方图均衡；
自己设计的均值代码：
%读入图片：
clc
IM=imread（'imag.jpg'）;
figure,
imshow（IM）
imwrite（rgb2gray（IM）,'Gray.bmp'）;%将彩色图片灰度化并保存
figure,
subplot（2,1,1）,
imshow（'gray.bmp'）
IM=rgb2gray（IM）;%灰度化后的数据存入数组
%直方图均衡化
S1=zeros（1,256）;
fori=1:
256
forj=1:
i
S1（i）=GP（j）+S1（i）;%计算Sk
end
end
S2=round（（S1*256）+0.5）;%将Sk归到相近级的灰度
fori=1:
256
GPeq（i）=sum（GP（find（S2==i）））;%计算现有每个灰度级出现的概率
end
figure,
subplot（2,1,1）,bar（0:
255,GPeq,'b'）%显示均衡化后的直方图
title（'均衡化后的直方图'）
xlabel（'灰度值'）
ylabel（'出现概率'）
%四，图像均衡化
PA=IM;
fori=0:
255
PA（find（IM==i））=S2（i+1）;%将各个像素归一化后的灰度值赋给这个像素
end
subplot（2,1,2）,imshow（PA）%显示均衡化后的图像
title（'均衡化后图像'）
imwrite（PA,'PA.bmp'）;
3、画出均衡后的图像直方图；
处理后
4、比较上述两种处理方法的不同。
实验二、数字图像的空间域滤波
一、实验目的
1、理解图像空间域滤波的原理；
2、掌握图像均值滤波、中值滤波的原理与实现方法；
3掌握上述方法的改进方法。
二、实验原理
均值滤波的主要步骤为：
（1）将模板在途中漫游，并将模板中心与途中某个象素位置重合；
（2）将模板上系数与模板下对应象素相乘；
（3）将所有乘积相加；
（4）将和（模板的输出响应）赋给途中对应模板中心位置的象素。
中值滤波的主要步骤为：
（1）将模板在途中漫游，并将模板中心与途中某个象素位置重合；
（2）读取模板下各对应象素的灰度值；
（3）将这些灰度值从小到大排成1列；
（4）找出这些值里排在中间的1个；
（5）将这个中间值赋给对应模板中心位置的象素。
三、实验内容
基本要求：
1、自己编程实现图像的均值滤波；
2、自己编程实现图像的中值滤波；
3、利用matlab图像处理工具箱中的函数实现图像的上述处理；
clear;
c=imread（'imag.jpg'）;
c=imnoise（c,'salt&pepper',0.02）;
subplot（2,2,1）
imshow（c）;
%c=double（c）;
title（'originimage'）;%显示原图像
x=ones（3）/9;
d=imfilter（c,x）;
subplot（2,2,2）
imshow（d）;
title（'avagefilter'）;%调用系统函数实现均值滤波
d=medfilt2（c,[3,3]）;
subplot（2,2,3）
imshow（d）;
title（'midfilter'）;%调用系统函数实现中值滤波
%------------------编程实现均值和中值滤波-------------------%
x=double（ones（3）/9）;
form=2:
255
forn=2:
255
x1=double（c（m-1:
m+1,n-1:
n+1））;%在原图像中取出3*3的矩阵
y=x.*x1;%模板上系数与模板下对应象素相乘
y=[y（1,:
）y（2,:
）y（3,:
）];%将所有乘积相加
y=uint8（sum（y））;
d（m,n）=y;%取和值赋给所在元素
end
end
subplot（2,2,4）
imshow（d）;
title（'avagefilterbyown'）;
form=2:
255
forn=2:
255
x=c（m-1:
m+1,n-1:
n+1）;%在原图像中取出3*3的矩阵
y=[x（1,:
）x（2,:
）x（3,:
）];%将其转换为1*9的矩阵
y=sort（x）;%按由小到大顺序排列
d（m,n）=y（5）;%取中间值赋给所在元素值
end
end
subplot（2,2,4）
imshow（d）;
title（'avagefilterbyown'）;
实验结果:
扩展要求：
4、实现一种图像加权中值滤波或加权均值滤波；
实验三、图像的变换域压缩编码
一、实验内容
设计一种基于变换域的压缩编码方法（如DCT，DHT等），并在变换域设计一种系数量化方案压缩图像。
二、技术指标
基本要求：
1、比较不同变换方式的压缩比；
2、比较不同量化编码方式的压缩比
扩展要求：
3、比较不同变换的图像恢复信噪比；
4、比较不同量化编码方式的图像恢复信噪比。
四、实验步骤
1．图像压缩编码的理论算法。
程序如下
clear;
c=imread（'lena.bmp'）;
subplot（2,2,1）
imshow（c）;
c=double（c）;
title（'originimage'）;
T=@dct2;%dct_____________
B=blkproc（c,[88],T）;
subplot（2,2,2）;%showthedctimage
imshow（B）;
mask=[11111000
11110000
11100000
11000000
10000000
00000000
00000000
00000000];
B2=blkproc（B,[88],'P1.*x',mask）;
T=@idct2;
d=blkproc（B2,[88],T）;
d=mat2gray（d）;
subplot（2,2,4）;
imshow（d）;
实验结果
2.2自编函数实现
clear;
I=imread（'lena.jpg'）;
I=double（rgb2gray（I））;
figure
（1）;
imshow（uint8（I））;
title（'原图像'）;
Y=zeros（8,8）;
fori=1:
8
forj=1:
8
ifi==1
Y（i,j）=sqrt（1/8）;
else
Y（i,j）=sqrt（2/8）*cos（（pi*（2*（j-1）+1）*（i-1））/16）;
end
end
end
s=blkproc（I,[88],'P1*x*P2',Y,Y'）;
figure
（2）;
imshow（uint8（s））;
forj=1:
8
fori=1:
8
ifj<=8-i+1
a（i,j）=1;
else
a（i,j）=0;
end;
end;
end;
s=blkproc（s,[88],'P1.*x',a）;
figure（3）;
imshow（uint8（s））;
s=blkproc（s,[88],'P1*x*P2',Y',Y）;
figure（4）;
imshow（uint8（s））;
title（'经过压缩处理的图像'）
四、实验结果
对比压缩前后的图像易知，仿真中取了l0个DCT系数，占l5%比较原图和重构图像，可以发现：
在抛弃85%的DCT系数后，重构图像时并不会因此而带来其画面质量的显著下降，即重构图像的失真不大。
当量化表的有效个数为10时压缩的图像稍显模糊，这是因为该压缩算法为有损压缩，压缩后的图像丢失了原始图像部分数据信息。
但由于DCT变换有使图像能量集中在左上方的特性，因此压缩图像保留了原始图像大部分的图像特征，其视觉效果与原始图像相差不大。
升级会员 