数字图像处理实验报告92805.docx

数字图像处理实验报告92805.docx

《数字图像处理实验报告92805.docx》由会员分享，可在线阅读，更多相关《数字图像处理实验报告92805.docx（32页珍藏版）》请在冰豆网上搜索。

数字图像处理实验报告92805

实验报告

课程名称数字图像处理

实验项目点运算和直方图处理

实验仪器PC机MATLAB软件

系别

专业

班级/学号

学生姓名

实验日期

成绩

指导老师

实验1点运算和直方图处理

一、实验目的

1.掌握利用Matlab图像工具箱显示直方图的方法

2.掌握运用点操作进行图像处理的基本原理。

3.进一步理解利用点操作这一方法进行图像处理的特点。

4.掌握利用Matlab图像工具箱进行直方图均衡化的基本方法。

二、实验的硬件、软件平台

硬件：

计算机

软件：

MATLAB

三、实验内容及步骤

1.了解Matlab图像工具箱的使用。

2.利用Matlab图像工具箱对图像进行点操作，要求完成下列3个题目中的至少2个。

⑴图1灰度范围偏小，且灰度偏低，改正之。

⑵图2暗处细节分辨不清，使其能看清楚。

⑶图3亮处细节分辨不清，使其能看清楚。

图1图2图3

3.给出处理前后图像的直方图。

4.利用MatLab图像处理工具箱中函数对以上图像进行直方图均衡化操作，观察结果。

四、思考题

1.点操作能完成哪些图像增强功能？

2.直方图均衡化后直方图为何并不平坦？

为何灰度级会减少？

五、实验报告要求

1．对点操作的原理进行说明。

2．给出程序清单和注释。

3．对处理过程和结果进行分析（包括对处理前后图像的直方图的分析）。

题目1%图1灰度范围偏小，且灰度偏低，改正之。

方法：

像素点操作

clc

clearall

closeall

I=imread（'Image1.png'）;%读取标题为“Point2”的位图，并用“I”表示该图

j=rgb2gray（I）;%转为灰度图像，并用j表示

[l,r]=size（j）;%将j的行数返回到第一个输出变量l，将列数返回到第二个输出变量r

figure

（1）;%创建一个空的窗口

subplot（221）;%将窗口分成2行2列，并在第一个位置进行操作

imshow（j）;%显示图片j

title（'原图像'）;%标题

form=1:

l%循环语句，行数m的值从1到l，下同

forn=1:

r

p（m,n）=j（m,n）*1.8;%将j图中的每一个点的像素值乘以一个常数，得到的新像素以原来的位置构成图p

end

end

subplot（222）;

imshow（p）;

title（'处理后图像'）;

subplot（2,2,3）;

imhist（j）;%显示图像j的直方图

title（'原图像直方图'）;

subplot（2,2,4）;

imhist（p）;

title（'处理后图像直方图'）;

输出的图像：

图4

对比图像处理前后的直方图可知，原图的灰度范围较小。

图像均衡化处理后。

灰度级取值的动态范围扩大了，但灰度级减少了。

直方图变得更稀疏。

并且灰度级值整体增大了，即直方图整体向右平移了一段距离。

题目2%图2暗处细节分辨不清，使其能看清楚。

方法：

像素点操作

clc

clearall

closeall

I2=imread（'Image2.png'）;

j2=rgb2gray（I2）;

INFO2=imfinfo（'Image2.png'）;

[l2,r2]=size（j2）;

figure;

subplot（221）

imshow（j2）

title（'原图'）

fora=1:

l2

forb=1:

r2

q1（a,b）=j2（a,b）*1.2;%q1（a,b）为将原图灰度值提高1.2倍

end

end

fora=1:

l2

forb=1:

r2

q2（a,b）=j2（a,b）*2;%q2（a,b）为将原图灰度值提高2倍

end

end

fora=1:

l2%q3（a,b）自定义函数

forb=1:

r2

ifj2（a,b）<60

q3（a,b）=j2（a,b）*2.38;

