下载文档原格式
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。
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)));。
课程名称现代数字图像处理与分析教师姓名姓名学号专业所在院系计算机学院类别: A.博士B.硕士 C.进修生日期: 2019年5月29 日评语注：1、无评阅人签名成绩无效；2、必须用钢笔或圆珠笔批阅，用铅笔阅卷无效；3、如有平时成绩，必须在上面评分表中标出，并计算入总成绩。
计算遥感图中长江的流域面积一、前言数字图像处理是一种通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。
数字图像树立技术目前已经在各个领域上都有了比较广泛的应用。
下文主要讲了的是通过图像分割算法将遥感图中长江的流域面积分割出来，再计算其流域面积。
分辨率为30m的遥感图如图1所示：图1 遥感图二、常用的图像分割算法图像分割方法的研究一直受到很多学者的关注，四十多年里，图像分割的研究一直受到人们高度的重视。
迄今为止。
研究者们已经提出了上千种各种类型的分割算法，而且近年来每年都有上百篇相关研究成果发表。
但是，现有的方法多是为特定应用设计的，有很大的针对性和局限性，对图像分割的研究还缺乏一个统一的理论体系。
Fu和Mui从细胞学图像处理的角度将图像分割技术分为三大类：特征阀值或聚类、边缘检测和区域提取。
一个更加细致的分类里，Haraliek and Shapiro将所有算法分为6类：测度空间导向的空间聚类、单一连接区域生长策略、混合连接区域生长策略、中心连接区域生长策略、空间聚类策略和分裂合并策略。
依据算法所使用的技术或针对的图像，Pal and Pal也把图像分割算法分成了6类：阀值分割、像素分割、深度图像分割、彩色图像分割、边缘检测和基于模糊集的方法。
但是，该分类方法中，各个类别的内容是有重叠的。
为了涵盖不断涌现的新方法，有的研究者将图像分割算法分类以下类：并行边界分割技术、串行边界分割技术、并行区域分割技术、串行区域分割技术、结合特定理论工具的分割技术和特殊图像分割技术。
而在较近的一篇综述中，更有学者将图像分割简单的分成基于数据驱动的分割和基于模型驱动的分割两类。
目录摘要 (1)Abstract (2)前言 (3)第一章绪论 (4)1.1 图像阈值分割的背景及研究意义 (4)1.2 图像阈值分割国内外研究现状 (5)1.3论文研究的主要内容及各章结构安排 (5)第二章图像分割方法综述 (6)2.1图像分割技术的基本概念 (6)2.2.图像分割的基本分类 (6)2.2.1 边缘检测分割法 (7)2.2.2 阈值分割法 (8)2.2.3 区域分割法 (8)第三章图像阈值分割技术 (8)3.1 迭代法 (9)3.2 最大类间方差法 (11)3.3最小误差法 (13)3.4 最大熵法 (16)第四章图像分割算法的评价 (19)4.1 Dice系数 (19)4.2 Hausdorff距离 (20)4.3 Jaccard相似系数 (21)4.4 准确率、召回率 (21)4.5 分割效果分析 (21)第五章结论 (25)参考文献 (26)摘要图像分割是一个十分基础却十分重要的问题，它是数字图像处理和数字图像分析之间的关键桥梁，图像分割效果的好坏与后续一系列图像分析问题紧密相关。
所以，图像分割技术在整个数字图像处理中的地位十分重要。
本文首先对图像分割的有关理论做出简洁的介绍，重点探究图像阈值分割技术。
将对几种比较常见的阈值分割算法进行研究，主要是迭代法、最大类间方差法、最大熵法、最小误差法，并且对特定图像在MATLAB环境中进行了仿真测试。
本文采纳了一种图像分割评价标准，综合了Dice系数、Hausdorff距离、Jaccard相似系数、准确率、召回率等指标。
将手动分割的图像作为金标准，与算法分割的图像进行比较，在MATLAB 环境下给出算法图像与金标准图像的相似度，从而可以在评价各图像阈值分割算法上具有更强的说服力。
从最终的试验结果和参数分析可以看出，相比较其他三种算法分割方法，最大类间方差法不仅可以将图像中的背景和目标分割开来，而且对于图像细节的处理也比较好，并且在处理不同图像的图像时也具有良好的稳定性。
《数字图像处理》实验教案一、实验目的1. 使学生了解和掌握数字图像处理的基本概念和基本算法。
2. 培养学生运用数字图像处理技术解决实际问题的能力。
3. 提高学生使用相关软件工具进行数字图像处理操作的技能。
二、实验内容1. 图像读取与显示：学习如何使用相关软件工具读取和显示数字图像。
2. 图像基本操作：学习图像的旋转、缩放、翻转等基本操作。
