下载文档原格式
反映图像平均信息的参数
图像平均信息是图像理解的关键，用于把图像的每个特征抽象为一个数字。
它能准确地捕
捉图像的全部特性，形成一个特征向量，从而对复杂的图像场景进行解释。
主要有两种方法来反映图像平均信息：像素均值和像素标准标准化。
像素均值是整体图像
中每个像素点的灰度值，它是图像所有灰度值的平均值。
计算一幅图像的像素均值很容易，但它只能反映进行灰度调节后的像素值的平均值，对于复杂的图像分析任务而言，它的效
果并不好。
像素标准化是图像平均信息的另一种方法，它是将每个像素值与原始集合中所有像素值的
方差度量进行标准化，以便将图像中所有像素值均等量化到-1到1之间。
这种方法可以解决灰度调整后图像像素均值改变带来的问题，并可以更加准确地反映图像中所有像素值的
变化。
最近，研究人员还提出了一种更加有效的方法来反映图像像素的平均信息，即将灰度直方
图归一化到[0，1]之间的方法，它可以解决像素均值和标准化这两个方法所遇到的问题，
并可以提高图像检测算法的准确性和效率。
总之，图像平均信息对于图像处理和分析有着重要意义，已有的技术如像素均值和像素标
准化都可以提取图像的平均信息，而且最近被提出的灰度直方图归一化方法也可以帮助进
一步提高图像分析的准确性。
实验：计算图像的基本统计指标程序一：将图像反白I=imread('football.jpg');subplot(221);imshow(I);J=rgb2gray(I);subplot(222);imshow(J);Ave=mean2(J)SD=std2(double(J))s=size(J);all_white=255*ones(s(1),s(2));all_white_uint8=uint8(all_white);K=imsubtract(all_white_uint8,J);subplot(223);imshow(K);imwrite(K,'football_ivers.jpg');图像与结果：Ave=73.9462SD=37.1148程序二：利用imfinfo函数了解图像文件的基本信息imfinfo('football.jpg')结果：ans =Filename: 'D:\MATLAB7\toolbox\images\imdemos\football.jpg' FileModDate: '01-Mar-2001 17:52:38'FileSize: 27130Format: 'jpg'FormatVersion: ''Width: 320Height: 256BitDepth: 24ColorType: 'truecolor'FormatSignature: ''NumberOfSamples: 3CodingMethod: 'Huffman'CodingProcess: 'Sequential'Comment: {}程序三：利用corr2函数读入图像的二维相关系数I=imread('D:\others\桌面\1328601068WrNpsR.jpg');I_Gray=rgb2gray(I);subplot(221);imshow(I);subplot(223);imshow(I_Gray);J=imread('D:\others\桌面\1328601069mBgB8C.jpg');J_Gray=rgb2gray(J);subplot(222);imshow(J);subplot(224);imshow(J_Gray);rfg=corr2(I_Gray,J_Gray) %两张图片的相关系数图像与结果：rfg =0.5729程序四：确定像素的平均值，计算像素的标准偏移I=imread('D:\others\图片\p_large_Y3Z5_6720000222835c3f.jpg');subplot(211);imshow(I);J=rgb2gray(I);subplot(212);imshow(J);Ave_RGB=mean2(I) %原图片的平均值Ave_Gray=mean2(J) %灰度图片的平均值SD_RGB=std2(double(I)) %原图片的标准偏移SD_Gray=std2(double(J)) %灰度图片的标准偏移图像与结果：Ave_RGB =162.5189Ave_Gray =171.7345SD_RGB =40.3650SD_Gray =27.6878程序五：改变图像大小（imresize）Img=imread('D:\others\图片\p_large_Y3Z5_6720000222835c3f.jpg'); subplot(211);imshow(Img);Img_New=imresize(Img,[600,900]);subplot(212);imshow(Img_New);imwrite(Img_New,'D:\others\图片\p_large_Y3Z5_6720000222835c3f.jpg'); 图像与结果：程序六：旋转图像（imrotate）Img=imread('D:\others\图片\p_large_Y3Z5_6720000222835c3f.jpg'); subplot(221);imshow(Img);Img_New2=imrotate(Img,25); %将图片顺时针旋转25度subplot(222);imshow(Img_New2);imwrite(Img_New2,'D:\others\图片\p_large_Y3Z5_6720000222835c3f.jpg'); Img_New3=imrotate(Img,-25); %将照片逆时针旋转25度subplot(223);imshow(Img_New3);imwrite(Img_New3,'D:\others\图片\p_large_Y3Z5_6720000222835c3f.jpg'); 图像与结果：。
