当前位置：文档之家 › 医学图像处理实验报告(要)

医学图像处理实验报告(要)

  • 格式：doc
  • 大小：3.65 MB
  • 文档页数：52

医学图像处理实验报告Lab Report of Medical ImageProcessing系部：学号：姓名：指导教师：实验1 MATLAB基本操作及函数用法1.1 实验原理介绍1.1.1读取函数函数imread可以将图像读入MATLAB环境，语法为：imread('filename')其中filename是一个含有图像文件全名的字符串（包括任何可用的扩展名）。

例如命令行>>f = imread ( 'chestxray.jpg');将JPEG图像chestxray读入图像数组f中。

函数size可以给出一副图像的行数和列数：>>size (f)ans-10241024函数whos可以显示一个数组的基本附加信息。

例如，语句>>whos fwhos行结尾处的分号对结果没有影响。

1.1.2 显示图像一般使用函数imshow显示，其基本语法为：imshow (f, G)其中，f是一个图像数组，G是显示该图像的灰度级数。

若G省略，默认为256。

语法：imshow {f, [low high]}会将所有小于或等于low的值都显示为黑，所有大于或等于high的值都显示为白色。

介于low和high之间的值将以默认的级数显示为中等亮度值。

当用imshow显示另外一幅图像时，MATLAB会在屏幕上用新图像替换旧图像，为保持第一幅图像并同时显示第二副图像，可以使用如下figure函数：>>figure, imshow(g)要了解图像文件的其他详细信息，可以使用imfinfo函数，其语法结构为：imfinfo filename其中，filename是存储在磁盘中的图像全名。

1.1.3 保存图像使用函数imwrite可以将图像写在磁盘上，该函数语法为：imwrite (f, ‘filename’)下面的命令可以把图像f写为TIFF格式，在默认情况下使用语句>>imwrite (f,'patient10_run1', 'tif')或>>imwrite (f, 'patient10_run1.tif')会将文件保存到当前的工作目录中。

另外，如果是JPEG图像，其语法可以为：imwrite (f, 'filename.jpg', 'quality', q)其中q是一个在0到100之间的整数（q越小，图像退化越严重）。

函数imwrite另一种常用但只用于tif图像的语法为：imwrite (g, ‘filename.tif’, ‘compression’, ‘parameter’,…‘resolution’, [colres rowres])其中，‘parameter’有三种情况：为‘none’表示无压缩，‘packbits’表示比特压缩包压缩（非二值图像默认参数），‘ccitt’表示ccitt压缩（二值图像默认参数）。

colres 为列分辨率。

1.1.4 数据类型见下表：表格 0-1 数据类型。

前8项数值类，第9项字符类，第10项逻辑类。

1.1.5 图像类型主要分为4种：●亮度图像（Intensity image）●二值图像（Binary image）●索引图像（Indexed image）●RGB图像（RGB image）注意：一副图像的特征是由数据类和图像类这两者来表征的。

例如，“unit8亮度图像”表示一副像素都是unit8数据类的亮度图像。

1.1.6 数据类与图像类型之间的转换（1）数据类间的转换通用语法为：B=data_class_name(A)其中，data_class_name可以为表1第一列中的任意一项。

（2）图像类和数据类型间的转换见下表：表格 0-2 IPT中用于进行图像类和数据类转换的函数通过函数mat2gray完成，其基本语法为：g=mat2gray(A, [Amin, Amax])其中，图像g的取值范围在0（黑色）到1（白色）之间。

转换时，小于Amin的值在g 中变为0，大于Amax的值变为1。

1.1.7 数组索引在MATLAB中，v=[1 3 5 7 9]代表一维行向量，使用转置运算符（.’）可以把行向量转为列向量。

要存取元素数据块，可以使用冒号（:）。

例如，下列语句代表存取第三个到最后一个元素：>>v(3:end)ans=5 7 9注意：符号1:2：end表示索引从1开始计数，步长为2，直到结束。

步长可以为负。

例如，求一个矩阵所有元素之和：>>s=sum(A(:))1.1.8 运算符MATLAB运算符一般分为以下三种主要类别：●执行数值计算的算术运算符●在数量上比较操作数的关系运算符●执行函数AND、OR和NOT的逻辑运算符常用的运算符和算术函数如下面几个表所示：表格 0-3 数组和矩阵运算符表格 0-4 IPT支持的图像算术函数表格 0-5 关系运算符表格 0-6 逻辑运算符表格 0-7 逻辑函数函数注释xor 若两个操作数逻辑上不同，则函数xor返回1；否则，返回0all 若一个向量中的所有元素都非零，返回1；否则，返回0any 若一个向量中的任何元素都非零，返回1；否则，返回0。