elseifj2（a,b）>=60

q3（a,b）=j2（a,b）*0.5263+120.7;

end

end

end

end

subplot（222）;

imshow（q1）;

title（'j（m,n）*1.2'）;

subplot（223）;

imshow（q2）;

title（'j（m,n）*2'）;

subplot（224）;

imshow（q3）;

title（'j（m,n）*自定义函数'）;

figure;

subplot（221）,imhist（j2,64）;title（'原图的直方图'）;

subplot（222）,imhist（q1,64）;title（'j（m,n）*1.2'）;

subplot（223）,imhist（q2,64）;title（'j（m,n）*2'）;

subplot（224）,imhist（q3,64）;title（'j（m,n）*自定义函数'）;

输出的图像：

图5

图6

题目3%图3亮处细节分辨不清，使其能看清楚。

方法：

像素点操作

clc

clearall

closeall

I2=imread（'Image3.png'）;

j2=rgb2gray（I2）;

INFO2=imfinfo（'Image3.png'）;

[l2,r2]=size（j2）;

figure;

subplot（221）

imshow（j2）

title（'原图'）

fora=1:

l2

forb=1:

r2

q1（a,b）=j2（a,b）*0.9;%q1（a,b）为将输出图像的灰度值缩小为原图的0.9倍

end

end

fora=1:

l2

forb=1:

r2

q2（a,b）=j2（a,b）*0.75;%q2（a,b）为将输出图像的灰度值缩小为原图的0.75倍

end

end

fora=1:

l2

forb=1:

r2

q3（a,b）=j2（a,b）*0.75+25;%q3（a,b）自定义的灰度值缩小函数

end

end

subplot（222）;

imshow（q1）;

title（'j（m,n）*0.9'）;

subplot（223）;

imshow（q2）;

title（'j（m,n）*0.75'）;

subplot（224）;

imshow（q3）;

title（'j（m,n）*0.75+25'）;

figure;

subplot（221）,imhist（j2,64）;title（'原图的直方图'）;

subplot（222）,imhist（q1,64）;title（'j（m,n）*0.9'）;

subplot（223）,imhist（q2,64）;title（'j（m,n）*0.75'）;

subplot（224）,imhist（q3,64）;title（'j（m,n）*0.75+25'）;

图7

图8

这三个实验所用的方法均是对图像进行点操作处理，特别是其中对于判定和循环的运用是解题的关键，即对点进行判定并只对满足条件的点进行处理。

思考题

1．答：

点操作可以扩大灰度值的范围。

并且可以改变某点灰度值的大小，实现增强或减弱图像亮度、增强对比度以及直方图均衡化处理。

2．答：

均衡化后的直方图不平坦是由于图像中各灰度级出现的概率不同。

均衡化后的直方图使灰度级分布具有均匀概率密度。

扩展了像素取值的动态范围，但减少了灰度级。

实验感想：

通过本次实验，对与图片的点操作处理和直方图处理有了更深刻的体会。

同时我也认识到了设定优化参数的不易。

实验报告

课程名称数字图像处理

实验项目图像平滑实验

实验仪器PC机MATLAB软件

系别

专业

班级/学号

学生姓名

实验日期

成绩

指导老师

实验2图像平滑实验

一、实验目的

1．通过实验掌握图像去噪的基本方法；

2．学会根据情况选用不同方法。

二、实验的硬件、软件平台

硬件：

计算机

软件：

操作系统：

WINDOWS2000

应用软件：

MATLAB

三、实验内容及要求

1．实验内容

请在如下面方法中选择多个，完成图像去噪操作，并进行分析、比较。

（1）对静态场景的多幅图片取平均；

（2）空间域模板卷积（不同模板、不同尺寸）；

（3）频域低通滤波器（不同滤波器模型、不同截止频率）；

（4）中值滤波方法。

2．实验要求

（1）图片可根据需要选取；

（2）对不同方法和同一方法的不同参数的实验结果进行分析和比较，如空间域卷积模板可有高斯型模板、矩形模板、三角形模板和自己根据需求设计的模板等；模板大小可以是3×3，5×5，7×7或更大。

