数字图像处理实验报告——图像分割实验

实验报告课程名称数字图像处理导论专业班级_＿____＿＿_＿___＿_姓名 __＿___＿_____＿__学号___＿＿_____＿____电气与信息学院与谐勤奋求就是创新一．实验目得1.理解图像分割得基本概念;2.理解图像边缘提取得基本概念；3.掌握进行边缘提取得基本方法；4.掌握用阈值法进行图像分割得基本方法.二。

实验内容1.分别用Roｂerｔs，Ｓobel与拉普拉斯高斯算子对图像进行边缘检测。

比较三种算子处理得不同之处；2.设计一个检测图1中边缘得程序，要求结果类似图2，并附原理说明。

3.任选一种阈值法进行图像分割、图1 图２三．实验具体实现1.分别用Robｅrts,Ｓobel与拉普拉斯高斯算子对图像进行边缘检测。

比较三种算子处理得不同之处；I=ｉｍreａｄ(’ｍｒi、ｔｉｆ');imshｏw（Ｉ)BW1=edgｅ（I，’ｒoｂerｔs’）;ｆigure ，ｉｍshow（BＷ1）,titlｅ(’用Robeｒｔs算子’)ＢW2=edgｅ(Ｉ，’sｏbel’);ｆigure,imshoｗ（BW2），ｔitle（’用Sｏbｅl算子 ')BW３＝ｅdge(I，’log’);figure，iｍshｏw（BW３)，titlｅ(’用拉普拉斯高斯算子’）比较提取边缘得效果可以瞧出,sｏbｅr算子就是一种微分算子,对边缘得定位较精确,但就是会漏去一些边缘细节.而Ｌaplaｃｉan—Gaussiaｎ算子就是一种二阶边缘检测方法，它通过寻找图象灰度值中二阶过零点来检测边缘并将边缘提取出来，边缘得细节比较丰富。

通过比较可以瞧出Ｌａplaciaｎ-Gauｓsｉan算子比sobeｒ算子边缘更完整，效果更好。

2.设计一个检测图1中边缘得程序，要求结果类似图2，并附原理说明.i=ｉmread（＇m８3、ｔif’）;subplｏｔ（１，2,1）；ｉmｈｉst（i）;ｔitle（'原始图像直方图'）;thread＝1３０/２5５；subplot（1，２，2);ｉ3=ｉｍ2bｗ(i，thrｅaｄ）；imsｈow（i3)；titlｅ('分割结果’);3.任选一种阈值法进行图像分割、i=iｍread（'tｒｅes、tif’）;subploｔ（１,2,1）；imｈist（i)；ｔitle（＇原始图像直方图’)；threａd=10０/２5５；sｕｂploｔ（１，2,2）;i3=iｍ2bｗ(i,thread）;imｓhow（i３）;titlｅ('分割结果’)1、分别用Robｅrts，Sobel与拉普拉斯高斯算子对图像进行边缘检测。