该函数在矩阵中按列操作1.2 实验内容1.2.1 在“素材”文件夹下，读入“Fig2.19(a).jpg”并且提取该图像的基本信息，写出实验步骤和实验结果。

图 1 图像的读取与显示>> f=imshow('Fig2.19(a).jpg');>> whos fName Size Bytes Class Attributesf 1x1 8 double1.2.2 读取图像“Fig1.14(d).jpg”，使用函数imwrite和subplot函数分别显示质量参数q=50,25,5,0的结果如图所示。

写出实验步骤。

>> f=imread('Fig1.14(d).jpg');>> subplot(3,2,1),imshow(f);>> subplot(3,2,2),imshow('bubbles50.jpg');>> imwrite(f,'bubbles25.jpg','quality',25)>> subplot(3,2,3),imshow('bubbles25.jpg');>> imwrite(f,'bubbles15.jpg','quality',15)>> subplot(3,2,4),imshow('bubbles15.jpg');>> imwrite(f,'bubbles5.jpg','quality',5)>> subplot(3,2,5),imshow('bubbles5.jpg');>> imwrite(f,'bubbles0.jpg','quality',0)>> subplot(3,2,6),imshow('bubbles0.jpg');观察哪副图像压缩最大后没有“伪轮廓”。

此时键入命令：>> imfinfo bubbles25.jpg会得到如下信息：ans =Filename: 'bubbles25.jpg'FileModDate: '15-十月-2012 15:49:44' FileSize: 13875Format: 'jpg'FormatVersion: ''Width: 714Height: 682BitDepth: 8ColorType: 'grayscale'FormatSignature: ''NumberOfSamples: 1CodingMethod: 'Huffman'CodingProcess: 'Sequential'Comment: {}其中，使用width乘以height乘以BitDepth再除以8，得到：714*682*8/8=486948字节。

把这个结果除以FileSize就可以的得到压缩比：486948/13875=35.10。

此时压缩比是在保持图像质量与应用要求一致的前提下得到的，它可以使得单位时间内传输的数据量大约是压缩前的35倍。

利用上述原理，请写出在MATLAB中如何计算得到压缩比。

>> k=imfinfo('bubbles25.jpg');>> image_bytes=k.Width*k.Height*k.BitDepth/8;>> compressed_bytes=k.FileSize;>> compression_ratio=image_bytes/compressed_bytescompression_ratio =35.09541.2.3 如图（Fig5.07(a).jpg）所示，把原始图像以tiff格式存储为无压缩的名为“sf.tif”的图像，且像素不变，但尺寸减小为1.5*1.5英寸。

写出实验步骤。

1.2.4 将double类图像“ >>f=[1 2;3 4]”转换为二值图像，其中1、2变为0,3、4变为1。

请写出实验步骤。

1.2.5 利用数组索引的概念，写出实现下列图像的实验步骤。

1.2.5 设A=[1 2 3;4 5 6; 7 8 9]和B=[0 2 4; 3 5 6; 3 4 9]计算A==B,A>=B的结果。

1.2.6 设A=[1 2 0; 0 4 5],B=[1 -2 3; 0 1 1],计算A&B, xor(A,B), all(A), any(A), all(B), any(B)的结果。

实验2 亮度变换与空间滤波2.1 实验原理2.1.1 亮度变换函数函数imadjust是对灰度图像进行亮度变换的基本IPT工具。

语法为：g = imadjust (f, [low_in high_in], [low_out high_out], gamma)次函数将图像f中的亮度值映射到g中的新值，即将low_in至high_in之间的值映射到low_out至high_out之间的值。

合集下载

湖南大学医学影像学实验之matlab图像处理实验报告

湖南大学医学影像学实验之matlab图像处理实验报告

实验一、空域图像处理1、灰度线性变换：I=imread('trees.tif') ;figure(1) ； imshow(I) ; title('原图') ;J=double(I) ; %把I变成双精度并赋值给JJ=3*J+74 ; %对J进行线性变换J=uint8(J) ；figure(2) ； imshow(J) ; title('线性变换') ;图像：思考题：设定不同的斜率值和截距，显示效果会怎样？答：斜率增加，像素点的灰度值会根据本身的灰度值按比例增加，所以深色部分会变少，浅色部分会变多，整张图片上白色区域会变多；截距增加，所有像素点的灰度值都会增加，所以整张图片会变淡。

添加噪声：I=imread('trees.tif') ;M=imnoise(I,'salt & pepper',0.02) ; %添加椒盐噪声%因为每次添加椒盐噪声都是这两句代码，所以就不重复打出来了，直接看效果图下同～(￣▽￣～)~~~图像：椒盐噪声+线性变换：椒盐噪声是随机产生的噪声，包括高灰度和低灰度的噪声。