3. 图像滤波：学习使用不同类型的滤波器进行图像去噪和增强。
4. 图像分割：学习利用阈值分割、区域增长等方法对图像进行分割。
5. 图像特征提取：学习提取图像的边缘、角点等特征信息。
三、实验环境1. 操作系统：Windows或Linux。
2. 编程语言：Python或MATLAB。
3. 图像处理软件：OpenCV、ImageJ或MATLAB。
四、实验步骤1. 打开相关软件工具，导入图像。
2. 学习并实践图像的基本操作，如旋转、缩放、翻转等。
3. 学习并实践图像滤波算法，如均值滤波、中值滤波等。
4. 学习并实践图像分割算法，如全局阈值分割、局部阈值分割等。
5. 学习并实践图像特征提取算法，如Canny边缘检测算法等。
五、实验要求1. 每位学生需独立完成实验，并在实验报告中详细描述实验过程和结果。
2. 实验报告需包括实验目的、实验内容、实验步骤、实验结果和实验总结。
3. 实验结果要求清晰显示每个步骤的操作和效果。
4. 实验总结部分需对本次实验的学习内容进行归纳和总结，并提出改进意见。
六、实验注意事项1. 实验前请确保掌握相关软件工具的基本使用方法。
3. 在进行图像操作时，请尽量使用向量或数组进行处理，避免使用低效的循环结构。
4. 实验过程中如需保存中间结果，请使用合适的文件格式，如PNG、JPG等。
5. 请合理安排实验时间，确保实验报告的质量和按时提交。
七、实验评价1. 实验报告的评价：评价学生的实验报告内容是否完整、实验结果是否清晰、实验总结是否到位。
2. 实验操作的评价：评价学生在实验过程中对图像处理算法的理解和运用能力。
阈值分割原理阈值分割是一种数字图像处理中常用的像素分割方法，其原理主要是基于图像灰度值的统计特性。
其思路是分别统计图像中不同灰度级别的像素个数，通过确定一个灰度值作为阈值，将图像中的像素分成两类，进而实现对图像的分割。
阈值分割的基本原理是通过将图像灰度值分为两个区间，从而将灰度低于或高于阈值的像素分为两类，从而实现图像的二值化处理。
本文将对阈值分割的基本原理、常用的实现方法以及应用进行全面的介绍。
阈值分割的基本原理阈值分割的基本原理是将图像中的像素分为两个部分，一部分为灰度值大于等于阈值的像素，另一部分为灰度值小于阈值的像素。
此时，我们可以将分割出来的灰度值较低的像素赋值为0，灰度值较高的像素赋值为1，从而将其转化为二进制图像。
这种方法通常用于物体检测、图像分割、OCR等领域，其中图像分割是其中应用最为广泛的领域之一。
在将图像进行阈值分割时，需要找到一个合适的阈值。
阈值可以是任何一个位于图像灰度值范围之内的值。
阈值分割方法需要根据具体的场景进行灰度值的筛选，通常可以选择采用迭代法、聚类法、最大间隔法和形态学方法等实现。
1. 迭代法迭代法通常是一种较为常见的方法。
这种方法的基本思路是：先在图像的灰度值范围内随机选取一个阈值，然后对目标二值化图像进行处理，将灰度大于或等于该阈值的像素设为前景像素（白色），将小于该阈值的像素设为背景像素（黑色）。
接着，可以计算出前景和背景的平均灰度值，将其作为新的阈值。
将新阈值作为该算法的输入，重复执行该算法，直到图像中的前景像素和背景像素稳定不变为止。
2. 聚类法聚类法是一种常用的阈值寻找方法。
该方法基于聚类分析的思想，将图像中的像素分为多个簇。
这些簇是按照图像灰度值进行排序的，每个簇的中心都对应一种不同的灰度值。
在这种情况下，我们可以寻找显著区分不同灰度值区间的簇，以确定阈值。
3. 最大间隔法最大间隔法是一种基于统计学原理的方法，它可以有效地找到分离前景像素和背景像素的最佳阈值。
实验报告实验名称图像分割课程名称数字图像处理及MATLAB实现专业:通信工程班级：09秋2班学生姓名：杨滨嘉薛靖阳婷学号:090322170903221509032214同组人:指导教师: 刘伟实验日期: 成绩：实验1：直方图阈值法实验实验内容利用直方图阈值法对图像进行分割实验原理利用灰度阈值T对物体面积进行计算的公式是：⎰∞=TdDDHA)(如果阈值对应于直方图的谷，阈值从T增加到T+ΔT只会引起面积略微减少，因此，把阈值设在直方图的谷，可以把阈值选择中的错误对面积测量的影响降低到最低。
