医学成像与图像处理实验报告Word文档下载推荐.docx
- 文档编号:21500618
- 上传时间:2023-01-30
- 格式:DOCX
- 页数:17
- 大小:183.49KB
医学成像与图像处理实验报告Word文档下载推荐.docx
《医学成像与图像处理实验报告Word文档下载推荐.docx》由会员分享,可在线阅读,更多相关《医学成像与图像处理实验报告Word文档下载推荐.docx(17页珍藏版)》请在冰豆网上搜索。
A1=imfilter(A,h1);
A2=imfilter(A,h2);
figure
(1)
maxmax=max(max(A));
minmin=min(min(A));
subplot(221);
imshow(A,[minmin,maxmax]);
title('
原始图像'
maxmax=max(max(A1));
minmin=min(min(A1));
subplot(223);
imshow(A1,[minmin,maxmax]);
5x5平滑处理图像'
maxmax=max(max(A2));
minmin=min(min(A2));
subplot(224);
imshow(A2,[minmin,maxmax]);
7x7平滑处理图像'
实验结果:
原始图像经过平滑处理后变得模糊,并且7x7平滑处理的图像比5x5平滑处理的图像更模糊。
这说明领域半径越大,模糊程度就越大。
1.2用罗伯特Robert梯度法提取图像边缘。
clear;
grayPic=mat2gray(A);
%图像矩阵的归一化操作
[m,n]=size(grayPic);
newGrayPic=grayPic;
%为保留图像边缘的一个像素
robertsNum=0;
%经roberts算子计算得到的每个像素的值
robertThreshold=0.1;
%设定阈值
forj=1:
m-1%进行边界提取
fork=1:
n-1
robertsNum=abs(grayPic(j,k)-grayPic(j+1,k+1))+...
abs(grayPic(j+1,k)-grayPic(j,k+1));
if(robertsNum>
robertThreshold)
newGrayPic(j,k)=255;
else
newGrayPic(j,k)=0;
subplot(121);
maxmax=max(max(newGrayPic));
minmin=min(min(newGrayPic));
subplot(122);
imshow(newGrayPic,[minmin,maxmax]);
Robert算子处理后图像'
罗伯特Robert梯度法边缘检测,Roberts算子采用对角线方向相邻两像素之差近似的梯度幅值来检测边缘。
该算子定位较准确,但对噪声比较敏感,检测水平和竖直边缘效果好于斜向边缘。
1.3用拉普拉斯算子做锐化处理
figure
(1)
fGray=A;
[r,c]=size(fGray);
fLapEdge=double(fGray);
M=fLapEdge;
fori=2:
r-1
forj=2:
c-1
M(i,j)=4*fGray(i,j)-fGray(i-1,j)-fGray(i,j+1)-...
