数字图像处理报告Word文档格式.docx
- 文档编号:18421105
- 上传时间:2022-12-16
- 格式:DOCX
- 页数:19
- 大小:613.89KB
数字图像处理报告Word文档格式.docx
《数字图像处理报告Word文档格式.docx》由会员分享,可在线阅读,更多相关《数字图像处理报告Word文档格式.docx(19页珍藏版)》请在冰豆网上搜索。
,
,
(1-1)
(
;
)
其中,
,图像的大小为
×
。
2.直方图均衡化
直方图均衡化是将原始图像通过某种变换,得到一幅灰度直方图为均匀分布的新图像的方法。
离散图像均衡化处理可通过变换函数:
来实现
三、实验内容与步骤
1.熟悉MATLAB语言中数字图像处理函数的使用。
2.图像灰度线性变换的实现
1)读入一幅灰度图像test1.tif,显示其灰度直方图
2)根据图像灰度直方图,选择所关心的图像景物的灰度分布范围[fa,fb],以及拟变换的灰度分布范围[ga,gb]
3)实现对图像的灰度线性变换
4)调整
的值,观察对处理结果的影响。
3.图像的均衡化处理
1)读入一幅灰度图像test2.tif,求出其直方图
2)利用Matlab函数实现图像的均衡化处理
3)同屏显示处理前后的图像和灰度直方图,说明处理前后直方图的变化以及对应的灰度变化
四、程序代码
1、图像灰度线性变换的实现
I=imread('
D:
\Matlab\work\imagines\test1.jpg'
);
figure
(1);
subplot(1,3,1);
imshow(I);
title('
原始图像'
subplot(1,3,2);
imhist(I);
灰度直方图'
I=double(I);
[M,N]=size(I);
fori=1:
M
forj=1:
N
ifI(i,j)<
=30
I(i,j)=I(i,j);
elseifI(i,j)<
=150
I(i,j)=(200-30)/(150-30)*(I(i,j)-30)+30;
else
I(i,j)=(255-200)/(255-150)*(I(i,j)-150)+200;
end
end
end
subplot(1,3,3);
imshow(uint8(I));
灰度线性变化图像'
2、图像的均衡化处理
\Matlab\work\imagines\test2.jpg'
subplot(2,2,1);
subplot(2,2,2);
I1=histeq(I);
subplot(2,2,3);
imshow(I1);
图像均衡化处理'
subplot(2,2,4);
imhist(I1);
五、实验结果
分析:
从灰度直方图可以知道,主要分布于较暗区域,导致图像亮度偏暗。
采用灰度线性变化后,与原图对比可以提高了亮度,使边缘突出。
采用了均衡化处理后,使灰度级均衡分布于[0,255],明显把亮度拉伸了。
六、思考问题
1.在映射关系中,分段直线的斜率的大小对图像处理结果有哪些影响?
答:
为了突出感兴趣的目标或灰度区间,相对抑制那些不感兴趣的灰度区间,可采用分段线性变换。
设原图像f(x,y)在[0,Mf],感兴趣目标的灰度范围在[a,b],欲使其灰度范围拉伸到[c,d],则对应的分段线性变换表达式为
通过调整折线拐点的位置及控制分段直线的斜率,可对任一灰度区间进行拉伸或压缩。
2.直方图均衡化适用于什么形式的灰度分布情形?
