数字图像处理作业

3.1I=imread('bmp.bmp'); %把一个BMP灰度图像读入到变量I中I1=im2double(I); %图像灰度值的双精度化figure,imhist(I1); %打开一个新图形窗口来显示直方图I2=imadjust(I1,[0 0.3],[0 1]); %把图像的灰度范围从[0,0.3]拉伸到[0,1] figure,imshow(I2); %打开一个新图形窗口显示增强后的图像figure,imhist(I2); %打开一个新图形窗口显示增强后的直方图3.2I=imread('lf.bmp'); imshow(I);%读入并显示一幅BMP频谱图像I1=double(I);%双精度化I2=log(I1+1);%对数变换I3=mat2gray(I2);%把图像的灰度范围变换为[0 1]范围figure,imshow(I3); %打开一个新的图形窗口显示减少动态范围后的频谱图像3.4I=imread('fj.bmp'); I=rgb2gray(I);imshow(I);title('原始图像');%读入并显示一幅灰度图像figure,imhist(I);title('原始直方图');%打开一个新的图形窗口显示原始图像的直方图[I1,T]=histeq(I);%直方图均衡化figure,imshow(I1);title('均衡化后'); %打开一个新的图形窗口显示均衡化后的图像figure,imhist(I1);title('均衡化后直方图');%打开一个新的图形窗口显示均衡化后的直方图figure,plot((0:255)/255,T);title('变换曲线');%打开一个新的图形窗口画出变换曲线3.6I=imread('fj.bmp'); I=rgb2gray(I);imshow(I);title('原始图像');%读入并显示一幅灰度图像figure,imhist(I);title('原始直方图');%打开一个新的图形窗口显示原始图像的直方图[I1,T]=histeq(I);%直方图均衡化figure,imshow(I1);title('均衡化后'); %打开一个新的图形窗口显示均衡化后的图像figure,imhist(I1);title('均衡化后直方图');%打开一个新的图形窗口显示均衡化后的直方图figure,plot((0:255)/255,T);title('变换曲线');%打开一个新的图形窗口画出变换曲线3.7clc;clear all;I=imread('hua.bmp');imshow(I),title('hua.bmp'); %把一个图形窗口划分为1×2矩形显示区域，在图形窗口的左侧区域显示图像II1=double(I);%数据类型转换，不支持无符号整型计算[M,N]=size(I1);%计算图像的高和宽%产生高斯型高通滤波器m=round(M/2);n=round(N/2);%四舍五入取整hh=1.035;hl=0.7;c=3;for i=1:Mfor j=1:Nd(i,j)=sqrt((i-m)^2+(j-n)^2);endendd0=median(median(d));for i=1:Mfor j=1:Nh(i,j)=(hh-hl)*(1-exp(-c*(d(i,j)/d0)))+hl;%高通滤波器endend[i,j]=meshgrid(1:M,1:N);figure,mesh(h); title('highpass filter');%同态滤波h=h';I2=log(I1+1);%对数变换I3=fft2(I2);%傅立叶变换I3=fftshift(I3);%频谱中心化I3=reshape(I3,384,1152);I4=I3.*(h);%滤波I4=reshape(I4,384,384,3);I4=ifftshift(I4); %频谱反中心化I4=ifft2(I4);%傅立叶反变换I5=exp(I4-1);%指数变换I6=real(I5);%取幅值I7=mat2gray(I6);%恢复变换后的数值范围figure,imshow(I7);title('adjusted image intensity value');%在图形窗口的右侧区域显示结果图像3.8I=imread('lf.bmp');I=rgb2gray(I);imshow(I);%读入和显示一幅原始图像title('original image') %给图像加标题X=grayslice(I,16);%将灰度范围分成16层% X=grayslice (I,n)用阈值1/n, 2/n, ..., (n-1)/n 阈值化灰度图像I ，并返回索引图像X。