fGray(i+1,j)-fGray(i,j-1);
%四领域模板
s=M+fGray;
S=uint8(s);
maxmax=max(max(M));
minmin=min(min(M));
subplot(222);
imshow(M,[minmin,maxmax]);
拉普拉斯算子处理后的图像'
maxmax=max(max(S));
minmin=min(min(S));
imshow(S,[minmin,maxmax]);
锐化后的图像'
用拉普拉斯算子四领域模板对图像进行了锐化处理,增大领域间像素的差值,加强了图像的边缘和轮廓。
实验二频率域图像增强
2.1频率域平滑处理:
理想低通和巴特沃斯低通。
clear;
Fimg=fft2(A);
%傅里叶变换
Fimg=fftshift(Fimg);
%将变换的原点移到频率矩形的中心
[M,N]=size(Fimg);
n1=floor(M/2);
%取整
n2=floor(N/2);
%半径为5的理想低通滤波处理
dist1=5;
M
forj=i:
N
if(sqrt(((i-n1)^2+(j-n2)^2))<
=dist1)
h=1;
h=0;
end
Fimg(i,j)=h.*Fimg(i,j);
end
g1=ifftshift(Fimg);
%反移中
img1=real(ifft2(g1));
maxmax=max(max(img1));
minmin=min(min(img1));
imshow(img1,[minmin,maxmax]);
半径5的理想低通滤波'
%巴特沃斯低通滤波
%取整
n=1;
%对n赋初值
%半径为5的巴特沃斯低通滤波处理
d0=5;
d=sqrt(((i-n1)^2+(j-n2)^2));
%到傅里叶变换中心的距离
h=1/(1+(d/d0)^(2*n));
%滤波函数
maxmax=max(max(img1));
半径5的巴特沃斯低通滤波'
分别用理想低通滤波和巴特沃斯低通滤波进行频率域平滑处理,由于理想低通滤波器有陡峭频率的截止特性,会产生明显的振铃现象使图像变得模糊,巴特沃斯的振铃现象不明显。
2.2频率域锐化处理:
理想高通和巴特沃斯高通。
%半径为5的理想高通滤波处理
if(sqrt(((i-n1)^2+(j-n2)^2))>
半径5的理想高通滤波'
%半径为5的巴特沃斯高通滤波处理
h=1/(1+(d0/d)^(2*n));
半径5的巴特沃斯高通滤波'
采用理想高通和巴特沃斯高通滤波器对图像锐化处理,理想高通有明显振铃现象,图像的边缘有抖动现象;
巴特沃斯高通效果较好,H(u,v)是渐变的,振铃现象不明显。
实验三图像恢复
smooth.img
图像受大气湍流的影响变得模糊,K=0.0025。
用逆滤波的方法恢复原图像(用巴特沃斯滤波器)。
用维纳滤波的方法恢复原图像。
smooth.img'
float32'
A=A'
模糊图像'
[m,n]=size(A);
k=0.0025;
foru=1:
m
forv=1:
n
H(u,v)=exp((-k)*(((u-m/2)^2+(v-n/2)^2)^(5/6)));
F0=fftshift(fft2(A));
F1=F0./H;
Fimg=fftshift(F1);
p=10;
%对p赋初值
h=1/(1+(d0/d)^(2*p));
I2=ifftshift(Fimg);
I3=uint8(real(ifft2(I2)));
figure
(2)
imshow(I3);
逆滤波恢复图像'
K=0.1;
H0(u,v)=(abs(H(u,v)))^2;
H1(u,v)=H0(u,v)/(H(u,v)*(H0(u,v)+K));
F2=H1.*F0;
I4=ifft2(fftshift(F2));
I5=uint8(I4);
figure(3)
imshow(I5);
维纳滤波恢复图像'
图像复原的过程首先利用退化现象的某种先验知识,建立退化现象的数学模型,然后再根据退化模型进行反向的推演运算,以恢复原来的景物图像。
逆滤波复原方法数学表达式简单,物理意义明确。
但是,当存在噪声时,而且H(u,v)很小或者为零的时候,噪声会被放大,会对复原的图像产生巨大的影响,有可能使恢复的图像和原图相差很大。
维纳滤波的思想是在假想图像信号可以看作平稳随机过程的前提下,按照使恢复的图像与原图像的均方差最小原则来恢复图像。
可以看出维纳滤波在图像受噪声影响时效果比逆滤波要好,而且噪声越强优势越明显。
实验四图像分割
用区域生长的方法分割出大脑区域。
I=double(A);
%转换为灰度值是0-1的双精度
[M,N]=size(I);