实验一图像的基本操作和基本统计指标计算一、实验目的熟悉MATLAB图像处理工具箱，在掌握MATLAB基本操作的基础上，本课程主要依靠图像处理工具箱验证和设计图像处理算法。
对于初学者来说，勤学多练、熟悉MATLAB图像处理工具箱也是学号本课程的必经之路。
了解计算图像的统计指标的方法及其在图像处理中的意义。
了解图像的几何操作，如改变图像大小、剪切、旋转等。
二、实验主要仪器设备（1）台式计算机或笔记本电脑（2）MATLAB（安装了图像处理工具箱，即Image Processing Toolbox(IPT）)（3）典型的灰度、彩色图像文件三、实验原理（1）将一幅图像视为一个二维矩阵。
（2）利用MATLAB图像处理工具箱读、写和显示图像文件。
①调用imread函数将图像文件读入图像数组（矩阵）。
例如“I=imread(‘tire.tif’);”。
其基本格式为：“A=imread(‘filename.fmt’)”，其中，A为二维矩阵，filename.为文件名，fmt 为图像文件格式的扩展名。
②调用imwrite函数将图像矩阵写入图像文件。
例如“imwrite(A,’test_image.jpg’);”。
其基本格式为“imwrite(a,filename.fmt)”。
③调用imshow函数显示图像。
例如“imshow(‘tire.tif’);”。
其基本格式为：I为图像矩阵，N为显示的灰度级数，默认时为256。
（3）计算图像有关的统计参数。
四、实验内容（1）利用MATLAB图像处理工具箱和Photoshop读、写和显示图像文件。
（2）利用MATLAB计算图像有关的统计参数。
五、实验步骤（1）利用“读图像文件I/O”函数读入图像Italy.jpg。
（2）利用“读图像文件I/O”的iminfo函数了解图像文件的基本信息：主要包括Filename(文件名)、FileModDate(文件修改时间)、Filesize(文件尺寸)、Format(文件格式)、FormatVersion （格式版本）、Width（图像宽度）、Height（图像高度）、BitDepth（每个像素的位深度）、ColorType （彩色类型）、CodingMethod（编码方法）等。
图像的数据分析图像数据分析是计算机视觉领域中的一个重要分支，它通过提取和分析图像中的数据，从而获取图像中蕴含的信息。
在图像数据分析中，常用的方法包括图像预处理、特征提取、特征选择、分类和聚类等。
图像预处理是图像数据分析的第一步，它包括图像去噪、图像增强、图像分割等。
图像去噪是为了消除图像中的噪声，提高图像质量；图像增强是为了增强图像中的某些特征，使得图像更容易被分析；图像分割是将图像分割成若干个部分，以便于分析每个部分的特征。
特征提取是图像数据分析的关键步骤，它通过提取图像中的特征，将图像转化为可分析的数字形式。
常用的特征提取方法包括边缘检测、纹理分析、形状分析等。
边缘检测是通过检测图像中的边缘，从而提取图像中的轮廓信息；纹理分析是通过分析图像中的纹理，从而提取图像中的纹理信息；形状分析是通过分析图像中的形状，从而提取图像中的形状信息。
特征选择是在特征提取的基础上，选择最有效的特征，以便于进行分类和聚类。
常用的特征选择方法包括主成分分析、线性判别分析等。
主成分分析是一种常用的特征选择方法，它通过寻找数据中的主成分，从而提取数据中的主要特征；线性判别分析是一种基于统计学的特征选择方法，它通过寻找数据中的线性判别函数，从而提取数据中的判别特征。
分类和聚类是图像数据分析的最终目的，它们通过分析图像中的特征，从而对图像进行分类和聚类。
常用的分类方法包括支持向量机、决策树、神经网络等；常用的聚类方法包括Kmeans聚类、层次聚类等。
支持向量机是一种基于统计学的分类方法，它通过寻找数据中的最优分类超平面，从而对数据进行分类；决策树是一种基于树形结构的分类方法，它通过建立树形结构，从而对数据进行分类；神经网络是一种基于人工神经网络的分类方法，它通过模拟人脑的神经元，从而对数据进行分类。
图像数据分析是一个复杂的过程，需要经过多个步骤才能完成。
通过图像数据分析，我们可以从图像中提取出有价值的信息，为图像识别、图像检索、图像等领域提供有力支持。
实验一图像的基本操作和基本统计指标计算一、实验目的熟悉MATLAB图像处理工具箱，在掌握MATLAB基本操作的基础上，本课程主要依靠图像处理工具箱验证和设计图像处理算法。
对于初学者来说，勤学多练、熟悉MATLAB图像处理工具箱也是学号本课程的必经之路。
了解计算图像的统计指标的方法及其在图像处理中的意义。
了解图像的几何操作，如改变图像大小、剪切、旋转等。
二、实验主要仪器设备（1）台式计算机或笔记本电脑（2）MATLAB（安装了图像处理工具箱，即Image Processing Toolbox(IPT）)（3）典型的灰度、彩色图像文件三、实验原理（1）将一幅图像视为一个二维矩阵。
（2）利用MATLAB图像处理工具箱读、写和显示图像文件。
①调用imread函数将图像文件读入图像数组（矩阵）。
例如“I=imread(‘tire.tif’);”。
其基本格式为：“A=imread(‘filename.fmt’)”，其中，A为二维矩阵，filename.为文件名，fmt为图像文件格式的扩展名。
②调用imwrite函数将图像矩阵写入图像文件。
例如“imwrite(A,’test_image.jpg’);”。
其基本格式为“imwrite(a,filename.fmt)”。
