数字图像处理实验报告Word文档格式.doc
《数字图像处理实验报告Word文档格式.doc》由会员分享，可在线阅读，更多相关《数字图像处理实验报告Word文档格式.doc（20页珍藏版）》请在冰点文库上搜索。
实验任务和要求 19
4.3：
实验步骤和结果 19
4.4：
结果分析 21
实验一：
数字图像的基本处理操作
实验目的
1、熟悉并掌握MATLAB、PHOTOSHOP等工具的使用；
2、实现图像的读取、显示、代数运算和简单变换。
3、熟悉及掌握图像的傅里叶变换原理及性质，实现图像的傅里叶变换。
实验任务和要求
1.读入一幅RGB图像，变换为灰度图像和二值图像，并在同一个窗口内分成三个子窗口来分别显示RGB图像和灰度图像，注上文字标题。
2.对两幅不同图像执行加、减、乘、除操作，在同一个窗口内分成五个子窗口来分别显示，注上文字标题。
3.对一幅图像进行平移，显示原始图像与处理后图像，分别对其进行傅里叶变换，显示变换后结果，分析原图的傅里叶谱与平移后傅里叶频谱的对应关系。
4.对一幅图像进行旋转，显示原始图像与处理后图像，分别对其进行傅里叶变换，显示变换后结果，分析原图的傅里叶谱与旋转后傅里叶频谱的对应关系。
实验步骤和结果
1.对实验任务1的实现代码如下：
a=imread（'
d:
\tp.jpg'
）;
i=rgb2gray（a）;
I=im2bw（a,0.5）;
subplot（1,3,1）;
imshow（a）;
title（'
原图像'
subplot（1,3,2）;
imshow（i）;
灰度图像'
subplot（1,3,3）;
imshow（I）;
二值图像'
结果如图1.1所示：
图1.1原图及其灰度图像，二值图像
2.对实验任务2的实现代码如下：
A=imresize（a,[800800]）;
b=imread（'
\tp2.jpg'
B=imresize（b,[800800]）;
Z1=imadd（A,B）;
Z2=imsubtract（A,B）;
Z3=immultiply（A,B）;
Z4=imdivide（A,B）;
subplot（3,2,1）;
imshow（A）;
原图像A'
subplot（3,2,2）;
imshow（B）;
原图像B'
subplot（3,2,3）;
imshow（Z1）;
加法图像'
subplot（3,2,4）;
imshow（Z2）;
减法图像'
subplot（3,2,5）;
imshow（Z3）;
乘法图像'
subplot（3,2,6）;
除法图像'
结果如图1.2所示：
3.对实验任务3的实现代码如下：
s=imread（'
\tp3.jpg'
i=rgb2gray（s）;
i=double（i）;
j=fft2（i）;
k=fftshift（j）;
%直流分量移到频谱中心
I=log（abs（k））;
%对数变换
m=fftshift（j）;
RR=real（m）;
%取傅里叶变换的实部
II=imag（m）;
%取傅里叶变换的虚部
A=sqrt（RR.^2+II.^2）;
A=（A-min（min（A）））/（max（max（A）））*255;
b=circshift（s,[800450]）;
b=rgb2gray（b）;
b=double（b）;
c=fft2（b）;
e=fftshift（c）;
I=log（abs（e））;
f=fftshift（c）;
WW=real（f）;
ZZ=imag（f）;
B=sqrt（WW.^2+ZZ.^2）;
B=（B-min（min（B）））/（max（max（B）））*255;
subplot（2,2,1）;
imshow（s）;
subplot（2,2,2）;
imshow（uint8（b））;
平移图像'
subplot（2,2,3）;
离散傅里叶变换频谱'
subplot（2,2,4）;
平移图像离散傅里叶变换频谱'
结果如图1.3所示：
4.对实验任务4的实现代码如下：
b=imrotate（s,-90）;
离散傅里叶频谱'
平移图像离散傅里叶频谱'
结果如图1.4所示：
结果分析
对MATLAB软件的操作开始时不太熟悉，许多语法和函数都不会使用，写出程序后，调试运行，最开始无法显示图像，检查原因，是有些标点符号没有在英文状态下输入和一些其他的细节，学会了imread（），imshow（），rgb2gray（）等函数。
