图像处理与模式识别实验手册

研究生教材图形图像处理与现代模式识别综合实验教程郝建新、邹焕新、汤晓安、刘 方、余 莉 编著前言图形图像处理与现代模式识别是信息处理科学的重要内容，涉及的理论、方法及算法十分丰富，要理解和掌握好这些知识，实践是非常重要的环节。

不仅要学习图形处理与显示、图像分析与处理、现代模式识别等方面的基础理论、基本方法、算法原理，更重要的是要综合运用这些理论、方法和算法来分析和解决实际问题。

“图形图像处理与现代模式识别综合实验”是一门综合性的硕士研究生实验课程，主要针对信息与通信工程等相关学科的硕士研究生。

开设研究生综合实验课程是一件新生事物，有利于研究生教育的课程学习阶段与课题研究阶段的衔接，有利于研究生扩展知识面和提高综合应用的实践能力及创新能力。

本实验教材在结构上分为单元实验和综合实验两部分。

单元实验部分主要针对相应的课程，而综合实验部分着重培养学生的综合应用能力和创新能力。

在内容设计上，具有开放性、综合性高的特点，为师生构建了良好的教、学平台，使学生加深对图形图像处理和现代模式识别的基本理论、方法的理解，具备相关领域的基础实践能力和技能。

在编写过程中，得到了院、系领导的支持和同志们的帮助，表示衷心感谢。

由于时间仓促，书中难免有错误和不妥，敬请批评指正。

编 者2009年8月目 录绪 论 (1)1图形图像处理与现代模式识别综合实验课程的作用 (1)2本综合实验课程教学的目的和要求 (1)3本实验课程实验单元及项目的组织与要求 (2)4实验平台与主要实验设备简介 (2)第一章 数字图像采集 (4)1.1图像获取实验 (4)1.2不同传感器成像特性差异性、互补性分析实验 (10)1.3地面可视环境信息获取实验 (14)第二章 图像增强与图像恢复算法分析与设计 (16)2.1图像灰度变换实验 (16)2.2图像平滑与锐化实验 (18)2.3散焦模糊图像的恢复实验 (23)第三章 图像变换和图像数据压缩方案设计与实现 (26)3.1图像傅立叶变换与应用实验 (26)3.2图像数据压缩实验 (28)第四章 特征提取与选择 (33)4.1基于类别可分性判据实验 (33)4.2分支定界法（BAB算法）实验 (36)4.3离散K-L变换实验 (38)第五章 模式分类技术的实现与分析 (42)5.1ISODATA(迭代自组织数据分析)算法实验 (42)5.2H-K（H O-K ASHYAP）算法实验 (45)5.3B AYES分类器实验 (48)5.4句法模式识别实验 (50)5.5模糊C-均值算法（FCM）实验 (52)第六章 图像基础融合算法的分析与实现 (57)6.1多源图像特性对比与图像融合增强实验 (57)6.2多源图像配准实验 (61)6.3多源图像特征融合提取实验 (64)6.4多源图像融合性能评估实验 (67)第七章 图形生成处理及人机交互的设计与实现 (70)7.1曲线与曲面的生成实验 (70)7.2军标符号的生成与控制实验 (74)7.3真实感图形生成与人机交互实验 (78)第八章 信息可视化 (83)8.1地理信息可视化实验 (83)8.2复杂场景的建模与绘制实验 (86)8.3电磁环境可视化实验 (88)第九章 综合实验 (92)9.1生物特征提取与识别系统设计综合实验 (92)9.2多时相遥感图像变化检测综合实验 (94)9.3复杂战场环境建模、仿真与推演综合实验 (97)绪 论1 图形图像处理与现代模式识别综合实验课程的作用随着高等教育以及现代科学技术的不断发展，对人才培养提出了更高的要求，不但要求学生具有较强的理论功底，还要求学生具有较强的观察能力、分析能力、操作能力、思维能力、自学能力及科研创新能力。

数字图像处理一、实验名称：数字图像处理基本操作。

二、实验内容：1、图像转置：将图像的第一行像素变为第一列，第二行变为第二列，以此类推；2、图像拆分：将一幅M×2N的图像拆分为两幅M×N的图像，第一幅对应原图像的1至N列，第二幅对应原图像的N+1至2N 列；3、图像拼接：将两幅尺寸分别为M×N1和M×N2的图像拼接为一幅M×(N1+N2)图像；4、算术操作：分别对图像进行加，减，乘，除四种算术操作；5、几何空间变换：分别对图像进行尺寸，旋转，平移，偏移等操作；6、均值、标准差：求几幅相近图像的均值，标准差，比较并说明图像均值，标准差的意义。

三、实验结果及程序代码1、图像转置：用Matlab中求矩阵转置运算（‘’’）的方法来处理图像对应的矩阵，从而实现图像的转置。

Matlab程序如下：>>clear>>f=imread('001.tif');>>g=f';>>subplot(1,2,1);imshow(f);subplot(1,2,2);imshow(g);实验结果如下图一所示：图一图一中第一幅图像为原图，第二幅图像为原图的转置。