原图较暗且动态范围小,在直方图中的表现是直方图灰度范围窄且集中在低灰度值区域。
实验二图像的空间域增强
1.熟悉图像空间域增强方法,掌握增强模板使用方法
2.掌握均值滤波器、中值滤波器的理论基础和实现方法
3.掌握图像锐化的基本理论和实现方法
4.验证图像滤波处理结果
图像增强是数字图像处理的基本内容之一,其目的是根据应用需要突出图像中的某些“有用”信息,削弱或去除不需要的信息,以改善图像的视觉效果,或突出图像的特征,便于计算机处理。
图像增强可以在空间域进行,也可以在频率域中进行。
空间域滤波主要利用空间模板进行,如33,55模板等。
一般来说,使用大小为m×
n的滤波器对大小为M×
N的图像f进行空间滤波,可表示成:
其中,m=2a+1,n=2b+1,𝑤
(𝑠
𝑡
)是滤波器系数,𝑓
(𝑥
𝑦
)是图像值
均值滤波器是一种空间平滑滤波器,它是对包含噪声的图像上的每个像素点,用它邻域内像素的平均值替代原来的像素值。
例如,采用一个3×
3的模板,待处理的像素为f(i,j),则处理后图像对应的像素值为g(i-1,j+1)
g(i,j)=1/9*(f(i-1,j-1)+f(i-1,j)+f(i-1,j+1)+f(i,j-1)+f(i,j)+
f(i,j+1)+f(i+1,j-1)+f(i+1,j)+f(i+1,j+1));
中值滤波器也是一种空间平滑滤波器,它是对以图像像素点为中心的一个滑动窗口内的诸像素灰度值排序,用中值代替窗口中心像素的原来灰度值,因此它是一种非线性的图像平滑法。
采用Laplacian锐化算子进行图像边缘的锐化,是采用二阶差分运算获得像素间的差异值,由此,获得对图像景物边界的锐化。
Laplacian也可以算子也可以写成是模板作用的方式,如下:
设待处理的像素为f(i,j),则处理后图像对应的像素值为g(i-1,j+1),则
g(i,j)=4*f(i,j)-(f(i-1,j-1)+f(i,j-1)+f(i,j+1)+f(i+1,j));
常用的锐化算子还有Roberts、Prewitt和Sobel算子等
1.读入一幅256×
256大小、256级灰度的数字图像test3
2.图像的平滑滤波处理
1)对原图像分别加入高斯噪声、椒盐噪声。
2)利用邻域平均法,分别采用33,55模板对加噪声图像进行平滑处理,显示原图像、加噪图像和处理后的图像。
3)利用中值滤波法,分别采用33,55模板对加噪声图像进行去噪处理,显示原图像、加噪图像和处理后的图像。
4)比较各种滤波方法和滤波模板的处理结果
3.图像的锐化处理
1)利用Laplacian锐化算子(α=-1)对256×
256大小、256级灰度
的数字图像test4进行锐化处理,显示处理前、后图像。
2)分别利用Roberts、Prewitt和Sobel边缘检测算子,对数字图像test4
进行边缘检测,显示处理前、后图像。
四、实验代码
1、图像的平滑滤波处理
\Matlab\work\imagines\test3.gif'
J=imnoise(I,'
salt&
pepper'
0.02);
K=imnoise(I,'
gaussian'
0,0.01);
h1=fspecial('
average'
3);
h2=fspecial('
5);
K2=imfilter(K,h1);
K3=imfilter(K,h2);
J2=imfilter(J,h1);
J3=imfilter(J,h2);
K4=medfilt2(K,[33]);
K5=medfilt2(K,[55]);
J4=medfilt2(J,[33]);
J5=medfilt2(J,[55]);
subplot(3,2,1);
subplot(3,2,2);
imshow(K);
高斯噪声'
subplot(3,2,3);
imshow(K2);
3*3领域平均法'
subplot(3,2,4);
imshow(K3);
5*5领域平均法'
subplot(3,2,5);
imshow(K4);
3*3中值滤波'
subplot(3,2,6);
imshow(K5);
5*5中值滤波'
figure
(2);
imshow(J);
椒盐噪声'
imshow(J2);
imshow(J3);
5*5领域平均法‘);
imshow(J4);
imshow(J5);
2、图像的锐化处理
L=imread('
\Matlab\work\imagines\test4.gif'
h3=fspecial('
laplacian'
0.2);
L2=imfilter(L,h3);
L3=edge(L,'
sobel'
%sobel
L4=edge(L,'
prewitt'
%prewitt
L5=edge(L,'
roberts'
%roberts
figure(3);
subplot(3,2,[1,2]);
imshow(L);
imshow(L2);
拉普拉斯'
imshow(L3);
Sobel'
imshow(L4);
Prewitt'
imshow(L5);
Roberts'
1、高斯图像的滤波处理
领域平均算法简单,可减小图像灰度的“尖锐”变化,减小噪声。
但它在降低噪声的同时使图像产生模糊,特别在边缘和细节处。
而且邻域越大,在去噪能力增强的同时模糊程度越严重。
2、椒盐图像的滤波处理
它对脉冲干扰及椒盐噪声的抑制效果好,在抑制随机噪声的同时能有效保护边缘少受模糊。
但它对点、线等细节较多的图像却不太合适。
对中值滤波法来说,正确选择窗口尺寸的大小是很重要的环节。
一般很难事先确定最佳的窗口尺寸,需通过从小窗口到大窗口的中值滤波试验,再从中选取最佳的。
3、图像的锐化处理
Prewitt和Sobel算子是计算数字梯度时最常用的算子。
Prewitt模板比Sobel模板简单,但Sobel模板能够有效抑制噪声。
拉普拉斯对噪声敏感,常产生双像素宽的边缘,无方向性。
1.采用均值滤波、中值滤波,对高斯噪声和椒盐噪声的抑制哪种比较有效?