图像的灰度变换和直方图变换
1、熟悉及掌握图像的采样原理，实现图像的采样过程，进行图像的灰度转换。
2、理解直方图的概念及应用，实现图像直方图的显示，及通过直方图均衡对图像进行修正。
1、对一幅图像进行2倍、4倍、8倍和16倍减采样，显示结果。
2、显示一幅灰度图像a，改变图像亮度使其整体变暗得到图像b，显示两幅图像的直方图。
3、对一幅图像进行灰度变化，实现图像变亮、变暗和负片效果，在同一个窗口内分成四个子窗口来分别显示，注上文字标题。
4、对一副图像进行直方图均衡化，显示结果图像和对应直方图。
5、对一副图像进行如图所示的分段线形变换处理，试比较与直方图均衡化处理的异同。
1.对实验任务1的实现代码如下：
a=imread（'
b=rgb2gray（a）;
form=1:
4
figure
[width,height]=size（b）;
quartimage=zeros（floor（width/（m））,floor（height/（2*m）））;
k=1;
n=1;
fori=1:
（m）:
width
forj=1:
（2*m）:
height
quartimage（k,n）=b（i,j）;
n=n+1;
end
k=k+1;
imshow（unit8（quartimage））;
结果如图所示：
a=imread（'
c=rgb2gray（a）;
b=c-46;
subplot（3,2,1）;
imshow（c）;
）
subplot（3,2,2）;
imhist（c）;
原图像的直方图'
subplot（3,2,3）;
imshow（b）;
变暗后的图像'
subplot（3,2,4）;
imhist（b）;
变暗后的图像直方图'
d=imadjust（c,[0,1],[1,0]）;
subplot（3,2,5）;
imshow（d）;
反转图像'
结果如图2.2所示：
m=imadjust（a,[,],[0.5;
1]）;
%图像变亮
n=imadjust（a,[,],[0;
0.5]）;
%图像变暗
g=255-a;
%负片效果
imshow（m）;
图像变亮'
imshow（n）;
图像变暗'
imshow（g）;
负片效果'
c=rgb2gray（b）;
j=histeq（c）;
subplot（2,2,1）,imshow（c）;
subplot（2,2,2）,imshow（j）;
subplot（2,2,3）,imhist（c）;
subplot（2,2,4）,imhist（j）;
结果如图2.4所示：
5.对实验任务5的实现代码如下：
x1=0:
0.01:
0.125;
x2=0.125:
0.75;
x3=0.75:
1;
y1=2*x1;
y2=0.25+0.6*（x2-0.125）;
y3=0.625+1.5*（x3-0.75）;
x=[x1,x2,x3];
y=[y1,y2,y3];
plot（x,y）;
这次实验主要是对图像的灰度变换和直方图均衡化，实验内容包括灰度拉伸、图像反转、图像的二值化以及直方图均衡。
通过实验将课本上理论知识加以实践，实验过程中明白了图像处理的一些技巧。
但是以上几种方法采用的基本都是线性变换法，在实际应用中存在很多缺陷。
它只能处理一些黑白分明的图像，而对于一些颜色丰富或者处理比较复杂图像时，往往于心不足。
图像的平滑处理
1、熟悉并掌握常见的图像噪声种类；
2、理解并掌握常用的图像的平滑技术，如邻域平均法和中值滤波的原理、特点、适用对象。
1、读出lena.jpg这幅图像，给这幅图像分别加入椒盐噪声、高斯噪声和乘性噪声后并与前一张图显示在同一图像窗口中。
2、对受高斯噪声（模拟均值为0方差为0.02的高斯噪声）干扰的lena图像分别利用邻域平均法和中值滤波进行滤波去噪（窗口可变，可先取3*3，依次再取5*5，7*7），并显示滤波结果。
3、对受椒盐噪声（噪声方差为0.02）干扰的lena图像，选择合适的滤波器将噪声滤除。
4、对受乘性噪声（噪声方差为0.02）干扰的lena图像，选择合适的滤波器将噪声滤除。
1.对实验任务1的实现代码如下：
>
I=imread（'
i=rgb2gray（I）;
J=imnoise（i,'
gaussian'
0,0.02）;
%高斯噪声
K=imnoise（i,'
salt&
pepper'
0.02）;
%椒盐噪声
