附录
Part1:对cameraman原始图像处理的仿真程序:
clc
clear all
close all
A = imread('cameraman.bmp'); % 读入图像
subplot(2,4,1);
imshow(A);title('原图');
x_mask = [1 0;0 -1]; % 建立X方向的模板
y_mask = rot90(x_mask); % 建立Y方向的模板
I = im2double(A); % 将图像数据转化为双精度
dx = imfilter(I, x_mask); % 计算X方向的梯度分量dy = imfilter(I, y_mask); % 计算Y方向的梯度分量grad = sqrt(dx.*dx + dy.*dy); % 计算梯度
grad = mat2gray(grad); % 将梯度矩阵转换为灰度图像level = graythresh(grad); % 计算灰度阈值
BW = im2bw(grad,level); % 用阈值分割梯度图像subplot(2,4,2);
imshow(BW); % 显示分割后的图像即边缘图像
title('Roberts');
y_mask = [-1 -2 -1;0 0 0;1 2 1];
x_mask = y_mask';
I = im2double(A);
dx = imfilter(I, x_mask);
dy = imfilter(I, y_mask);
grad = sqrt(dx.*dx + dy.*dy); % 计算梯度
grad = mat2gray(grad);
level = graythresh(grad);
BW = im2bw(grad,level);
subplot(2,4,3);
imshow(BW); % 显示分割后的图像即边缘图像
title('Sobel');
y_mask = [-1 -1 -1;0 0 0;1 1 1];
x_mask = y_mask';
dx = imfilter(I, x_mask);
dy = imfilter(I, y_mask);
grad = sqrt(dx.*dx + dy.*dy); % 计算梯度
grad = mat2gray(grad);
level = graythresh(grad);
BW = im2bw(grad,level); % 用阈值分割梯度图像
subplot(2,4,4);
imshow(BW); % 显示分割后的图像即边缘图像
title('Prewitt');
mask=[0,-1,0;-1,4,-1;0,-1,0]; % 建立模板
dx = imfilter(I, mask); % 计算梯度矩阵
grad = mat2gray(dx); % 将梯度矩阵转化为灰度图像
BW = im2bw(grad,0.58); % 用阈值分割梯度图像
subplot(2,4,5);
imshow(BW); % 显示分割后的图像,即梯度图像
title('Laplacian');
mask=[0,0,-1,0,0;0,-1,-2,-1,0;-1,-2,16,-2,-1;0,-1,-2,-1,0;0,0,-1,0,0]; % 建立模板dx = imfilter(I, mask); % 计算梯度矩阵
grad = mat2gray(dx); % 将梯度矩阵转化为灰度图像
BW = im2bw(grad,0.58);
subplot(2,4,6);
imshow(BW); % 显示分割后的图像,即梯度图像
title('log');
BW1 = edge(I,'canny'); % 调用canny函数
subplot(2,4,7);
imshow(BW1); % 显示分割后的图像,即梯度图像
title('Canny');
mask1=[-1 -2 -1;0 0 0;1 2 1]; % 建立方向模板
mask2=[-2 -1 0;-1 0 1;0 1 2];
mask3=[-1 0 1;-2 0 2;-1 0 1];
mask4=[0 1 2;-1 0 1;-2 -1 0];
mask5=[1 2 1;0 0 0;-1 -2 -1];
mask6=[2 1 0;1 0 -1;0 -1 -2];
mask7=[1 0 -1;2 0 -2;1 0 -1];
mask8=[0 -1 -2;1 0 -1;2 1 0];
d1 = imfilter(I, mask1); % 计算8个领域的灰度变化
d2 = imfilter(I, mask2);
d3 = imfilter(I, mask3);
d4 = imfilter(I, mask4);
d5 = imfilter(I, mask5);
d6 = imfilter(I, mask6);
d7 = imfilter(I, mask7);
d8 = imfilter(I, mask8);
dd = max(abs(d1),abs(d2)); % 取差值变化最大的元素组成灰度变化矩阵dd = max(dd,abs(d3));
dd = max(dd,abs(d4));
dd = max(dd,abs(d5));
dd = max(dd,abs(d6));
dd = max(dd,abs(d7));
dd = max(dd,abs(d8));
grad = mat2gray(dd); % 将灰度变化矩阵转化为灰度图像
BB = grad;
FW=median(BB(:))/0.6745;
B = BB.*BB;
B = sum(B(:));
FX= sqrt(B/256^2);
