实验8 彩色图像滤波
一、实验目的
通过本实验使学生掌握使用MATLAB进行彩色图像处理的方法，加深对彩色空间和彩色图像的理解。
二、实验内容
（一）HIS空间分量
读取lena_color.tif图像，进行下列操作：
（1）、编写函数，将其从RGB空间转换到HIS空间，分别显示其H分量、S分量、I分量。
（2）、编写函数，将图像从HIS空间转换到RGB空间，分别显示R分量、G分量、B分量。
三.思考：
1.对所有分量进行平滑再组合，看出整个图像也被平滑，变模糊了；
2．只对红色分量进行平滑，再组合，看出这个图像的比原来变浅了，没有什么大的变化；
3.直方图均衡化是非线性过程，对每个分量进行直方图均衡再组合，看出原图像严重变形，与原来差别较大；
4.处理椒盐噪声，适宜用中值滤波，考虑到对彩色图像处理应注意的条件，故必须对每个分量处理再组合，不然图像会变形；
5.处理高斯噪声，适宜用均值滤波器，可以对每个分量处理，也可以对整体分量处理，但效果并不相同。
程序如下：
变化函数：
RGBtoHSI函数
function [H,S,I]=RGBtoHSI(imagrgb)
[X,Y,Z]=size(imagrgb);
image=im2double(imagrgb);
R=image(:,:,1);
G=image(:,:,2);
B=image(:,:,3);
H=zeros(X,Y);
S=zeros(X,Y);%先赋值
for i=1:X
for j=1:Y
num=0.5*(R(i,j)-G(i,j)+R(i,j)-B(i,j));
den=sqrt((R(i,j)-G(i,j))^2+(R(i,j)-B(i,j))*(G(i,j)-B(i,j)));
theta=acos(num/(den+eps)); %·防止为0
if (B(i,j)<=G(i,j))
H(i,j)=theta;
else
H(i,j)=2*pi-theta;
end
minx=min(R(i,j),G(i,j));
minx=min(B(i,j),minx);
S(i,j)=1-3/(R(i,j)+G(i,j)+B(i,j))*minx;
end
end
I=1/3*(R+G+B);
HIStoRG函数：
function image=HSItoRGB(H,S,I)
[X,Y,Z]=size(I);
image=zeros(X,Y,3);
R=zeros(X,Y);
G=zeros(X,Y);
B=zeros(X,Y);
for i=1:X
for j=1:Y
if (H(i,j)<=(2*pi/3))
b=I(i,j)*(1-S(i,j));
r=I(i,j)*(1+S(i,j)*cos(H(i,j))/cos(pi/3-H(i,j)));
g=3*I(i,j)-R(i,j)-B(i,j);
image(i,j,1)=r;
image(i,j,2)=g;
image(i,j,3)=b;
else if(H(i,j)<=(4*pi/3))
H=H-2*pi/3;
b=3*I(i,j)-R(i,j)-G(i,j);
r=I(i,j)*(1-S(i,j));
g=I(i,j)*(1+S(i,j)*cos(H(i,j))/cos(pi/3-H(i,j)));
image(i,j,1)=r;
image(i,j,2)=g;
image(i,j,3)=b;
else if(H(i,j)<=2*pi)
H=H-4*pi/3;
g=I(i,j)*(1-S(i,j));
b=I(i,j)*(1+S(i,j)*cos(H(i,j))/cos(pi/3-H(i,j))); r=3*I(i,j)-R(i,j)-G(i,j);
image(i,j,1)=r;
image(i,j,2)=g;
image(i,j,3)=b;
end
end
end
end
end
主函数：
%==读取分量==
lena_color=imread('d:\test_images\lena_color.tif','tif'); [H,S,I] = RGBtoHSI(lena_color);
%===HIS分量=====
subplot(2,2,1);imshow(lena_color);title('origin');
H=H/(2*pi)*255;%范围0~255
subplot(2,2,2);imshow(H);title('H');
subplot(2,2,3);imshow(S);title('S');
subplot(2,2,4);imshow(I);title('I');
%====HIStoRGB
lena_rgb=HSItoRGB(H,S,I);
lena_rgb_c=im2double(lena_rgb);
R=lena_rgb_c(:,:,1);
G=lena_rgb_c(:,:,2);
B=lena_rgb_c(:,:,3);
figure(2);
subplot(2,2,1);imshow(lena_rgb_c);title('HSItoRGB'); subplot(2,2,2);imshow(R);title('R');
subplot(2,2,3);imshow(G);title('G');
subplot(2,2,4);imshow(B);title('B');
运行结果：
origin H
S I
HSItoRGB R
G B
（二）RGB空间的彩色平滑
读取lena_color.tif图像，进行下列操作:
（1）、采用7×7均值滤波器对彩色图像的所有分量进行相同平滑，同屏显示原图像和平滑后图像，对结果进行说明；
（2）、采用7×7均值滤波器对彩色图像的红分量进行平滑，其它分量不变，同屏显示原图像和平滑后图像，对结果进行说明；
（3）、采用直方图均衡方法，对彩色图像的三个分量进行增强，同屏显示原图像和增强后图像，对结果进行说明；
（4）、将图像添加上椒盐噪声， A_noised=imnoise(A, ‘salt & pepper’, 0.02)，选择合
适的滤波器进行滤波，观察滤波效果；
（5）、将图像添加上高斯噪声， A_noised=imnoise(A, ‘gauss’, 0.02)，选择合适的滤波器进行滤波，观察滤波效果；
程序如下：
%==每个分量滤波============
lena_color=imread('d:\test_images\lena_color.tif','tif');
lena_red=lena_color(:,:,1);
lena_green=lena_color(:,:,2);
lena_blue=lena_color(:,:,3);
H=1/49*ones(7,7);
lena_red1=imfilter(lena_red,H);
lena_green1=imfilter(lena_green,H);
lena_blue1=imfilter(lena_blue,H);
%===组合图像========================
lena(:,:,1)=lena_red1;
lena(:,:,2)=lena_green1;
