一、编写程序完成不同滤波器的图像频域降噪和边缘增强的算法并进行比较，得出结论。
频域降噪。对图像而言，噪声一般分布在高频区域，而图像真是信息主要集中在低频区，所以，图像降噪一般是利用低通滤波的方法来降噪。边缘增强。图像的边缘信息属于细节信息，主要由图像的高频部分决定，所以，边缘增强一般采取高通滤波，分离出高频部分后，再和原频谱进行融合操作，达到边缘增强，改善视觉效果，或者为进一步处理奠定基础的目的。
1频域降噪，主程序如下：
I=imread('lena.bmp'); %读入原图像文件
J=imnoise(I,'gaussian',0,0.02);%加入高斯白噪声
A=ilpf(J,0.4);%理想低通滤波
figure,subplot(222);imshow(J);title('加噪声后的图像');
subplot(222);imshow(A);title('理想低通滤波');
B=blpf(J,0.4,4);%巴特沃斯低通滤波
subplot(223);imshow(B);title('巴特沃斯低通滤波');
C=glpf(J,0.4);%高斯低通滤波
subplot(224);imshow(C);title('高斯低通滤波');
用到的滤波器函数的程序代码如下：
function O=ilpf(J,p) %理想低通滤波，p是截止频率
[f1,f2]=freqspace(size(J),'meshgrid');
hd=ones(size(J));
r=sqrt(f1.^2+f2.^2);
hd(r>p)=0;
y=fft2(double(J));
y=fftshift(y);
ya=y.*hd;
ya=ifftshift(ya);
ia=ifft2(ya);
O=uint8(real(ia));
function O=blpf(J,d,n) %巴特沃斯低通滤波器，d是截止频率，n是阶数[f1,f2]=freqspace(size(J),'meshgrid');
hd=ones(size(J));
r=f1.^2+f2.^2;
for i=1:size(J,1)
for j=1:size(J,2)
t=r(i,j)/(d*d);
hd(i,j)=1/(t^n+1);
end
end
y=fft2(double(J));
y=fftshift(y);
ya=y.*hd;
ya=ifftshift(ya);
ia=ifft2(ya);
O=uint8(real(ia));
function O=glpf(J,D) %高斯滤波器，D是截止频率
[f1,f2]=freqspace(size(J),'meshgrid');
r=f1.^2+f2.^2;
Hd=ones(size(J));
for i=1:size(J,1)
for j=1:size(J,2)
t=r(i,j)/(D*D);
Hd(i,j)=exp(-t);
end
end
Y=fft2(double(J));
Y=fftshift(Y);
Ya=Y.*Hd;
Ya=ifftshift(Ya);
ia=ifft2(Ya);
O=uint8(real(ia));
运行结果如图1所示。
从结果可以看出，三种滤波器都可以对图像进行降噪，经滤波器滤波后，图像更噪声部分得到抑制，但是细节部分变得模糊。这是因为，细节信息分布在高频部分，降噪会对图像起到平滑作用，细节部分减弱。
2 边缘增强，程序如下：
J=imread('moon.tif');
figure
subplot(121),imshow(J);title('原始图像');
[f1,f2]=freqspace(size(J),'meshgrid');
r=f1.^2+f2.^2;
D=0.3;
Hd=ones(size(J));
for i=1:size(J,1)
for j=1:size(J,2)
t=r(i,j)/(D*D);
Hd(i,j)=1-exp(-t); %高斯高通滤波
end
end
Y=fft2(double(J));
Y=fftshift(Y);
Ya=Y.*Hd; %高斯高通滤波
%Ya=ifftshift(Ya);
ia=Y+1.4*Ya; %原始图像频谱加上1.4倍的高频频谱
Ya=ifftshift(ia);
ia=ifft2(Ya);
O=uint8(real(ia));
subplot(122),imshow(O);title('边缘增强后的图像');
运行结果如下图示：
边缘增强采用高斯高通滤波器将高频频谱过滤出来然后乘以 1.4倍以后与原图像频谱详加，然后对所得频谱进行反变换得到增强后的图像。也可以采用其他滤波器，比如巴特沃斯滤波器或者理想高通滤波器等。从结果可以看出高频加强后图像细节增强，边缘部分更容易分辨。
二、编写程序完成不同锐化方法的图像锐化的算法并进行比较，得出结论。
图像锐化可以分为空域和频域锐化两大类，在此着重讨论空域。频域锐化可以参考上题中边缘增强部分。
1.拉普拉斯变换锐化。
f=imread('lena.bmp');
w=fspecial('laplacian',0);%生成模版
f2=im2double(f);
g2=imfilter(f2,w,'replicate');
g=f2-g2;
g1=1.3*f2-g2;%高频提升
figure,subplot(131);imshow(f);title('原始图片');
subplot(132);imshow(g);title('标准拉普拉斯锐化');
subplot(133);imshow(g1);title('高频提升锐化');
运行结果如下图所示:
2.梯度算子锐化。程序如下：
f=imread('coins.png');
h1=fspecial('prewitt');
h2=fspecial('sobel');
h3=fspecial('log');
f2=im2double(f);
g1=imfilter(f2,h1,'replicate');
g2=imfilter(f2,h2,'replicate');
g3=imfilter(f2,h3,'replicate');
figure,subplot(221);imshow(f);title('原始图片');
subplot(222);imshow(g1);title('prewitt算子梯度锐化');
subplot(223);imshow(g2);title('sobel算子梯度锐化');
subplot(224);imshow(g2);title('log算子梯度锐化');
运行结果如下如所示：
从运行结果可以看出，拉普拉斯变换锐化效果明显，高频提升后边缘信息更加清晰，但是也同时可以看出，拉普拉斯锐化会产生很多噪声。相比较一下，梯度算子没有引入噪声，边缘信息明显，很适合计算机自动检测和识别。
三、编写程序完成同态滤波的算法，得出结论。
