图像分割 实验报告

数字图像处理实验报告实验一数字图像处理编程基础一、实验目的1. 了解MATLAB图像处理工具箱；2. 掌握MATLAB的基本应用方法；3. 掌握MATLAB图像存储/图像数据类型/图像类型；4. 掌握图像文件的读/写/信息查询；5. 掌握图像显示--显示多幅图像、4种图像类型的显示方法；6. 编程实现图像类型间的转换。

二、实验内容1. 实现对图像文件的读/写/信息查询，图像显示--显示多幅图像、4种图像类型的显示方法、图像类型间的转换。

2. 运行图像处理程序，并保存处理结果图像。

三、源代码I=imread('cameraman.tif')imshow(I);subplot(221),title('图像1');imwrite('cameraman.tif')M=imread('pout.tif')imview(M)subplot(222),imshow(M);title('图像2');imread('pout.bmp')N=imread('eight.tif')imview(N)subplot(223),imshow(N);title('图像3');V=imread('circuit.tif')imview(V)subplot(224),imshow(V);title('图像4');N=imread('C:\Users\Administrator\Desktop\1.jpg')imshow(N);I=rgb2gary(GRB)[X.map]=gary2ind(N,2)RGB=ind2 rgb(X,map)[X.map]=gary2ind(I,2)I=ind2 gary(X,map)I=imread('C:\Users\dell\Desktop\111.jpg');subplot(231),imshow(I);title('原图');M=rgb2gray(I);subplot(232),imshow(M);[X,map]=gray2ind(M,100);subplot(233),imshow(X);RGB=ind2rgb(X,map);subplot(234),imshow(X);[X,map]=rbg2ind(I);subplot(235),imshow(X);四、实验效果实验二 图像几何变换实验一、实验目的1．学习几种常见的图像几何变换，并通过实验体会几何变换的效果；2．掌握图像平移、剪切、缩放、旋转、镜像等几何变换的算法原理及编程实现；3．掌握matlab 编程环境中基本的图像处理函数。

《数字图像处理实验报告》实验一图像的增强一.实验目的1.熟悉图像在MATLAB下的读写、输出；2.熟悉直方图；3.熟悉图像的线性指数等；4.熟悉图像的算术运算和几何变换。

二.实验仪器计算机、MATLAB软件三.实验原理图像增强是指根据特定的需要突出图像中的重要信息，同时减弱或去除不需要的信息。

从不同的途径获取的图像，通过进行适当的增强处理，可以将原本模糊不清甚至根本无法分辨的原始图像处理成清晰的富含大量有用信息的可使用图像。

其基本原理是：对一幅图像的灰度直方图，经过一定的变换之后，使其成为均匀或基本均匀的，即使得分布在每一个灰度等级上的像素个数．f=H等或基本相等。

此方法是典刑的图像空间域技术处理，但是由于灰度直方图只是近似的概率密度函数，因此，当用离散的灰度等级做变换时，很难得到完全平坦均匀的结果。

频率域增强技术频率域增强是首先将图像从空间与变换到频域，然后进行各种各样的处理，再将所得到的结果进行反变换，从而达到图像处理的目的。

常用的变换方法有傅里叶变换、DCT变换、沃尔什-哈达玛变换、小波变换等。

假定原图像为f(x，y)，经傅立叶变换为F(u，v)。

频率域增强就是选择合适的滤波器H(u,v)对F(u,v)的频谱成分进行处理，然后经逆傅立叶变换得到增强的图像。

四.实验内容及步骤1.图像在MATLAB下的读写、输出；实验过程：>> I = imread('F:\image\');figure;imshow(I);title('Original Image');text(size(I,2),size(I,1)+15, ...'', ...'FontSize',7,'HorizontalAlignment','right');Warning: Image is too big to fit on screen; displaying at 25% > In imuitools\private\initSize at 86In imshow at 1962.给定函数的累积直方图。

数字图像处理实验指导书目录实验一MATLAB数字图像处理初步实验二图像的代数运算实验三图像增强-空间滤波实验四图像分割3实验一 MATLAB数字图像处理初步一、实验目的与要求1．熟悉及掌握在MATLAB中能够处理哪些格式图像。