③调用imshow函数显示图像。
例如“imshow(‘tire.tif’);”。
其基本格式为：I为图像矩阵，N为显示的灰度级数，默认时为256。
（3）计算图像有关的统计参数。
四、实验内容（1）利用MATLAB图像处理工具箱和Photoshop读、写和显示图像文件。
（2）利用MATLAB计算图像有关的统计参数。
五、实验步骤（1）利用“读图像文件I/O”函数读入图像Italy.jpg。
（2）利用“读图像文件I/O”的iminfo函数了解图像文件的基本信息：主要包括Filename(文件名)、FileModDate(文件修改时间)、Filesize(文件尺寸)、Format(文件格式)、FormatVersion （格式版本）、Width（图像宽度）、Height（图像高度）、BitDepth（每个像素的位深度）、ColorType （彩色类型）、CodingMethod（编码方法）等。
实验一计算图像的基本统计指标一，目的a)熟悉MATLAB图像处理工具箱的使用方法。
b)了解计算机图像的统计指标的方法及其在图像处理中的意义。
二，实验条件a)微型计算机：INTEL 奔腾及更高。
b)MATLABc)典型的灰度、彩色图像文件。
三，原理a)可以将一副图像视为一个二维矩阵，因此用MATLAB处理图像是十分方便的。
b)利用MATLAB图像处理工具读、写和显示图像文件。
c)计算图像的有关统计参数。
四，实验内容a)数字图像输入/输出命令（函数）输入命令：A=imread(filename,fmt)A为二维数组，filename为文件名，ftm为图像文件格式的扩展名。
输出命令：A=imwrite(a,filename,fmt)b)计算统计指标i.图像的大小，调用函数：S=size(A)ii.图像灰度平均值，调用函数：ave=mean2（A）iii.协方差矩阵，调用函数：Cfg=cov(f,g)，计算图像f和图像g的协方差矩阵。
1.将三维图像转换为二维的灰度图2.将uint8类型强制转换为double类型，具体命令为：Cfg=cov(double(f),double(g))iv.图像的灰度标准差，调用函数：SD=std2(A)。
v.图像的相关系数，调用函数：rfg=corr2(f,g),可以计算大小相等的两幅图像f和g的相关系数。
五，步骤1.计算图像的有关参数a)调用imread函数将图像矩阵写入图像文件I=imread(‘wdz.jpg’)Subplot(2,2,1);imshow(I) //将多个子图放在一个图上b)将图像转换为灰度图像J=rgb2gray(I)Subplot(2,2,2);imshow(I)c)计算图像统计参数指标Ave=mean2(J) %图像平均灰度计算SD=std2(double(J)) %图像的灰度标准差计算s=size(J);all_white=255*ones(s(1),s(2)); %设置全部为白色灰度255all_white_uint8=uint8(all_white); %将double类型矩阵转换为unit8类型矩阵K=imsubtract(all_white_unit8,J); %图像相减的反白图像Kd)显示处理的结果并保存subplot(2,2,3);imshow(K);imwrite(K,’wdz_inverse.jpg’)2.协方差矩阵的计算a) 读取两张大小相同的图像I=imread('1.jpg')P=imread('2.jpg')b)将图像转换为灰度图像I=rgb2gray(I)P=rgb2gray(P)c)调用函数Cfg=cov(I,K),计算图像I,P的协方差矩阵。
信息工程学院实验报告课程名称：数字图像处理Array实验项目名称：实验二图像基本运算实验时间：2016.10.9班级：姓名：学号：一、实验目的1.理解图像点运算、代数运算、几何运算的基本定义和常见方法；2.掌握在MTLAB中对图像进行点运算、代数运算、几何运算的方法；3.掌握在MATLAB中进行插值的方法4.运用MATLAB语言进行图像的插值缩放和插值旋转5.进一步熟悉了解MATLAB语言的应用。
二、实验设备与软件1.PC计算机系统2.MATLAB软件，包括图像处理工具箱(Image Processing Toolbox)3.实验图片三、实验内容及结果分析3.1图像的点运算选择pout.tif作为实验图像，实验原理及内容参照《数字图像处理及MATLAB实现――学习与实验指导书》3.5.1图像的点运算。
程序代码：I=imread('pout.tif');figure;subplot(1,3,1);imshow(I);title('原图');J=imadjust(I,[0.3;0.6],[0.1;0.9]);subplot(1,3,2);imshow(J);title('线性扩展');I1=double(I);I2=I1/255;C=2;K=C*log(1+I2);subplot(1,3,3);imshow(K);title('非线性扩展');M=255-I;figure;subplot(1,3,1);imshow(M);title('灰度倒置');N1=im2bw(I,0.4);N2=im2bw(I,0.7);subplot(1,3,2);imshow(N1);title('二值化阈值0.4');subplot(1,3,3);imshow(N2);title('二值化阈值0.7');执行结果：原图线性扩展非线性扩展灰度倒置二值化阈值0.4二值化阈值0.7实验1结果图3.2图像的代数运算选择两幅图像，一幅是原图像，一幅为背景图像，采用正确的图像代数运算方法，分别实现图像叠加、混合图像的分离和图像的局部显示效果。