同态滤波是把频率过滤和灰度变换结合起来的一种图像处理方法，它依靠图像的照度/ 反射率模型作为频域处理的基础，利用压缩亮度范围和增强对比度来改善图像的质量。
同态滤波的maitlab实现如下：
clear;
img0 = imread('tun.jpg');
%img0=rgb2gray(I);%彩色图像转化为灰度图像
[M,N]=size(img0);
img=double(img0);
img = log(1+img); %取对数
img = fft2(img); %傅立叶变换
img = fftshift(img); %将频域原点移到图像中心
for i=1:M
for j=1:N
D(i,j)=sqrt(((i-floor(M/2))^2+(j-floor(N/2))^2));%求距离
end
end
c=4; %锐化参数，可调
Do=150 ; %一般是方差 (滤波器的高通截止频率)
H=(2.0-0.5)*(1-exp(-c*(D.^2/(Do^2))))+0.5; %滤波器函数
whos;
himg=img.*H;
himg=ifftshift(himg);
gimg=ifft2(himg); %逆傅立叶变换
gimg=exp(gimg); %取指数
G=real(gimg);
img=G;
img_min=min(img(:));img_max=max(img(:));
img=(img-img_min)/(img_max-img_min);
img=imadjust(img,[0 1],[0 1],0.3);
w1=fspecial('gaussian',[5,5],2.3);
img_new=imfilter(img,w1); %高斯滤波
J=histeq(img_new);%直方图均衡化处理
im2=histeq(img);
figure,subplot(121),imshow(img0);title('原始图像');%显示原始图像subplot(122); imshow(J);title('同态滤波后的图像'); %滤波处理过的图像
运行结果如下图示：
程序中为了得到更好的视觉效果，同态滤波后，有进行了空域高斯滤波和直方图均衡化处理。通过运行结果我们可以看出，经同态滤波后，图像中原本很暗的岩壁更加清晰，图像的亮度范围减小，对比对增强，细节信息增强，视觉效果更好。
四、编写程序完成不同分割方法的图像分割的算法并进行比较，得出结论。
图像分割是图像处理的重要领域，是计算机进一步处理的基础。笔者完成了两个比较有代表性的图像分割算法，一个是基于灰度的阈值分割，一个是基于边缘信息的分割，分水岭算法进行的图像分割。
1. Otsu法阈值分割图像
clear all
I=imread('coins.png');
subplot(1,2,1),imshow(I);
title('原始图像')
level=graythresh(I); %确定灰度阈值
BW=im2bw(I,level);
subplot(1,2,2),imshow(BW);
title('Otsu法阈值分割图像')；
运行结果如下图示：
从运行结果可以看出，Otsu法阈值分割图像对于前景目标和背景灰度差别较大、目标灰度范围较小，的情况下可以实现较为理想的分割。在一定的领域具有重要应用。但对背景和目标灰度分布不明显的情况下分割效果不理想。
2. 分水岭算法图像分割。
I=imread('rice.png');
f=double(I);
hv=fspecial('prewitt');
hh=hv.';
gv=abs(imfilter(f,hv,'replicate'));
gh=abs(imfilter(f,hh,'replicate'));
g=sqrt(gv.^2+gh.^2);%计算梯度
df=bwdist(f);%计算到最近不为0的点的距离
L1=watershed(df); %分水岭算法
em=L1==0;
im=imextendedmax(f,20);%计算大于某阈值的极大值
g2=imimposemin(g,im|em);%使用形态重构修改强度图像g，使得它在im|em非零的地方只有区域极小值。
L2=watershed(g2);
wr2=L2==0;
f(wr2)=255;
figure, subplot(121);imshow(I);title('原始图像');
subplot(122),imshow(uint8(f));title('分割结果');
运行结果如下图示：
由运行结果可以看出，分水岭算法可以较好的实现图像的分割。分水岭算法是图像分割的一种重要方法，但是此方法对噪声比较敏感，容易造成过分割现象。需要进行一定的预处理。本程序在进行自动标记后效果明显，分割效果比较理想。
五、编写程序完成不同压缩方法的图像压缩的算法并进行比较，得出结论。
图像压缩算法有有损压缩和无损压缩两大类。无损编码主要是熵编码，典型的有哈夫曼编码，还有利用图像空间冗余的游程编码。有损编码主要是变换域编码，如DCT变换编码，小波压缩编码等。笔者完成了而至图像的游程编码和灰度图像的DCT变换编码。
1.游程编码 matlab程序如下：
tu1=imread('lena.bmp'); %读入图像
tu2=tu1(1:65536); %将原始图像写成一维的数据并设为 tu2
tu2length=length(tu2); % 计算tu2的长度
for i=1:1:tu2length % for 循环，目的在于转换为二值图像
if tu2(i)>=120
tu2(i)=255;
else tu2(i)=0;
end
end
tu3=reshape(tu2,256,256); % 重建二维数组图像，并设为tu3
figure, subplot(121);imshow(tu3);title('原始二值图像');
X=tu3(:); %令X为新建的二值图像的一维数据组
j=1;
tu4(1)=1;
for z=1:1:(length(X)-1) % 游程编码程序段
if X(z)==X(z+1)
tu4(j)=tu4(j)+1;
else
data(j)=X(z); % data(j)代表相应的像素数据
j=j+1;
tu4(j)=1;
end
end
data(j)=X(length(X)); % 最后一个像素数据赋给data
tu4length=length(tu4); % 计算游程编码后的所占字节数，记为
tu4length
% 下面程序是游程编码解压
l=1;
for m=1:tu4length
for n=1:1:tu4(m);
rec_tu(l)=data(m);
l=l+1;
end
end
rec2_tu=reshape(rec_tu,256,256); % 重建二维二维图像数组
subplot(122);imshow(rec2_tu);title('恢复后的图像');%显示解压后的图像