2、图像拆分：处理图像相应的矩阵f，用函数size()求得矩阵的行列数分别为：M、N，取此矩阵的1至N/2列元素为f1,(N/2)+1至N列元素为f2,则矩阵f1,f2所对应的图像即为拆分的结果。

Matlab程序如下：>>clear>>f=imread('001.tif');>>[M,N]=size(f);>>f1=f(:,1:N/2);>>f2=f(:,(N/2)+1:N);>>subplot(1,3,1);imshow(f);subplot(1,3,2);imshow(f1);subplot(1,3,3);imshow(f2);实验结果如下图二所示：图二图二中第一幅图像为原图，第二，三幅图为拆分原图得到的图像。

数字图像处理(MATLAB版)实验指导书(试用版)本实验指导书配合教材和课堂笔记中的例题使用姚天曙编写安徽农业大学工学院2009年4月试行目录实验一、数字图像获取和格式转换 2实验二、图像亮度变换和空间滤波 6实验三、频域处理 7 实验四、图像复原 9 实验五、彩色图像处理 10实验六、图像压缩 11 实验七、图像分割 13 教材与参考文献 14 《数字图像处理》实验指导书实验一、数字图像获取和格式转换一、实验目的1掌握使用扫描仪、数码相机、数码摄像级机、电脑摄像头等数字化设备以及计算机获取数字图像的方法；2修改图像的存储格式；并比较不同压缩格式图像的数据量的大小。

二、实验原理数字图像获取设备的主要性能指标有x、y方向的分辨率、色彩分辨率（色彩位数）、扫描幅面和接口方式等。

各类设备都标明了它的光学分辨率和最大分辨率。

分辨率的单位是dpi，dpi是英文Dot Per Inch的缩写，意思是每英寸的像素点数。

扫描仪扫描图像的步骤是:首先将欲扫描的原稿正面朝下铺在扫描仪的玻璃板上，原稿可以是文字稿件或者图纸照片；然后启动扫描仪驱动程序后，安装在扫描仪内部的可移动光源开始扫描原稿。

为了均匀照亮稿件，扫描仪光源为长条形，并沿y方向扫过整个原稿；照射到原稿上的光线经反射后穿过一个很窄的缝隙，形成沿x方向的光带，又经过一组反光镜，由光学透镜聚焦并进入分光镜，经过棱镜和红绿蓝三色滤色镜得到的RGB三条彩色光带分别照到各自的CCD上，CCD将RGB光带转变为模拟电子信号，此信号又被A/D变换器转变为数字电子信号。

至此，反映原稿图像的光信号转变为计算机能够接受的二进制数字电子信号，最后通过串行或者并行等接口送至计算机。

扫描仪每扫一行就得到原稿x方向一行的图像信息，随着沿y方向的移动，在计算机内部逐步形成原稿的全图。

扫描仪工作原理见图1.1。

图1.1扫描仪的工作原理在扫描仪的工作过程中，有两个元件起到了关键的作用。

一个是CCD，它将光信号转换成为电信号；另一个是A/D变换器，它将模拟电信号变为数字电信号。

实验1 图像的贝叶斯分类1.1 实验目的将模式识别方法与图像处理技术相结合，掌握利用最小错分概率贝叶斯分类器进行图像分类的基本方法，通过实验加深对基本概念的理解。

1.2 实验仪器设备及软件HP D538、MATLAB1.3 实验原理1.3.1 基本原理阈值化分割算法是计算机视觉中的常用算法，对灰度图象的阈值分割就是先确定一个处于图像灰度取值范围内的灰度阈值，然后将图像中每个像素的灰度值与这个阈值相比较。

并根据比较的结果将对应的像素划分为两类，灰度值大于阈值的像素划分为一类，小于阈值的划分为另一类，等于阈值的可任意划分到两类中的任何一类。

此过程中，确定阈值是分割的关键。

对一般的图像进行分割处理通常对图像的灰度分布有一定的假设，或者说是基于一定的图像模型。

最常用的模型可描述如下：假设图像由具有单峰灰度分布的目标和背景组成，处于目标和背景内部相邻像素间的灰度值是高度相关的，但处于目标和背景交界处两边的像素灰度值有较大差别，此时，图像的灰度直方图基本上可看作是由分别对应于目标和背景的两个单峰直方图混合构成。

而且这两个分布应大小接近，且均值足够远，方差足够小，这种情况下直方图呈现较明显的双峰。

类似地，如果图像中包含多个单峰灰度目标，则直方图可能呈现较明显的多峰。

上述图像模型只是理想情况，有时图像中目标和背景的灰度值有部分交错。

这时如用全局阈值进行分割必然会产生一定的误差。

分割误差包括将目标分为背景和将背景分为目标两大类。

实际应用中应尽量减小错误分割的概率，常用的一种方法为选取最优阈值。

这里所谓的最优阈值，就是指能使误分割概率最小的分割阈值。

图像的直方图可以看成是对灰度值概率分布密度函数的一种近似。

如一幅图像中只包含目标和背景两类灰度区域，那么直方图所代表的灰度值概率密度函数可以表示为目标和背景两类灰度值概率密度函数的加权和。

如果概率密度函数形式已知，就有可能计算出使目标和背景两类误分割概率最小的最优阈值。

模式识别实验指导书西安理工大学信息与控制工程系前言模式识别能力是人类智能的重要标志，通过这种能力我们能够辨识人脸、识别语音、阅读手写文字、从口袋里摸出钥匙或者根据气味判断苹果是否成熟。