实验方法及程序1.完成基本实验内容2.改变阈值的大小，选择最合适的阈值进行图像分割I=imread('cameraman.tif');figure;subplot(2,2,1);imshow(I);title('灰度图像')axis([25,260,25,260]);grid on;axis on;[m,n]=size(I);GP=zeros(1,256);for k=0:255GP(k+1)=length(find(I==k))/(m*n); endsubplot(2,2,2),bar(0:255,GP,'g')title('灰度直方图')xlabel('灰度值')ylabel('出现概率')I1=im2bw(I,100/255);subplot(2,2,3),imshow(I1);title('阈值100的分割图像')axis([25,260,25,260]);grid on;axis on;I2=im2bw(I,160/255);subplot(2,2,4),imshow(I2);title('阈值160的分割图像')axis([25,260,25,260]);grid on;axis on;实验结果 （附图）灰度图像5010015020025050100150200250-100010*******00.010.020.03灰度直方图灰度值出现概率阈值100的分割图像5010015020025050100150200250阈值160的分割图像5010015020025050100150200250结果分析1.分析阈值不同对图像分割的影响当使用阈值规则进行图像分割时，所有灰度值大于或等于某阈值的像素都被判属于物体，所有灰度值小于该阈值的像素被排除在物体之外。
《数字图像处理》实验教案一、实验目的与要求1. 实验目的(1) 理解数字图像处理的基本概念和原理；(2) 掌握常用的数字图像处理方法和技术；(3) 能够运用数字图像处理软件进行图像处理和分析。
2. 实验要求(1) 熟悉计算机操作和图像处理软件的使用；(2) 能够阅读和理解图像处理相关的文献资料；二、实验内容与步骤1. 实验内容(1) 图像读取与显示；(2) 图像的基本处理方法：灰度化、二值化、滤波；(3) 图像的增强与复原；(4) 图像的分割与描述；(5) 图像的压缩与编码。
2. 实验步骤(1) 打开图像处理软件，导入实验所需的图像；(2) 进行图像的基本处理，观察处理前后的效果；(3) 应用图像的增强与复原方法，改善图像的质量；(4) 使用图像的分割与描述技术，提取图像中的目标区域；(5) 对图像进行压缩与编码，观察压缩后的效果。
三、实验注意事项1. 实验前请确保已经安装了图像处理软件，并熟悉其基本操作；3. 在进行图像分割与描述时，请合理选择阈值和算法，确保目标区域的准确提取；四、实验报告要求1. 实验报告应包括实验目的、实验内容、实验步骤、实验结果和实验总结；2. 实验报告中应详细描述实验过程中遇到的问题及解决方法；3. 实验报告应有清晰的图像处理结果展示，并附上相关图像的处理参数和效果对比；五、实验评分标准1. 实验目的与要求（20分）：是否达到实验目的，是否符合实验要求；2. 实验内容与步骤（30分）：是否完成实验内容，是否遵循实验步骤；3. 实验注意事项（20分）：是否注意实验注意事项，处理过程中是否出现错误；4. 实验报告要求（30分）：报告结构是否完整，描述是否清晰，图像处理结果是否合理，总结是否到位。
评分总分：100分。
六、实验一：图像读取与显示1. 实验目的(1) 学习如何使用图像处理软件读取和显示图像。
2. 实验步骤(1) 打开图像处理软件。
(2) 导入实验所需的图像文件。
《数字图像处理》实验教案一、实验目的与要求1. 实验目的（1）理解数字图像处理的基本概念和原理；（2）掌握常用的数字图像处理方法和技术；（3）提高实际操作能力和解决问题的能力。
2. 实验要求（1）熟悉实验环境和相关软件；（2）认真阅读实验教材和参考资料；二、实验内容与步骤1. 实验内容（1）图像读取与显示；（2）图像基本运算；（3）图像滤波；（4）图像增强；（5）图像边缘检测。
2. 实验步骤（1）打开实验软件，导入图像；（2）进行图像基本运算，如加、减、乘、除等；（3）应用图像滤波算法，如低通滤波、高通滤波等；（4）采用图像增强技术，如直方图均衡化、对比度增强等；（5）利用图像边缘检测算法，如Sobel算子、Canny算子等。
三、实验注意事项1. 实验环境要求：确保实验环境稳定，网络畅通，软件安装正确；2. 实验数据要求：使用规定的图像数据进行实验，确保数据质量；3. 实验操作要求：严格按照实验步骤进行操作，注意调整参数；四、实验评价与评分标准1. 实验结果评价：根据实验要求，评估实验结果的正确性和效果；2. 实验报告评价：评估实验报告的完整性、逻辑性和表达能力；3. 实验操作评价：评估实验操作的规范性和熟练程度。
五、实验拓展与建议1. 实验拓展：尝试研究其他数字图像处理技术和算法；2. 学习建议：深入学习数字图像处理的基本理论和应用领域；3. 实践建议：多进行实际操作，参加相关竞赛或项目，提高综合能力。
六、实验一：图像读取与显示1. 实验目的（1）掌握图像读取和显示的基本方法；（2）熟悉实验软件的操作界面。