频域滤波可采用矩形或巴特沃斯等低通滤波器模型，截止频率也是可选的。

（3）分析比较不同方法的结果。

四、思考题

1．不同空间域卷积器模板的滤波效果有何不同？

2．空间域卷积器模板的大小的滤波效果有何影响？

3．用多幅图像代数平均的方法去噪对图像有何要求？

4．不同频域滤波器的效果有何不同？

五、实验报告要求

1．列出程序清单并进行功能注释；

2．说明不同方法去噪效果；

3．对去噪方法进行详细分析对比。

（1）对静态场景的多幅图片取平均：

%第一部分向Lenna.png加入8种不同的噪声

clc

clearall

closeall

M=imread（'Lenna.png'）;%读取一幅名为Lenna.png的图像

M=rgb2gray（M）;%转换为灰度值图像

subplot（3,3,1）;

imshow（M）;%显示原始图像

title（'original'）;

P1=imnoise（M,'gaussian',0.01）;%加入高斯躁声（噪声密度为0.01）

subplot（3,3,2）;

imshow（P1）;%加入高斯躁声（噪声密度为0.01）后显示图像

title（'gaussiannoise1'）;

P2=imnoise（M,'salt&pepper',0.01）;%加入椒盐躁声（噪声密度为0.01）

subplot（3,3,3）;

imshow（P2）;%加入椒盐躁声（噪声密度为0.01）后显示图像

title（'salt&peppernoise1'）;

P3=imnoise（M,'gaussian',0.02）;%加入高斯躁声（噪声密度为0.02）

subplot（3,3,4）;

imshow（P3）;%加入高斯躁声（噪声密度为0.02）后显示图像

title（'gaussiannoise2'）;

P4=imnoise（M,'salt&pepper',0.02）;%加入椒盐躁声（噪声密度为0.02）

subplot（3,3,5）;

imshow（P4）;%加入椒盐躁声（噪声密度为0.02）后显示图像

title（'salt&peppernoise2'）;

P5=imnoise（M,'gaussian',0.03）;%加入高斯躁声（噪声密度为0.03）

subplot（3,3,6）;

imshow（P5）;%加入高斯躁声（噪声密度为0.03）后显示图像

title（'gaussiannoise3'）;

P6=imnoise（M,'salt&pepper',0.03）;%加入椒盐躁声（噪声密度为0.03）

subplot（3,3,7）;

imshow（P6）;%加入椒盐躁声（噪声密度为0.03）后显示图像

title（'salt&peppernoise3'）;

P7=imnoise（M,'gaussian',0.04）;%加入高斯躁声（噪声密度为0.04）

subplot（3,3,8）;

imshow（P7）;%加入高斯躁声（噪声密度为0.04）后显示图像

title（'gaussiannoise4'）;

P8=imnoise（M,'salt&pepper',0.04）;%加入椒盐躁声（噪声密度为0.04）

subplot（3,3,9）;

imshow（P8）;%加入椒盐躁声（噪声密度为0.04）后显示图像

title（'salt&peppernoise4'）;

imwrite（P1,'lenna_noise1.png','png'）;%保存图像P1至P8

imwrite（P2,'lenna_noise2.png','png'）;

imwrite（P3,'lenna_noise3.png','png'）;

imwrite（P4,'lenna_noise4.png','png'）;

imwrite（P5,'lenna_noise5.png','png'）;

imwrite（P6,'lenna_noise6.png','png'）;

imwrite（P7,'lenna_noise7.png','png'）;

imwrite（P8,'lenna_noise8.png','png'）;