lena(:,:,3)=lena_blue1;
figure(1);
subplot(1,2,1);imshow(lena_color);title('origin');
subplot(1,2,2);imshow(lena);title('7*7');
结果如下：
origin7*7
2. %==红色分量滤波¨============
lena_color=imread('d:\test_images\lena_color.tif','tif'); lena_red=lena_color(:,:,1);
H=1/49*ones(7,7);
lena_red1=imfilter(lena_red,H);
%===组合图像============================
lena(:,:,1)=lena_red1;
lena(:,:,2)=lena_color(:,:,2);
lena(:,:,3)=lena_color(:,:,3);
figure(1);
subplot(1,2,1);imshow(lena_color);title('origin');
subplot(1,2,2);imshow(lena);title('7*7red');
origin7*7red
3. %==每个分量直方图均衡¨============
lena_color=imread('d:\test_images\lena_color.tif','tif'); lena_red=lena_color(:,:,1);
lena_green=lena_color(:,:,2);
lena_blue=lena_color(:,:,3);
lena_red1=histeq(lena_red);
lena_green1=histeq(lena_green);
lena_blue1=histeq(lena_blue);
%===组合===================
lena(:,:,1)=lena_red1;
lena(:,:,2)=lena_green1;
lena(:,:,3)=lena_blue1;
figure(1);
subplot(1,2,1);imshow(lena_color);title('origin');
subplot(1,2,2);imshow(lena);title('jungheng');
origin jungheng
4. %==每个分量滤波============
lena_color=imread('d:\test_images\lena_color.tif','tif');
lena_color_noi=imnoise(lena_color,'salt & pepper',0.02);
lena_red=lena_color_noi(:,:,1);
lena_green=lena_color_noi(:,:,2);
lena_blue=lena_color_noi(:,:,3);
lena_red1=medfilt2(lena_red);
lena_green1=medfilt2(lena_green);
lena_blue1=medfilt2(lena_blue);
%===组合===========================
lena(:,:,1)=lena_red1;
lena(:,:,2)=lena_green1;
lena(:,:,3)=lena_blue1;
figure(1);
subplot(1,2,1);imshow(lena_color_noi);title('lena_color_noi'); subplot(1,2,2);imshow(lena);title('median');
lena
c olor
n
oi median
5.
%==每个分量滤波¨============
lena_color=imread('d:\test_images\lena_color.tif','tif');
lena_color_noi=imnoise(lena_color,'gauss',0.02);
lena_red=lena_color_noi(:,:,1);
lena_green=lena_color_noi(:,:,2);
lena_blue=lena_color_noi(:,:,3);
H=1/49*ones(7,7);
lena_red1=imfilter(lena_red,H);
lena_green1=imfilter(lena_green,H);
lena_blue1=imfilter(lena_blue,H);
%===组合======================
lena(:,:,1)=lena_red1;
lena(:,:,2)=lena_green1;
lena(:,:,3)=lena_blue1;
figure(1);
subplot(1,2,1);imshow(lena_color_noi);title('lena_color_noi'); subplot(1,2,2);imshow(lena);title('average');
lena
c olor
n
oi average
空间滤波技术的应用 摘要空间滤波技术是一种采用滤波处理的影响增强方法，目的是改善影像质量，包括去除高频噪声与干扰，及影像边缘增强、线性增强以及去模糊等。本文主要介绍了空间滤波技术在如下二个方向的应用：遥感图像和条带噪声去除。 关键词空间滤波；遥感图像；条带噪声 The application of spatial filtering technology Abstract The spatial filtering technique is a filtering process enhancement method,the purpose is to improve the image quality,including removing high frequency noise and interference,and the image edge enhancement,linear enhancement,and deblurring. This paper describes the spatial filtering with noise removal technology in the application of the following three directions: quality testing,remote sensing image,as well as Article. Key words spatial filtering; remote sensing image; striping noise 1.引言 空间滤波技术的理论基础是空间卷积，分为低通滤波（平滑化）、高通滤波（锐化）和带通滤波。空间滤波能够应用在很多方面，在对影像的增强作用上效果明显，还可以配合其它的图像处理技术在图像处理方面发挥更大作用。 2.空间滤波在遥感图像中的应用 近些年，随着人们生活素质的提高，对信息的需求越来越多，遥感信息的需求量更是日益增加，为此，快速地发展遥感图像处理技术具有很深刻的现实意义。 2.1.线性空间滤波的理论 传感器获取的遥感图像含有大量地物特征信息，在图像上这些地物特征信息以灰度形式表现出来当地物特征间表现的灰度差很小时，目视判读就无法认辨，而图像增强的方法就可以突显这种微小灰度差的地物特征，它的实质是增强感兴趣地物和周围地物图像间的反差，改善遥感图像目视判读的视觉效果，以提高目视判能力。图像增强按所用方法可分成频率域法和空间域法。前者把图像看成一种二维信号，对其进行基于二维傅里叶变换的信号增强。采用低通滤波（即只让低频信号通过）法，可去掉图中的噪声；采用高通滤波（即只让高频信号通过）法，则可增强边缘等高频信号，使模糊的图片变得清晰。后者指的是在空间域内直接对图像的像素进行处理的方法，它包括灰度变换和空间滤波（也称邻域处理或空间卷