1、下图是一用于干涉原理进行测试的干涉场图像，要求判读条纹的间距，请给出图像处理的方案并说明每一步的作用及其对其它处理步骤可能产生的影响。

解：步骤与思路：○1.进行模糊处理，消除噪声○2.边缘检测，进行图像增强处理○3．二值化图像，再进行边缘检测，能够得到很清晰的边界。

○4.采用横向标号法，根据值为1像素在标号中的相邻位置可以确定间距I=imread('xz mjt.bmp');I1=medfilt2(I); %对图像中值滤波imshow(I1);[m,n]=size(I1);for i=1:mfor j=1:nif(I1(i,j)<100) %阈值为100I1(i,j)=255;elseI1(i,j)=0; %进行二值化endendendfigure;imshow(I1);Y1=zeros(1,25);y2=y1;c=y2;i=100;for j=1:1200if (I1(i,j)==255&&I1(i,j+1)==0)Y1=j+1;endif (I1(i,j)==0&&I1(i,j+1)==255)Y2=j;endendfor i=1:25c=Y2(i)-Y1(i)endc %找出每两个条纹之间的距离2. 现有8个待编码的符号m0,……,m7,它们的概率分别为0.11,0.02,0.08,0.04,0.39,0.05,0.06,0.25,利用哈夫曼编码求出这一组符号的编码并画出哈夫曼树。

3. 请以图像分割方法为主题，结合具体处理实例，采用期刊论文格式，撰写一篇小论文。

各种算子对图像进行边缘检测效果的研究图像分割是根据需要将图像划分为有意义的若干区域或部分的图像处理技术。

通过边缘检测在Matlab中实现方法，及用四叉数分解函数进行区域分割的方法，掌握了Matlab区域操作函数的使用和图像分析和理解的基本方法,并学到了'roberts','sobel','prewitt','canny','log'算子对图像进行边缘检测的不同效果。

数字图像处理上机作业数字图像处理上机实验题⼀、产⽣右图所⽰图像f1(m,n)，其中图像⼤⼩为256×256，中间亮条为128×32，暗处=0，亮处=100。

对其进⾏FFT：1、屏显⽰原图f1(m,n)和FFT(f1)的幅度谱图；2、令f2(m,n)=（-1）^（m+n）*f1(m,n)，重复以上过程，⽐较⼆者幅度谱的异同，简述理由；3、若将f2(m,n)顺时针旋转90 度得到f3(m,n)，试显⽰FFT(f3)的幅度谱，并与FFT(f2)的幅度谱进⾏⽐较；4、若将f1(m,n) 顺时针旋转90 度得到f4(m,n)，令f5(m,n)=f1(m,n)+f4(m,n)，试显⽰FFT(f5) 的幅度谱，并指出其与FFT(f1)和FFT(f4)的关系；5、若令f6(m,n)=f2(m,n)+f3(m,n)，试显⽰FFT(f6)的幅度谱，并指出其与FFT(f 2)和FFT(f3) 的关系，⽐较FFT(f6)和FFT(f5)的幅度谱。

代码f1=zeros(256,256);for i =64:1:191for j = 112:1:143f1(i,j) = 100;endendf2 = fft2(f1);%f2(m,n) = f3f3 = ((-1)^(i+j))*f1;f4 = fft2(f3);%f3(m,n) = f5f5 = imrotate(f3,90,'bilinear');f6 = fft2(f5);%f4(m,n) = f7f7 = imrotate(f1,90,'bilinear');f8 = fft2(f7);%f5(m,n) = f8f9 = f1 + f7;f10 = fft2 (f9);%f6(m,n) = f2(m,n)+f3(m,n)f11 = f3 + f5;subplot(1,2,1);imshow(abs(f1));title('原图f1');subplot(1,2,2);imshow(abs(f2));title('幅度谱fft2(f1)');figure(2)subplot(2,2,1)imshow(abs(f1));title('原图f1')subplot(2,2,2)imshow(abs(f2));title('幅度谱fft2(f1)'); subplot(2,2,3); imshow(abs(f3))title('变换谱f2');subplot(2,2,4);imshow(abs(f4));title('幅度谱fft2(f2)'); figure(3) subplot(2,2,1)imshow(abs(f3))title('变换谱f2');subplot(2,2,2);imshow(abs(f4));title('幅度谱fft2(f2)'); subplot(2,2,3); imshow(abs(f5))title('变换谱f3');subplot(2,2,4);imshow(abs(f6));title('幅度谱fft2(f3)'); figure(4) subplot(3,2,1);imshow(f7);title('f1旋转图f4'); subplot(3,2,2); imshow(abs(f8));title('幅度谱fft2(f4)'); subplot(3,2,3);title('f5(m,n)=f1+f4'); subplot(3,2,4); imshow(abs(f10));title('幅度谱fft2(f5)'); subplot(3,2,5) imshow(abs(f1));title('原图f1');subplot(3,2,6);imshow(abs(f2));title('幅度谱fft2(f1)');figure(5)subplot(3,2,1)imshow(abs(f3))title('变换谱f2');subplot(3,2,2);imshow(abs(f4));title('幅度谱fft2(f2)'); subplot(3,2,3); imshow(abs(f5))title('变换谱f3');subplot(3,2,4);imshow(abs(f6));title('幅度谱fft2(f3)'); subplot(3,2,5) imshow(abs(f11))title('变换谱f6=f2+f3'); subplot(3,2,6); imshow(abs(f12));title('幅度谱fft2(f6)');figure(6)subplot(2,2,1);imshow(f9);title('f5(m,n)=f1+f4'); subplot(2,2,2); imshow(abs(f10));title('幅度谱fft2(f5)'); subplot(2,2,3) imshow(abs(f11))title('变换谱f6(m,n)=f2+f3'); subplot(2,2,4); imshow(abs(f12));title('幅度谱fft2(f6)');分析2、F2(m,n)与F1(m,n)幅度值相同，f2(m,n)=（-1）^（m+n）*f1(m,n)中，并未改变幅值。

