机器视觉实验报告Word文件下载.docx

机器视觉实验报告Word文件下载.docx

《机器视觉实验报告Word文件下载.docx》由会员分享，可在线阅读，更多相关《机器视觉实验报告Word文件下载.docx（24页珍藏版）》请在冰豆网上搜索。

图1-4

图1-5

五.实验总结和分析

通过实验前的理论准备和老师的讲解，对matlab有了一定认识，在实验中，了解了实际操作中的步骤以及matlab中的图像处理工具箱及其功能，为后续的学习打下了基础，并把理论与实际相结合，更加深入的理解图像处理。

实验二

图像的增强技术

1.了解图像增强技术/方法的原理；

2.利用matlab软件，以某一用途为例，实现图像的增强；

3.通过程序的调试，初步了解图像处理命令的使用方法。

通过matlab工具箱来进行图像处理，通过输入MATLAB可以识别的语言命令来让MATLAB执行命令，实现图像的增强。

四.实验步骤及结果

1.双击MATLAB图标打开MATLAB软件；

2.单击help/Demos打开帮助中的演示；

3.找到ImageProcessing工具箱中的图像增强，如图2-1所示

图2-1

4.点击ContrastEnhancementTechniques和ContrastEnhancementTechniques即对比度增强技术，结果如图2-1所示

图2-2

5.图中有4个步骤，然后按照这四个步骤一步一步的进行即可得到理想的图像。

Step1:

LoadImages：

阅读两种灰度图像：

pout.tif和tire.tiff。

同时读取索引RGB图像：

shadow.tif。

程序如下：

pout=imread（'

pout.tif'

）;

tire=imread（'

tire.tif'

[Xmap]=imread（'

shadow.tif'

shadow=ind2rgb（X,map）;

%converttotruecolor

Step2:

ResizeImages：

为了使图像比较容易，调整大小的图像，以具有相同的宽度。

通过缩放的高度保存其长宽比。

Step3:

EnhanceGrayscaleImages使用默认设置，比较以下三种方法的效果：

*imadjust增加图像的通过映射的输入强度图像的值，以使得，在默认情况下，数据的1％是饱和的，在输入数据的低和高强度的新值的对比度。

*histeq进行直方图均衡化。

它增强图像的由在强度图像变换的值，使得输出图像的直方图大致指定直方图（均匀分布默认）匹配对比度。

*adapthisteq执行对比度限制的自适应直方图均衡。

不像histeq，它作用于小数据区（瓦），而不是整个图像。

每个瓦片的对比度被增强，使得每个输出区的直方图大致指定直方图（均匀分布默认情况下）相匹配。

对比度增强可以以避免扩增这可能是存在于图像中的噪声的限制。

pout_imadjust=imadjust（pout）;

pout_histeq=histeq（pout）;

pout_adapthisteq=adapthisteq（pout）;

imshow（pout）;

title（'

Original'

figure,imshow（pout_imadjust）;

Imadjust'

结果如图2-3所示

图2-3

figure,imshow（pout_histeq）;

Histeq'

figure,imshow（pout_adapthisteq）;

Adapthisteq'

结果如图2-4所示

图2-4

输入以下程序得到如图2-5所示的

tire_imadjust=imadjust（tire）;

tire_histeq=histeq（tire）;

tire_adapthisteq=adapthisteq（tire）;

figure,imshow（tire）;

figure,imshow（tire_imadjust）;

图2-5

输入以下程序得到如图2-6所示的：

figure,imshow（tire_histeq）;

figure,imshow（tire_adapthisteq）;

图2-6

Step4:

EnhanceColorImages：

srgb2lab=makecform（'

srgb2lab'

lab2srgb=makecform（'

lab2srgb'

shadow_lab=applycform（shadow,srgb2lab）;

%converttoL*a*b*

%thevaluesofluminositycanspanarangefrom0to100;

scalethem%to[01]range（appropriateforMATLAB（R）intensityimagesofclassdouble）%beforeapplyingthethreecontrastenhancementtechniques

max_luminosity=100;

L=shadow_lab（:

:

1）/max_luminosity;

%replacetheluminositylayerwiththeprocesseddataandthenconvert%theimagebacktotheRGBcolorspace

shadow_imadjust=shadow_lab;

shadow_imadjust（:

1）=imadjust（L）*max_luminosity;

shadow_imadjust=applycform（shadow_imadjust,lab2srgb）;

shadow_histeq=shadow_lab;

shadow_histeq（:

1）=histeq（L）*max_luminosity;

shadow_histeq=applycform（shadow_histeq,lab2srgb）;

shadow_adapthisteq=shadow_lab;

shadow_adapthisteq（:

1）=adapthisteq（L）*max_luminosity;

shadow_adapthisteq=applycform（shadow_adapthisteq,lab2srgb）;

figure,imshow（shadow）;

figure,imshow（shadow_imadjust）;

结果如图5-7所示

图5-7

figure,imshow（shadow_histeq）;

figure,imshow（shadow_adapthisteq）;

结果如图5-8所示

图5-8

对比度增强技术：

图像处理工具箱™包含了多种图像增强程序。

三种功能特别适合用于对比度增强：

imadjust，histeq和adapthisteq。

这个演示比较了它们的使用增强灰度和真彩色图像。

通过这几个程序输入的执行结果比较我们就可以看出哪一个方法的增强效果是我们所需要的，当然我们也可以根据自己的需要来选择哪一种方法。

实验三

图像特征提取

1.了解图像特征提取的方法；

2.利用matlab软件，编程实现图像中长度、角度、半径、边界等特征的提取测量；

3.通过程序的调试，初步了解图像特征提取命令的使用方法。

通过matlab工具箱来进行图像处理，通过输入MATLAB可以识别的语言命令来让MATLAB执行命令，实现图像特征提取。

3.找到ImageProcessing工具箱中的图像特征提取，如图3-1所示

图3-1

在图像特征提取的下面有：

找到一个摆在运动的长度

雪花的粒度

识别圆形物体

识别圆形的物体

在灰度图像测量区域

测量带卷的半径

六个应用实例，本次实验选取一个：

测量带卷的半径。

进行试验。

我们的目标是测量辊的带，这是部分地由磁带分配器遮蔽的半径。

将利用bwtraceboundary来完成这个任务。

分为五个步骤：

*步骤1：

阅读图像

RGB=imread（'

tape.png'

imshow（RGB）;

text（15,15,'

Estimateradiusoftherolloftape'

...

'

FontWeight'

'

bold'

Color'

y'

）

图3-2

*步骤2：

阈值图像

I=rgb2gray（RGB）;

threshold=graythresh（I）;

BW=im2bw（I,threshold）;

imshow（BW）

图3-3

*步骤3：

提取初始边界点位置

dim=size（BW）;

col=round（dim

（2）/2）-90;

row=find（BW（:

col）,1）;

图3-4

*步骤4：

跟踪的边界

connectivity=8;

num_points=180;

contour=bwtraceboundary（BW,[row,col],'

N'

connectivity,num_points）;

imshow（RGB）;

holdon;

plot（contour（:

2）,contour（:

1）,'

g'

LineWidth'

2）;

图3-5

*步骤5：

适合圆的边界

x=contour（:

y=contour（:

1）;

%solveforparametersa,b,andcintheleast-squaressenseby%usingthebackslashoperator

abc=[xyones（length（x）,1）]\-（x.^2+y.^2）;

a=abc

（1）;

b=abc

（2）;

c=abc（3）;

%calculatethelocationofthecenterandtheradius

xc=-a/2;

yc=-b/2;

radius=sqrt（（xc^2+yc^2）-c）

%displaythecalculatedcenter

plot（xc,yc,'

yx'

%plottheentirecircle

theta=0:

0.01:

2*pi;

%useparametricrepresentationofthecircletoobtaincoordinates%ofpointsonthecircle

Xfit=radius*cos（theta）+xc;

Yfit=radius*sin（theta）+yc;

plot（Xfit,Yfit）;

message=sprintf（'

Theestimatedradiusis%2.3fpixels'

radius）;

text（15,15,message,'