《数字图像处理》图像恢复和图像分割实验1.实验目的1、熟悉并掌握MATLAB 图像处理工具箱的使用；2、理解并掌握常用的图像的恢复和分割技术。

2.实验环境MATLAB 6.5 以上版本、WIN XP 或 WIN2000 计算机3、实验内容与要求1、采用三种不同算子检测图像边缘，显示结果。

i=imread('C:\Users\skr\Desktop\lra.png')BW1 = edge(I,'prewitt');BW2 = edge(I,'zerocross');BW3 = edge(I,'canny');subplot(2,2,1);imshow(i);title('原图像-李荣桉 1909290239')subplot(2,2,2);imshow(BW1);title('prewitt 边缘图-李荣桉 1909290239')subplot(2,2,3);imshow(BW2);title('zerocross 边缘图-李荣桉 1909290239')subplot(2,2,4);imshow(BW3);title('canny 边缘图-李荣桉 1909290239')2、对二值图像分别进行方形模板3*3 和5*5 的膨胀和腐蚀操作，显示结果a=imread('C:\Users\skr\Desktop\lra.png')i = rgb2gray(a)I = im2bw(a,0.5)se3 = strel('disk',3);erodedBW1 = imerode(I,se3);se4 = strel('disk',5);erodedBW2 = imerode(I,se4);se1 = strel('ball',3,3);I1 = imdilate(a,se1);se2 = strel('ball',5,5);I2 = imdilate(a,se2);subplot(2,2,1);imshow(I1);title('3*3 膨胀图像-李荣桉 1909290239')subplot(2,2,2);imshow(I2);title('5*5 膨胀图像-李荣桉 1909290239')subplot(2,2,3);imshow(erodedBW1);title('3*3 腐蚀图像-李荣桉 1909290239') subplot(2,2,4);imshow(erodedBW2);title('5*5 腐蚀图像-李荣桉 1909290239')3、完成图像的阈值分割与边缘检测。

信息工程学院实验报告课程名称：数字图像处理实验项目名称：实验六图像分割实验时间：班级：姓名：学号：一、实验目的1. 使用MatLab 软件进行图像的分割。

使学生通过实验体会一些主要的分割算子对图像处理的效果，以及各种因素对分割效果的影响。

2. 要求学生能够自行评价各主要算子在无噪声条件下和噪声条件下的分割性能。

能够掌握分割条件(阈值等)的选择。

完成规定图像的处理并要求正确评价处理结果，能够从理论上作出合理的解释。

二、实验内容与步骤1.边缘检测(1)使用Roberts 算子的图像分割实验调入并显示图像room.tif图像；使用Roberts 算子对图像进行边缘检测处理；Roberts 算子为一对模板：（a）450方向模板（b）1350方向模板图 1 matlab 2010的Roberts算子模板相应的矩阵为：rh = [0 1；-1 0]；rv = [1 0；0 -1]；这里的rh 为45度Roberts 算子，rv 为135度Roberts 算子。

分别显示处理后的45度方向和135方向的边界检测结果；用“欧几里德距离”和“街区距离”方式计算梯度的模，并显示检测结果；对于检测结果进行二值化处理，并显示处理结果。

提示：先做检测结果的直方图，参考直方图中灰度的分布尝试确定阈值；应反复调节阈值的大小，直至二值化的效果最为满意为止。

(2)使用Prewitt 算子的图像分割实验（a）水平模型（b）垂直模板图2. Prewitt算子模板使用Prewitt 算子进行内容(1)中的全部步骤。

(3)使用Sobel 算子的图像分割实验使用Sobel（a）水平模型（b）垂直模板图3. Sobel算子模板(4)使用LoG (拉普拉斯-高斯)算子的图像分割实验使用LoG (拉普拉斯-高斯)算子进行内容(1)中的全部步骤。

提示1：处理后可以直接显示处理结果，无须另外计算梯度的模。

提示2：注意调节噪声的强度以及LoG (拉普拉斯-高斯)算子的参数，观察处理结果。

图像分割处理实验报告1. 引言图像分割是计算机视觉中的重要任务之一，其目标是将图像划分成具有相似特征的子区域。

图像分割在很多应用领域中都有着广泛的应用，比如医学影像分析、目标检测和图像编辑等。

本实验旨在探索不同的图像分割算法，并比较它们在不同场景下的效果和性能。

2. 实验方法2.1 实验数据本实验选取了一组包含不同场景的图像作为实验数据集，包括自然景观、人物肖像和城市街景等。

每张图像的分辨率为500x500像素。

2.2 实验算法本实验使用了两种经典的图像分割算法进行比较，分别是基于阈值的分割和基于边缘的分割。

2.2.1 基于阈值的分割基于阈值的分割算法是一种简单而直观的方法，其原理是根据像素值的亮度信息将图像分割成不同的区域。

在本实验中，我们将图像的灰度值与一个事先设定的阈值进行比较，如果大于阈值则设为白色，否则设为黑色，从而得到分割后的图像。

2.2.2 基于边缘的分割基于边缘的分割算法利用图像中的边缘信息进行分割，其原理是检测图像中的边缘并将其作为分割的依据。

在本实验中，我们使用了Canny边缘检测算法来提取图像中的边缘信息，然后根据边缘的位置进行分割。

2.3 实验流程本实验的流程如下：1. 加载图像数据集；2. 对每张图像分别应用基于阈值的分割算法和基于边缘的分割算法；3. 计算分割结果和原始图像之间的相似度，使用结构相似性指标（SSIM）进行评估；4. 分析并比较两种算法在不同场景下的分割效果和性能。