数字图像处理作业题1.以下是一个32级灰度图像（0表示黑色），其中包含了在灰色开始背景上的, 帶有一个白色标记的，直径是12英寸的黑色留声机唱片。

下面给出了图像的直方图。

试问象素间的间距是多大标记的尺寸長多大[0000 100 200 2000 6000 2000 200 100 0 0 200 3000 9000 3000 200 0 0 50 100 400 100 50 0 0 0 0 0 0 0]解：像素数乘以像素间距的平方等于物体的面积（S）。

表示唱片的像素总数：100+200+2000-6000+2000+200+100+200+50+100+400+100 +50=11300S=J2X113OO=^X62d=（英寸）表示白色标记的像素数为：50+100+400+100+50=700S-d2 x 700 = 7rxr2r=（英寸）2.下面给出了在黑色背景上的白色台球的20级灰度图像的直方图0表示黑色），这个球長用每立方厘米克的材料制成的。

象素间距長1mm。

试问球的重量是多少[0 100 500 3000 9000 3000 500 200 100 200 300 500 627 500 300 200 100 0 0 0]解：由直方图可知，表示台球的像素数为：100+200+300+500+627+500+300=200+100=2827S=J2 x 2827 = 7rxr2r=3cm4球的质呈为：M =—加"x 1.5 = 169.6（g）原题：下面给出了在黑色背景上的白色台球的20级灰度图像的直方图0表示黑色），这个球是用毎立方厘米克的材料制成的。

象素问距是山叭试问球的重量是多少[0 200 500 3000 9000 3000 500 200 100 200 300 500 627 500 300 200 100 000]3.图像平滑的直观依据長什么不同的平滑方法是如何看待噪音并使用了何种改进以尽量降低其对边缘的模糊对于平滑的快速性和边缘保持，你有何见解解：图像在生成和传输过程中常受到各种噪声源的干扰和影响而使图像处理效果变差，反映在图像上，桌声使原本均匀和连续变化的灰度突然变大或减小，形成一些虚假的物体边缘或轮廓。

1 题目：实现频率域的UnSharp Masking滤波。

其中低通滤波使用频率域的高斯低通滤波器滤波器参数可调。

2 源程序clear;close all;clc;I = imread('E:\Lena.bmp');figuresubplot(321)imshow(I)title('原图像')B=fft2(I);s=fftshift(B);[M,N] =size(s); %分别返回s的行数到M中，列数到N中n=2; %对n赋初值%GLPF滤波，d0=5，15，30（程序中以d0=30为例）d0=30; %初始化d0n1=floor(M/2); %对M/2进行取整n2=floor(N/2);for i=1:Mfor j=1:Nd=sqrt((i-n1)^2+(j-n2)^2); %点(i,j)到傅里叶变换中心的距离h=1*exp(-1/2*(d^2/d0^2)); %GLPF滤波函数a(i,j)=h*s(i,j); %GLPF滤波后的频域表示endenda=ifftshift(a); %对s进行反FFI移动%对s进行二维反离散的Fourier变换后，取复数的实部转化为无符号8位整数a=uint8(real(ifft2(a)));subplot(322)imshow(a) %显示GLPE滤波处理后的图像title('GLPF滤波(d0=30)')subplot(323)b = I -a;imshow(b)title('反锐化')c0 = I + 0.5*b;subplot(324)imshow(c0)title('反锐化图像A=0.5')c1 = I + 1*b;subplot(325)imshow(c1)title('反锐化图像A=1')c2= I + 1.5*b;subplot(326)imshow(c2)title('反锐化图像A=1.5')3 实验结果图原图像GLPF滤波(d0=30)反锐化反锐化图像A=0.5反锐化图像A=1反锐化图像A=1.5。