FS=sqrt(max(FX^2-FW^2,0));
T=sqrt(2)*FW^2/FS; % 计算最佳阈值
grad = mat2gray(BB);
BW2=im2bw(grad,T); % 用最佳阈值分割梯度图像subplot(2,4,8);
imshow(BW2); % 显示分割后的图像,即边缘图像title('sobel改进算子');
Part2加入高斯噪声后的cameraman仿真程序:
clc
clear all
close all
A = imread('cameraman.bmp'); % 读入图像
V=0.009;
X=imnoise(A,'gaussian',0,V);
subplot(2,4,1);
imshow(X);%添加均值为0、方差0.09的高斯噪声
x_mask = [1 0;0 -1]; % 创建X方向的模板
y_mask = rot90(x_mask); % 创建Y方向的模板
I = im2double(X); % 图像数据双精度转化
dx = imfilter(I, x_mask); % X方向的梯度分量的计算dy = imfilter(I, y_mask); % Y方向的梯度分量的计算grad = sqrt(dx.*dx + dy.*dy); % 梯度计算
grad = mat2gray(grad); % 梯度矩阵转换成灰度图像level = graythresh(grad); % 计算灰度阈值
BW = im2bw(grad,level); % 使用阈值分割梯度图像subplot(2,4,2);
imshow(BW); % 显示分割后的图像即边缘图像title('Roberts');
y_mask = [-1 -2 -1;0 0 0;1 2 1];
x_mask = y_mask';
dx = imfilter(I, x_mask);
dy = imfilter(I, y_mask);
grad = sqrt(dx.*dx + dy.*dy);
grad = mat2gray(grad); % 梯度矩阵转为灰度图像level = graythresh(grad); % 计算灰度阈值
BW = im2bw(grad,level); % 用阈值分割梯度图像subplot(2,4,3);
imshow(BW); % 显示分割后的图像即边缘图像title('Sobel');
y_mask = [-1 -1 -1;0 0 0;1 1 1];
x_mask = y_mask';
dx = imfilter(I, x_mask);
dy = imfilter(I, y_mask);
grad = sqrt(dx.*dx + dy.*dy);
grad = mat2gray(grad);
level = graythresh(grad);
BW = im2bw(grad,level);
subplot(2,4,4);
imshow(BW); % 显示分割后的图像即边缘图像title('Prewitt');
mask=[0,-1,0;-1,4,-1;0,-1,0]; % 建立模板
dx = imfilter(I, mask); % 计算梯度矩阵
grad = mat2gray(dx); % 将梯度矩阵转化为灰度图像BW = im2bw(grad,0.58); % 用阈值分割梯度图像subplot(2,4,5);
imshow(BW); % 显示分割后的图像,即梯度图像
title('Laplacian');
mask=[0,0,-1,0,0;0,-1,-2,-1,0;-1,-2,16,-2,-1;0,-1,-2,-1,0;0,0,-1,0,0]; % 建立模板dx = imfilter(I, mask); % 计算梯度矩阵
grad = mat2gray(dx); % 将梯度矩阵转化为灰度图像
BW = im2bw(grad,0.58); % 用阈值分割梯度图像
subplot(2,4,6);
imshow(BW); % 显示分割后的图像,即梯度图像
title('log');
BW1 = edge(I,'canny'); % 调用canny函数
subplot(2,4,7);
imshow(BW1); % 显示分割后的图像,即梯度图像
title('Canny');
mask1=[-1 -2 -1;0 0 0;1 2 1]; % 建立方向模板
mask2=[-2 -1 0;-1 0 1;0 1 2];
mask3=[-1 0 1;-2 0 2;-1 0 1];
mask4=[0 1 2;-1 0 1;-2 -1 0];
mask5=[1 2 1;0 0 0;-1 -2 -1];
mask6=[2 1 0;1 0 -1;0 -1 -2];
mask7=[1 0 -1;2 0 -2;1 0 -1];
mask8=[0 -1 -2;1 0 -1;2 1 0];
d1 = imfilter(I, mask1); % 计算8个领域的灰度变化
d2 = imfilter(I, mask2);
d3 = imfilter(I, mask3);
d4 = imfilter(I, mask4);
d5 = imfilter(I, mask5);
d6 = imfilter(I, mask6);
d7 = imfilter(I, mask7);
d8 = imfilter(I, mask8);
dd = max(abs(d1),abs(d2)); % 取差值变化最大的元素组成灰度变化矩阵
dd = max(dd,abs(d3));
dd = max(dd,abs(d4));
dd = max(dd,abs(d5));