2．熟练掌握在MATLAB中如何读取图像。

3．掌握如何利用MATLAB来获取图像的大小、颜色、高度、宽度等等相关信息。

4．掌握如何在MATLAB中按照指定要求存储一幅图像的方法。

5．图像间如何转化。

二、实验原理及知识点1、数字图像的表示和类别一幅图像可以被定义为一个二维函数f(x,y),其中x和y是空间(平面)坐标，f 在任何坐标处(x,y)处的振幅称为图像在该点的亮度。

灰度是用来表示黑白图像亮度的一个术语，而彩色图像是由单个二维图像组合形成的。

例如，在RGB彩色系统中，一幅彩色图像是由三幅独立的分量图像(红、绿、蓝)组成的。

因此，许多为黑白图像处理开发的技术适用于彩色图像处理，方法是分别处理三副独立的分量图像即可。

图像关于x和y坐标以及振幅连续。

要将这样的一幅图像转化为数字形式，就要求数字化坐标和振幅。

将坐标值数字化成为取样；将振幅数字化成为量化。

采样和量化的过程如图1所示。

因此，当f的x、y分量和振幅都是有限且离散的量时，称该图像为数字图像。

作为MATLAB基本数据类型的数值数组本身十分适于表达图像，矩阵的元素和图像的像素之间有着十分自然的对应关系。

图1 图像的采样和量化根据图像数据矩阵解释方法的不同，MA TLAB把其处理为4类：➢亮度图像(Intensity images)➢二值图像(Binary images)➢索引图像(Indexed images)➢RGB图像(RGB images)(1) 亮度图像一幅亮度图像是一个数据矩阵，其归一化的取值表示亮度。

若亮度图像的像素都是uint8类或uint16类，则它们的整数值范围分别是[0，255]和[0，65536]。

若图像是double类，则像素取值就是浮点数。

《数字图像处理》实验报告班级：信计0901学号：090350126姓名：王芸芸河北工程大学理学院2012年10月8日实验一：图像的基本操作一、 实验内容1.采用imread()函数读出图像；2.利用rgb2gray()函数将RGB 图像转成灰度图像以备处理；3.显示原图像与转换后的灰度图像，并作对比。

4.将灰度图像转换成二值图像，首先自行选取阈值转换，再使用函数i m2bw()转换，将二者结果图作对比；5.将上述过程中的灰度图像与二值图像保存；6.利用数组运算将图像反转显示，并剪切出3030 大小的一块区域，显示查看。

二、 实验结果及说明 3原图像与灰度图像对比5将灰度图转换成二值图7将图像反转结果图像30*30区域三、实验代码i=imread('C:\Program Files\MATLAB71\work\zhang1.jpg')F=rgb2gray(i);imshow(i)figure,imshow(F)imwrite(F,'C:\Program Files\MATLAB71\work\zhang12.bmp');Fbw=im2bw(F);figure,imshow(Fbw)T=100;Fbw2=F>100;figure,imshow(Fbw2)imwrite(Fbw,'C:\Program Files\MATLAB71\work\zhang13.bmp');imwrite(Fbw2,'C:\Program Files\MATLAB71\work\zhang14.bmp');Fp=F(end:-1:1,end:-1:1);figure,imshow(Fp)imwrite(Fp,'C:\ProgramFiles\MATLAB71\work\zhang15.bmp');Fm=Fp(150:180,150:180);imshow(Fm)imwrite(Fm,'C:\ProgramFiles\MATLAB71\work\zhang16.bmp');实验二：直方图图像增强一、实验内容1.计算一幅灰度图像的直方图；2.对图像进行简单的灰度线性拉伸变换；3.采用直方图均衡化的方法进行图像增强；二、实验结果及说明1.原图2.直方图均衡化，图像增强后对比观察三、 实验代码i=imread('C:\Program Files\MATLAB71\work\zhang2.jpg') imshow(F) imhist(F) J=histeq(F); imshow(F)figure,imshow(J)figure,imhist(F);figure,imhist(J);实验三：图像模板运算一、实验内容1．将实验图像转成灰度图；2．构造两个邻域平均模板，一个3×3，一个9×9。