运行结果如下图示：
压缩后数据如下（whos命令）：
Name Size Bytes Class
tu4 1x3826 30608 double
由图可以看出，对于二值图像（或灰度变化不大的灰度图像）可以无失真的压缩，压缩前图像为256*256大小，压缩后为1*3826，压缩效果比较明显。如果灰度变化较大，则压缩效果不明显，甚至可能会比原来图像还大。
2.DCT变换压缩。
I=imread('lena.bmp');
I=im2double(I) ; %转换图像矩阵为双精度型。
T=dctmtx(8);%产生二维DCT变换矩阵
B=blkproc(I,[8,8],'P1*x*P2',T,T'); %二值掩模，用来压缩DCT系数，只留下DCT系数中左上角的10个
mask=[1 1 1 0 0 0 0 0
1 1 0 0 0 0 0 0
1 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 ];
B2=blkproc(B,[8 8],'P1.*x',mask) ; %只保留DCT变换的10个系数
I2=blkproc(B2,[8 8],'P1*x*P2',T',T) ; %重构图像
figure,subplot(1,2,1);imshow(I);title('原始图像');
subplot(1,2,2);imshow(I2);title('压缩图像');
运行结果如下图所示:
从运行结果可以看出，对图像压缩后会产生一定的失真，因为程序主要保留低频系数，所以图像细节部分有失真，但失真不是很明显。本程序只保留了左上角6个系数，理论上压缩比约达到11：1。可见DCT变换编码可以大幅压缩图像。如果改善滤波的模版，对于高频系数进行阈值处理，而不是简单置零，则可以在保证具有较大压缩比的前提下改善视觉效果。
大作业指导书 题目：数字图像处理 院（系）：物联网工程学院 专业: 计算机 班级：计算机1401-1406 指导老师： 学号： 姓名： 设计时间： 2016-2017学年 1学期
摘要 (3) 一、简介 (3) 二、斑点数据模型 .参数估计与解释 (4) 三、水平集框架 (5) 1.能量泛函映射 (5) 2.水平集传播模型 (6) 3.随机评估方法 (7) 四、实验结果 (8) 五、总结 (11)
基于水平集方法和G0模型的SAR图像分割 Abstract（摘要） 这篇文章提出了一种分割SAR图像的方法，探索利用SAR数据中的统计特性将图像分区域。我们假设为SAR图像分割分配参数，并与水平集模型相结合。分布属于G分布中的一种，处于数据建模的目的，它们已经成功的被用于振幅SAR图像中不同区域的建模。这种统计数据模型是驱动能量泛函执行区域映射的基础，被引用到水平集传播数值方案中，将SAR 图像分为均匀、异构和极其异构区域。此外，我们引入了一个基于随机距离和模型的评估过程，用于量化我们方法的鲁棒性和准确性。实验结果表明，我们的算法对合成和真实SAR 数据都具有准确性。+ 简介 1、Induction（简介） 合成孔径雷达系统是一种成像装置，采用相干照明比如激光和超声波，并会受到斑点噪声的影响。在SAR图像处理过程中，返回的是斑点噪声和雷达切面建模在一起的结果。这个积性模型（文献[1]）因包含大量的真实SAR数据，并且在获取过程中斑点噪声被建模为固有的一部分而被广泛应用。因此，SAR图像应用区域边界和目标检测变得更加困难，可能需要斑点去除。因此，斑点去除是必需的，有效的方法可以在文献[2][3][4][5][6][7][8][9][10]中找到。 对于SAR图像分割，水平集方法构成一类基于哈密顿-雅克比公式的重要算法。水平集方法允许有效的分割标准公式，从文献[12]中讨论的传播函数项可以得到。经典方法有着昂贵的计算成本，但现在的水平集的实现配置了有趣的低成本的替换。 水平集方法的一个重要方面，比如传播模型，可以用来设计SAR图像的分割算法。这个传播函数能够依据伽马和伽马平方根法则将斑点统计进行整合，函数已经被广泛地应用于SAR图像中的均质区域分割。Ayed等基于伽马分布任意建模，设计方案将SAR图像分成多个均质区域。尽管多区分割问题已经解决，该方案人需要一定数量的区域作为输入。Shuai 和Sun在文献[16]中提出对这个方法进行了改进，他们使用了一个有效的传播前收敛判断。Marques等引入了一个类似于含有斑点噪声图像中目标检测的框架，将基于本地区域的斑点噪声统计融合进去。这些作者采用伽马平方根对均质区域进行建模并用一个自适应窗口方案检测本地的同质性。 最近，新的SAR数据模型比如K，G，显示出了优势。经典法则受限于均质区域特性的描述，而最近的法则展现出了在数据建模中更有吸引力的特性。法则允许同构、异构和高度异构幅度SAR数据的建模。这个分布族提供了一组参数，可以描述SAR图像中的不同区域。分布的参数信息，可以被广泛的应用于设计SAR图像处理和分类技术。在文献[21]中，Mejail 等人介绍了SAR监督数据分类器，它基于其参数映射并实现了有趣的结果。Gambini等人在文献[22]中使用这个分布的一个参数来量化SAR数据的粗糙度，通过活动轮廓和B样条差值来检测边缘。然而，这种技术需要一个初始分割步骤，并受拓扑限制。一般来说，活动轮廓方法不能解决不连续区域分割的问题。 本文介绍了一种新的水平集算法来实现SAR图像中均质、异构和极其异构区域分割的目标。由于分布能够描述SAR图像的同质性和规模，我们的方法采用分布对斑点数据进行建模。这些分布参数基于每一个域点进行估计，通过这些信息，我们可以在水平集分割框架内得到一个能量泛函来驱动向前传播(front propagation)。该泛函以最大化不同区域平均能量间的差异作为结束。最终水平集阶段以能量带作为依据得到SAR图像的分割结果。
数字图像处理 报告标题：01 报告编号： 课程编号： 学生姓名： 截止日期： 上交日期：
摘要 （1）编写函数计算灰度图像的均方误差（MSE）、信噪比（SNR）、峰值信噪比（PSNR）、平均绝对误差（MAE）；（2）编写函数对灰度图像经行降采样，直接消除像素以及消除像素前进行简单平滑滤波；（3）编写函数对图像进行放大，分别使用像素直接复制和双线性插值的方法：（4）编写函数用题目给出的量化步骤Q去量化灰度图像，并给出相应的MSE和直方图；（5）编写函数对灰度图像执行直方图均衡化，显示均衡前后的直方图。同时，熟悉使用MATLAB，并且熟练操作对图像进行各种修改变换等。 KEY WORD :MATLAB MSE、PSNR 直方图量化