dd = max(dd,abs(d6));
dd = max(dd,abs(d7));
dd = max(dd,abs(d8));
grad = mat2gray(dd); % 将灰度变化矩阵转化为灰度图像BB = grad;
FW=median(BB(:))/0.6745;
B = BB.*BB;
B = sum(B(:));
FX= sqrt(B/256^2);
FS=sqrt(max(FX^2-FW^2,0));
T=sqrt(2)*FW^2/FS; % 计算最佳阈值
grad = mat2gray(BB); % 将梯度矩阵转化为灰度图像BW2=im2bw(grad,T); % 用最佳阈值分割梯度图像subplot(2,4,8);
imshow(BW2); % 显示分割后的图像,即边缘图像
title('sobel改进算子');
加入椒盐噪声的边缘检测程序:
function jingdian
I=imread('lenna.bmp');
I1=imnoise(I,'salt & pepper');%添加椒盐噪声,默认值为0.02 figure,imshow(I1);%添加均值为0、方差0.002的高斯噪声title('添加椒盐噪声后原图')
B1=edge(I1,'roberts');
B2=edge(I1,'sobel');
B3=edge(I1,'prewitt');
B4=edge(I1,'canny');
B5=edge(I1,'log');
subplot(2,3,1);
imshow(B1);title('roberts算子检测');
subplot(2,3,2);
imshow(B2);title('sobel算子检测');
subplot(2,3,3);
imshow(B3);title('prewitt算子检测');
subplot(2,3,4);
imshow(B4);title('canny算子检测');
subplot(2,3,5)
imshow(B5);title('log算子检测');
B1=edge(I1,'roberts');%调用roberts算子检测图像
B2=edge(I1,'sobel');%调用soble算子进行边缘检测
B3=edge(I1,'prewitt');%调用prewitt算子进行边缘检测
B4=edge(I1,'canny');%调用canny算子对图像进行边缘检测
B5=edge(I1,'log');%调用log算子对图像进行边缘检测
subplot(2,3,1);%设置图像布局
imshow(B1);title('roberts算子检测');%现实图像并命名为roberts算子检测subplot(2,3,2);
imshow(B2);title('sobel算子检测');
subplot(2,3,3);
imshow(B3);title('prewitt算子检测');
subplot(2,3,4);
imshow(B4);title('canny算子检测');
subplot(2,3,5)
imshow(B5);title('log算子检测');
mask1=[-1 -2 -1;0 0 0;1 2 1]; % 建立方向模板mask2=[-2 -1 0;-1 0 1;0 1 2];
mask3=[-1 0 1;-2 0 2;-1 0 1];
mask4=[0 1 2;-1 0 1;-2 -1 0];
mask5=[1 2 1;0 0 0;-1 -2 -1];
mask6=[2 1 0;1 0 -1;0 -1 -2];
mask7=[1 0 -1;2 0 -2;1 0 -1];
mask8=[0 -1 -2;1 0 -1;2 1 0];
I = im2double(I1); % 将数据图像转化为双精度
d1 = imfilter(I, mask1); % 计算8个领域的灰度变化d2 = imfilter(I, mask2);
d3 = imfilter(I, mask3);
d4 = imfilter(I, mask4);
d5 = imfilter(I, mask5);
d6 = imfilter(I, mask6);
d7 = imfilter(I, mask7);
d8 = imfilter(I, mask8);
dd = max(abs(d1),abs(d2)); % 取差值变化最大的元素组成灰度变化矩阵dd = max(dd,abs(d3));
dd = max(dd,abs(d4));
dd = max(dd,abs(d5));
dd = max(dd,abs(d6));
dd = max(dd,abs(d7));
dd = max(dd,abs(d8));
grad = mat2gray(dd); % 将灰度变化矩阵转化为灰度图像
level = graythresh(grad); % 计算灰度阈值
BW = im2bw(grad,level); % 用阈值分割梯度图像
BB = grad;
FW=median(BB(:))/0.6745;
B = BB.*BB;
B = sum(B(:));
FX= sqrt(B/256^2);
FS=sqrt(max(FX^2-FW^2,0));
T=sqrt(2)*FW^2/FS; % 计算最佳阈值
grad = mat2gray(BB); % 将梯度矩阵转化为灰度图像
BW2=im2bw(grad,T); % 用最佳阈值分割梯度图像
subplot(2,3,6);
imshow(BW2); % 显示分割后的图像,即边缘图像
title('加入椒盐噪声的sobel改进算子');