数字图像第四讲作业1.设计一个程序对受到高斯白噪声及椒盐噪声干扰的图像进行3x3,5x5邻域的平均平滑以及中值滤波. (添加噪声参看imnoise 函数, 空域卷积可用imfilter2函数实现)。

分析：1.邻域平均平滑可以采用imfilter函数，选择正确的卷积核就可以进行相应的邻域平均平滑操作了。

3x3的卷积核为：H1=1/8*[1 1 11 0 11 1 1];5x5的卷积核为：H2=1/24*[1 1 1 1 11 1 1 1 11 1 0 1 11 1 1 1 11 1 1 1 1 ];2.中值平滑可以先编写中值平滑子函数zhongzhi()，然后在主函数中调用即可。

以3*3中值平滑为例来分析其操作过程，3*3中值平滑就是将以各项素为中心的9个像素值的中间值作为平滑后的新的像素值赋给该像素。

因此可以通过I(i-1:i+1,j-1:j+1)得到对应于I(i,j)点的九个像素值，然后在由median函数可求出这九个值的中值，赋给新矩阵的(i,j)点即可。

注意I(i-1:i+1,j-1:j+1)操作可能会有i-1=0，j-1=0或i+1、j+1大于矩阵最大行列数的情况，从而出现错误。

在这里我的处理是在I矩阵的外围补上一圈0，即出现上述情况时像素值以0来代替。

具体代码为：I0=zeros(m+2,n+2);for i=2:m+1for j=2:n+1I0(i,j)=I(i-1,j-1);endend同理，5*5的中值平滑也可以同样操作，只不过是在外围补上两圈零而已。

代码及注释如下：主函数：clearI = imread('Lenna.bmp');J=imnoise(I,'gaussian');K=imnoise(I,'salt & pepper');%H1为3*3邻域平滑的卷积核，H2为5*5邻域平滑的卷积核H1=1/8*[1 1 11 0 11 1 1];H2=1/24*[1 1 1 1 11 1 1 1 11 1 0 1 11 1 1 1 11 1 1 1 1 ];J1=imfilter(J,H1); %高斯白噪声的3*3邻域平滑J2=imfilter(J,H2); %高斯白噪声的5*5邻域平滑K1=imfilter(K,H1); %椒盐噪声的3*3邻域平滑K2=imfilter(K,H2); %椒盐噪声的5*5邻域平滑J3=zhongzhi(J,3); %高斯白噪声的3*3中值平滑J4=zhongzhi(J,5); %高斯白噪声的5*5中值平滑K3=zhongzhi(K,3); %椒盐噪声的3*3中值平滑K4=zhongzhi(K,5); %椒盐噪声的5*5中值平滑subplot(131);imshow(J);title('高斯白噪声');subplot(132);imshow(J1);title('高斯白噪声的3*3邻域平滑');subplot(133);imshow(J2);title('高斯白噪声的5*5邻域平滑');figuresubplot(131);imshow(J);title('高斯白噪声');subplot(132);imshow(J3);title('高斯白噪声的3*3中值平滑');subplot(133);imshow(J4);title('高斯白噪声的5*5中值平滑');figuresubplot(131);imshow(K);title('椒盐噪声');subplot(132);imshow(K1);title('椒盐噪声的3*3邻域平滑');subplot(133);imshow(K2);title('椒盐噪声的5*5邻域平滑');figuresubplot(131);imshow(K);title('椒盐噪声');subplot(132);imshow(K3);title('椒盐噪声的3*3中值平滑');subplot(133);imshow(K4);title('椒盐噪声的5*5中值平滑');中值平滑子函数zhongzhi()如下：function J=zhongzhi(I,k)[m,n]=size(I);if k==3 %3*3的中值平滑I0=zeros(m+2,n+2);for i=2:m+1for j=2:n+1I0(i,j)=I(i-1,j-1); %将到操作的图像矩阵I外围不上0endendfor i=2:m+1for j=2:n+1a=I0(i-1:i+1,j-1:j+1);b=a(1:9); %将3*3的矩阵化成1*9的矩阵，便于median操作J(i-1,j-1)=median(b); %取中值，保存为平滑后矩阵J的i-1行、j-1列endendelse k==5 %5*5的中值平滑I0=zeros(m+4,n+4);for i=3:m+2for j=3:n+2I0(i,j)=I(i-2,j-2);endendfor i=3:m+2for j=3:n+2a=I0(i-2:i+2,j-2:j+2);b=a(1:25);J(i-2,j-2)=median(b);endendendJ=uint8(J);运行结果如下：1）加高斯白噪声后图像，及3*3、5*5邻域平滑2）加高斯白噪声后图像，及3*3、5*5中值滤波3）加椒盐噪声后图像，及3*3、5*5邻域平滑4）加椒盐噪声后图像，及3*3、5*5中值平滑结论：平滑滤波和中值滤波对噪声都有一定的抑制作用，且阶数越高滤波效果越好，中值滤波对椒盐噪声的抑制效果特别明显，中值滤波效果比平滑滤波好一些，轮廓比较清晰。