技术探讨 数字图像处理是基于Matlab来实现的，由于Matlab 独特的功能和对矩阵，图像，函数灵活的处理，因而用于图像的处理相当的方便。 task1 均方误差（MSE）,信噪比（SNR）,峰值信噪比（PSNR）,平均绝对误差（MAE）。可以使用使用for循环语句，分别计算图像MSE/SNR/PSNR/MAE，具体的计算公式见附录代码，下面只附运算原理代码 均方误差（MSE）： sum=sum+(a(i,j)-b(i,j))^2; MSE=sum/(M*N) 信噪比（SNR）： sum2=sum2+a(i,j)^2; SNR=10*log10(sum2/MSE) 峰值信噪比（PSNR）： sum=sum+(a(i,j)-b(i,j))^2; PSNR=10*log10(255^2/MSE) 平均绝对误差（MAE）： sum=sum+a(i,j)+b(i,j); MAE=sum/(M*N) 在每次对同一个图像处理时它们的均方误差（MSE）,信噪比（SNR）,峰值信噪比（PSNR）,平均绝对误差（MAE）都会有所不同，因为它是原图像与加噪后的图像比较，而电脑的每次操作都会对加噪过得图像有影响。 task3 按比例缩小灰度图像 （1）直接消除像素点： I1=g(1:m:end,1:m:end);I1 为缩小后的图像，g为原图。 （2）先平滑滤波再消除像素点： 滤波函数，g=imfilter(I,w,'corr','replicate'); task4 对图像的放大运用了pixel repetition法以及双线性插值法： 它有三种插值法：即最近邻插值（pixel repetition）、双线性插值、双三次插值(缩放倍数为0.5) ;缩放与放大由给定的参数来确定。 ;缩放与放大由给定的参数来确定。而缩小则同样适用I1=g(1:m:end,1:m:end); 而放大的代码为“J=imresize(I,m,'nearest');%使用pixel repetition法”和“J=imresize(I,m,'bilinear');%使用双线性插值法” 放大倍数更改m值即可 task4 对图像的量化，使用“J=histeq(I,x); ”，x为可变的量化步长 task5 灰度图像的量化和直方图均衡化直接调用函数。“J=histeq(I)”“imhist(I,64)”
1、下图是一用于干涉原理进行测试的干涉场图像，要求判读条纹的间距，请给 出图像处理的方案并说明每一步的作用及其对其它处理步骤可能产生的影响。 解：步骤与思路： ○1.进行模糊处理，消除噪声 ○2.边缘检测，进行图像增强处理 ○3．二值化图像，再进行边缘检测，能够得到很清晰的边界。 ○4.采用横向标号法，根据值为1像素在标号中的相邻位置可以确定间距 I=imread('xz mjt.bmp'); I1=medfilt2(I); %对图像中值滤波 imshow(I1); [m,n]=size(I1); for i=1:m for j=1:n if(I1(i,j)<100) %阈值为100 I1(i,j)=255; else I1(i,j)=0; %进行二值化 end end end figure; imshow(I1);
Y1=zeros(1,25); y2=y1; c=y2; i=100; for j=1:1200 if (I1(i,j)==255&&I1(i,j+1)==0) Y1=j+1; end if (I1(i,j)==0&&I1(i,j+1)==255) Y2=j; end end for i=1:25 c=Y2(i)-Y1(i) end c %找出每两个条纹之间的距离
2. 现有8个待编码的符号m0,……,m7,它们的概率分别为0.11,0.02,0.08,0.04,0.39,0.05,0.06,0.25,利用哈夫曼编码求出这一组符号的编码并画出哈夫曼树。 3. 请以图像分割方法为主题，结合具体处理实例，采用期刊论文格式，撰写一篇小论文。
3.数字化图像的数据量与哪些因素有关？ 答：数字化前需要决定影像大小（行数M、列数N）和灰度级数G的取值。一般数字图像灰度级数G为2的整数幂。那么一幅大小为M*N，灰度级数为G的图像所需的存储空间M*N*g(bit),称为图像的数据量 6.什么是灰度直方图？它有哪些应用？从灰度直方图你能获得图像的哪些信息？ 答：灰度直方图反映的是一幅图像中各灰度级像素出项的频率之间的关系。以灰度级为横坐标，纵坐标为灰度级的频率，绘制频率同灰度级的关系图就是灰度直方图。 应用：通过变换图像的灰度直方图可以，使图像更清晰，达到图像增强的目的。 获得的信息：灰度范围，灰度级的分布，整幅图像的平均亮度。但不能反映图像像素的位置。 2. 写出将具有双峰直方图的两个峰分别从23和155移到16和255的图像线性变换。 答：将a=23,b=155 ;c=16,d=255代入公式： 得 1，二维傅里叶变换有哪些性质？二维傅里叶变换的可分离性有何意义？ 周期性，线性，可分离性，比例性质，位移性质，对称性质，共轭对称性，差分，积分，卷积，能量。 意义：分离性表明：二维离散傅立叶变换和反变换可用两组一维离散傅立叶变换和反变换来完成。 8.何谓图像平滑？试述均值滤波的基本原理。 答：为了抑制噪声改善图像质量所进行的处理称图像平滑或去噪。 均值滤波是一种局部空间域处理的算法，就是对含有噪声的原始图像f(x,y)的每个像素点取一个领域S，计算S中所有像素的灰度级平均值，作为空间域平均处理后图像g(x,y)像素值。 9.何谓中值滤波？有何特点？ 答：中值滤波是对一个滑动窗口内的诸像素灰度值排序，用中值代替窗口中心像素的原来灰度值，它是一种非线性的图像平滑法。 它对脉冲干扰及椒盐噪声的的图像却不太合适。抑制效果好，在抑制随机噪声的同时能有效保护边缘少受模糊。但它对点、线等细节较多 6图像几何校正的一般包括哪两步？像素灰度内插有哪三种方法？各有何特点？ 答：1）建立失真图像和标准图像的函数关系式，根据函数关系进行几何校正。 2）最近邻插值，双线性插值，三次卷积法 3）最近邻插值：这种插值方法运算量小，但频域特性不好。 3、若f(1,1)=4，f(1,2)=7，f(2,1)=5，f(2,2)=6,分别按最近邻元法、双线性插值法确定点(1.2,1.6)的灰度值。 最近邻元法：点(1.2,1.6)离(1,2)最近,所以其灰度值为7.双线性法：f(i+u,j+v)=(1-u)(1-v)f(i,j)+(1-u)vf(i,j+1)+u(1-v)f(i+1,j)+uvf(i+1,j+1) 将i=1,j=1,u=0.2,v=0.6代入,求得：f(i+u,j+v)=5.76。四舍五入取整后，得该点其灰度值为6