P=imnoise（i,'
speckle'
%乘性噪声
subplot（2,2,1）;
xlabel（'
原图'
subplot（2,2,2）;
imshow（J）;
xlabel（'
高斯噪声'
subplot（2,2,3）;
imshow（K）;
椒盐噪声'
subplot（2,2,4）;
imshow（P）;
乘性噪声'
结果如图3.1所示：
2.对实验任务2的实现代码如下：
K=im2double（J）;
h=fspecial（'
average'
G1=filter2（h,K,'
same'
G2=medfilt2（K）;
imshow
（1）;
添加高斯噪声'
imshow（G1）;
均值滤波'
imshow（G2）;
中指滤波'
结果如图3.2所示：
D:
添加椒盐噪声'
中值滤波'
结果如图3.3所示：
i=imread（'
I=rgb2gray（i）;
J=imnoise（I,'
添加乘性噪声'
结果如图3.4所示：
（1）采用均值滤波器对图像处理能达到去噪的效果，并且一般滤波器的模板越大去噪效果越好，但是应该适中，当模板选择的过大时，处理的效果就会下降，因此我们应该根据具体的要求选择合适的模板来处理图像。
（2）采用高斯滤波器对图像处理能达到去噪的效果，与均值滤波器相同，随着所用的滤波器尺寸的增大，图像的细节锐化程度相应降低图像变得模糊起来。
但相较于均值滤波器，其模糊程度较小。
但是高斯滤波同时受到标准差sigma的影响。
（3）中值滤波对去除“椒盐”噪声可以起到很好的效果,因为椒盐噪声只在画面中的部分点上随机出现,所以根据中值滤波原理可知,通过数据排序的方法,将图像中未被噪声污染的点代替噪声点的值的概率比较大,因此噪声的抑制效果很好。
中值滤波与均值滤波相比，在去除图像椒盐噪声的同时，还能够保持图像比较清晰的轮廓。
从实验结果可以看出，通过3*3的均值滤波器，图像中的噪声点有明显的消除。
但是3*3的非线性模板中值滤波器上对噪声的滤除效果更完美。
图像的锐化处理
1、熟悉并掌握MATLAB图像处理工具箱的使用；
2、理解并掌握常用的图像的锐化技术。
1、采用三种不同算子对图像进行锐化处理。
2、锐化空间滤波
1）采用3×
3的拉普拉斯算子w=[1,1,1;
1–81;
1,1,1]滤波
2）编写函数w=genlaplacian（n），自动产生任一奇数尺寸n的拉普拉斯算子，如5×
5的拉普拉斯算子：
w=[11111
11111
11-2411
11111
11111]
3）分别采用5×
5，9×
9，15×
15和25×
25大小的拉普拉斯算子对blurry_moon.tif进行锐化滤波，并利用式完成图像的锐化增强，观察其有何不同，要求在同一窗口中显示。
>
H=fspecial（'
sobel'
I1=filter2（H,I）;
prewitt'
I2=filter2（H,I）;
log'
I3=filter2（H,I）;
imshow（I1）;
sobel算子锐化图像'
imshow（I2）;
prewitt算子锐化图像'
imshow（I3）;
log算子锐化图像'
1）
T=double（I）;
subplot（1,2,1）,imshow（T,[]）;
w=[1,1,1;
1,-8,1;
1,1,1];
K=conv2（T,w,'
subplot（1,2,2）,imshow（K,[]）;
title（'
LalacianTransformation'
2）
functionw=genlaplacian（n）
w=ones（n）;
x=ceil（n/2）;
w（x,x）=-1*（n*n-1）;
3）w1=genlaplcaian（5）;
I=imread（‘d:
\tp.jpg’）;
T=double（I）;
K=conv2（T,w1’same’）;
J=T-K;
通过对数字图像进行锐化处理，可以增强图像的边缘，使模糊的图像变得清晰起来，而以上几种方法都能很好的将图像的边缘变得清晰，但是要在不影响图像整体效果的情况下还是比较困难。
综上所述，根据不同的情况可以需要选用不同的方法。
在边缘检测中，常用的一种模板是Sobel算子。
Sobel算子有两个，一个是检测水平边缘的；
另一个是检测垂直边缘的。
与Prewitt算子相比，Sobel算子对于象素的位置的影响做了加权，可以降低边缘模糊程度，因此效果更好。
20
升级会员 