中南大学 数字图像处理实验报告实验三数学形态学及其应用
实验三 数学形态学及其应用 一．实验目的 1.了解二值形态学的基本运算 2.掌握基本形态学运算的实现 3.了解形态操作的应用 二．实验基本原理 腐蚀和膨胀是数学形态学最基本的变换，数学形态学的应用几乎覆盖了图像处理的所有领域，给出利用数学形态学对二值图像处理的一些运算。 膨胀就是把连接成分的边界扩大一层的处理。而收缩则是把连接成分的边界点去掉从而缩小一层的处理。 二值形态学 I(x,y), T(i,j)为 0/1图像Θ 腐蚀：[]),(&),(),)((),(0,j i T j y i x I AND y x T I y x E m j i ++=Θ== 膨胀：[]),(&),(),)((),(0 ,j i T j y i x I OR y x T I y x D m j i ++=⊕== 灰度形态学T(i,j)可取10以外的值 腐蚀： []),(),(min ),)((),(1 ,0j i T j y i x I y x T I y x E m j i -++=Θ=-≤≤ 膨胀： []),(),(max ),)((),(1 ,0j i T j y i x I y x T I y x D m j i +++=⊕=-≤≤ 1.腐蚀Erosion: {}x B x B X x ?=Θ: 1B 删两边 2B 删右上 图5-1 剥去一层（皮） 2.膨胀Dilation: {}X B x B X x ↑⊕:＝ 1B 补两边 2B 补左下 图5-2 添上一层（漆） 3.开运算open ：
B B X ⊕Θ=)(X B 4.闭close ：∨ Θ⊕=B B X X B )( 5.HMT(Hit-Miss Transform:击中——击不中变换) 条件严格的模板匹配 ),(21T T T =模板由两部分组成。1T ：物体，2T ：背景。 {} C x x i X T X T X T X ??=?21, 图5-3 击不中变换示意图 性质： （1）φ=2T 时，1T X T X Θ=? （2）)()()(21T X T X T X C Θ?Θ=? C T X T X )()(21Θ?Θ= )/()(21T X T X ΘΘ= 6.细化/粗化 (1)细化（Thin ） C T X X T X XoT )(/??=?= 去掉满足匹配条件的点。 图5-4 细化示意图 系统细化{}n B oB XoB T Xo ))(((21=， i B 是1-i B 旋转的结果（90?，180?，270?）共8种情况 适于细化的结构元素 1111000d d I = d d d L 10110 0= (2)粗化（Thick ） )(T X X T X ??=? 用(){}0,01=T (){}0,12=T 时，X X X T X =?=? X 21 1 1 2 3 T ? XoT X ? X X ?T X ΘT T ⊕
图像颜色增强处理（彩色变换） 实验专题讲座 课程：遥感科学与图像处理 实验：图像颜色增强处理（彩色变换） 姓名： 学号： 指导老师：
一、实验名称 图像颜色增强处理（彩色变换） 二、实验目的 对图像进行彩色变换；观察图像在不同色彩空间之间相互转换的结果异同，理解影像光谱增强中彩色变换的原理及其增强效果，将图象转换成一种更适合于人或机器进行分析处理的形式，提高图像的使用价值。 三、实验原理 光谱增强是基于多光谱数据对波段进行变换达到图像增强处理，采用一系列技术去改善图象的视觉效果，或将图象转换成一种更适合于人或机器进行分析处理的形式。有选择地突出某些对人或机器分析有意义的信息，抑制无用信息，提高图象的使用价值。 在使用单波段图像时，由于成像系统动态范围的限制，地物显示的亮度值差异较小。又由于人眼对黑白图像亮度级的分辨能力仅有10～20级左右，而对色彩和强度的分辨力可达100多种，因此将黑白图像转换成彩色图像可使地物的差别易于分辨[1,2]。 1. 彩色合成（color composite） 在通过滤光片、衍射光栅等分光系统而获得的多波段图像中选出三个波段，分别赋予三原色进行合成。根据各波段的赋色不同，可以得到不同的彩色合成图像。 1)图像主成分变换融合 主成分变换融合[2]是建立在图像统计基础上的多维线性变换,
具有方差信息浓缩、数据量压缩的作用, 可以更准确地揭示多波段数据结构内部的遥感信息, 常常是以高空间分辨率数据代替多波段数据变换以后的第一主成分来达到融合的目的。具体过程是: a. 对多波段遥感数据进行主成分变换( K- L 变换) ; b. 以高空间分辨率遥感数据替代变换以后的第一主成分; c. 进行主成分逆变换,生成具有高空间分辨率的多波段融合图像。 2) 真彩色合成 在通过蓝、绿、红三原色的滤光片而拍摄的同一地物的三张图像上，若使用同样的三原色进行合成，可得到接近天然色的颜色，此方法称为真彩色合成。 3) 假彩色合成 由于多波段摄影中，一副图像多不是三原色的波长范围内获得的，如采用人眼看不见的红外波段等，因此由这些图像所进行的彩色合成称假彩色合成。 进行遥感影像合成时，方案的选择十分重要，它决定了彩色影像能否显示较丰富的信息或突出某一方面的信息。以陆地卫星Landsat 的TM影像为例，当4，3，2波段分别被赋予红、绿、蓝颜色进行彩色合成时，这一合成方案就是标准假彩色合成，是一种最常用的合成方案。实际应用时，常常根据不同的应用目的在试验中进行分析、调试，寻找最佳合成方案，以达到最好的目视效果。 2. 单波段密度分割 将一副图像的整个亮度值变量L按照一定量分割为若干等量间
图像处理实验报告 姓名：陈琼暖 班级：07计科一班 学号：20070810104
目录： 实验一：灰度图像处理 (3) 实验二：灰度图像增强 (5) 实验三：二值图像处理 (8) 实验四：图像变换 (13) 大实验：车牌检测 (15)
实验一：灰度图像处理题目：直方图与灰度均衡 基本要求： （1） BMP灰度图像读取、显示、保存； （2）编程实现得出灰度图像的直方图； （3）实现灰度均衡算法. 实验过程： 1、BMP灰度图像读取、显示、保存； ?图像的读写与显示操作：用imread( )读取图像。 ?图像显示于屏幕：imshow( ) 。 ?