图3-6

图像处理工具箱™软件提供了一套全面的参考标准算法和图像处理，分析，可视化和算法开发的图形化工具。

您可以恢复干扰或退化图像，增强图像清晰度提高，提取特征，分析形状和纹理，并注册两个图像。

大多数工具箱函数都写在公开MATLAB®

语言，让你可以检查算法，修改源代码，并创建自己的自定义功能的能力。

实验四

图像变换

1.了解图像变换的原理；

2.利用matlab软件，编程实现投影数据的图像重构；

3.通过程序的调试，初步了解图像投影变换的应用。

通过matlab工具箱来进行图像处理，通过输入MATLAB可以识别的语言命令来让MATLAB执行命令，实现图像变换。

3.找到ImageProcessing工具箱中的图像特征提取，如图4-1所示：

图4-1

4.图像变换的内容：

*创建头幻影

*平行梁-计算综合预测

*平行光束-从投影数据重建头部模型

*扇形波束-计算合成预测

*扇形波束-从投影数据重建头部模型

①创建头幻影：

P=phantom（256）;

imshow（P）

结果如图4-2所示

图4-2

theta1=0:

10:

170;

[R1,xp]=radon（P,theta1）;

num_angles_R1=size（R1,2）

结果如图4-3

图4-3

theta2=0:

5:

175;

[R2,xp]=radon（P,theta2）;

num_angles_R2=size（R2,2）

图4-4

theta3=0:

2:

178;

[R3,xp]=radon（P,theta3）;

num_angles_R3=size（R3,2）

图4-5

N_R1=size（R1,1）

N_R2=size（R2,1）

N_R3=size（R3,1）

图4-6

P_128=phantom（128）;

[R_128,xp_128]=radon（P_128,theta1）;

N_128=size（R_128,1）

图4-7

figure,imagesc（theta3,xp,R3）

colormap（hot）

colorbar

xlabel（'

ParallelRotationAngle-\theta（degrees）'

ylabel（'

ParallelSensorPosition-x\prime（pixels）'

图4-8

*平行光束-从投影数据重建头部模型：

图4-9

output_size=max（size（P））;

dtheta1=theta1

（2）-theta1

（1）;

I1=iradon（R1,dtheta1,output_size）;

figure,imshow（I1）

dtheta2=theta2

（2）-theta2

（1）;

I2=iradon（R2,dtheta2,output_size）;

figure,imshow（I2）

图4-10

dtheta3=theta3

（2）-theta3

（1）;

I3=iradon（R3,dtheta3,output_size）;

figure,imshow（I3）

图4-11

扇形波束-计算合成预测

计算合成预测采用扇形波束几何形状和改变“FanSensorSpacing”。

D=250;

dsensor1=2;

F1=fanbeam（P,D,'

FanSensorSpacing'

dsensor1）;

dsensor2=1;

F2=fanbeam（P,D,'

dsensor2）;

dsensor3=0.25;

[F3,sensor_pos3,fan_rot_angles3]=fanbeam（P,D,...

dsensor3）;

图4-12

扇形波束-从投影数据重建头部模型：

.

Ifan1=ifanbeam（F1,D,'

dsensor1,'

OutputSize'

output_size）;

figure,imshow（Ifan1）

图4-13

Ifan2=ifanbeam（F2,D,'

dsensor2,'

figure,imshow（Ifan2）

图4-14

Ifan3=ifanbeam（F3,D,'

dsensor3,'

figure,imshow（Ifan3）

图4-15

从重建投影数据的图像

本演示展示了如何使用氡，iradon，扇束和ifanbeam形成从样品图像投影，然后从投影重建图像。

而氡和iradon使用平行束几何结构的突起，扇形束和ifanbeam使用一个扇形束的几何形状。

比较平行束和扇形束的几何形状，下面的实施例创建的合成预测每个几何然后使用这些合成的预测，以重构原始图象。

现实世界中的应用，需要图像重建就是预测是通过测量辐射穿过一个实物标本，在不同角度的衰减形成X射线吸收断层。

原始图像可以被认为是通过在其中强度值表示试样的密度的样品的横截面。

突起由特殊医疗成像设备收集，然后将试样的一个内部图像使用iradon或ifanbeam被重构。

函数iradon重构从平行束投影的图像。

在平行束几何结构中，各突起由通过图象以特定角度组合的一组线积分而形成。

函数ifanbeam重构从扇形束投影，其中具有一个发射器和多个传感器的图像。