《数字图像处理》研研究生课程教学大纲 （课程编号S009108 学分-学时-上机 3-54-12） 东南大学计算机科学与工程学院 一、课程的性质与目的 本课程为计算机科学与技术一级学科中图像处理与科学可视化方向的重要专业课，包含了该专业方向学生必须掌握的专业知识。 通过课程学习，学生除了掌握必须的专业技术知识外，还需要了解该方向的研究前沿，提高阅读专业学术资料和解决实际问题的能力。 二、课程内容的教学要求 本课程采用讲课+自学+讨论的教学模式。其中，讲课环节以综述为主，重点介绍各知识点的问题提出、解决思路、主要算法、评估；自学环节需要学生阅读专业论文并进行实验，得出结论；讨论环节由学生进行论文阅读及实验结论的交流，加深理解，并由此了解研究前沿。 讲课课时安排（24课时）： 1.数字图像处理概述（3）：数字图像处理技术的发展历史，包含的主要内容，应 用，相关的学科方向 2.线性系统分析方法、傅里叶变换（3）：复习线性系统基本知识，复习一维傅里 叶变换，掌握二维傅氏变换及性质，线性滤波器设计。 3.图像几何变换及插值（3）：图像几何变换应用，重点插值方法 4.图像增强综述（6）：图像增强的目的，算法分类，各类算法的基本原理及性能 5.图像分割综述（6）：图像分割的目的，算法分类，各类算法的基本原理及性能 6.图像压缩综述（3）：图像压缩的目的，算法分类，各类算法的基本原理及性能， JPEG标准简介 实验及讨论课时安排（30课时）： 1.图像插值（实验3 +讨论3） 2.图像增强（实验3 +讨论3） 3.图像分割（实验3 +讨论3） 4.图像压缩（实验3+讨论3） 5.课程论文（讨论6） 三、上机实验要求 实现选择算法，并给出实验结果及算法性能评估数据。 四、能力培养的要求 1.自学能力的培养：提高学生自学及查阅学术文献的能力。 2.分析能力和实验能力的培养：要求学生能够实现文献提供的算法，并能自主给出算 法性能的评价。 3.科研和创新能力的培养：培养独立思考、深入钻研问题的习惯，提高学术交流能力。
大作业要求 1.数字图像处理中的图像增强、图像分割、数学形态学、图像编码这几个章节中，围绕你所感兴趣的题目写一篇综述。 2.要求： （1）在中国知网上下载5篇以上相关文章，结合上课所学内容，确定综述的内容。（2）文字3000字以上，包含 a. 课题背景和概述 b. 国内外研究现状 c. 技术应用（可以实现哪些功能，实 现的方法及结果 d. 结论 e. 学习体会 f．参考文献 （3）综述的排版： 正文层次格式如下： 1（空两格）×××××（居中，三号宋体，加粗，占4行） 1.1×××（左顶格，四号宋体，加粗，占 2.5行，不接排） 1.1.1×××（左顶格，小四号宋体，加粗，占2行，不接排） a.（左空两格，a.后空一格）×××(小4号宋体，加粗) （正文）×××××(小4 号宋体，接排)
(1)（左空两格，(1)后空一格）×××(小4号宋体，加粗) （正文）×××××(小4号宋体，接排) 1)（左空两格，1）后空一格）(小4号宋体，加粗) （正文）×××××(小4号宋体，接排) 正文中段落一律段前、段后0磅，行距为20磅，对齐方式：两端对齐。小4号字体。 论文中的图和表居中，并且有图题和表题。 例如： 图 1 主站工作过程（5号字体，加粗） 表1 不同总线速率下从站的延迟时间（5号字体，加粗） 速率（Kbit/s ） 9.6 19.2 93.75 187.5 500 1500 1200SDR minT (bit T ) 11 11 11 11 11 11 11 SDR maxT (bit T ) 60 60 60 60 100 150 800 参考文献按照下面形式给出： 参考文献 （居中，三号，宋体，加粗，占4行）
一、编写程序完成不同滤波器的图像频域降噪和边缘增强的算法并进行比较，得出结论。 频域降噪。对图像而言，噪声一般分布在高频区域，而图像真是信息主要集中在低频区，所以，图像降噪一般是利用低通滤波的方法来降噪。边缘增强。图像的边缘信息属于细节信息，主要由图像的高频部分决定，所以，边缘增强一般采取高通滤波，分离出高频部分后，再和原频谱进行融合操作，达到边缘增强，改善视觉效果，或者为进一步处理奠定基础的目的。 1频域降噪，主程序如下： I=imread('lena.bmp'); %读入原图像文件 J=imnoise(I,'gaussian',0,0.02);%加入高斯白噪声 A=ilpf(J,0.4);%理想低通滤波 figure,subplot(222);imshow(J);title('加噪声后的图像'); subplot(222);imshow(A);title('理想低通滤波'); B=blpf(J,0.4,4);%巴特沃斯低通滤波 subplot(223);imshow(B);title('巴特沃斯低通滤波'); C=glpf(J,0.4);%高斯低通滤波 subplot(224);imshow(C);title('高斯低通滤波'); 用到的滤波器函数的程序代码如下： function O=ilpf(J,p) %理想低通滤波，p是截止频率 [f1,f2]=freqspace(size(J),'meshgrid'); hd=ones(size(J)); r=sqrt(f1.^2+f2.^2); hd(r>p)=0; y=fft2(double(J)); y=fftshift(y); ya=y.*hd; ya=ifftshift(ya); ia=ifft2(ya); O=uint8(real(ia)); function O=blpf(J,d,n) %巴特沃斯低通滤波器，d是截止频率，n是阶数[f1,f2]=freqspace(size(J),'meshgrid'); hd=ones(size(J)); r=f1.^2+f2.^2; for i=1:size(J,1) for j=1:size(J,2) t=r(i,j)/(d*d); hd(i,j)=1/(t^n+1); end end y=fft2(double(J)); y=fftshift(y); ya=y.*hd;
2014年上学期《数字图像处理》复习大作业及参考答案 ===================================================== 一、选择题（共20题） 1、采用幂次变换进行灰度变换时，当幂次取大于1时，该变换是针对如下哪一类图像进行增 强。（B） A 图像整体偏暗 B 图像整体偏亮 C图像细节淹没在暗背景中D图像同时存在过亮和过暗背景 2、图像灰度方差说明了图像哪一个属性。（B ） A 平均灰度 B 图像对比度 C 图像整体亮度D图像细节 3、计算机显示器主要采用哪一种彩色模型（ A ） A、RGB B、CMY或CMYK C、HSI D、HSV 4、采用模板［-1 1］T主要检测（ A ）方向的边缘。 A.水平 B.45? C.垂直 D.135? 5、下列算法中属于图象锐化处理的是：( C ) A.低通滤波 B.加权平均法 C.高通滤波 D. 中值滤波 6、维纳滤波器通常用于（ C ） A、去噪 B、减小图像动态范围 C、复原图像 D、平滑图像 7、彩色图像增强时， C 处理可以采用RGB彩色模型。 A. 直方图均衡化 B. 同态滤波 C. 加权均值滤波 D. 