2、编程实现得出灰度图像的直方图； 3、实现灰度均衡算法； ?直方图均衡化可用histeq( )函数实现。 ?imhist(I) 显示直方图。直方图中bin的数目有图像的类型决定。如果I是个灰度图像，imhist将 使用默认值256个bins。如果I是一个二值图像，imhist使用两bins。 实验总结： Matlab 语言是一种简洁，可读性较强的高效率编程软件，通过运用图像处理工具箱中的有关函数,就可以对原图像进行简单的处理。 通过比较灰度原图和经均衡化后的图形可见图像变得清晰，均衡化后的直方图形状比原直方图的形状更理想。
实验二：灰度图像增强 题目：图像平滑与锐化 基本要求： （1）使用邻域平均法实现平滑运算； （2）使用中值滤波实现平滑运算； （3）使用拉普拉斯算子实现锐化运算. 实验过程： 1、 使用邻域平均法实现平滑运算； 步骤：对图像添加噪声，对带噪声的图像数据进行平滑处理； ? 对图像添加噪声 J = imnoise(I,type,parameters)
空间滤波技术的应用-标准化文件发布号：（9456-EUATWK-MWUB-WUNN-INNUL-DDQTY-KII
空间滤波技术的应用 摘要空间滤波技术是一种采用滤波处理的影响增强方法，目的是改善影像质量，包括去除高频噪声与干扰，及影像边缘增强、线性增强以及去模糊等。本文主要介绍了空间滤波技术在如下二个方向的应用：遥感图像和条带噪声去除。 关键词空间滤波；遥感图像；条带噪声 The application of spatial filtering technology Abstract The spatial filtering technique is a filtering process enhancement method,the purpose is to improve the image quality,including removing high frequency noise and interference,and the image edge enhancement,linear enhancement,and deblurring. This paper describes the spatial filtering with noise removal technology in the application of the following three directions: quality testing,remote sensing image,as well as Article. Key words spatial filtering; remote sensing image; striping noise 1.引言 空间滤波技术的理论基础是空间卷积，分为低通滤波（平滑化）、高通滤波（锐化）和带通滤波。空间滤波能够应用在很多方面，在对影像的增强作用上效果明显，还可以配合其它的图像处理技术在图像处理方面发挥更大作用。 2.空间滤波在遥感图像中的应用 近些年，随着人们生活素质的提高，对信息的需求越来越多，遥感信息的需求量更是日益增加，为此，快速地发展遥感图像处理技术具有很深刻的现实意义。
第一章前言部分 1.1课程项目背景与意义 1.1.1课程项目背景 视觉是各个应用领域，如制造业、检验、文档分析、医疗诊断，和军事等领域中各种智能/自主系统中不可分割的一部分。由于它的重要性，一些先进国家，例如美国把对计算机视觉的研究列为对经济和科学有广泛影响的科学和工程中的重大基本问题，即所谓的重大挑战。计算机视觉的挑战是要为计算机和机器人开发具有与人类水平相当的视觉能力。机器视觉需要图象信号，纹理和颜色建模，几何处理和推理，以及物体建模。一个有能力的视觉系统应该把所有这些处理都紧密地集成在一起。作为一门学科，计算机视觉开始于60年代初，但在计算机视觉的基本研究中的许多重要进展是在80年代取得的。计算机视觉与人类视觉密切相关，对人类视觉有一个正确的认识将对计算机视觉的研究非常有益。 计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。这里所指的信息指Shannon定义的，可以用来帮助做一个“决定”的信息。因为感知可以看作是从感官信号中提取信息，所以计算机视觉也可以看作是研究如何使人工系统从图像或多维数据中“感知”的科学。 科学技术的发展是推动人类社会进步的主要原因之一,未来社会进一步地朝着科技化、信息化、智能化的方向前进。在信息大爆炸的今天,充分利用这些信息将有助于社会的现代化建设,这其中图像信息是目前人们生活中最常见的信息。利用这些图像信息的一种重要方法就是图像目标定位识别技术。不管是视频监控领域还是虚拟现实技术等都对图像的识别有着极大的需求。一般的图像目标定位识别系统包括图像分割、目标关键特征提取、目标类别分类三个步骤。 深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习的概念由Hinton等人于2006年提出。基于深度置信网络提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。
二○一四～二○一五学年第一学期电子信息工程系 实验报告书 班级：电子信息工程（DB）1102班姓名 学号： 课程名称：数字图像处理 二○一四年十一月一日
实验一图像直方图处理及灰度变换（2学时） 实验目的： 1. 掌握读、写、显示图像的基本方法。 2. 掌握图像直方图的概念、计算方法以及直方图归一化、均衡化方法。 3. 掌握图像灰度变换的基本方法，理解灰度变换对图像外观的改善效果。 实验内容： 1. 读入一幅图像，判断其是否为灰度图像，如果不是灰度图像，将其转化为灰度图像。 2. 完成灰度图像的直方图计算、直方图归一化、直方图均衡化等操作。 3. 完成灰度图像的灰度变换操作，如线性变换、伽马变换、阈值变换（二值化）等，分别使用不同参数观察灰度变换效果（对灰度直方图的影响）。 实验步骤： 1. 将图片转换为灰度图片,进行直方图均衡，并统计图像的直方图： I1=imread('pic.jpg'); %读取图像 I2=rgb2gray(I1); %将彩色图变成灰度图 subplot(3,2,1); imshow(I1); title('原图'); subplot(3,2,3); imshow(I2); title('灰度图'); subplot(3,2,4); imhist(I2); %统计直方图 title('统计直方图'); subplot(3,2,5); J=histeq(I2); %直方图均衡 imshow(J); title('直方图均衡'); subplot(3,2,6); imhist(J); title('统计直方图');