3. 实验结果3.1 分割效果实验结果表明，基于阈值的分割算法在处理简单场景的图像时效果较好，可以比较准确地将图像分割为目标区域和背景。

然而，当图像的复杂度增加时，基于阈值的分割算法的效果明显下降，往往会产生较多的误分割。

相比之下，基于边缘的分割算法在处理复杂场景的图像时表现良好。

通过提取图像的边缘信息，该算法能够较准确地分割出图像中的目标区域，相比于基于阈值的分割算法，其产生的误分割较少。

3.2 性能评估通过计算分割结果和原始图像之间的SSIM指标，我们可以得到两种算法在不同场景下的性能评估。

图像分割实验报告《图像分割实验报告》摘要：图像分割是计算机视觉领域的重要研究方向，它在许多领域都有着重要的应用价值。

本实验旨在探究图像分割算法在不同场景下的表现，并对比不同算法的优缺点，为图像分割技术的进一步发展提供参考。

一、实验背景图像分割是指将图像划分成若干个具有独立语义的区域的过程。

图像分割技术在医学影像分析、自动驾驶、图像识别等领域都有着广泛的应用。

因此，对图像分割算法的研究和优化具有重要意义。

二、实验目的本实验旨在通过对比不同图像分割算法在不同场景下的表现，探究其优劣，并为图像分割技术的进一步发展提供参考。

三、实验内容1. 数据准备：收集不同场景下的图像数据，包括自然景观、医学影像、交通场景等。

2. 算法选择：选择常用的图像分割算法，如基于阈值的分割、边缘检测、区域生长等。

3. 实验设计：将不同算法应用于不同场景的图像数据上，对比它们的分割效果和计算速度。

4. 结果分析：对比不同算法的优缺点，并分析其适用场景和改进空间。

四、实验结果通过实验我们发现，在自然景观图像中，基于阈值的分割算法表现较好，能够有效地将图像分割成不同的颜色区域；而在医学影像中，边缘检测算法表现更为出色，能够准确地识别出器官的边缘；在交通场景中，区域生长算法表现较好，能够有效地区分不同的交通标志和车辆。