2. 实验内容（1）打开实验软件，导入图像；（2）显示原图像；（3）进行图像的放大、缩小、旋转等操作；（4）保存实验结果。
3. 实验步骤（1）打开实验软件，选择图像文件；（2）导入图像，观察原图像；（3）利用软件工具对图像进行放大、缩小、旋转等操作；（4）保存实验结果，关闭软件。
七、实验二：图像基本运算1. 实验目的（1）掌握图像加、减、乘、除等基本运算方法；（2）了解图像运算的原理和应用。
《数字图像处理》实验教案一、实验目的与要求1. 实验目的（1）理解数字图像处理的基本概念和原理；（2）掌握常用的数字图像处理方法和技术；（3）培养实际操作数字图像处理软件的能力。
2. 实验要求（1）熟悉计算机操作系统和图像处理软件的使用；（2）了解图像处理的基本概念，如图像采样、量化、图像增强、滤波等；（3）能够根据实际需求选择合适的图像处理方法。
二、实验内容与步骤1. 实验内容（1）图像采样与量化；（2）图像增强；（3）图像滤波；（4）图像边缘检测；（5）图像分割。
2. 实验步骤（1）打开图像处理软件，导入实验所需图像；（2）进行图像采样与量化，观察图像质量的变化；（3）应用图像增强技术，改善图像的视觉效果；（4）利用图像滤波去除图像噪声，提高图像质量；（5）进行图像边缘检测和分割，提取感兴趣的区域。
三、实验原理与方法1. 图像采样与量化原理：图像采样是将图像在空间域上离散化，量化是将图像的像素值进行限制。
方法：设置采样间隔和量化级别，对图像进行采样和量化处理。
2. 图像增强原理：通过对图像像素值进行变换，提高图像的视觉效果。
方法：采用直方图均衡化、对比度增强、锐化等方法进行图像增强。
3. 图像滤波原理：通过卷积运算，去除图像噪声和冗余信息。
方法：选择合适的滤波器，如低通滤波器、高通滤波器、带阻滤波器等，对图像进行滤波处理。
4. 图像边缘检测原理：检测图像中像素值变化显著的点，找出图像的边缘。
方法：采用梯度算子、Sobel算子、Canny算子等方法进行边缘检测。
5. 图像分割原理：将图像划分为具有相似特征的区域，实现图像的分割。
方法：采用阈值分割、区域生长、边缘追踪等方法进行图像分割。
四、实验注意事项1. 实验前请确保熟悉图像处理软件的使用；2. 实验过程中注意调整参数的取值，观察图像效果的变化；五、实验评价与思考1. 实验评价（1）能否正确进行图像采样与量化；（2）能否有效地进行图像增强和滤波处理；（3）能否准确地进行图像边缘检测和分割；（4）实验报告的质量。
数字图像处理---图像分割图像分割概述图像分析概念：对图像中感兴趣的⽬标进⾏检测和测量，以获得它们的客观信息，从⽽建⽴对图像的描述步骤：1. 图像分割2. 特征识别3. 对象分类4. 建⽴联系概述图像分割概念：将图像划分为互不重叠的区域并提取感兴趣⽬标的技术基本策略：基于灰度值的两个基本特性：不连续性和相似性通过检测不连续性先找边，后确定区域通过检测相似性，在⼀定阈值下找到灰度值相似区域，区域外轮廓即为对象边界⽅法基于边缘的分割⽅法：先提取区域边界，再确定边界限定区域区域分割：确定每个像素归属区域，从⽽形成区域图区域⽣长：将属性接近的连通像素聚集成区域分裂-合并分割：即存在图像划分，也存在图像合并边缘检测算⼦---边缘分割法边缘定义：图像中像素灰度有阶跃变化或屋顶变化的像素的集合分类：阶跃状屋顶状特点：属于⾼频信号区域往往为闭合连线边缘检测流程滤波⇒增强⇒检测⇒定位边缘检测算⼦基本思想：计算局部微分算⼦⼀阶微分：⽤梯度算⼦进⾏运算特点：对于阶跃状变化会出现极⼤值（两侧都是正值，中间最⼤）对于屋顶状变化会过零点（两侧符号相反）不变部分为0⽤途：检测图像中边的存在注意事项：由于结果图中存在负值，因此需要处理后使⽤处理⽅法：取绝对值加最⼩值阈值法⼆阶微分：通过拉普拉斯算⼦计算特点：对于阶跃状变化会过零点（两侧符号相反）对于屋顶状变化会出现负极⼤值（两侧都是正值，中间最⼩）不变部分为0⽤途：检测图像中边的存在常⽤边缘检测算⼦Roberts 算⼦Prewitt 算⼦Sobel 算⼦Kirsch 算⼦Laplacian 算⼦Marr 算⼦交叉⽅向⼀阶锐化问题：锐化处理结果对具有矩形特征的物体的边缘提取较为有效，但是对于不规则形状的边缘提取，则存在信息上的缺损解决思想：利⽤⽆⽅向的锐化算法交叉微分算⼦交叉Roberts 算⼦公式：f ′x =|f (x +1,y +1)−f (x ,y )|f ′y =|f (x +1,y )−f (x ,y +1)|模板:f ′x =−1001,f ′y =01−1特点：算法简单,对噪声敏感，效果较梯度算⼦较好交叉Prewitt 算⼦模板:d ′x =011−101−1−10,d ′y =−1−10−101011特点：与Sobel 