答:
均值滤波,可减小图像灰度的“尖锐”变化,减小噪声。
中值滤波法,能有效削弱椒盐噪声,且比邻域、阈值平滑法更有效。
2.模板大小的不同,所处理效果有何不同?
为什么?
答:
对中值滤波法来说,正确选择窗口尺寸的大小是很重要的环节。
实验三图像的傅里叶变换和频域处理
1.熟悉图像空间域和频率域的关系,掌握快速傅里叶变换
2.掌握离散傅里叶变换的性质和应用
图像既能在空间域处理,也能在频率域处理。
把图像信息从空域变换到频域,可以更好地分析、加工和处理
二维离散傅立叶正变换的表达式为
逆变换为:
二维离散傅立叶变换具有若干性质,如:
线性性、平移性、可分离性、周期性、共轭对称性、旋转不变性等。
可利用离散傅里叶变换,将信号从空间域变换到频率域,在频率域选择合适的滤波器H(u,v)对图像的频谱成分进行处理,然后经逆傅立叶变换得到处理图像,实现图像处理结果。
1.产生一幅如图所示亮块图像f(x,y)(256×
256大小、暗处=0,亮处=255),对其进行FFT:
(1)同屏显示原图f和FFT(f)的幅度谱图;
(2)若令f1(x,y)=(-1)x+yf(x,y),重复以上过程,比较二者幅度谱的异同,简述理由;
(3)若将f1(x,y)顺时针旋转45度得到f2(x,y),试显示FFT(f2)的幅度谱,并与FFT(f2)的幅度谱进行比较。
2.对256×
256大小、256级灰度的数字图像test5进行频域的理想低通、高通滤波滤波,同屏显示原图、幅度谱图和低通、高通滤波的结果图。
1、黑白图像
\Matlab\work\imagines\3_1.tif'
F=double(I);
g=fftshift(fft2(F));
imshow(log(abs(g)),[]),color(jet(64));
傅里叶图像'
J=imrotate(I,45,'
bilinear'
顺时针旋转45'
F2=double(I);
g2=fftshift(fft2(F2));
imshow(log(abs(g2)),[]),color(jet(64));
傅里叶频谱'
2、频域的理想低通、高通滤波滤波
\Matlab\work\imagines\test5.gif'
[f1,f2]=freqspace(size(I),'
meshgrid'
Hd=ones(size(I));
r=sqrt(f1.^2+f2.^2);
f=fft2(I);
g=fftshift(f);
傅里叶变换'
[M,N]=size(f);
n1=floor(M/2);
n2=floor(N/2);
d0=50;
d=sqrt((i-n1)^2+(j-n2)^2);
ifd<
=d0
h=1;
else
h=0;
g(i,j)=h*g(i,j);
g=ifftshift(g);
g=uint8(real(ifft2(g)));
subplot(3,2,3);
imshow(g);
低通滤波后的图像'
G=double(g);
f2=fft2(G);
g2=fftshift(f2);
subplot(3,2,4);
Hd(r<
0.1)=0;
Y=fft2(I);
Y=fftshift(Y);
Y1=Y.*Hd;
Y1=ifftshift(Y1);
Ia=ifft2(Y1);
subplot(3,2,5);
imshow(uint8(Ia));
高通滤波后的图像'
Ia=double(uint8(Ia));
f3=fft2(Ia);
g3=fftshift(f3);
subplot(3,2,6);
imshow(log(abs(g3)),[]),color(jet(64));
变换后图像的四个对角附近对应于频谱的低频成分,中央部分对应于高频成分。
由于噪声主要集中在高频部分,为去除噪声改善图像质量,滤波器采用低通滤波器H(u,v)来抑制高频成分,通过低频成分,达到平滑图像的目的。
低通滤波器特性是连续性衰减,不同于理想滤波器那样陡峭变化,没有明显的截断。
频率域锐化是为了消除模糊,突出边缘。
因此采用高通滤波器让高频成分通过,使低频成分削弱,再经逆傅立叶变换得到边缘锐化的图像。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 数字图像 处理 报告
![提示](https://static.bdocx.com/images/bang_tan.gif)