数字图像处理作业Word下载.docx
《数字图像处理作业Word下载.docx》由会员分享，可在线阅读，更多相关《数字图像处理作业Word下载.docx（21页珍藏版）》请在冰点文库上搜索。
显示图像：
2．
代码：
I2=zeros（256,256）;
I2（i,j）=（-1）^（i+j）.*100;
f2（i,j）'
I3=fft2（I2）;
imshow（I3）;
比较f1（m,n）和f2（m,n）的幅度谱:
可见f2（m,n）是将频谱中心化，使fi（m,n）的频谱从原点移到中心，从而得到一个完整的频谱。
3．
I3=zeros（256,256）;
I3=imrotate（I2,90,'
bilinear'
I4=fft2（I3）;
imshow（I4）;
fft（f3）'
I5=fft2（I2）;
imshow（I5）;
显示结果：
比较fft（f2）和fft（f3）:
可见f2（m,n）旋转90度，其傅里叶变换fft（f3）也相应发生旋转。
4.
代码:
I4=zeros（256,256）;
I5=zeros（256,256）;
191
143
I3=imrotate（I1,90,'
I4=imadd（I1,I3）;
I5=fft2（I4）;
图四'
imshow（I5）
fft（f5）'
fft（f5）和fft（f1）,fft（f4）的关系：
由显示图可见，fft（f5）的频谱是fft（f1）和fft（f4）的叠加。
图像的傅里叶变换满足线性。
5．
I4=imadd（I2,I3）;
图五'
fft（f6）'
比较fft（f5）与fft（f6）的频谱图:
可见fft（f6）是fft（f5）的中心化。
二．
I1=zeros（64,64）;
fori=1:
32
forj=1:
I1（i,j）=1;
fori=32:
64
I1（i,j）=0;
forj=32:
I2=[I1,I1,I1,I1;
I1,I1,I1,I1;
I1,I1,I1,I1];
原二值图像'
I3=Medfilt2（I2）;
figure,imshow（I3）;
中值滤波后的图想'
I4=filter2（fspecial（'
average'
3）,I2）;
figure,imshow（I4）;
均值滤波后的图像'
显示图像：
比较处理前后的图像：
原图分别经过中值滤波和均值滤波，均值滤波过后的图黑白格边缘显得模糊；
而中值滤波后的图边缘很清晰，可见中值滤波可以保护图像边界。
三．
I1=zeros（256,28）;
I2=zeros（256,24）;
I3=zeros（256,11）;
256
28
form=1:
23
forn=1:
24
I2（m,n）=0;
form=234:
form=24:
233
7
I2（m,n）=255;
forn=8:
25
forg=1:
fork=1:
11
I3（g,k）=0;
I=[I1,I2,I2,I2,I2,I2,I2,I2,I2,I2,I3];
imshow（I）;
原灰度图像'
J1=imnoise（I,'
gaussian'
0,0.005）;
%加入高斯噪声
figure
（2）
subplot（1,2,1）,imshow（J1）;
加高斯噪声后的图像'
J2=imnoise（I,'
salt&
pepper'
0.02）;
%加入盐噪声
subplot（1,2,2）,imshow（J2）,title（'
加椒盐噪声后的图像'
3）,J1）;
figure（3）
subplot（2,2,1）,imshow（I4）,title（'
含高斯噪声图均值滤波后的图像'
I5=medfilt2（J1,[3,3]）;
subplot（2,2,2）,imshow（I5）,title（'
含高斯噪声图中值滤波后的图像'
I6=filter2（fspecial（'
3）,J2）;
subplot（2,2,3）,imshow（I6）,title（'
含椒盐噪声图均值滤波后的图像'
I7=medfilt2（J2,[3,3]）;
subplot（2,2,4）,imshow（I7）,title（'
含椒盐噪声图中值滤波后的图像'
比较四种滤波结果：
可见中值滤波器和均值滤波器的作用都是抹平信号，消除噪声。
而中值滤波器比较趋向于保留细节。
均值滤波能有效的去除高斯噪声，而中值滤波能较好的去除椒盐噪声。
四．
I=imread（'
source.bmp'
J1=edge（I,'
roberts'
figure
（1）,imshow（J1）;
roberts边缘检测'
J2=edge（I,'
prewitt'
figure
（2）,imshow（J2）;
prewitt边缘检测'
J3=edge（I,'
sobel'
figure（3）,imshow（J3）;
sobel边缘检测'
figure,subplot（1,3,1）,imshow（I）,title（'
原图'
subplot（1,3,2）,imshow（J3）,title（'
prewitt边缘检测图'
H2=fspecial（'
I2=filter2（H2,I）;
subplot（1,3,3）,imshow（I2）,title（'
prewitt锐化图'
J5=edge（I,'
figure
（2）,subplot（1,3,1）,imshow（I）,title（'
subplot（1,3,2）,imshow（J5）,title（'
sobel边缘检测图'
H3=fspecial（'
I3=filter2（H3,I）;
subplot（1,3,3）,imshow（I3）,title（'
sobel锐化图'
figure（3）,subplot（1,3,1）,imshow（I）,title（'
subplot（1,3,2）,imshow（J1）,title（'
Roberts边缘检测图'
H1=fspecial（'
I1=filter2（H1,I）;
subplot（1,3,3）,imshow（I1）;
roberts锐化图'
原图，边缘检测图和锐化图三者的关系：
Prewitt和Sobel边缘检测后的图像的边缘间断点较多，边缘更清晰一些；
roberts边缘检测边缘间断点较少，对噪声很敏感，可见，Prewitt和Sobel边缘检测的边缘检测效果更好一些。
图像锐化则是将边缘部分增强了。
Prewitt和Sobel的锐化图似乎没有太大区别。
五．
迭代法是基于逼近的思想，其步骤如下：
1．
求出图象的最大灰度值和最小灰度值，分别记为ZMAX和ZMIN，令初始阈值T0=（ZMAX+ZMIN）/2；
2．
根据阈值TK将图象分割为前景和背景，分别求出两者的平均灰度值ZO和ZB；
3．
求出新阈值TK+1=（ZO+ZB）/2；
4．
若TK=TK+1，则所得即为阈值；
否则转2，迭代计算。
编程：
//阈值初始为0
intThresholdVal:
=0;
intThresholdVal2:
//总灰度值
intTotalGrayLevel:
forintLoop:
=0to255do
ifintGrayLevel[intLoop]<
>
0then
=intTotalGrayLevel+intLoop*intGrayLevel[intLoop];
//求出初始最大灰度值
ifintGrayLevel[intLoop]>
begin
intLGrayLevel:
=intLoop;
break;
end;
//求出初始最小灰度值和初始阈值
=255downto0do
intRGrayLevel:
=（intThresholdVal+intLoop）div2;
//迭代求解
whileintThresholdVal<
intThresholdVal2do
=intThresholdVal;
intCount:
=0tointThresholdValdo
=intCount+intGrayLevel[intLoop];
=intLGrayLevel+intLoop*intGrayLevel[intLoop];
=intTotalGrayLevel-intLGrayLevel;
=intLGrayLeveldivintCount;
=intRGrayLeveldiv（intSize-intCount）;
=（intLGrayLevel+intRGrayLevel）div2;
迭代所得的阈值分割的图象效果良好。
基于迭代的阈值能区分出图像的前景和背景的主要区域所在，但在图像的细微处还没有很好的区分度
升级会员 