数字图像处理实验讲义16学时版Word格式.docx
《数字图像处理实验讲义16学时版Word格式.docx》由会员分享，可在线阅读，更多相关《数字图像处理实验讲义16学时版Word格式.docx（28页珍藏版）》请在冰点文库上搜索。
mat2gray（）-----------------convertimagetodouble,range[0,1]
im2double（）----------------convertimagetodouble
im2bw（）---------------------convertimagetological
5.实验过程
使用函数imread打开一幅灰度图像（fig0309abc.jpg），使用函数imwrite将图像另存为不同的文件名；
在此过程中观察图像矩阵的形式，并用图像矩阵的索引法，观察并记录5×
5的矩阵片断；
使用函数size察看图像大小，使用函数imfinfo察看图像信息；
记录图像信息；
分别使用函数imshow和函数imview显示图像；
记录两种方式的区别；
使用函数imread打开一幅彩色图像（start.jpg），观察图像矩阵的形式；
并分别观察和记录RGB三色5×
使用函数rgb2gray将彩色图像转换为灰度图像；
使用im2uint8和im2double转换图像的数据类型，记录5×
5矩阵片断在转换前后的变化。
实验2图像点运算
1．实验要求
图像灰度变换方法；
灰度的对数扩展法；
绘制灰度直方图；
直方图均衡法；
任意灰度变换实现；
2．实验类型验证型
3．实验时间2学时
4．实验方法
使用函数imadjust可以实现图像灰度变换，imadjust的语法为
imadjust（f,[low_inhigh_in],[low_outhigh_out],gamma）
gamma所表示的意义：
>
1----------凹曲线
<
1----------凸曲线
=1----------直线
灰度的对数扩展法g=c*log（1+double（f））
目的是使亮区域得到抑制，暗区域灰度得到均匀增强
使用语句
im2uint8（mat2gray（log（1+double（f））））
其中系数c通过mat2gray函数自动调整
灰度直方图反映图像的灰度分布情况，即亮度分布情况；
它说明不同灰度的像素个数或分布概率
使用函数imhist绘制灰度直方图，imhist的语法为
h=imhist（f）;
figure,imhist（f）;
figure,plot（h）;
figure,stem（h）;
figure,bar（h）;
由于拍摄和处理的原因，导致图像的灰度分布范围过小；
最大熵原理指出：
数据满足均匀分布时，信息量最大；
依据这个原理，通过灰度直方图均衡化将图像灰度分布扩展到整个灰度分布范围，可以使图形信息量最大，即使使得图像对比度增强。
使用函数histeq对图像进行直方图均衡，histeq的语法为
g=histeq（f,nlev）;
%nlev为输出的灰度级数，通常取256，默认64
figure,imhist（g）;
图1
任意灰度变换需要进行分段计算，如图1
α*f,0≤f＜a;
g=β*（f-a）+ga,a≤f＜b;
γ*（f-b）+gb,b≤f≤c;
5．实验过程
使用函数imread打开一幅灰度图像（fig0222b.jpg），使用函数imadjust实现图像灰度变换；
分别使用：
g1=imadjust（f,[20255],[0255],0.5）;
g2=imadjust（f,[20255],[0255],1）;
g3=imadjust（f,[20255],[0255],2）;
g4=imadjust（f,[0255],[25505],1）;
figure,imshow（g1）;
figure,imshow（g2）;
figure,imshow（g3）;
figure,imshow（g4）;
观察并记录四种变换差别。
（注意：
请将方括号内的整数需要手工折算成浮点数）
使用函数imread打开一幅灰度图像（fig0305.tif），使用如下语句进行对数扩展
figure,imshow（f2）;
g5=im2uint8（mat2gray（log（1+double（f2））））;
figure,imshow（g5）;
观察并记录均衡前后的差别。
使用函数imread打开一幅灰度图像（fig0222b.jpg），使用函数imhist绘制灰度直方图，直方图有四种表现形式
h=imhist（f3）;