相⽐有⼀定抗⼲扰性，图像效果较⼲净交叉Sobel 算⼦模板:d ′x =012−101−2−10,d ′y =−2−10−101012特点：锐化的边缘信息较强kirsch 算⼦(⽅向算⼦)模板：特点在计算边缘强度的同时可以得到边缘⽅向各⽅向间的夹⾓为45°分析取其中最⼤的值作为边缘强度，与之对应的⽅向作为边缘⽅向若取最⼤值绝对值，则仅需要前四个模板即可Nevitia 算⼦[][][][][][]特点:各⽅向间的夹⾓为30°Laplacian算⼦同图像增强中的Laplacian算⼦优点：各向同性、线性和位移不变对细线和孤⽴点检测效果较好缺点对噪声敏感，有双倍加强作⽤不能检测出边缘⽅向常产⽣双像素边缘使⽤之前需要对图像进⾏平滑Marr算⼦在Laplacian算⼦基础上发展⽽来平滑函数采⽤⾼斯正态分布函数h(x,y)=e−x2+y2 2σ2σ为⽅差⽤h(x,y)对图像f(x,y)平滑克表⽰为g(x,y)=h(x,y)∗f(x,y) *代表卷积令r表⽰从原点出发的径向距离，即r2=x2+y2利⽤⾼斯-拉普拉斯滤波器（LOG滤波器）▽2h=(r2−2σ2σ4)e−r22σ2即可利⽤⼆阶导数算⼦过零点的性质，确定图像中阶跃边缘的位置在该算⼦中σ越⼩边缘位置精度越⾼，边缘细节变化越多；σ越⼤平滑作⽤越⼤，但是细节损失越⼤，边缘点定位精度越低过程1. 通过⼆维⾼斯函数对图像进⾏卷积降噪2. ⽤⼆阶导数差分算⼦计算图像强度的⼆阶导数3. 利⽤⼆阶导数算⼦过零点的性质，确定图像中阶跃边缘的位置优点：能快速得到⼀个闭合的轮廓缺点：对噪声敏感Canny边缘检测算⼦最优边缘检测算⼦应有的指标低误判率⾼定位精度抑制虚假边缘过程：1. 计算图像梯度2. 梯度⾮极⼤值抑制3. 双阈值提取边缘点计算图像梯度⾼斯函数的⼀阶导数模板：−11−11,−1−111⾮极⼤值抑制 NMS思想：梯度幅值图像M(x,y)，仅保留梯度⽅向上的极⼤值点过程初始化N(x,y)=M(x,y)对每⼀点在梯度⽅向和反梯度⽅向各找n 个点，若M(x,y)⾮最⼤值，则置零，否则保持不变对NMS 结果⼆值化（双阈值提取边缘点）使⽤两个阈值T 1,T 2:T 2>>T 1由T 1得到E 1(x ,y ),低阈值边缘图：更⼤的误检率由T 2得到E 2(x ,y ),⾼阈值边缘图：更可靠边缘连接初始化E (x ,y )=E 2(x ,y )对E (x ,y )中的每个点在E 1(x ,y )中寻找延长部分进⾏连接输出E (x ,y )Canny 边缘检测算⼦步骤1. ⾼斯滤波器平滑2. ⼀阶偏导计算梯度幅值与⽅向3. 对梯度幅值进⾏⾮极⼤值抑制4. 双阈值算法检测连接边缘Canny 边缘检测算⼦优点参数较⼩计算效率⾼得到边缘连续完整双阈值选择T Low =T HIGH ∗0.4曲⾯拟合法出发点：基于差分检测图像边缘的算⼦往往对噪声敏感四点拟合灰度表⾯法⽤⼀平⾯p (x ,y )=ax +by +c 来拟合四邻域像素灰度值定义均⽅差为ε=∑[p (x ,y )−f (x ,y )]2模板a =12−1−111,b =12−11−11特点：先平均后求差分，对噪声由抑制作⽤边缘跟踪出发点：噪声边检测需要归整边缘像素概念：将检测的边缘点连接成线过程：边缘提取连接成线⽅法光栅扫描跟踪法全向跟踪法光栅扫描跟踪法概念：采⽤电视光栅⾏扫描顺序，结合门限检测，对遇到的像素进⾏分析并确定其是否是边缘的跟踪⽅法具体步骤：[][][][]确定检测阈值d（较⾼）超过d的点作为对象点确定跟踪阈值t（较低）确定跟踪邻域扫描下⼀⾏，跟踪邻域内灰度差⼩于t的，接受为对象点若没有对象点，则该曲线跟踪结束重新从下⼀⾏开始利⽤d寻找对象点并进⾏跟踪扫描结束后跟踪结束特征可以不是灰度级跟踪准则根据具体问题灵活运⽤最好再进⾏⼀次其他⽅向的跟踪全向跟踪Hough变化检测法问题：如何连接边界点集基本思想利⽤xoy直⾓坐标系直线y=ax+b,待求极坐标系内点(ρ,θ),已知求点到线的变化ρ=xcosθ+ysinθ原理:过每个点的直线系分别对应极坐标系上的⼀条正弦曲线，如正弦曲线存在共同交点(ρ′,θ′),则必定在平⾯上共线实现：使⽤交点累积器或直⽅图，寻找相交线段最多的参数空间的点，再寻找对应的直线线段特点：对ρ、θ量化过粗会导致直线参数不精确，过细会导致计算量增加获得直线抗噪能⼒强可以⽤来检测直线阈值分割法基本思想：通过阈值T⽣成⼆值图，在四邻域中有背景的像素就是边界像素特点：适⽤于物体与背景有强对⽐的情况下，且物体或背景的灰度较单⼀可以先求背景再求物体可以得到封闭且连通区域的边界通过交互获得阈值通过直⽅图得到阈值基本思想：边界上的点灰度值出现次数较少⽅法：选取直⽅图⾕底的最⼩灰度值作为阈值缺点：会受到噪声⼲扰改进：取两个峰值之间的某个固定位置降噪简单图像的阈值分割判断分析法最佳熵⾃动阈值法复杂图像的阈值分割步骤⾃动平滑直⽅图确定区域类数⾃动搜索多个阈值特征空间聚类k均值聚类步骤任意选取K个初始聚类中⼼值使⽤最⼩距离判别，将新读⼊的像素分⾄K类重新计算中⼼值，等于⼀类元素的平均值重新聚类直⾄新旧差异不⼤区域增长通过像素集合的区域增长实现：根据应⽤选取种⼦选择描述符种⼦根据描述符扩张直⾄没有新的节点加⼊集合简单区域扩张法以未划分点与起点灰度差⼩于阈值T作为描述符优缺点：1. 