原 图 灰度图 01000 2000 3000统计直方图 100200直方图均衡 0统计直方图 100200 仿真分析： 将灰度图直方图均衡后，从图形上反映出细节更加丰富，图像动态范围增大，深色的地方颜色更深，浅色的地方颜色更前，对比更鲜明。从直方图上反应，暗部到亮部像素分布更加均匀。 2. 将图片进行阈值变换和灰度调整，并统计图像的直方图： I1=imread('rice.png'); I2=im2bw(I1,0.5); %选取阈值为0.5 I3=imadjust(I1,[0.3 0.9],[]); %设置灰度为0.3-0.9 subplot(3,2,1); imshow(I1); title('原图'); subplot(3,2,3); imshow(I2); title('阈值变换'); subplot(3,2,5); imshow(I3); title('灰度调整'); subplot(3,2,2); imhist(I1); title('统计直方图'); subplot(3,2,4);
数字图像处理 实验报告 学号：04211734 姓名：付永钦 日期：2014/6/7 1.图像直方图统计 ①原理：灰度直方图是将数字图像的所有像素，按照灰度值的大小，统计其所出现的频度。 通常，灰度直方图的横坐标表示灰度值，纵坐标为半个像素个数，也可以采用某一灰度值的像素数占全图像素数的百分比作为纵坐标。 ②算法： clear all PS=imread('girl-grey1.jpg'); %读入JPG彩色图像文件figure(1);subplot(1,2,1);imshow(PS);title('原图像灰度图'); [m,n]=size(PS); %测量图像尺寸参数 GP=zeros(1,256); %预创建存放灰度出现概率的向量 for k=0:255 GP(k+1)=length(find(PS==k))/(m*n); %计算每级灰度出现的概率end figure(1);subplot(1,2,2);bar(0:255,GP,'g') %绘制直方图 axis([0 255 min(GP) max(GP)]); title('原图像直方图') xlabel('灰度值') ylabel('出现概率') ③处理结果：
原图像灰度图 100 200 0.005 0.010.0150.020.025 0.030.035 0.04原图像直方图 灰度值 出现概率 ④结果分析：由图可以看出，原图像的灰度直方图比较集中。 2. 图像的线性变换 ①原理：直方图均衡方法的基本原理是：对在图像中像素个数多的灰度值（即对画面起主 要作用的灰度值）进行展宽，而对像素个数少的灰度值（即对画面不起主要作用的灰度值）进行归并。从而达到清晰图像的目的。 ②算法： clear all %一，图像的预处理，读入彩色图像将其灰度化 PS=imread('girl-grey1.jpg'); figure(1);subplot(2,2,1);imshow(PS);title('原图像灰度图'); %二，绘制直方图 [m,n]=size(PS); %测量图像尺寸参数 GP=zeros(1,256); %预创建存放灰度出现概率的向量 for k=0:255
1 A=imread('E:\pic\1.jpg'); I=rgb2gray(A); subplot(1,3,1); imshow(I);title('原图'); J=imnoise(I,'salt & pepper',0.05); subplot(1,3,2); imshow(J); title('加入椒盐噪声图象'); K=imnoise(I,'gaussian',0.01,0.02); subplot(1,3,3); imshow(K);title('加入高斯噪声图象'); 2 A=imread('E:\pic\1.jpg'); I=rgb2gray(A); Subplot(2,2,1); Imshow(I);title('原图'); H=fspecial('motion',20,45); MotionBlur=imfilter(I,H,'replicate'); Subplot(2,2,2); Imshow(MotionBlur);title('MotionBlur image'); H=fspecial('disk',10); blurred=imfilter(I,H,'replicate'); Subplot(2,2,3); Imshow(blurred);title('Blurred image'); H=fspecial('unsharp',0.5); Sharpened=imfilter(I,H,'replicate'); Subplot(2,2,4); Imshow(Sharpened);title('sharpened image');
3 A=imread('E:\pic\1.jpg'); I=rgb2gray(A); J=imnoise(I,'salt & pepper',0.05); Subplot(2,2,1);imshow(J);title('加入椒盐噪声图象'); H=fspecial('motion',20,45); MotionBlur=imfilter(J,H,'replicate'); Subplot(2,2,2); Imshow(MotionBlur);title('replicate'); MotionBlur=imfilter(J,H,'symmetric'); Subplot(2,2,3); Imshow(MotionBlur);title('symmetric'); MotionBlur=imfilter(J,H,'circular'); Subplot(2,2,4); Imshow(MotionBlur);title('circular');
实验报告 实验名称实验三图像边缘检测 课程名称数字图像处理 姓名成绩 班级学号 备注： (1）了解并掌握使用微分算子进行图像边缘检测得基本原理; (2）编写程序使用Laplaciａn 算子(二阶导数算子)实现图像锐化，进一步理解图像 锐化得实质； （3)掌握使用不同梯度算子(一阶导数算子)进行图像边缘检测得原理、方法,根据 实验结果分析各种算子得工作效果; （4）总结实验过程(实验报告，左侧装订）:方案、编程、调试、结果、分析、结论。 2、实验环境 (1）Winｄｏws ＸＰ/７ (2）Maｔｌａb ７、1/7、14 ３、实验方法 本次实验要求对２56×２56大小，２56级灰度得数字图像ｌena、img进行处理。（1)对该图像进行锐化处理,要求采用Laｐlacｉaｎ算子进行锐化，分α=１与α=２两种情况，按如下不同情况进行处理： ①ｇ１（ｍ，n)=f(ｍ，ｎ）-α?f ②g2（m,n）=４αf(ｍ，n）-α[f（m-１,n）+f（m+1,n)+f（m，n-1)+ｆ(m，ｎ+1）］ I、要对图像进行处理，要先读取该图像,实验代码如下: ｃlosｅaｌｌ； cｌear ａｌl； fｉd=fｏpen（’leｎa、img＇,’r＇); imａge=fread(fid，［256,2５６]，’uiｎt8＇）； fcloｓｅ（fｉd); ＩＩ、读取图像后，对该图像得每一像素（不考虑图像得边界部分）进行遍历,根据公