figure,imhist（f3）;
观察四种直方图的差别。
使用函数imread打开一幅灰度图像（fig0308.tif），说明这幅图像直方图存在的问题。
使用函数histeq对图像进行直方图均衡，比较并记录均衡前后图像的变化
h1=histeq（f3,256）;
figure,imhist（h1）;
figure,imshow（f3）;
figure,imshow（h1）;
打开一幅灰度图像（fig0309abc.jpg），编写一个m文件完成图2的灰度变换功能，观察并记录图像变换前后的区别，将程序记录
图2
实验3图像间的运算
图像加法；
图像减法；
图像乘法；
图像除法；
图像与或非等逻辑运算；
图像加法是把图像叠加在一起的操作，使用函数imadd将两幅图像相加。
f1=imread（'
Fig0206a.tif'
）;
%读入图像
f2=imread（'
Fig0207.tif'
f3=imadd（f1,f2）;
figure,imshow（f3）;
图像减法是从一幅图像中减去另一幅图像，经常被用作检测两幅图像的差别，使用函数imsubtract将两幅图像相减。
下面的操作是根据一幅原始图像，生成其背景亮度图像，然后再从原图像中减去背景亮度图像，从而得到结果。
f4=imread（'
Fig0404.jpg'
bkgrd=imopen（f4,strel（'
disk'
15））;
f5=imsubtract（f4,bkgrd）;
figure,subplot（1,2,1）,imshow（f4）;
subplot（1,2,2）,imshow（f5）;
图像乘法将两幅图像对应点的像素进行相乘操作（MATLAB的点乘），使用函数immultiply对两幅图像进行乘法操作，并将相乘的结果作为输出图像对应点的像素值。
f6=imread（'
f7=imread（'
Fig0207.tif'
f8=immultiply（f6,f7）;
%两幅图像相乘
f9=immultiply（f6,1.2）;
%图像和一个系数相乘，等于将灰度乘以一个系数
figure,subplot（2,2,1）,imshow（f6）;
subplot（2,2,2）,imshow（f7）;
subplot（2,2,3）,imshow（f8）;
subplot（2,2,4）,imshow（f9）;
图像除法将两幅图像对应点的像素进行相除操作（MATLAB的点除），使用函数imdivide对两幅图像进行除法操作，并将相除的结果作为输出图像对应点的像素值。
f10=imread（'
Fig0206a.tif'
f11=imread（'
f12=double（f11）;
f13=f12*0.2+50;
f14=uint8（f13）;
f15=imdivide（f10,f14）;
figure,imshow（f15）;
图像间的逻辑运算主要有“与”、“或”、“非”等，把它们组合起来可以构成其他逻辑运算。
当我们对灰度级进行逻辑操作时，像素值作为一个二进制数来处理，逻辑操作按位进行。
“与”和“或”运算通常用作模板，即通过这些操作可以从一幅图像中提取子图像，更加突出子图像的内容。
下面的“与”和“或”运算通过逐点进行。
f=imread（'
fig0222b.jpg'
[m,n]=size（f）;
figure,subplot（2,3,1）,imshow（f）;
f1=zeros（m,n）;
f1（20:
150,70:
170）=255;
f1=uint8（f1）;
subplot（2,3,2）,imshow（f1）;
fori=1:
m
forj=1:
n
f2（i,j）=bitand（f（i,j）,f1（i,j））;
end
end
subplot（2,3,3）,imshow（f2）;
%显示“与”的结果
f3=ones（m,n）*255;
f3（20:
170）=0;
f3=uint8（f3）;
subplot（2,3,5）,imshow（f3）;
f4（i,j）=bitor（f（i,j）,f3（i,j））;
subplot（2,3,6）,imshow（f4）;
%显示“或”的结果
f5（i,j）=bitxor（f（i,j）,255）;
%和1取异或等于求反
subplot（2,3,4）,imshow（f5）;
%显示“非”的结果
使用函数imadd将两幅图像相加（'
）（'
），观察并记录结果。
使用函数imsubtract将两幅图像相减（'
使用函数immultiply对两幅图像进行乘法操作（'