五、结论不同的图像分割算法在不同场景下有着不同的表现，没有一种算法能够适用于所有场景。

因此，我们需要根据具体的应用场景选择合适的图像分割算法，或者结合多种算法进行优化，以达到更好的分割效果。

六、展望未来，我们将继续探究图像分割算法的优化和改进，以适应不同场景下的需求。

同时，我们还将研究图像分割算法在深度学习和人工智能领域的应用，为图像分割技术的发展贡献力量。

通过本次实验，我们对图像分割算法有了更深入的了解，也为其在实际应用中的选择提供了一定的指导。

希望我们的研究能够为图像分割技术的发展做出一定的贡献。

一、实验目的：1.学会对图像进行二值化处理和直方图均衡化处理2.进一步了解数字图像处理的知识以及matlab软件的使用3.掌握基本的查资料方法二、实验内容把这幅图像分成同样大小的10幅人脸图片然后分别对第一行5幅人脸图像的第3 第4 第5 第二行5幅人脸图像的第1 第5 进行如下处理：1.进行大津法阈值分割的二值化处理2.进行直方图均衡化处理三、实验具体代码以及结果1.实验代码%clcclearsrc_path='D:\histogram matching.bmp'; %原始图片路径dst_path='D:\picture\'; %分割图片后保存路径mkdir(dst_path);A = imread(src_path); %读入原始图片[m,n,l] = size(A); %获得尺寸for i = 1:2for j = 1:5m_start=1+(i-1)*fix(m/2);m_end=i*fix(m/2);n_start=1+(j-1)*fix(n/5);n_end=j*fix(n/5);AA=A(m_start:m_end,n_start:n_end,:); %将每块读入矩阵imwrite(AA,[dst_path num2str(i) '-' num2str(j) '.jpg'],'jpg'); %保存每块图片endendcd 'D:\pic'x1=imread('1-3.jpg');%%%%%%%%%目标读取图像x2=imread('1-4.jpg');x3=imread('1-5.jpg');x4=imread('2-1.jpg');x5=imread('2-5.jpg');% matlab 自带的自动确定阈值的方法level1=graythresh(x1);level2=graythresh(x2);level3=graythresh(x3);level4=graythresh(x4);level5=graythresh(x5);%用得到的阈值直接对图像进行二值化处理并显示BW1=im2bw(x1,level1);BW2=im2bw(x2,level2);BW3=im2bw(x3,level3);BW4=im2bw(x4,level4);BW5=im2bw(x5,level5);figure(1),imshow(BW1);figure(2),imshow(BW2);figure(3),imshow(BW3);figure(4),imshow(BW4);figure(5),imshow(BW5);%直方图均衡化处理%%%%%%%%%%调用直方图均衡化函数 histeq（）%%%%%均衡化处理后的灰度级直方图分布figure(6),imhist(histeq(rgb2gray(x1))); figure(7),imhist(histeq(rgb2gray(x2))); figure(8),imhist(histeq(rgb2gray(x3))); figure(9),imhist(histeq(rgb2gray(x4))); figure(10),imhist(histeq(rgb2gray(x5)));%%%均衡化处理后的图像%%%%%%figure(11),imshow(histeq(rgb2gray(x1))); figure(12),imshow(histeq(rgb2gray(x2))); figure(13),imshow(histeq(rgb2gray(x3))); figure(14),imshow(histeq(rgb2gray(x4))); figure(15),imshow(histeq(rgb2gray(x5)));。

信息工程学院实验报告课程名称：数字图像处理 实验项目名称:实验六 图像分割 实验时间：2０16、１2、16班级: 姓名： 学号：一、实验目得1、 使用Ｍat Ｌa ｂ 软件进行图像得分割。

使学生通过实验体会一些主要得分割算子对图像处理得效果，以及各种因素对分割效果得影响。

２、 要求学生能够自行评价各主要算子在无噪声条件下与噪声条件下得分割性能。

能够掌握分割条件(阈值等)得选择。

完成规定图像得处理并要求正确评价处理结果，能够从理论上作出合理得解释。

二、实验内容与步骤1、边缘检测(１）使用Roberts 算子得图像分割实验调入并显示图像r ｏｏｍ、tif 图像；使用Ro ｂerts 算子对图像进行边缘检测处理； Ｒo ｂer ｔs 算子为一对模板:（a)45０方向模板 (b)１350方向模板图 1 mat ｌab ２0１０得Ro ｂerts 算子模板相应得矩阵为:ｒh = ［０ １;—1 ０］； rv = [1 ０;0 -１］；这里得rh 为45度Ｒob ｅrts 算子，ｒv 为１35度Robert ｓ 算子。

分别显示处理后得4５度方向与1３5方向得边界检测结果；用“欧几里德距离”与“街区距离”方式计算梯度得模,并显示检测结果;对于检测结果进行二值化处理,并显示处理结果。

提示：先做检测结果得直方图,参考直方图中灰度得分布尝试确定阈值；应反复调节阈值得大小，直至二值化得效果最为满意为止。

(2)使用Ｐrewitt 算子得图像分割实验（a）水平模型（ｂ）垂直模板图2、Pｒewiｔt算子模板使用Ｐrewitt 算子进行内容(1）中得全部步骤。

（3）使用Ｓoｂel 算子得图像分割实验使用Sobeｌ算子进行内容（１)中得全部步骤。

(a）水平模型（b）垂直模板图3、Sobｅl算子模板（４)使用LoG （拉普拉斯-高斯)算子得图像分割实验使用LoG （拉普拉斯—高斯）算子进行内容（1）中得全部步骤。