不好确定阈值2. ⽆法分割缓慢变化边界质⼼区域增长法以未划分点与区域平均灰度值差⼩于阈值T作为描述符分裂合并法实现：1. 对于灰度级不同的区域划分为四个⼦区域2. 若相邻⼦区域所有像素灰度级相同，则合并3. 反复进⾏直⾄不再进⾏新的分裂合并操作Processing math: 100%。
1．课程设计的目的(1)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)使用Matｌab软件进行图像的分割(3)能够进行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(4)能够掌握分割条件（阈值等)的选择(5)完成规定图像的处理并要求正确评价处理结果，能够从理论上做出合理的解释2．课程设计的要求（1）能对图像文件(bｍp,jｐg,tｉfｆ，ｇif)进行打开,保存，退出等功能操作（2）包含功能模块：图像的边缘检测（使用不同梯度算子和拉普拉斯算子) （3）封闭轮廓边界（4）区域分割算法:阈值分割,区域生长等3．前言３.１图像阈值分割技术基本原理所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域,使得这些特征在同一区域内,表现出一致性或相似性,而在不同区域间表现出明显的不同。
简单的讲，就是在一幅图像中，把目标从背景中分离出来,以便于进一步处理。
图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一,它是对图像进行视觉分析和模式识别的基本前提。
同时它也是一个经典难题，到目前为止既不存在一种通用的图像分割方法，也不存在一种判断是否分割成功的客观标准]5[。
在对图像的研究和应用中,人们往往仅对图像中的某些部分感兴趣，这些部分称为目标或前景(其他部分称为背景),他们一般对应图像中特定的、具有独特性质的区域。
为了辨识和分析目标,需要将他们分离提取出来,在此基础上才有可能对目标进一步利用。
图像分割就是指把图像分成格局特性的区域并提取出感兴趣目标的技术和过程。
这里特性可以是象素的灰度、颜色、纹理等，预先定义的目标可以对应单个区域,也可以对应多个区域。
现有的图像分割算法有：阈值分割、边缘检测和区域提取法。
本文着重研究基于阈值法的图像分割技术。
若图像中目标和背景具有不同的灰度集合：目标灰度集合与背景灰度集合,且两个灰度集合可用一个灰度级阈值T进行分割。
图像分割的阈值法综述引言图像分割是计算机视觉领域的一项重要任务，旨在将图像分割成不同的区域或对象。
阈值法是一种常用的图像分割方法，具有算法简单、运算量小、易于实现等优点，因此在工业、医学、军事等领域得到了广泛的应用。
本文将对图像分割的阈值法进行综述，介绍其概念、优缺点、应用现状和发展趋势。
文献综述阈值法是一种基于像素值的图像分割方法，通过设置一个阈值，将像素值划分为不同的类别。
早在1979年，阈值法就已被提出并应用于图像分割领域。
随着技术的发展，各种阈值法模型不断涌现，包括线性阈值法、非线性阈值法、自适应阈值法等。
线性阈值法是最早的一种阈值法，通过将像素值线性地映射到阈值上，将图像分割成两个或多个区域。
常用的线性阈值法包括Otsu’s方法、Mean-Shift方法等。
非线性阈值法则通过非线性映射关系，更加精确地描述像素值的分布情况。
常用的非线性阈值法包括Gamma变换、正态分布模型等。
自适应阈值法则根据图像的局部特征，自适应地设置阈值，以提高图像分割的准确性。
常用的自适应阈值法包括局部阈值法、区域生长法等。
此外，还有基于深度学习的阈值法，如卷积神经网络（CNN）等，通过训练模型学习图像特征，实现更加精确的图像分割。
研究现状目前，阈值法在图像分割中的应用已经非常广泛。
在图像去噪方面，阈值法可以有效地区分噪声和图像信号，从而实现图像的降噪。
在图像降维方面，阈值法可以通过对像素值进行聚类，将图像转换为低维特征表示，从而加速图像处理速度并减少计算复杂度。
然而，阈值法也存在一些局限性。
首先，阈值法的性能对阈值的选择非常敏感，如果阈值选择不合适，可能会导致图像分割效果不佳。
其次，阈值法只能处理静态的图像，对于动态的图像处理效果较差。