模式识别这门课程就是研究如何用计算机实现人的模式识别能力。

模式识别是以应用为基础的学科，目的是将对象进行分类。

这些对象可以是图像、信号波形、文字、语音等可以测量的对象。

为了让高年级本科学生能够更好地理解，模式识别课程中讲授的基本内容和方法，配合授课内容和实验学时要求，设计了6个学时的模式识别实验项目。

使用时可以在3个实验中任选2个来进行。

本实验指导书中给出了实验的内容、要求和简单的参考例程。

例程仅起参考作用，学生必须通过对例程的理解自己设计程序，完成全部实验内容。

实验一总体概率密度分布的非参数方法一、实验目的：在进行Bayes决策时，一个前提条件是要预先知道先验概率密度和类条件概率密度，而实际中我们只是收集到有限数目的样本，而不知道先验概率密度和类条件概率密度。

因此，我们必须先根据有限的样本对类条件概率密度和先验概率密度进行估计，再用估计的结果进行Bayes决策。

由样本集估计概率密度的方法有监督参数估计、非监督参数估计和非参数估计三种类型，其中非参数估计方法是在样本所属类别已知，但是未知总体概率密度函数形式的条件下，直接推断概率密度函数本身的方法。

本实验的目的是通过编程进行概率密度的函数的Parzen窗函数估计和K N近邻估计，加深对非参数估计基本思想的认识和理解。

二、实验要求：1、复习非监督参数估计的基本思想；2、复习用Parzen窗法进行总体分布的非参数估计方法并编制程序；3、复习K N近邻法进行总体分布估计的基本原理，并编制程序；4、本实验在2学时内完成；三、参考例程及其说明：下面程序采用正态窗进行概率密度函数的估计。

程序中N表示样本个数，h1表示于窗宽。

clearN=4096;XI=randn(1,N);h1=0.25;for x=-3:0.001:3%t=(x+2.5)*100%pausej=ceil((x+3)*100)+1;P(j)=0;for i=1:N%i%j%pauseP(j)=exp(-0.5*((x-XI(i))*N^0.5/h1)^2)/((h1/N^0.5)*(2*pi)^0.5)+P(j);endP(j)=P(j)/N;endx1=-3:0.01:3;plot(x1,P)四、上机完成内容：1、修改参数N，令N=1，N=4，N=16，分析所得到的概率密度曲线的变化情况，说明这些曲线的意义。

ENVI遥感图像处理实习指导手册实习一 ENVI软件基本功能菜单的认识与掌握1．学时：42．目的和要求：认识和熟悉ENVI软件的基本功能菜单，根据菜单的功能分类学习和掌握。

第一部分 ENVI基础1 通用的图像显示概念ENVI中的图像显示由一组三个不同的图像窗口组成：主图像窗口、滚动窗口和缩放窗口。

ENVI 图像显示的一个例子如图1-1所示。

一个显示组的单个图像窗口可以被缩放和放置在屏幕的任何一处。

多个图像的显示可以通过从ENVI的window下拉菜单下的选择Start New Display window来启动，或通过点击可用波段列表内的“New Display”。

图1.1 ENVI的显示窗口（1）主图像窗口主图像窗口由一幅以全分辨率显示的图像的一部分组成。

该窗口在第一次载入一幅图像时自动地被启动。

窗口的起始大小由在envi.cfg配置文件中设置的参数控制。

它也能动态地被缩放。

ENVI允许装载多个主图像窗口及相应的的滚动和缩放窗口。

（2）主图像窗口内的功能菜单在主图像窗口中，功能菜单条包括5个下拉菜单：File，Overlay，Enhance，Tools，Window。

这些菜单共同排列在显示窗口的菜单栏中，使用这些菜单来访问普通的显示操作和交互功能。

（3）滚动窗口滚动窗口是一个以二次抽样的分辨率显示整幅图像的显示窗口。

滚动窗口位置和大小最初在envi.cfg文件中被设置并且可以被修改。

只有要显示的图像比主图像窗口以全分辨率能显示的图像大时，才会出现滚动窗口。

可以动态地将其缩放到任何大小直至全屏。

当练习这一选项时，重采样系数会自动改变以适用于新的图像大小。

重采样系数出现在滚动窗口标题栏的括号内。

对于滚动窗口中被再次重采样的大图像，可以缩放到区域内，并减少重采样系数。

可能出现多个滚动窗口，每个窗口对应于一个已载入的主图像窗口。

（4）缩放窗口缩放窗口是一个小的图像显示窗口，它以用户自定义的缩放系数使用像元复制来显示主图像窗口的一部分。