线性变换基本上没有多少去噪的功能，更多的应该是用于改变对比度。

(中值)直方图均衡化：I=imread('rice.png') ;subplot(2,2,1) ; imshow(I) ; title('原图') ;subplot(2,2,3) ; imhist(I) ;J=double(I) ; %把I变成双精度并赋值给Jmax=J(1,1) ; min=J(1,1) %把J(1,1)赋值给max和min[N1,N2]=size(I) ; %得到矩阵I的行和列for i=1:N1for j=1:N2if J(i,j)>maxmax=J(i,j) ; %如果元素值大于max，则把元素值赋给maxendif J(i,j)<minmin=J(i,j) ; %如果元素值小于min，则把元素值赋给minendendendn=round((max+min))/2 ; %取元素最大值和最小值的中间值，即中间灰度值a=(255-max)/(max-n) ；b=min/(n-min) ；%根据原图中max和min，求得运算倍率a和b，以确保在接下来的运算中，原图像的max和min可以准确被定为到255和0for i=1:N1for j=1:N2if J(i,j)>=nJ(i,j)=J(i,j)+a*(J(i,j)-n) ;end%当元素灰度值大于或等于中间灰度值时，将该元素的灰度值变大if J(i,j)<nJ(i,j)=J(i,j)-b*(n-J(i,j)) ;end%当元素灰度值小于中间灰度值时，将该元素的灰度值变小endendK=uint8(real(J)) ;subplot(2,2,2) ; imshow(K) ;title('直方图均衡化') ;subplot(2,2,4) ; imhist(K) ;思考题：直方图均衡化是什么意思？它的主要用途是什么？答：直方图均衡化是将一副像素灰度级范围较窄的图像的像素灰度级的范围扩大并分布均匀。

图像处理实验报告

图像处理实验报告

图像处理实验报告实验⼀基于matlab 的⼈脸识别技术⼀、实验⽬的1．熟悉⼈脸识别的⼀般流程与常见识别⽅法；2．熟悉不同的特征提取⽅法在⼈脸识别的应⽤；3．了解在实际的⼈脸识别中，学习样本数等参数对识别率的影响；4．了解⾮⼈脸学习样本库的构建在⼈脸识别的重要作⽤。

使⽤MATLAB 平台编程，采⽤K-L 变换、特征提取及图像处理技术，实现⼈脸识别⼆、实验内容与实验仪器、设备1．构建⾮⼈脸学习样本库；2．观测不同的特征提取⽅法对⼈脸识别率的影响；3．观测不同的学习样本数对⼈脸识别率的影响；1． PC 机－系统最低配置 512M 内存、P4 CPU ；2． Matlab 仿真软件－ 7.0 / 7.1 / 2006a 等版本的Matlab 软件。

3． CBCL ⼈脸样本库三、实验原理1.⼈脸特征提取的算法通过判别图像中所有可能区域是否属于“⼈脸模式”的⽅法来实现⼈脸检测。

这类⽅法有：特征脸法、⼈⼯神经⽹络法、⽀持向量机法；积分图像法。

本次使⽤的是PCA(主成分分析法)其原理是：利⽤K-L 变换抽取⼈脸的主要成分，构成特征脸空间，识别时将测试图像投影到此空间，得到⼀组投影系数，通过与各个⼈脸图像⽐较进⾏识别。

对于⼀幅M*N 的⼈脸图像，将其每列相连构成⼀个⼤⼩为D=M*N 维的列向量。

D 就是⼈脸图像的维数，即是图像空间的维数。

设n 是训练样本的数⽬；X j 表⽰第j 幅⼈脸图像形成的⼈脸向量，则所需样本的协⽅差矩阵为：1()()m Ti i i S x u x u ==--∑ （1）其中U 为训练样本的平均图像向量：11mi i u x n ==∑ （2）令A=[x 1-u,x 2-u,...x n -u]，则有S r =AA T ，其维数为D ×D 。

根据K-L 变换原理，需要求得的新坐标系由矩阵AA T 的⾮零特征值所对应的特征向量组成。

直接计算的计算量⽐较⼤，所以采⽤奇异值分解(SVD)定理，通过求解A T A 的特征值和特征向量来获得AA T 的特征值和特征向量。

直方图均衡化实验报告

直方图均衡化实验报告

医学图像处理实验报告实验名称：直方图均衡化实验姓名：gao jun qiang 学号：20105405班级：生医1001指导教师：……2013年6月5日一、 实验目的1、编程实现下列功能：读出存储的黑白灰度图象并显示，显示灰度直方图，对图象进行直方图均衡化处理，显示处理后图象及直方图，画出灰度变换曲线，并存储处理后图象。

二、 实验原理直方图均衡化处理的中心思想是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。

直方图均衡化就是对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。

直方图均衡化是一种自动调节图象对比度质量的算法，使用的方法是灰度级变换：s = T(r) 。

它的基本思想是通过灰度级r 的概率密度函数p(rk )，求出灰度级变换T(r).灰度直方图的计算十分简单，依据定义在离散形式下有下面的公式成立：()1,1,0,-==L k n n k p k Λ （1） 公式中：k n 为图像中出现k s 级灰度的像素数，n 是图像像素总数，而n nk 即为频数。