提示1：处理后可以直接显示处理结果,无须另外计算梯度得模。

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。

实验三图像分割实验一．实验目的1. 掌握基本的图像分割方法2.观察图像分割的效果3.加深对边缘提取的理解二.实验原理1.边缘检测：图象的边缘是指图象局部区域亮度变化显著的部分，该区域的灰度剖面一般可以看作是一个阶跃，既从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。

图象的边缘部分集中了图象的大部分信息，图象边缘的确定与提取对于整个图象场景的识别与理解是非常重要的，同时也是图象分割所依赖的重要特征，边缘检测主要是图象的灰度变化的度量、检测和定位。

2.灰度阈值分割即是先确定一个处于图像灰度取值范围内的灰度阈值，然后将图像中各个像素的灰度值与这个阈值相比较：划分成像素灰度大于阈值的一类和小于阈值的一类。

3. 双峰法的原理及其简单：它认为图像由前景和背景组成，在灰度直方图上，前后二景都形成高峰，在双峰之间的最低谷处就是图像的阈值所在三.实验内容1.实验步骤1.打开matlab编程环境；2.利用“imread”函数导入图像数据；3.利用“imshow”显示所读入的图像数据；4.进行图像分割处理；5.记录和整理实验报告；2. 按下面要求编写程序并运行结果1. 用sobel方法对一幅灰度图像进行边缘提I=imread('cameraman.bmp');R=double(I(:,:,1));G=double(I(:,:,2));B=double(I(:,:,3));[rows,cols]=size(R);I=0.299*R+0.587*G+0.114*B;[H,W]=size(I);M=double(I);J=M;for i=2:H-1for j=2:W-1J(i,j)=abs(M(i-1,j+1)-M(i-1,j-1)+2*M(i,j+1)-2*M(i,j-1)+M(i+1,j+1)-M(i+1,j-1))+abs(M(i-1,j-1)-M(i+1,j-1)+2*M(i-1,j)-2*M(i+1,j)+M(i-1,j+1)-M(i+1,j+1));end;end;for i=2:H-1for j=2:W-1if J(i,j)>254J(i,j)=255;elseJ(i,j)=0;endendendsubplot(1,2,1);imshow(uint8(I));title('原图');subplot(1,2,2);imshow(uint8(J));title('Sobel 处理后');2.用 Laplacian-Gaussian方法对一幅灰度图像进行边缘提取I = imread('cameraman.bmp');R=double(I(:,:,1));G=double(I(:,:,2));B=double(I(:,:,3));[rows,cols]=size(R);I=0.299*R+0.587*G+0.114*B;s=fftshift(fft2(I));[M,N]=size(s);n=2;d0=400;n1=floor(M/2);n2=floor(N/2);for i=1:Mfor j=1:Nd=sqrt((i-n1)^2+(j-n2)^2);h=1*exp(-1/2*(d^2/d0^2));s(i,j)=h*s(i,j);endends=ifftshift(s);s=uint8(real(ifft2(s))); subplot(1,2,1),imshow(s);title('GLPF滤波');s=double(s);[r,c]= size(s);R=zeros(r,c);core1=[-1 -1 -1;-1 8 -1;-1 -1 -1];core2=[0 -1 0;-1 4 -1;0 -1 0];for x=2:r-1for y=2:c-1Z=[s(x-1,y-1) s(x-1,y) s(x-1,y+1);s(x,y-1) s(x,y) s(x,y+1);s(x+1,y-1) s(x+1,y) s(x+1,y+1)];A=core1*Z;B=core2*Z;R(x,y)=max(abs(sum(sum(A))),abs(sum(sum(B))));endendfor x=2:r-1for y=2:c-1if R(x,y)>250R(x,y)=255;elseR(x,y)=0;endendendsubplot(1,2,2),imshow(uint8(R));title('拉普拉斯处理后 ');3. 利用双峰法对一幅灰度图像进行灰度分割处理I = imread('lena.bmp');I=double(I);sum_obj=0;obj_counter=0;sum_backgnd=0;backgnd_counter=0;[rows,cols]=size(I);cols_c=floor(cols/20);rows_c=floor(rows/20);corners=[I(1:rows_c,1:cols_c);I(1:rows_c,(end-cols_c+1):end);I((en d-rows_c+1):end,1:cols_c);I((end-rows_c+1):end,(end-cols_c+1):end) ];threshold=mean(mean(corners));while 1for i=1:rowsfor j=1:colsif(I(i,j)>threshold)sum_obj=sum_obj+I(i,j);obj_counter=obj_counter+1;elsesum_backgnd=sum_backgnd+I(i,j);backgnd_counter=backgnd_counter+1;endendendnew_threshold=((sum_backgnd/backgnd_counter)+(sum_obj/obj_counter))/2 ;if(abs(threshold-new_threshold)<=0.01)break;endthreshold=new_threshold;endfor i=1:rowsfor j=1:colsIf(I(i,j)<=threshold)I(i,j)=0;elseI(i,j)=255;endendendimshow(I);四.实验结果及分析1. sobel边缘提取placian-Gaussian方法边缘提取3.双峰法对一幅灰度图像进行灰度分割处理五.实验小结与体会1.本次实验以图像分割为主线，涉及边缘提取2. 通过实验结果的比较，对课堂上的理论有了直观的认识，也为更好的理解理论奠定了基础，培养了兴趣。