中值滤波 8、__B__滤波器在对图像复原过程中需要计算噪声功率谱和图像功率谱。 A. 逆滤波 B. 维纳滤波 C. 约束最小二乘滤波 D. 同态滤波 9、高通滤波后的图像通常较暗，为改善这种情况，将高通滤波器的转移函数加上一常数量以 便引入一些低频分量。这样的滤波器叫B。 A. 巴特沃斯高通滤波器 B. 高频提升滤波器 C. 高频加强滤波器 D. 理想高通滤波器 10、图象与灰度直方图间的对应关系是 B __ A.一一对应 B.多对一 C.一对多 D.都不 11、下列算法中属于图象锐化处理的是：C A.低通滤波 B.加权平均法 C.高通滤 D. 中值滤波 12、一幅256*256的图像，若灰度级数为16，则存储它所需的比特数是：( A ) A、256K B、512K C、1M C、2M 13、噪声有以下某一种特性（ D ） A、只含有高频分量 B、其频率总覆盖整个频谱 C、等宽的频率间隔内有相同的能量 D、总有一定的随机性 14. 利用直方图取单阈值方法进行图像分割时：（B） a.图像中应仅有一个目标 b.图像直方图应有两个峰 c.图像中目标和背景应一样大 d. 图像中目标灰度应比背景大 15. 在单变量变换增强中，最容易让人感到图像内容发生变化的是（ C ）
数字图像处理作业 1 1.基本问题 a.什么是数字图像处理，英语全称是什么？ 数字图像处理：对图像进行一些列的操作，以达到预期目的的技术，可分为模拟图像处理和数字图像处理两种方式。英文全称：Image Processing b.数字图像处理与什么领域的发展密切相关？ 数字图像处理与数字计算机的发展，医学，遥感，通信，文档处理和工业自动化等许多领域的发展密切相关。 c.人类主要通过什么来感知获取信息的？ 主要通过人的视觉、味觉、嗅觉、触觉、听觉以及激光、量子通信、现代计算机网络、卫星通信、遥感技术、数码摄影、摄像等来获取信息。 d.数字图像处理技术与哪些学科领域密切相关？ 与数学、物理学、生理学、心理学、电子学、计算机科学等学科密切相关 e.数字图像处理在哪些领域得到广泛应用？ 数字图像处理的应用越来越广泛，已渗透到工程、工业、医疗保健、航空航天、军事、科研、安全保卫等各个领域。 f.数字图像处理起源于什么年代？ 20世纪20年代 g.现代大规模的图像处理需要具备哪些计算机能力？ 需要具备图像处理、图像分析、图像理解计算机能力 h.根据人的视觉特点，图像可分为哪两种图像？ 分为可见图像和不可见图像。 i.根据光的波段，图像可分为哪几种图像？ 分为单波段、多波段和超波段图像。 j.图像数字与模拟图像的本质区别是什么？ 区别： 模拟图像：空间坐标和明暗程度都是连续变化的、计算机无法直接处理。 数字图像：空间的坐标和灰度都不连续、用离散的数字表示，能被计算机处理。 2.通过互联网，查下数字图像处理有哪些应用？选一个应用范例即可。具体描绘如何通过数字图像处理技术来实现其应用。要有图像范例说明。 数字图像处理主要应用领域有：生物医学，遥感领域，工业方面，军事公安领域，通信领域，交通领域等。我就生物医学领域做一个简单介绍。 自伦琴1895年发现X射线以来，在医学领域可以用图像的形式揭示更多有用的医学信息医学的诊断方式也发生了巨大的变化。随着科学技术的不断发展，现代医学已越来越离不开医学图像的信息处理，医学图像在临床诊断、教学科研等方面有重要的作用。目前的医学图像主要包括CT (计算机断层扫描) 图像、MRI( 核磁共振)图像、B超扫描图像、数字X 光机图像、X 射线透视图像、各种电子内窥镜图像、显微镜下病理切片图像等。 医学图像处理跨计算机、数学、图形学、医学等多学科研究领域，医学图像处理技术包括图像变换、图像压缩、图像增强、图像平滑、边缘锐化、图像分割、图像识别、图像融合等等。在此联系数字图像处理的相关理论知识和步骤设计规划系统采集和处理的具体流程同时充分考虑到图像采集设备的拍摄效果以及最终处理结果的准确性。下面是关于人体微血管显微图像的采集实例。
2013年云南昆明理工大学数字图像处理考研真题A 卷 一、单选题（每题3分，共30分） 1、令集合R 代表整个图像区域，则子集R1,R2,…,Rn 是将区域划分为若干个子区域。分割必要条件不包括：（ ） A ．每个Ri 都是一个连通区域 B ．n 21R R R ??? C ．对于任意i ≠j ，Ri ∩Rj= Ф D ．一致性谓词P （Ri ）= TRU E ，i = 1,2,…,n 2、先腐蚀后膨胀的过程称为（ ）运算。 A 、闭 B 、开 C 、边界提取 D 、去噪 3、下图为一灰度图像，中心0点为一孤立噪声点，可用模板进行平滑滤波，去除该噪声点，在以下滤波器中不能达到效果的是：( ) A ．3*3中值滤波器 B ．5*5领域平均滤波器 C ．3*3最大值滤波器 D ．3*3最小值滤波器 4、区分颜色常用三种基本特征量是（ ）。 A 、亮度、基色和饱和度 B 、亮度、色调和饱和度 C 、亮度、色调和色相 D 、亮度、彩度和饱和度 5、以下特征描述符中哪一个对旋转敏感？（ ） A 、轮廓矩 B 、p+q 阶区域矩 C 、形状参数 D 、形状数 6、利用直方图取单阈值方法进行图像分割时：（ ） A 、图像中应仅有一个目标； B 、图像直方图应有两个峰； C 、图像中目标和背景应一样大； D 、图像中目标灰度应比背景大。 7、采用4方向链码，则链码010*********表示下列哪个图形？（ ） A 、 B 、 C 、 D 、
8、已知用复数u＋jv的形式表示一个图形边界上的每个点（x，y）得到的复数序列为：s(0)=0, s(1)=1, s(2)=2, s(3)=2+j, s(4)=2+2j, s(5)=1+2j, s(6)=2j, s(7)=j,该图形为：（） A、正方形 B、三角形 C、长方形 D、圆形 9、下列数据冗余方式中，由于象素相关性而产生的冗余方式为：（） A、编码冗余； B、象素间冗余； C、心理视觉冗余； D、计算冗余。 10、根据( )，视觉系统总是趋向于过高或过低估计不同亮度区域边界值。（） A、马赫带效应 B、亮度适应级 C、同时对比度 D、人眼错觉 二、判断题（每题3分，共30分） 1、BMP图像文件的结构分为如下三个部分：文件头、位图信息数据块以及图像数据。（） 2、对同一场景的多幅图像求平均，能有效地降低加性随机噪声。（） 3、用理想低通滤波器钝化图像会产生一种非常严重的振铃效果。（） 4、有1种常用的图象增强技术是将高频增强和直方图均衡化结合起来以达到使边缘锐化的反差增强效果，以上2个操作的先后次序对增强效果有影响。（） 5、f（x，y）空间域的移动对它的傅立叶谱有影响。（） 6、分水岭算法中最初和最终的阈值灰度级都必须很好地选取才能准确分割目标。（） 7、CIE色度图中三基色（单波长）能混合得到所有的颜色。（） 8、有损压缩和无损压缩都具有量化模块。（） 9、图像边缘检测中，噪声对一阶和二阶微分都有影响，尤其对二阶导数影响较大，因此，在检测边缘前应该考虑平滑处理。（） 10、伪彩色处理中的灰度分层法产生的伪彩色是渐变的。（） 三、简答题（每题5分，共45分） 1、数字图像处理系统由哪几部分构成？ 2、简述灰度图像、伪彩色图像、假彩色图像以及真彩色图像的区别？ 3、一幅图像背景部分的均值为25，方差为625，在背景上分布着一些互不重叠的均值为150，方差为400的小目标。设所有目标合起来约占图像总面积的20%，提出1个基于区域生长的分割算法将这些目标分割出来。 4、请举例说明图像无损压缩编码和有损压缩编码各包括哪些具体的编码方法（各举三例以