大作业指导书题目：数字图像处理院（系）：物联网工程学院专业: 计算机班级：计算机1401-1406指导老师：学号：姓名：设计时间： 2016-2017学年 1学期摘要 (3)一、简介 (3)二、斑点数据模型.参数估计与解释 (4)三、水平集框架 (5)1.能量泛函映射 (5)2.水平集传播模型 (6)3.随机评估方法 (7)四、实验结果 (8)五、总结 (11)基于水平集方法和G0模型的SAR图像分割Abstract（摘要）这篇文章提出了一种分割SAR图像的方法，探索利用SAR数据中的统计特性将图像分区域。

我们假设为SAR图像分割分配参数，并与水平集模型相结合。

分布属于G分布中的一种，处于数据建模的目的，它们已经成功的被用于振幅SAR图像中不同区域的建模。

这种统计数据模型是驱动能量泛函执行区域映射的基础，被引用到水平集传播数值方案中，将SAR 图像分为均匀、异构和极其异构区域。

此外，我们引入了一个基于随机距离和模型的评估过程，用于量化我们方法的鲁棒性和准确性。

实验结果表明，我们的算法对合成和真实SAR 数据都具有准确性。

+简介1、Induction（简介）合成孔径雷达系统是一种成像装置，采用相干照明比如激光和超声波，并会受到斑点噪声的影响。

在SAR图像处理过程中，返回的是斑点噪声和雷达切面建模在一起的结果。

这个积性模型（文献[1]）因包含大量的真实SAR数据，并且在获取过程中斑点噪声被建模为固有的一部分而被广泛应用。

因此，SAR图像应用区域边界和目标检测变得更加困难，可能需要斑点去除。

因此，斑点去除是必需的，有效的方法可以在文献[2][3][4][5][6][7][8][9][10]中找到。

对于SAR图像分割，水平集方法构成一类基于哈密顿-雅克比公式的重要算法。

水平集方法允许有效的分割标准公式，从文献[12]中讨论的传播函数项可以得到。

经典方法有着昂贵的计算成本，但现在的水平集的实现配置了有趣的低成本的替换。

1.数字图像与连续图像相比具有哪些优点?连续图像f(x,y)与数字图像I(c,r)中各量的含义是什么?它们有何联系和区别? (To be compared with an analog image, what are the advantagesof a digital image? Let f(x,y) be an analog image, I(r, c) be a digital image, please giveexplanation and comparison for defined variables: f/I, x/r, and y/c)2.图像处理可分为哪三个阶段? 它们是如何划分的？各有什么特点? (We can divide image processing into 3 stages, what are they? how they are divided? What are their features?)答：低级处理---低层操作,强调图像之间的变换,是一个从图像到图像的过程;中级处理---中层操作,主要对图像中感兴趣的目标进行检测和测量,从而建立对图像的描述,是一个从图像到数值或符号的过程;高级处理---高层操作,研究图像中各目标的性质和相互联系,得出对图像内容含义的理解以及对原来客观场景的解释;3.试从结构和功能等角度分析人类视觉中最基本的几个要素是什么?什么是马赫带效应? 什么是同时对比度?它们反映了什么共同问题? (According to the structure and function of theeyes, what are the basic elements in human vision? What is the Mach Band Effect? What is Simultaneous Contrast? What common facts can we infer from both Mach Band Effect and Simultaneous Contrast?)答：人的视觉系统趋向于过高或过低估计不同亮度区域边界的现象称为“马赫带”效应;同时对比度指的是人的视觉系统对某个区域感觉到的亮度除了依赖于它本身的强度,还与背景有关. 马赫带效应和同时对比度现象表明人所感觉到的亮度并不是强度的简单函数.4.比较说明像素邻域、连接、通路以及连通基本概念的联系与区别。