%得到原图像的行列数
[y,x]=getpts;
%获得区域生长起始点
x1=round(x);
%横坐标取整
y1=round(y);
%纵坐标取整
seed=I(x1,y1);
%将生长起始点灰度值存入seed中
Y=zeros(M,N);
%作一个全零与原图像等大的图像矩阵Y,作为输出图像矩阵
Y(x1,y1)=1;
%将Y中与所取点相对应位置的点设置为白点
sum=seed;
%储存符合区域生长条件的点的灰度值的总和
suit=1;
%储存符合区域生长条件的点的总个数
count=1;
%每次判断一点周围八点符合条件的新点的数目
threshold=40;
%域值,即某一点与周围八点的绝对差值要小于阈值
whilecount>
0%判断是否有新的符合生长条件的点,若没有,则结束
s=0;
%判断一点周围八点时,符合条件的新点的灰度值之和
count=0;
M
N
ifY(i,j)==1
if(i-1)>
0&
(i+1)<
(M+1)&
(j-1)>
(j+1)<
(N+1)%判断此点是否为图像边界上的点
foru=-1:
1%判断点周围八点是否符合域值条件
forv=-1:
1%u,v为偏移量
ifY(i+u,j+v)==0&
abs(I(i+u,j+v)-seed)<
=threshold%判断是否未存在于输出矩阵Y,并且为符合域值条件的点
Y(i+u,j+v)=1;
%符合以上两条件即将其在Y中与之位置对应的点设置为白点
count=count+1;
%新的、符合生长条件的点的总个数
s=s+I(i+u,j+v);
%新的、符合生长条件的点的总灰度数
suit=suit+count;
%目前区域所有符合生长条件的点的总个数
sum=sum+s;
%目前区域所有符合生长条件的点的总灰度值
seed=sum/suit;
%计算新的灰度平均值
figure
(2);
imshow(Y);
分割出的大脑区域'
区域生长是指从某个像素出发,按照一定的准则,逐步加入邻近像素,当满足一定的条件时,区域生长终止。
区域生长是从某个或者某些像素点出发,最后得到整个区域,进而实现目标的提取。
1、选取图像中的一点为种子点(种子点的选取需要具体情况具体分析)。
2、在种子点处进行8邻域或4邻域扩展,判定准则是:
如果考虑的像素与种子像素灰度值相差的绝对值小于某个门限T,则将该像素包括进种子像素所在的区域。
3、当不再有像素满足加入这个区域的准则时,区域生长停止。
实验五图像重建
atten.rad
用滤波反投影的方法重建图像。
atten.rad'
C=fread(fid,16384,'
128
A(i,j)=C((i-1)*128+j);
H=zeros(128,128);
forx1=1:
fory1=1:
fork=1:
b=(-2)/(((pi*1)^2)*(4*((y1-k)^2)-1));
%S-L滤波函数公式为-2/(pi2d2(4n2-1)),n为整
H(x1,y1)=A(x1,k)*b+H(x1,y1);
%反投影
pic=zeros(128,128);
fori=1:
forj=1:
x2=i-64.5;
%图片中心点为64.5
y2=64.5-j;
forcol=1:
128
angle=(col-1)*2*pi/128;
xr=x2*cos(angle)+y2*sin(angle);
%反投影,公式xr,m=xi*cos(fi)+yj*sin(fi)
xr=xr+64.5;
if(1<
xr&
&
xr<
128)%确定边界条件
value_xr=H(col,floor(xr))*(1-(xr-floor(xr)))+H(col,ceil(xr))*((xr-floor(xr)));
pic(i,j)=value_xr+pic(i,j);
figure;
)
maxmax=max(max(pic));
minmin=min(min(pic));
imshow(pic,[minmin,maxmax]);
滤波反投影算法重建后图像'
用了卷积计算,射束计算与内插,反投影重建的方法实现了滤波反投影重建图像。
使用了S-L滤波函数,S-L滤波器对投影中的高频成分具有抑制作用,进而使重建图像的振荡响应减小,对含噪声的投影数据,重建质量用RL较好,但在低频段效果不及R-L滤波器质量好,重建图像还是存在一定误差。
- 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:
- 医学 成像 图像 处理 实验 报告
![提示](https://static.bdocx.com/images/bang_tan.gif)