式①(公式①相当于做差分）对每一灰度进行计算,将所得得结果存入一矩阵ｇ１中（矩阵g1初始化为该图像得矩阵)，代码如下(仅以ɑ=1为例): ｇ1=ｉｍａge; ａ=１； ［ｘ，y]=ｓｉｚe（iｍaｇe)； fｏrｉ＝２：(ｘ-1) fｏr j＝２:(y—1）?????g１（i，ｊ)=(1+4＊a)＊image(i,j)-a ＊（image（i＋1,j）+image（i-1,j）+iｍage（i,j+1）+iｍａge（ｉ,ｊ—1）); end end III、根据公式②对图像得每一个像素(不考虑图像得边界部分）进行计算，将所得之存入矩阵ｇ２中（g2初始化值为该图像得矩阵值)，具体方法与上一步类似,代码如下（仅以ɑ=１为例）： g2=ｉmａge； a＝１; [x,ｙ]＝ｓize（imaｇe); foｒi＝2：（x-1） for ｊ＝2：(y－1） ?ｇ2（i，j)＝４*a＊iｍａgｅ（i,ｊ)—a＊（iｍａge(i+1,j）+imaｇe（ｉ-1，j）+im ａge(ｉ,j+1）+image（i,j-1））; ｅnd end （2）分别利用Roｂeｒts、Pｒewｉtt与Sobel边缘检测算子，对原图像进行边缘检测,显 示处理前、后图像。 Ｉ、同（1)中I，不再赘述。 II、对图像进行边缘检测，要对图像得每一像素（不考虑图像得边界部分）得灰度进行遍历，分别用公式对图像得水平与垂直方向得边缘进行检测，并分别存储,在进行合成。采用不同得算子时，变换得公式有所不同。在合成时可以采用三种算法(街区法、棋盘法、欧式几何法)，本次实验中均又采用,所以得到三层图像。代码如下(仅以街区法得Rｏｂeｒts 算子为例）： [ｘ,y]=size（ｉｍage)； g1＝ｉmage； gh1＝image; gv１=imａge; ｆor i=2:(ｘ－1） fｏr ｊ=2：(y－1） gh1(ｉ,j）=imａｇｅ（i,ｊ)－iｍａgｅ（i－1，j—1)； ｇv1(i，j）=image（i，j－1）－iｍagｅ（i—1，j）; g１（i,j)=abs（gh1（i,j))+ａｂｓ（ｇv1(i,j））； end enｄ 4、实验结果分析 （1）、图像锐化
function Template=gausTemplate(n,sigma) end ---------------------------------------------------------------------------------------------------------------------- clc clear im=imread('C:\Users\Administrator\Desktop\lena.jpg'); s=11;sigma=10; k=(s-1)/2; Template=gausTemplate(s,sigma);%生成高斯模板 [m,n]=size(im); %图像扩边 %%%%%%%%%%%%%%%%%% for i=k+1:m+k for j=k+1:n+k neighbor=;%%%%点i,j的邻阈 temp=;%%邻域内点乘 imF(i,j)=;%计算滤波器响应 end end imFil=imF(k+1:m+k,k+1:n+k);%滤波后的图像 imFil=uint8(imFil); imshow(imFil) clc clear im=imread('C:\Users\Administrator\Desktop\lena.jpg'); s=3;sigma=0.8; k=(s-1)/2; Template=gausTemplate(s,sigma);%éú3é???1?￡°? [m,n]=size(im); %í???à?±? new=zeros(m+2*k,n+2*k);
new(k+1:m+k,k+1:n+k)=im; %%%%%%%%%%%%%%%%%% for i=k+1:m+k for j=k+1:n+k neighbor=new(i-k:i+k,j-k:j+k) ;%%%%μ?i,jμ?áú?Dtemp=neighbor.*Template ;%%áúóò?úμ?3? imF(i,j)=sum(temp(:)) ;%??????2¨?÷?ìó| end end imFil=imF(k+1:m+k,k+1:n+k);%??2¨oóμ?í??? imFil=uint8(imFil); imshow(imFil);
6.3实验步骤 (1)对彩色图像的表达和显示 * * * * * * * * * * * *显示彩色立方体* * * * * * * * * * * * * rgbcube(0,0,10); %从正面观察彩色立方体 rgbcube(10,0,10); %从侧面观察彩色立方 rgbcube(10,10,10); %从对角线观察彩色立方体 %* * * * * * * * * *索引图像的显示和转换* * * * * * * * * * f=imread('D:\Picture\Fig0604(a)(iris).tif'); figure,imshow(f);%f是RGB真彩图像 %rgb图像转换成8色索引图像，不采用抖动方式 [X1,map1]=rgb2ind(f,8,'nodither'); figure,imshow(X1,map1); %采用抖动方式转换到8色索引图像 [X2,map2]=rgb2ind(f,8,'dither'); figure,imshow(X2,map2); %显示效果要好一些 g=rgb2gray(f); %f转换为灰度图像 g1=dither(g);%将灰色图像经过抖动处理，转换打二值图像figure,imshow(g);%显示灰度图像 figure,imshow(g1);%显示抖动处理后的二值图像 程序运行结果：
彩色立方体原图 不采用抖动方式转换到8色索引图像采用抖动方式转换到8色索引图像 灰度图像抖动处理后的二值图像