第一章数字图像处理概论 *图像是对客观存在对象的一种相似性的、生动性的描述或写真。 *模拟图像 空间坐标和明暗程度都是连续变化的、计算机无法直接处理的图像 *数字图像 空间坐标和灰度均不连续的、用离散的数字（一般整数）表示的图像（计算机能处理）。是图像的数字表示，像素是其最小的单位。 *数字图像处理（Digital Image Processing） 利用计算机对数字图像进行（去除噪声、增强、复原、分割、特征提取、识别等）系列操作，从而获得某种预期的结果的技术。（计算机图像处理） *数字图像处理的特点（优势） （1）处理精度高，再现性好。（2）易于控制处理效果。（3）处理的多样性。（4）图像数据量庞大。（5）图像处理技术综合性强。 *数字图像处理的目的 （1）提高图像的视感质量，以达到赏心悦目的目的 a.去除图像中的噪声； b.改变图像的亮度、颜色； c.增强图像中的某些成份、抑制某些成份； d.对图像进行几何变换等，达到艺术效果； （2）提取图像中所包含的某些特征或特殊信息。 a.模式识别、计算机视觉的预处理 （3）对图像数据进行变换、编码和压缩，以便于图像的存储和传输。 **数字图像处理的主要研究内容 （1）图像的数字化 a.如何将一幅光学图像表示成一组数字，既不失真又便于计算机分析处理 b.主要包括的是图像的采样与量化 （2*）图像的增强 a.加强图像的有用信息，消弱干扰和噪声 （3）图像的恢复 a.把退化、模糊了的图像复原。模糊的原因有许多种，最常见的有运动模糊，散焦模糊等（4*）图像的编码 a.简化图像的表示，压缩表示图像的数据，以便于存储和传输。 （5）图像的重建 a.由二维图像重建三维图像（如CT） （6）图像的分析 a.对图像中的不同对象进行分割、分类、识别和描述、解释。 （7）图像分割与特征提取 a.图像分割是指将一幅图像的区域根据分析对象进行分割。 b.图像的特征提取包括了形状特征、纹理特征、颜色特征等。 （8）图像隐藏 a.是指媒体信息的相互隐藏。 b.数字水印。 c.图像的信息伪装。 （9）图像通信
数字图像处理
目录 作业一 (1) 一作业要求 (1) 二源代码 (1) 三运行结果 (3) 作业二 (5) 一作业要求 (5) 二算法描述 (5) 三源代码 (7) 四运行结果 (10)
作业一 一作业要求 在图像的空间域滤波操作中，会出现有部分掩膜矩阵在图像外面的情况，所以需要给图像先加入一个边界，执行完操作之后，再去掉这个边界，保证图像中所有的像素都参与矩阵运算。 二源代码 byte[,] filter(byte[,]f,float[,]mask) { int w = f.GetLength(0); int h = f.GetLength(1); byte[,] g = new byte[w,h]; int M = mask.GetLength(0)/2; int N = mask.GetLength(1)/2; for (int y=N;y
} float[,] averagingMask(intM,int N) { float[,] mask = new float[2*M+1,2*N+1]; for (int m=-M;m<=M;m++) for (int n=-N;n<=N;n++) mask[M+m,N+n] = 1.0f/((2*M+1)*(2*N+1)); return mask; } byte[,] addboard(byte[,] f,intM,int N) { int w=f.GetLength(0); int h=f.GetLength(1); intgw=w+2*M; intgh=h+2*N; byte[,] g=new byte[gw,gh]; //add top board and bottom board for(inti=0;i 数字图像处理 实验报告 实验选题：选题二 组员： 学号： 班级： 指导老师： 实验日期：2019年5月22日 一、实验目的及原理 1.识别出芯片的引脚 2.熟悉并掌握opencv的某些函数的功能和使用方法 原理：通过滤波、形态学操作得到二值图，再在二值图中设置条件识别引脚部分。 二、实现方案 对图片滤波、调节阈值做边缘检测过滤掉一部分图片中干扰元素；然后通过膨胀、腐蚀操作来减少引脚的空心部分；再通过findContours()函数找到引脚的边缘并得到轮廓的点集，设置特定的长宽比和矩形面积识别引脚部分。 三、实验结果 四、源码 #include -------------精选文档 ----------------- 1、下图是一用于干涉原理进行测试的干涉场图像，要求判读条纹的间距，请 给出图像处理的方案并说明每一步的作用及其对其它处理步骤可能产生的影响。 解：步骤与思路： ○1.进行模糊处理，消除噪声 ○2.边缘检测，进行图像增强处理 ○3．二值化图像，再进行边缘检测，能够得到很清晰的边界。 ○4.采用横向标号法，根据值为1 像素在标号中的相邻位置可以确定间距 I=imread('xz mjt.bmp'); I1=medfilt2(I);%对图像中值滤波 imshow(I1); [m,n]=size(I1); for i=1:m for j=1:n if(I1(i,j)<100)% 阈值为 100 I1(i,j)=255; else I1(i,j)=0;%进行二值化 -------------精选文档 ----------------- end end end figure; imshow(I1); Y1=zeros(1,25); y2=y1; c=y2; i=100; for j=1:1200 if (I1(i,j)==255&&I1(i,j+1)==0) Y1=j+1; end if (I1(i,j)==0&&I1(i,j+1)==255) Y2=j; end end for i=1:25 c=Y2(i)-Y1(i) end c%找出每两个条纹之间的距离 2.现有 8 个待编码的符号 m0,,m7, 它们的概率分别为 0.11,0.02,0.08,0.04,0.39,0.05,0.06,0.25,利用哈夫曼编码求出这一组符号的编码并画出哈夫曼树。 3.