），并将相乘的结果作为输出图像对应点的像素值，观察并记录结果。
使用函数imdivide对两幅图像进行除法操作（'
），并将相除的结果作为输出图像对应点的像素值，观察并记录结果。
使用点运算进行图像“与”、“或”、“非”操作（'
实验4图像空间运算
均值滤波方法；
中值滤波方法；
边缘检测；
基于边缘检测的图像增强法；
采用边缘检测和灰度变换结合图像增强法；
图像的空间滤波使用函数imfilter实现，imfilter的语法为
imfilter（f,w,{filtering_mode},{boundary_option},{size_option}）
f--------imagematrix
w-------imagemask
{}为可选项
均值滤波的掩模
，
等
中值滤波的函数medfilt2（）
边缘检测的算子
基于边缘检测的图像增强算子
采用边缘检测和灰度变换结合图像增强法
设
是图像经过一阶梯度运算的结果
1．
2．
3．
4．
使用函数imread打开一幅有噪声的灰度图像（fig0318.tif）；
均值滤波的各种掩模过滤噪声，观察并记录各种掩模处理结果的差异，注意掩模的系数
中值滤波观察并记录和中值滤波相比的结果差异
使用函数imread打开一幅灰度图像（fig0316.tif）；
使用各种边缘检测的算子检测边缘，观察并记录各种算子处理结果的差异。
使用各种边缘增强的算子处理图像，观察并记录各种算子处理结果的差异。
打开一幅灰度图像（fig0413.tif），编程实现四种采用边缘检测和灰度变换结合图像增强法
设门限T=210，LG=230，LB=50，（这是参考数值，请根据实际情况调整）
记录程序，并且比较四种处理结果的差异
实验5图像频域运算
掌握图像进行二维DFT的方法；
完成简单的图像频域滤波；
采用频域处理对图像增强法；
图像的图像进行二维DFT使用函数fft2（）实现，fft2（）的语法为
F=fft2（f）;
为了显示频谱的实部使用
S=abs（F）;
figure,imshow（S,[]）;
为了将频谱居中显示，使用函数fftshift（）搬移，fftshift（）的语法为
Fc=fftshift（F）;
figure,imshow（Fc,[]）;
为了使频谱的对比度增强，采用对数增强法
S2=log（1+abs（Fc））;
figure,imshow（S2,[]）
将图像进行IDFT之前，使用函数ifftshift（）将频谱反向搬移，然后使用函数ifft2（）进行IDFT
生成低通滤波使用函数lpfilter（），生成高通滤波使用函数hpfilter（），（参考函数部分）
H1=lpfilter（‘ideal’,M,N,D0）;
H2=hpfilter（‘ideal’,M,N,D0）;
对图像进行频域滤波使用函数dftfilt（），（参考函数部分）
G1=dftfilt（f,H1）;
G2=dftfilt（f,H2）;
figure,imshow（G1,[]）;
figure,imshow（G2,[]）;
对图像进行高频强调增强，是在保持图像特征的基础上，对高频部分进行一定提升
H3=0.5+2*H2;
G3=dftfilt（f,H3）;
figure,imshow（G3,[]）;
使用函数imread打开一幅图像（fig0403.tif），对图像进行DFT，频谱搬移，反搬移，和IDFT
使用函数imread打开一幅灰度图像（fig0413.tif），对图像进行低通滤波，高通滤波，和高频增强
设计一种频域图像增强方法对图像fig0419.tif进行增强，同时采用空间增强方法对结果进行比较
实验6图像退化和复原
完成图像运动模糊退化；
完成有约束的最小二乘方滤波；
完成图像维纳滤波；
完成图像逆滤波；
比较各种方法的优缺点；
创建一个运动模糊退化滤波器（退化滤波器PSF），使用函数fspecial创建退化滤波器PSF，然后调用imfilter对图像进行卷积运算，就可以得到一幅运动退化图像。
I=imread（'
figure,subplot（1,2,1）,imshow（I）;
LEN=31;
THETA=11;
PSF=fspecial（'
motion'
LEN,THETA）;
%生成退化函数
blurred=imfilter（I,PSF,'
circular'
'
conv'
subplot（1,2,2）,imshow（Blurred）;
然后使用imnoise函数对图像添加随机噪声。
fnblurred=imnoise（blurred,'