数字图像处理实验一 MATLAB数字图像处理初步一、显示图像1．利用imread( )函数读取一幅图像，假设其名为lily.tif，存入一个数组中；2．利用whos 命令提取该读入图像flower.tif的基本信息；3．利用imshow()函数来显示这幅图像；实验结果如下图：源代码：>>I=imread('lily.tif')>> whos I>> imshow(I)二、压缩图像4．利用imfinfo函数来获取图像文件的压缩，颜色等等其他的详细信息；5．利用imwrite()函数来压缩这幅图象，将其保存为一幅压缩了像素的jpg文件,设为lily.jpg；语法：imwrite(原图像，新图像，‘quality’,q), q取0-100。

6．同样利用imwrite()函数将最初读入的tif图象另存为一幅bmp图像，设为flily.bmp。

7．用imread()读入图像Sunset.jpg和Winter.jpg；8．用imfinfo()获取图像Sunset.jpg和Winter.jpg的大小；9．用figure,imshow()分别将Sunset.jpg和Winter.jpg显示出来，观察两幅图像的质量。

其中9的实验结果如下图：源代码：4~6(接上面两个) >>I=imread('lily.tif')>> imfinfo 'lily.tif'；>> imwrite(I,'lily.jpg','quality',20);>> imwrite(I,'lily.bmp');7~9 >>I=imread('Sunset.jpg');>>J=imread('Winter.jpg')>>imfinfo 'Sunset.jpg'>> imfinfo 'Winter.jpg'>>figure(1),imshow('Sunset.jpg')>>figure(2),imshow('Winter.jpg')三、二值化图像10．用im2bw将一幅灰度图像转化为二值图像，并且用imshow显示出来观察图像的特征。

图像分割算法的研究的开题报告一、选题背景图像分割是计算机视觉领域中的一个重要分支，它的目标是将图像分成若干个部分或区域，每个部分或区域可以代表图像中的不同对象或区域。

目前，图像分割已经被广泛应用于机器视觉、自然语言处理、医学图像分析、智能交通等领域。

然而，由于图像的复杂性和多样性，有效的图像分割算法一直是计算机视觉领域的一个重要研究课题。

因此，本文将探讨图像分割算法的研究，并对其进行深入分析和研究。

二、选题目的和意义图像分割算法是计算机视觉领域的一个核心问题，它不仅可以用于目标检测和识别，还可以用于图像处理、图像识别等相关领域。

因此，本文的目的是探索图像分割算法的研究，深入分析算法的优缺点，并提出一种改进的算法。

本文研究的结果可以为计算机视觉领域的相关研究和开发提供参考，同时也可以为未来的医疗、智能交通等领域带来越来越多的创新和应用。

因此，本文具有重要的理论和实践意义。

三、研究内容和方法本文将从以下几个方面对图像分割算法进行研究：1. 了解和分析目前常用的图像分割算法，并比较它们的优缺点；2. 探讨图像分割算法的基本原理和数学模型；3. 提出一种改进的图像分割算法，并对其进行测试和评估；4. 分析和总结算法改进的效果和局限性。

在研究方法方面，本文将采用文献调查、实验和数学建模等方法。

通过对已有研究成果的分析和总结，我们可以提出一种改进的算法，并通过实验验证其可行性和优越性。

四、论文预期成果本文预期的成果包括：1. 对目前常用的图像分割算法进行分析和比较，并总结其优缺点；2. 对图像分割算法的基本原理和数学模型进行探讨和分析；3. 提出一种改进的图像分割算法，并对其进行测试和评估；4. 分析和总结算法改进的效果和局限性，并提出未来的研究方向。