请以图像分割方法为主题，结合具体处理实例，采用期刊论文格式，撰写一篇小论文。 1.图象和图形的区别 答：①图象是用各种观测系统以不同形式和手段观测客观世界而获得的可以直接或间接作用于人眼并进而产生视知觉的实体。②图形是利用计算机技术编程来产生图形。③两者区别：图象是客观的，图形是主观的。 2.连续图象和数字图象的区别 答：①连续图象用f(x,y)表示，其中x,y 是实数且取值范围无穷大（表示象素位置），f 的值也是实数且范围无穷大（表示灰度值）。②数字图象是从连续图象抽样得到，x,y 是整数且有一定范围，f 也是整数且有一定范围。③计算机只能对数字图象进行 处理。 3.m 连接 4.距离度量函数 欧氏距离（Euclidean distance ） De(p , q) = [(m - s)2 + (n - t)2]1/2 D4距离（城区距离） D4 (citn-block distance) D4(p , q) = |m - s| + |n - t ｜ D8距离（棋盘距离）D8 (checkboard distance) D8(p , q) = max(|m - s| , |n - t|) 5.图象处理三个层次：图象处理、图象分析、图象理解。①图象处理：对图像进行各种加工，以改善图像的视觉效果，强调图像之间进行的变换，图像处理是一种以图像到图像的过程。②图像分析：对图像中感兴趣的目标进行提取和分割，获得目标的客观信息（特点、性质），建立对图像的描述，以观察者为中心研究客观世界，图像分析是一个从图像到数据的过程。③研究图像中各目标的性质和它们之间的相互联系，得出对图像内容含义的理解及原来客观场景的解释，以客观世界为中心，借助知识、经验来推理，认识客观世界，属于高层次操作（符号运算）。 6.傅里叶变换 ①一维离散傅里叶变换(DFT) 1 (2)/0 1(u)()N j u x N x F f x e N π--==∑ ，u=0,1,2..N-1，例：f(x) 中f(0)=0,f(1)=2, f(2)=3,f(3)=3, 解：N=4,u={0,1,2,3} 分别计算F(0), F(1), F(2), F(3)。 ②二维傅里叶 11 2()/00 1(u,v)(,)N N j u x v y N x y F f x y e N π---+===∑∑ 例：f(0,0)=1, f(0,1)=2, f(1,0)=3, f(1,1)=4, N=2 分别计算F(0,0), F(0,1), F(1,0), F(1,1)。 7.沃尔什变换 蝶形运算 8.霍特林变换 答：①已知采样点坐标构成一组矢量x;②求平均向量m x ；③求协方差矩阵Cx ；④ 计算Cx 的特征值 ||0I Cx λ-=；⑤计算 Cx 的特征向量 ||0I Cx x λ-=；⑥由特征向量组成矩阵（变换矩阵）A ；⑦正变 换y=A(x-m x )；⑧x=A T y+m x 。 9.图像增强(滤波锐化等) 均值适合高斯噪声,中值适合椒盐噪声。 图像加完要平均，减法取绝对值，乘法开方，除数为0变为1。 数字图像基础 课程名称：数字图像基础 学院：信息工程与自动化学院 专业年级： 2010级计算机系班 学号： 2010104052 学生姓名： 指导教师：尚振宏 日期： 2013-6-11 目录 目录 (1) 1前言 (2) 2图像分割的方法简介 (3) 2.1迭代法 (3) 2.2类间最大距离法 (3) 2.3最大熵法 (4) 2.4最大类内类间方差比法 (4) 2.5局部阈值法 (5) 2.6均匀性度量法 (6) 3简单算法及其实现 (6) 3.1最优阈值算法 (6) 3.2 Canny算法 (8) 4、试验对比 (10) 4.1迭代法试验对比 (10) 4.2类间最大距离法试验对比 (10) 4.3最大熵法试验对比 (11) 4.4最大类内类间方差比法试验对比 (11) 4.5局部阈值法试验对比 (12) 4.6均匀性度量法试验对比 (12) 5、总结体会 (13) 6、参考文献 (13) 7、附录 (14) 7.1迭代法代码 (14) 7.2类间最大距离法代码 (14) 7.3最大熵法代码 (15) 7.4最大类内类间方差比法代码 (16) 7.5局部阈值法代码 (18) 7.6均匀性度量法代码 (18) 1、前言 图像分割是图像处理中的一项关键技术，自20世纪70年代起一直受到人们的高度重视，至今已提出上千种分割算法，但因尚无通用的分割理论，现提出的分割算法大都是针对具体问题的，并没有一种适合所有图像的通用分割算法。另外，还没有制定出选择适用分割算法的标准，这给图像分割技术的应用带来许多实际问题。最近几年又出现了许多新思路、新方法或改进算法。总的来说，图像分割是图像识别和图像分析的基本前提步骤，图像分割的质量好坏直接影响后续图像处理的效果，甚至决定成败。因此，图像分割在数字图像处理技术中占有非常重要的地位。图像分割时指将一副图像分解为若干互不交叠的、有意义的、具有相同性质的区域。好的图像分割应具备以下特征：⑴分割出来的各个区域对某种特性（例如灰度和纹理）而言具有相似性，区域内部是连通的且没有过多小孔。⑵相似区域对分割所依据的性质有明显的差异。⑶区域边界是明确的。图像分割是一个很关键的图像分析技术，是由图像处理进到图像分析的关键步骤.它的目的就是把图像中感兴趣的那部分分割出来供大家研究、处理和分析，一直都是图像技术研究中的热点。但是由于地域的差别，图像分割一直都没有一个比较通用的算法。 在实际图像处理中，一般情况下我们只是注意到图像中那些我们感兴趣的目标，因为只有这部分也就是我们注意到的有用的目标物才能为我们提供高效、有用的信息。而这些目标一般又都对应着图像中某些特定的、具有独特性质的区域。为了把这些有用的区域提取出来供我们人类使用，图像分割这门技术也就应运而生了。我们通常情况下所说的图像分割就是指把图像划分成若干个有意义的区域的过程，每个区域都是具有相近特性的像素的连通集合，一般情况下我们所关注到的那些有用的目标物就存在与这些区域中。研究者们为了识别和分析图像中的那部分我们感兴趣的目标，例如进行特征提取或者测量，就需要将这些相关的区域从图像背景中提取出来。图像分割就能够把图像中的这些有用的区域分割出来，从而把一幅图像分成一系列的有意义的、各具特征的目标或者区域。 图像分割技术主要分为四大类：区域分割，阈值分割，边缘检测和差分法运动分割（主要针对运动图像的分割）。阈值分割是近年来国际领域上的一个新的研究热点，它是一种最简单的图像分割技术，其基本原理就是：通过设定不同的特征阈值点，从而把图像的象素点分为若干类，然后通过阈值点来分割图像，最终把图像中的有用的部分提取出来。本文将对matlab用于图像分割的基本理论进行简要研究，并对当前matlab用于图像分割的最新研数字图像处理大作业报告
数字图像处理大作业.doc
研究生数字图像处理
数字图像处理大作业-昆明理工大学-尚振宏
相关主题
文本预览