(2)彩色空间转换 f=imread('D:\Picture\Fig0604(a)(iris).tif'); figure,imshow(f);%f是RGB真彩图像 %转换到NTSC彩色空间 ntsc_image=rgb2ntsc(f); figure,imshow(ntsc_image(:,:,1));%显示亮度信息figure,imshow(ntsc_image(:,:,2));%显示色差信息figure,imshow(ntsc_image(:,:,3));%显示色差信息 %转换到HIS彩色空间 hsi_image=rgb2hsi(f); figure,imshow(hsi_image(:,:,1));%显示色度信息figure,imshow(hsi_image(:,:,2)); %显示饱和度信息figure,imshow(hsi_image(:,:,3));%显示亮度信息 程序运行结果： 原图 转换到NTSC彩色空间
1.灰度变换与空间滤波 一种成熟的医学技术被用于检测电子显微镜生成的某类图像。为简化检测任务，技术决定采用数字图像处理技术。发现了如下问题：（1）明亮且孤立的点是不感兴趣的点；（2）清晰度不够，特别是边缘区域不明显；（3）一些图像的对比度不够；（4）技术人员发现某些关键的信息只在灰度值为I1-I2 的范围，因此，技术人员想保留I1-I2 区间范围的图像，将其余灰度值显示为黑色。（5）将处理后的I1-I2 范围内的图像，线性扩展到0-255 灰度，以适应于液晶显示器的显示。请结合本章的数字图像处理处理，帮助技术人员解决这些问题。 1.1 问题分析及多种方法提出 （1）明亮且孤立的点是不够感兴趣的点 对于明亮且孤立的点，其应为脉冲且灰度值为255（uint8）噪声，即盐噪声，为此，首先对下载的细胞图像增加盐噪声，再选择不同滤波方式进行滤除。 均值滤波：均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标像素为中心的周围8 个像素，构成一个滤波模板，即去掉目标像素本身），再用模板中的全体像素的平均值来代替原来像素值。 优点：速度快，实现简单； 缺点：均值滤波本身存在着固有的缺陷，即它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊，不能很好地去除噪声点。 其公式如下： 使用矩阵表示该滤波器则为： 中值滤波：
滤除盐噪声首选的方法应为中值滤波，中值滤波法是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。 其过程为： a、存储像素1，像素2 ....... 像素9 的值； b、对像素值进行排序操作； c、像素5 的值即为数组排序后的中值。优点：由于中值滤波本身为一种利用统计排序方法进行的非线性滤波方法，故可以滤除在排列矩阵两边分布的脉冲噪声，并较好的保留图像的细节信息。 缺点：当噪声密度较大时，使用中值滤波后，仍然会有较多的噪声点出现。自适应中值滤波： 自适应的中值滤波器也需要一个矩形的窗口S xy ，和常规中值滤波器不同的是这个窗口的大小会在滤波处理的过程中进行改变(增大)。需要注意的是，滤波器的输出是一个像素值，该值用来替换点(x, y)处的像素值，点(x, y)是滤波窗口的中心位置。 其涉及到以下几个参数： 其计算过程如下：
实验报告 实验名称：图像处理 姓名：刘强 班级：电信1102 学号：1404110128
实验一图像变换实验——图像点运算、几何变换及正交变换一、实验条件 PC机数字图像处理实验教学软件大量样图 二、实验目的 1、学习使用“数字图像处理实验教学软件系统”，能够进行图像处理方面的 简单操作； 2、熟悉图像点运算、几何变换及正交变换的基本原理，了解编程实现的具体 步骤； 3、观察图像的灰度直方图，明确直方图的作用和意义； 4、观察图像点运算和几何变换的结果，比较不同参数条件下的变换效果； 5、观察图像正交变换的结果，明确图像的空间频率分布情况。 三、实验原理 1、图像灰度直方图、点运算和几何变换的基本原理及编程实现步骤 图像灰度直方图是数字图像处理中一个最简单、最有用的工具，它描述了一幅图像的灰度分布情况，为图像的相关处理操作提供了基本信息。 图像点运算是一种简单而重要的处理技术，它能让用户改变图像数据占据的灰度范围。点运算可以看作是“从象素到象素”的复制操作，而这种复制操作是通过灰度变换函数实现的。如果输入图像为A(x,y)，输出图像为B(x,y)，则点运算可以表示为： B(x,y)＝f[A(x,y)] 其中f(x)被称为灰度变换（Gray Scale Transformation，GST）函数，它描述了输入灰度值和输出灰度值之间的转换关系。一旦灰度变换函数确定，该点运算就完全确定下来了。另外，点运算处理将改变图像的灰度直方图分布。点运算又被称为对比度增强、对比度拉伸或灰度变换。点运算一般包括灰度的线性变换、阈值变换、窗口变换、灰度拉伸和均衡等。 图像几何变换是图像的一种基本变换，通常包括图像镜像变换、图像转置、图像平移、图像缩放和图像旋转等，其理论基础主要是一些矩阵运算，详细原理可以参考有关书籍。 实验系统提供了图像灰度直方图、点运算和几何变换相关内容的文字说明，用户在操作过程中可以参考。下面以图像点运算中的阈值变换为例给出编程实现的程序流程图，如下：
桂林电子科技大学 实验报告 一、实验目的 1、掌握基本的图像处理方法，包括读取、写入、显示、剪切、运算以及快操作 等等。 2、掌握常用的图像变换方法，分析变换结果。 二、实验内容 编写程序，在Matlab下调试运行，并注意观察分析结果。 1、使用imread函数分别读入图象cameraman.tif 、canoe.tif，并使用subplot 和imshow函数进行显示。再使用imcrop对第一幅图片进行剪切，并保存成文件。 2、申明向量X和矩阵A，使用二维傅立叶变换和fftshift函数进行处理，观察向量和矩阵结果。 3、创建一个1000*1000的全0图像，其中选择某矩形区域设置其象素为1（350：649,475:524），对该二值图逆时针旋转45°角，比较旋转前后的图像和傅里叶变换频谱。 三、实验设备、环境 计算机 四、实验原理 1、图像平滑算法 (1) 简单平均法：
设某像素的灰度值为，迭加噪声后，一幅含噪声的图像可表示为 现取以为中心的邻域S ——NN 方形窗口，在S 域内进行局部平均，得 式中，N 的平方为窗口内像素总数。令 ，则 式中，加权函数 （2）中值滤波： 中值滤波是一种非线性的信号处理方法。中值滤波器在1971 年由J.w.Jukey 首先提出并应用在一维信号处理技术(时间序列分析)中，后来被二维图象信号处理技术所引用。中值滤波在一定的条件下可以克服线性滤波器如最小均方滤波、均直滤波等带来的图象细节模糊，而且对滤除脉冲干扰及图象扫描噪声最为有效。由于在实际运算过程中不需要图象的统计特征，因此这也带来不少方便。但是对于一些细节多，特别是点、线、尖顶细节多的图象不宜采用中值滤波。中值滤波一般采用一个含有奇数个点的滑动窗口，将窗口中各点灰度值的中值来替代值定点(一般是窗口的中心点)的灰度值。对于奇数个元素，中值是指按大小排序后，中间的数值；对于偶数个元素，中值是指排序后中间两个元素灰度值的平均值。 一般选用3*3或5*5窗口，形状可分为方形或十字形，如下图所示。 (a) 方形 (b) 十字形 图2-1 二维中值滤波窗口形状 二维中值滤波可表示为