五、研究进度安排1. 第一周：对图像分割算法的历史和现状进行调研，并撰写相关调研报告。

2. 第二周：研究和分析常用的图像分割算法，并撰写比较和总结报告。

3. 第三周：探讨图像分割算法的基本原理和数学模型，并撰写研究报告。

第1篇一、实验背景与目的随着遥感技术的不断发展，遥感影像已成为获取地球表面信息的重要手段。

遥感影像处理是对遥感影像进行一系列技术操作，以提高影像质量、提取有用信息的过程。

本实验旨在通过实践操作，让学生掌握遥感影像处理的基本原理和常用方法，提高学生对遥感影像数据的应用能力。

二、实验内容与步骤本次实验主要包括以下内容：1. 数据准备：获取实验所需的遥感影像数据，包括光学影像、红外影像等。

2. 影像预处理：对原始遥感影像进行辐射校正、几何校正、图像增强等处理。

3. 影像分割：对预处理后的影像进行分割，提取感兴趣的目标区域。

4. 影像分类：对分割后的影像进行分类，识别不同的地物类型。

5. 结果分析：对分类结果进行分析，评估分类精度。

三、实验步骤1. 数据准备- 获取实验所需的遥感影像数据，包括光学影像、红外影像等。

- 确保影像数据具有较好的质量和分辨率。

2. 影像预处理- 辐射校正：对原始遥感影像进行辐射校正，消除大气、传感器等因素对影像辐射强度的影响。

- 几何校正：对原始遥感影像进行几何校正，消除地形起伏、地球曲率等因素对影像几何形状的影响。

- 图像增强：对预处理后的影像进行图像增强，提高影像对比度、清晰度等。

3. 影像分割- 选择合适的分割方法，如基于阈值分割、基于区域生长分割、基于边缘检测分割等。

- 对预处理后的影像进行分割，提取感兴趣的目标区域。

4. 影像分类- 选择合适的分类方法，如监督分类、非监督分类等。

- 对分割后的影像进行分类，识别不同的地物类型。

5. 结果分析- 对分类结果进行分析，评估分类精度。

- 分析分类结果中存在的问题，并提出改进措施。

四、实验结果与分析1. 影像预处理结果- 经过辐射校正、几何校正和图像增强处理后，遥感影像的质量得到显著提高，对比度、清晰度等指标明显改善。

2. 影像分割结果- 根据实验所采用的分割方法，成功提取了感兴趣的目标区域，分割效果较好。

3. 影像分类结果- 通过选择合适的分类方法，对分割后的影像进行分类，成功识别了不同的地物类型。

基于SVM算法的图像分割技术研究图像分割是图像处理领域中一项重要的任务，它可以将一幅图像按照不同的特征或者语义划分成多个不同的区域，为后续的图像分析和理解提供基础。

目前，图像分割技术已经广泛应用于医疗、机器视觉、航空航天等领域，而支持向量机（SVM）是一种优秀的分类算法，常常被应用于图像分割领域。

本文将重点讨论基于SVM算法的图像分割技术研究。

一、图像分割概述如今，图像分割技术已经成为图像处理和计算机视觉领域的重要组成部分。

图像分割可以将一幅图像中的不同对象或者区域分开，并将其赋予不同的语义标签，如前景和背景，从而更好地进行后续处理。

此外，图像分割还被广泛应用于图像检索、图像压缩、图像增强等方面。

目前，图像分割算法可以分为基于阈值的方法、基于边缘检测的方法、区域生长法、分水岭算法等。

其中，基于SVM算法的图像分割方法近年来得到了广泛应用。

二、SVM算法SVM（Support Vector Machines）是一种基于统计学习理论的分类算法。

它通过将数据映射到高维空间中，使得数据变得线性可分，然后寻找能够分隔不同类别数据的最优超平面。

SVM通过最小化结构风险和经验风险的差异，来实现最小化分类误差率。

在实际应用中，可以通过核函数将SVM扩展到非线性分类问题中。

三、基于SVM算法的图像分割方法基于SVM算法的图像分割方法主要是将图像分成两类，即前景和背景，其中区分的依据是像素的特征值。

一般情况下，我们可以通过确定两个类的训练样本集，利用SVM算法进行训练和分类，来实现对图像的分割。

在具体实践中，基于SVM算法的图像分割方法主要包括以下步骤：1. 获取训练样本为了训练分类器，需要获取训练样本。

通常情况下，可以通过手动标注或者自动标注的方式获得前景和背景样本。

对于手动标注，需要通过人工标出像素点所属的类别，而自动标注则利用已知的信息推断未知像素的类别。

2. 特征提取特征提取是基于SVM算法图像分割的核心步骤。

第一章绪论1.1课题的研究背景及意义随着信息技术的开展和不断深入，人们越来越多的利用计算机来帮助人类获取与处理各种信息。

据统计，在人类从外界获得的信息中有75%左右是来自视觉或者说图像信息，它是人类最有效的信息获取和交流方式，图像也因为其所含的信息量大、表现直观而在近年得到的广为宣传和应用的多媒体中占据了重要的地位。