此外，对于复杂背景和遮挡等干扰因素，阈值法也难以实现准确的图像分割。
实验设计与结果分析为了验证阈值法在图像分割中的效果，我们设计了一系列实验。
首先，我们选取了不同类型的图像，包括自然场景、人脸、医学影像等，使用不同的阈值法进行分割实验。
《数字图像处理》实验9.编写程序，实现阈值分割算法．%9.编写程序，实现阈值分割算法．%这段代码的想法是通过相邻两个像素的平均值的比较来确定阈值的选取。
%通过f(i-1,j-1),f(i,j),f(x,+1,j+1)这三个两两相邻的像素的平均值来比较。
%若两个平均值的差值小于某一个指定的值，这取这个平均值作为新的阈值。
%这样可以把图像中像素比较平缓的部分和像素差别比较大的部分分割开来。
clear;f = imread('text.jpg');f=rgb2gray(f);f = im2double(f);g=f;[m,n] = size(f);x=0.1;%x作为判断的值，两个平均值的差不小于x;d = false;while~dfori=2:m-1%为确保f(i,j)的取值在原图的范围内需要保证的范围。
forj=2:n-1t = (f(i-1,j-1)+f(i,j))/2;%求三个两两相邻的像素点的像素的平均值t1 =(f(i,j)+f(i+1,j+1))/2;d = abs(t1-t)<x;%比较这两个平均值的大小，若两个平均值的差值小于xt1 =(t+t1)/2;%则取这两个值的平均值作为新的阈值；endendendb=im2bw(f,t1);%为方便观察将灰度图像转换成黑白二值图像imshow(b);figure,imshow(g);2.编写程序，实现图像的实数倍放大%放大基于像素放大%图像放大，比如600*600的图像放大到800*800，那么就比原来多了200*200行，%那么这200*200行如果没有进行插值填充，那么就会出现黑白点，以下的代码操作结果就是%这样的。
%以下代码的大概想法是：新建一个矩阵，大小与原图像相同，然后对原图像的每个像素进行放%大%放大的倍数为X。
为了确保图像像素为整数，故使用round函数取整a=imread('text.jpg');imshow(a);b=size(a);%生成一个大小与a相同的矩阵原图大小为199*243；x=2;%放大倍数但这个倍数的大小不能<2,因为大于二之后round %（i/x）的值就会为0.fori=1:1:round(x*199);%round取整，取最近的整数；i的取值从1开始，以x*199%为终点，以1为步长增长。
forj=1:1:round(x*243);%则i的取值范围为1到199*x中的整数值，j的取值%为1到243*x的整数值b(i,j)=a(round(i/x),round(j/x));%将a中i n/x行，j/x的整数列的值%赋给b的i 行j列。
endendfigure,imshow(b);3.编写程序，对图象进行中值滤波，并与实现相同功能的Matlab函数进行运算速度比较.%%自编的中值滤波函数。
%以下代码的主要思想及步骤是：设置一个滤波模版大小为[7，7]。
然后从f的（i,j）开始取出一个大小为[7，7]模版；%计算模版中值并将模版各元素的中值赋给模版中心位置的元素。
%实验中我用了3*3、5*5、7*7三个大小的模版去做测试，我发现3*3的模版中值滤波后的效%果没有5*5、7*7的模版的滤波效果那么好。
%但7*7的模版效果有点过了。
在边界的地方会出现斑点。
%而且这个程序运行的时间明显感觉到比直接用中值滤波函数medifilt2的时间要长。
f=imread('Blue hills.jpg');f = f(:,:,1);g = imnoise(f,'salt & pepper',0.08);%%这部分是自编的中值滤波函数。
首先取出一个模板，将该模板转换成一个行矩阵，利用median函数取矩阵的中值。
%然后将该中值赋值到模板的中心位置。
其他未被赋值的元素则用原来的值填充。
%如果这个步骤的话，最后结果出来会是一个有黑白点的图片。
n=7;%n的值即为模版的大小；[x,y]=size(g);%取原图像的行数列数g1=double(g);g2=g1;fori=1:x-n+1%滤波范围forj=1:y-n+1c=g1(i:i+(n-1),j:j+(n-1));%取出x1中从(i,j)开始的n行n列元素,即模板d=c(1,:);%是c矩阵的第一行for u=2:n %第二到第三行d =[d,c(u,:)];%将c矩阵变为一个行矩阵endmm=median(d);%mm是中值median 函数用来求行矩阵e的中值；g2(i+(n-1)/2,j+(n-1)/2)=mm;%将模板各元素的中值赋给模板中心位置的元素endendY = uint8(g2);%其他未被赋值的元素则用原来的值填充.imshow(Y);%显示自己编程运行的中值滤波figure,imshow(g);6.编写程序，对图像进行局部直方图均衡化，并与全局直方图均衡化结果进行比较．%前面部分的全局直方图均衡化是直接利用书本的函数来实现的%后半部分对图像进行分割，并对分割后的一个图像做直方图均衡化。