实验名称：分割实验一、实验目的1. 了解分割算法的基本原理和分类。

2. 掌握常用的分割算法，如阈值分割、边缘检测等。

3. 熟悉分割算法在图像处理中的应用。

二、实验原理分割算法是图像处理中的一项基本技术，其主要目的是将图像分割成若干个区域，以便对图像进行进一步的分析和处理。

分割算法可分为阈值分割、边缘检测、区域生长、聚类等方法。

1. 阈值分割：通过设定一个阈值，将图像中的像素分为两类，一类为背景，一类为前景。

2. 边缘检测：通过检测图像中像素的灰度变化，找出图像的边缘。

3. 区域生长：从种子点开始，逐步将相邻的像素合并到同一个区域。

4. 聚类：将图像中的像素根据其特征进行分类。

三、实验内容1. 阈值分割实验（1）选择一幅图像作为实验对象。

（2）设定阈值，对图像进行分割。

（3）分析分割结果，比较不同阈值对分割效果的影响。

2. 边缘检测实验（1）选择一幅图像作为实验对象。

（2）采用不同的边缘检测算法（如Sobel、Prewitt、Roberts等）对图像进行处理。

（3）比较不同算法的边缘检测结果，分析其优缺点。

3. 区域生长实验（1）选择一幅图像作为实验对象。

（2）设定种子点，选择合适的邻域搜索方法（如八邻域、四邻域等）。

（3）逐步将相邻的像素合并到同一个区域。

（4）分析分割结果，比较不同邻域搜索方法对分割效果的影响。

4. 聚类实验（1）选择一幅图像作为实验对象。

（2）采用不同的聚类算法（如K-means、层次聚类等）对图像进行处理。

（3）比较不同算法的聚类结果，分析其优缺点。

四、实验步骤1. 准备实验环境，安装相关软件。

2. 选择实验对象，如一张包含前景和背景的图像。

3. 根据实验目的，选择合适的分割算法。

4. 设置参数，如阈值、邻域搜索方法等。

5. 运行实验，观察分割结果。

6. 分析实验结果，总结经验。

五、实验结果与分析1. 阈值分割实验结果分析通过实验，我们可以发现，不同的阈值对分割效果有较大影响。