边缘提取与图像分割 理论、算法、源码与实例 1）理论 一、边缘检测的基本方法： 各种差分算子，主要有： 差分边缘检测方法 Roberts梯度模算子 前两种对垂直，水平，对角检测好。 Prewitt算子，Robinson算子（算八个方向的梯度最大值） Sobel算子（利用上下左右加权，可平滑噪声）； Kirsch算子 Rosenfeld算子 Laplace算子（二阶导数算子，一般不用于检测，用于之后判别暗区与明区。） LOG算子，（高斯平滑后求导提取边界。） 主要思路用高斯函数对图像平滑滤波，然后再对图像进行拉普拉斯运算，算得的值等于零的点认为是边界点。 该算法高斯函数方差取值很重要，过大会导至精度不高。还容易产生虚假边界。但可以用一些准备去除虚假边界。对于灰度渐变图的效果也不太好。但大部份图片边缘提取效果还好。Canny边界检测算子 二、拟合曲面求导提取边界。 主要思路为在点的邻域各点拟合一个曲面，由曲面的求导代替离散点求差分，这种方法对于噪声比较不敏感。 三、统计判决法提取边界 以误判概率最小化设置门限，对边界检测算子作用后的每个像点判别/。统计判决法依赖于先验知识。 四、分裂—合并算法 按一定的均一化标准，将图片分成子图。合并满足均一性准则的子图。
五、跟踪技术 1）区域跟踪，基于区域的图像分割方法。 应用于直接提取区域。检测满足跟踪准则的点，找到这样的点，检测其所有邻点，把满足跟踪准则的任合邻点合并再重复。直到没有邻点满足检测准则。 2）曲线跟踪，基于边界的图像分割方法。 对整幅图扫描，对所有“现在点”的邻点检测，周围没有满足跟踪条件的点时，返回到上一个最近的分支处，取出另一个满足跟踪原则的现在点。重复根踪。 六、模型化与统计检验法检测边界 开始步骤为对图像划分成多块子图，每块子图进行曲面拟合。并应用误差的分析，构造F 统计量，判断此区域是否有边界的存在。 七、匹配检测技术 基于区域的一种分割方法。 1）归一化互相关测度匹配 类似于求相关系数。但是这种方法实用时不太理想，因为匹配模板的尺寸跟图上的尺寸差异，造成操作很难。 2）匹配滤波器 基于最大信噪比准则。 用一个滤波器对图像子图作卷积，当滤波器为子图旋转180度后的K倍时，功能与相关系数一样。此时称为匹配滤波器。 3）线检测 用匹配滤波器可以设计一些线检测器。对直线检测效果好。 八、利用模式识别某些技术进行图像分割 对每个像素提取特征，提取一个n维特征，如果特效果好，那么在特征空间里，像素点会表现出类聚。一般来说，特征是区域性的，一般是征对邻域或图像的各个子图提取特征。通常特征包含，灰度，空间关系（梯度，像素小块邻域平均灰度，纹理参数，颜色）等。 九、基于活动轮廓模型的边界提取算法 不同于经典的基于求导自下而上过程，而是一种基于总体和局部的自上而下和自下而上的处理过程。借助一些物理概念构造一个描述轮廓状态指标，将图像灰度分布，灰度梯度及轮廓形状约束等信息作为“外能”和“内能”构造活运轮廓的能量函数。将一个初始轮廓放在感兴趣的图像区域中，轮廓在外力和内力作用下变形，外力推动活动轮廓向着物体的边缘运动，而内力要使活动轮廓趋于光滑和保持其拓朴性。在达到平衡时，对应的能量最小，此时的活动轮廓即为要检测的边界。 十、基于视觉特性的边界提取方法 ——线性加权函数（LWF）在边界检测中的应用 视觉系统对亮度对比度的感知可以转化为数学中的微分算子的特征值问题，视觉的感觉响应类似于高斯函数与其拉普拉斯变换之和。基于生理学和数学导出的线性加权函数（LWF）是高斯函数与它的二阶导数的线性组合. 视觉处理过程是图像与一系列不同方差的高斯函数及其二阶导数的卷积过程。
实验报告 实验课程名称：数字图像处理 班级：学号：姓名： 注：1、每个实验中各项成绩按照10分制评定，每个实验成绩为两项总和20分。 2、平均成绩取三个实验平均成绩。 2016年 4 月18日
实验一 图像的二维离散傅立叶变换 一、实验目的 掌握图像的二维离散傅立叶变换以及性质 二、实验要求 1) 建立输入图像，在64?64的黑色图像矩阵的中心建立16?16的白色矩形图像点阵， 形成图像文件。对输入图像进行二维傅立叶变换，将原始图像及变换图像（三维、中心化）都显示于屏幕上。 2) 调整输入图像中白色矩形的位置，再进行变换，将原始图像及变换图像（三维、中 心化）都显示于屏幕上，比较变换结果。 3) 调整输入图像中白色矩形的尺寸（40?40，4?4），再进行变换，将原始图像及变 换图像（三维、中心化）都显示于屏幕上，比较变换结果。 三、实验仪器设备及软件 HP D538、MATLAB 四、实验原理 傅里叶变换作为分析数字图像的有利工具，因其可分离性、平移性、周期性和共轭对称性可以定量地方分析数字化系统，并且变换后的图像使得时间域和频域间的联系能够方便直观地解决许多问题。实验通过MATLAB 实验该项技能。 设),(y x f 是在空间域上等间隔采样得到的M ×N 的二维离散信号，x 和y 是离散实变量，u 和v 为离散频率变量，则二维离散傅里叶变换对一般地定义为 ∑∑ -=-=+-= 101 )],( 2ex p[),(1 ),(M x N y N yu M xu j y x f MN v u F π,1,0=u …，M-1；y=0，1，…N-1 ∑∑-=-=+=101 )],( 2ex p[),(),(M x N y N uy M ux j v u F y x f π ,1,0=x …，M-1；y=0，1，…N-1 在图像处理中，有事为了讨论上的方便，取M=N ，这样二维离散傅里叶变换对就定义为 ,]) (2ex p[),(1 ),(101 ∑∑ -=-=+- = N x N y N yu xu j y x f N v u F π 1,0,=v u …，N-1 ,]) (2ex p[ ),(1 ),(101 ∑∑-=-=+= N u N v N vy ux j v u F N y x f π 1,0,=y x ，…，N-1 其中，]/)(2exp[N yv xu j +-π是正变换核，]/)(2exp[N vy ux j +π是反变换核。将二维离散傅里叶变换的频谱的平方定义为),(y x f 的功率谱，记为 ),(),(|),(|),(222v u I v u R v u F v u P +== 功率谱反映了二维离散信号的能量在空间频率域上的分布情况。 五、实验步骤、程序及结果： 1、实验步骤： （1）、编写程序建立输入图像； （2）、对上述图像进行二维傅立叶变换，观察其频谱 （3）、改变输入图像中白框的位置，在进行二维傅里叶变换，观察频谱；