gaussian'
0,0.001）;
%产生随机噪声图像
figure,imshow（fnblurred）;
下面，使用函数deconvwnr对无噪声的运动模糊图像进行复原，这里假设退化函数PSF已知
wnr1=deconvwnr（blurred,PSF）;
figure,imshow（wnr1）;
然而，实际情况是退化函数PSF是未知的，只能通过一些先验参数进行复原，所以，这里采用不同的LEN和THETA参数，进行实验，体会一下退化函数PSF的重要性。
wnr2=deconvwnr（blurred,fspecial（'
2*LEN,THETA））;
figure,subplot（1,2,1）,imshow（wnr2）;
wnr3=deconvwnr（blurred,fspecial（'
LEN,2*THETA））;
subplot（1,2,2）,imshow（wnr3）;
接下来，使用函数deconvwnr对一幅有噪声的运动模糊图像进行维纳滤波复原。
wnr4=deconvwnr（fnblurred,PSF）;
figure,imshow（wnr4）;
从结果中可以看出，复原效果不是很好，这是由于维纳滤波器设计不合适所导致的。
为了使维纳滤波复原的效果变好，必须使用deconvwnr函数的可选参数NSR、NCORR和ICORR，通过改变参数获得不同的复原效果。
pnoise=imnoise（zeros（size（f））,’gaussian’,0,0.001）;
NSR=sum（pnoise（:
）.^2）/sum（im2double（fnblurred（:
））.^2）;
%使用信噪比作为约束条件
wnr5=deconvwnr（fnblurred,PSF,NSR）;
NP=abs（fftn（pnoise））.^2;
NCORR=fftshift（real（ifftn（NP）））;
%使用噪声自相关函数
IP=abs（fftn（im2double（fnblurred）））.^2;
ICORR=fftshift（real（ifftn（IP）））;
%使用图像自相关函数
wnr6=deconvwnr（fnblurred,PSF,NCORR,ICORR）;
figure,imshow（wnr6）;
盲目去卷积法可在对退化情况完全不知情的下（忽略噪声影响）进行逆滤波操作。
可以使用deconvblind函数进行盲目去卷积。
7,10）;
blurred01=imfilter（I,PSF,'
figure,imshow（blurred01）;
UNDERPSF=ones（size（PSF）-4）;
[J1P1]=deconvblind（blurred01,UNDERPSF）;
%使用较小的PSF进行逆滤波
figure,imshow（J1）;
OVERPSF=padarray（UNDERPSF,[44],'
replicate'
both'
[J2P2]=deconvblind（blurred01,OVERPSF）;
%使用较大的PSF进行逆滤波
figure,imshow（J2）;
INITPSF=padarray（UNDERPSF,[22],'
[J3P3]=deconvblind（blurred01,INITPSF）;
%使用真实的PSF进行逆滤波
figure,imshow（J3）;
从结果中可以发现，退化函数PSF对图像复原质量有着非常重要的影响，实际应用中可以通过分析，使用不同大小的PSF对图像进行复原，从中选择一个最合适的PSF使用。
使用函数fspecial创建退化滤波器PSF，然后调用imfilter对图像进行卷积运算，就可以得到一幅运动退化图像，观察并记录结果。
使用imnoise函数对图像添加随机噪声，观察并记录结果。
使用函数deconvwnr对无噪声的运动模糊图像进行复原，观察并记录结果。
同时采用不同的LEN和THETA参数，进行实验，体会一下退化函数PSF的重要性，观察并记录结果。
使用函数deconvwnr对一幅有噪声的运动模糊图像进行维纳滤波复原，观察并记录结果。
为了使维纳滤波复原的效果变好，必须使用deconvwnr函数的可选参数NSR、NCORR和ICORR，通过改变参数获得不同的复原效果，观察并记录结果。
使用deconvblind函数进行盲目去卷积，采用不同的退化函数，观察并记录结果。
实验7彩色图像处理
学习MATLAB中彩色图像的表示方法
掌握彩色图像空间的转换方法
掌握彩色图像平滑滤波和锐化的方法
3．实验
升级会员 