%我对于局部图像的理解是在原图像中取出一部分像素，%因此就要对取出部分像素之外的像素赋值为0。
%从而得到局部图像，再对该图像做均衡化处理。
%局部图像均衡化处理与全局图像均衡化处理的差别取决于x的值%如果x的值取得比较大，大于原图像的像素点，那么局部图象则与原图像差别不大clear;A=imread('4.png');%---------全局直方图均衡化--------------------f=A(:,:,1);%显示A的色度分量g=histeq(f);%对f做直方图均衡化处理imshow(g);title('对原始图像均衡化');%--------局部直方图均衡化---------------------------%对一个图像进行分割%分割后的图像进行直方图均衡化处理x = 390;%x为任意合适的值。
用于对图像分割[m,n]=size(f);%取f矩阵的行数和列数f=double(f);C=zeros(m,n);%生成一个m行n列的矩阵for i=1:m %i的取值从1到m,for j=1:n %j的取值从j到nif f(i,j)>x %对图像进行分割C(i,j)=0;%像素大于x的将像素值改为0，else%其余的像素点则用原来的像素值C(i,j)=f(i,j);endendendfigure,imshow(mat2gray(C));%mat2gray对C做归一化处理。
h1=histeq(mat2gray(C));%对归一化后的图像做均衡化处理figure,imshow(h1)title('对分割后图像做均衡化');7.编写程序，实现彩色图像的中值滤波增强．%7.编写程序，实现彩色图像的中值滤波增强．%对彩色图像进行中值滤波，思路是分别对R、G、B三幅图像进行中值滤波，%分别滤波完成之后再用cat函数将三幅图像连接起来，则可以得到彩色图像的中值滤波函数。
%我是每幅彩色分量图像做一次中值滤波，因为不知道怎么去做这三幅图像的一个循环，所以就相当于三幅图像复制了一份中值滤波的代码。
%其中中值滤布实现部分的代码是自己编程的一段中值滤波代码。
clear;f=imread('Blue hills.jpg');f = uint8(f);R=f(:,:,1);%提取R分量G=f(:,:,2);%提取G分量B=f(:,:,3);%提取G分量subplot(2,3,1),imshow(R);subplot(2,3,2),imshow(G);subplot(2,3,3),imshow(B);%-----------对R分量图像进行中值滤波处理------------------n=7;%n的值即为模版的大小；[x,y]=size(R);%取原图像的行数列数R1=double(R);R2=R1;fori=1:x-n+1%滤波范围forj=1:y-n+1c=R1(i:i+(n-1),j:j+(n-1));%取出x1中从(i,j)开始的n行n列元素,即模板d=c(1,:);%是c矩阵的第一行for u=2:n %第二到第三行d =[d,c(u,:)];%将c矩阵变为一个行矩阵endmm=median(d);%mm是中值median 函数用来求行矩阵e的中值；R2(i+(n-1)/2,j+(n-1)/2)=mm;%将模板各元素的中值赋给模板中心位置的元素endendY1 = uint8(R2);%其他未被赋值的元素则用原来的值填充.%-------------对G分量图像进行中值滤波----------------------------------n=7;%n的值即为模版的大小；[x,y]=size(G);%取原图像的行数列数B1=double(G);B2=B1;fori=1:x-n+1%滤波范围forj=1:y-n+1c=B1(i:i+(n-1),j:j+(n-1));%取出x1中从(i,j)开始的n行n列元素,即模板d=c(1,:);%是c矩阵的第一行for u=2:n %第二到第三行d =[d,c(u,:)];%将c矩阵变为一个行矩阵endmm=median(d);%mm是中值median 函数用来求行矩阵e的中值；B2(i+(n-1)/2,j+(n-1)/2)=mm;%将模板各元素的中值赋给模板中心位置的元素endendY2 = uint8(B2);%其他未被赋值的元素则用原来的值填充.。