图像分割是一种根本的计算机视觉技术，是从图像处理到图像分析的关键步骤。

图像分割就是将图像表示为物理上有意义的连通区域的集合，是进行图像分析的第一步工作，也是解决起来比较困难的一个问题。

对于那些基于图像分割结果的接下来的任务，如特征提取、目标识别等的质量的好坏都取决于是否有一个质量比较好的图像分割结果，有效合理的图像分割能够为基于内容的图像检索、对象分析等抽象出十分有用的信息，从而使得更高层的图像理解成为可能[1]。

1.1.1图像分割在数字图像处理中的地位为了弄清图像分割在数字图像处理中所处的地位，我们引入并使用“图像工程〞这个概念。

图像技术在广义上是各种与图像有关技术的总称。

图像技术种类很多，跨度很大，但可以将它们归在一个整体框架一一“图像工程〞之下。

图像工程是一个对整个图像领域进行研究应用的新科学，它的内容非常丰富，根据抽象程度和研究方法等的不同可分为三个有特点的层次〔如图1-1所示〕：图像处理、图像分析和图像理解[2]。

图1-1图像分割在图像工程中的位置图像处理着重强调在图像之间进行变换以改善图像的视觉效果。

图像分析那么主要是对图像中感兴趣的目标进行监测和测量，以获得它们的客观信息从而建立对图像的描述。

图像理解的重点是在图像分析的根底上，进一步研究图像中各目标的性质和它们之间的相互联系，并得出对原始成像客观场景的解释，从而指导和规划行动。

图像处理、图像分析和图像理解具有不同的操作对象，参考图1-1图像处理是比较低层的操作，它主要在图像像素级上进行处理。

图像分析那么进入了中层，它侧重于对像素集合到目标的表达测量描述。

基于颜色的计算机图像分割方法研究一、引言计算机视觉是一门涉及图像处理、图像分析、模式识别等多学科交叉的学科，是人工智能的重要分支，近年来受到了越来越广泛的关注。

图像分割作为计算机视觉领域的重要研究方向之一，是指将图像中的物体或背景根据其特征分离出来，是计算机视觉中的一个基础问题。

二、颜色在图像分割中的应用颜色是图像中最直观的特征，因此在图像分割中广泛应用。

颜色空间一般分为RGB、HSV、LAB等几种，每种颜色空间的构成和使用方式有所不同，因此在图像分割时需要根据实际情况选择不同的颜色空间。

基于颜色的图像分割方法主要通过计算像素之间的颜色相似度来确定图像中的不同区域。

常用的方法包括基于阈值的分割、基于聚类的分割、基于区域生长的分割等。

三、基于阈值的分割方法基于阈值的分割方法是基于像素之间的颜色差异来划分图像区域。

最常见的方法是全局阈值分割，即通过确定一个阈值进行二值化分割，将像素分为目标和背景两类。

该方法简单易用，但其缺点是对于不同光照、噪音等条件下的图像效果较差。

针对此问题，也可以采用自适应阈值分割方法，即在每个像素周围的小窗口内计算局部阈值，并根据该局部阈值进行分割，在一定程度上提高了分割效果。

四、基于聚类的分割方法基于聚类的分割方法是将颜色相近的像素划分为一个区域，常用算法有K均值聚类、直方图聚类等。

其中，K均值聚类是一种简单有效的聚类方法，将像素分为K类，直到所有像素都属于某一类为止，该聚类结果即为最终的分割结果。

K均值聚类的优点是分割速度快，但其不足之处是对于不同形状的目标分割效果不佳。

五、基于区域生长的分割方法基于区域生长的分割方法是从像素相似性的角度出发，将相似的像素进行生长，生长成为一个区域。

该方法的优点是对于复杂的目标形状都能分割出较好的效果，但其不足之处是对于光照、噪音等干扰因素容错性不强。

六、结论基于颜色的图像分割方法是计算机视觉中一种简单有效的方法，但其在实际应用中需要结合具体情况来进行选择。