计算累积直方图各项：()1,1,0,00-===∑∑==L k i p n n t k i ki i k Λ （2） 取整扩展：]5.0)1int[(+-=k k t L t （3）映射对应关系 ：k t k ⇒三、实验代码及结果直方图均衡化实验代码：clc;close all;clear all;Imag = imread('lena.tiff');figure()imshow(Imag),title('原图像');ImagGray = rgb2gray(Imag);figure()imshow(ImagGray),title('灰度图像');[r,c] = size(ImagGray);%统计灰度直方图GrayPixNum = zeros(1,255);for i = 1:rfor j = 1:cGrayPixNum(1,ImagGray(i,j)) = GrayPixNum(1,ImagGray(i,j))+1;endend%对灰度直方图进行归一化GrayPixPro = GrayPixNum./(r*c);figure()plot(GrayPixPro),title('图像直方图');%-----------------------------------------------------------% -----------------------直方图均衡化------------------------%-----------------------------------------------------------%直方图累加GrayAdd = zeros(1,255);GrayAdd(1,1) = GrayPixPro(1,1);for i = 2:255GrayAdd(1,i) = GrayAdd(1,i-1)+GrayPixPro(1,i);endNewGray = round(GrayAdd.*254.+0.5);NewGrayPro = zeros(1,255);for i = 1:255GrayTemp = NewGray(1,i);NewGrayPro(1,GrayTemp) = NewGrayPro(1,GrayTemp)+GrayPixPro(1,i); endfigure()plot(NewGrayPro.*(r*c)),title('均衡化直方图');%有均衡化直方图和映射关系得到均衡化的图像NewImag = zeros(r,c);for i =1:rfor j = 1:cNewImag(i,j) = NewGray(1,ImagGray(i,j));endendNewImag = uint8(NewImag);figure()imshow(NewImag),title('均衡化的图像');figure()plot(NewGray),title('灰度变换曲线');实验结果：图1 原灰度图像图2 原图像的灰度直方图图3 经过直方图均衡化后的灰度图片图4 均衡化后的直方图图5 灰度变化曲线三、实验思考从上述实验结果可以看出，经过直方图均衡化后的图片的对比度更高，且边缘效果更高。

医学超声成像实验报告(3篇)

医学超声成像实验报告(3篇)

第1篇一、实验目的通过本次实验，了解医学超声成像的基本原理，掌握超声成像设备的操作方法，并学会分析超声图像，以加深对超声成像技术的理解和应用。

二、实验原理医学超声成像技术是一种利用超声波在人体内传播时的反射、折射、散射等特性，通过检测和分析这些特性来获取人体内部结构信息的技术。

超声波是一种频率高于人类听觉上限的声波，具有良好的穿透性和安全性。

三、实验材料与设备1. 实验材料：人体模型、探头、耦合剂、显示器、超声成像设备等。

2. 实验设备：超声成像系统、电脑、打印机等。

四、实验步骤1. 准备阶段- 检查超声成像设备是否正常运行。

- 将人体模型放置在实验台上，调整好探头位置。

- 使用耦合剂涂抹在探头与人体模型接触的部位，以减少空气间隙，提高成像质量。

2. 操作阶段- 打开超声成像系统，调整探头频率和增益。

- 通过调节探头角度和深度，观察人体模型不同部位的超声图像。

- 记录不同部位的超声图像特征，如组织层次、结构形态、血流情况等。

3. 分析阶段- 分析记录的超声图像，与正常解剖结构进行对比。

- 判断图像中是否存在异常情况，如肿块、囊肿、炎症等。

- 对比不同探头频率和增益对成像质量的影响。

4. 整理阶段- 清理实验器材，关闭超声成像系统。

- 将实验结果整理成实验报告。

五、实验结果与分析1. 正常组织结构- 实验结果显示，人体模型的皮肤、肌肉、骨骼等组织在超声图像中呈现出明显的层次结构。

- 肌肉组织呈低回声，骨骼组织呈强回声。

2. 异常情况- 在实验过程中，发现人体模型某个部位存在肿块，超声图像显示为不规则的强回声区。

- 通过对比正常解剖结构，初步判断该肿块可能为良性肿瘤。

3. 探头频率和增益影响- 调整探头频率和增益，发现高频率探头对细小结构的成像效果较好，但穿透深度有限；低频率探头穿透深度较大，但对细小结构的成像效果较差。

六、实验总结1. 通过本次实验，掌握了医学超声成像的基本原理和操作方法。

2. 学会了分析超声图像，初步判断人体内部结构的异常情况。