输出的图像：

图9

%第二部分对静态场景的多幅带有不同噪声的图片取平均

clc

clearall

closeall;

a1=imread（'lenna_noise1.png'）;%读入图片

a2=imread（'lenna_noise2.png'）;

a3=imread（'lenna_noise3.png'）;

a4=imread（'lenna_noise4.png'）;

a5=imread（'lenna_noise5.png'）;

a6=imread（'lenna_noise6.png'）;

a7=imread（'lenna_noise7.png'）;

a8=imread（'lenna_noise8.png'）;

b1=double（a1）/255;%变换图像数据类型

b2=double（a2）/255;

b3=double（a3）/255;

b4=double（a4）/255;

b5=double（a5）/255;

b6=double（a6）/255;

b7=double（a7）/255;

b8=double（a8）/255;

c=（b1+b2+b3+b4+b5+b6+b7+b8）/8;%八幅图取平均

subplot（331）,imshow（a1）;title（'噪声1'）;%三行三列，显示图像1-8

subplot（332）,imshow（a2）;title（'噪声2'）;

subplot（333）,imshow（a3）;title（'噪声3'）;

subplot（334）,imshow（a4）;title（'噪声4'）;

subplot（335）,imshow（a5）;title（'噪声5'）;

subplot（336）,imshow（a6）;title（'噪声6'）;

subplot（337）,imshow（a7）;title（'噪声7'）;

subplot（338）,imshow（a8）;title（'噪声8'）;

subplot（339）,imshow（c）%显示平均后的图像

title（'平均后的图像'）;

输出的图像：

图10

原图像与经过平均处理的图像的对比：

图11

可以看到平均后得到的图像已经修复了噪声，但是仍有许多细节被损失了。

比如头发的细节几乎被抹掉。

我自己分析认为是主要是高斯噪声影响了结果，平均后得到的图像还有高斯噪声的痕迹。

（2）空间域模板卷积

%空间域模板卷积（不同模板、不同尺寸）

%第一组邻域模板

clc

clearall

closeall;

I=imread（'lenna_pepper.png'）;%读入图像

I=double（I）/255;%变换数据类型

subplot（221）;

imshow（I）;%显示图像

title（'原图像（邻域模板）'）;H=1/5*[010;101;010];%定义4邻域平均模板

A=filter2（H,I）;%进行滤波

subplot（222）;

imshow（A）;%显示图像

title（'4邻域平均模板'）;

subplot（223）;

H=1/12*[0110;1111;1111;0110];%定义8邻域平均模板

A=filter2（H,I）;

imshow（A）;title（'8邻域平均模板'）;

subplot（224）;

H=1/12*[01110;11111;11111;01110];%定义12邻域平均模板

A=filter2（H,I）;

imshow（A）;

title（'12邻域平均模板'）

邻域模板输出的图像：

图12

可以发现，随着邻域模板的增大，原图中夹杂的椒盐噪声被抑制的更彻底。

个人认为8邻域平均模板的处理效果最好，12邻域平均模板的处理后，整幅照片灰度值偏高。

%空间域模板卷积（不同模板、不同尺寸）

%第二组高斯模板

clc

clearall

closeall;

I=imread（'lenna_pepper.png'）;%读入图像

I=double（I）/255;%数值转换

subplot（231）;

imshow（I）;%显示图像

title（'原图像（高斯模板）'）

H=fspecial（'gaussian',[33]）;%产生预定义滤波器%选用3*3的高斯模板

%格式为b=fspecial（A,[m,n]）;[m,n]是邻域大小

A=filter2（H,I）;%对图像进行卷积滤波的函数格式A=filter2（h，B）

%其函数返回图像B经算子h滤波后的图像给A

subplot（232）;imshow（A）;title（'3*3的高斯模板'）

subplot（233）;H=fspecial（'gaussian',[55]）;%选用5*5的高斯模板

A=filter2（H,I）;imshow（A）;title（'5*5的高斯模板'）;

subplot（234）;H=fspecial（'gaussian',[77]）;%选用7*7的高斯模板

A=filter2（H,I）;imshow（A）;title（'7*7的高斯模板'）;

subplot（235）;H=fspecial（'gaussian',[99]）;%选用9*9的高斯模板

A=filter2（H,I）;imshow（A）;title（'9*9的高斯模板'）;

subplot（236）;H=fspecial（'gaussian',[1111]）;%选用11*11的高斯模板

A=filter2（H,I）;imshow（A）;title（'11*11的高斯模板'）

高斯模板输出的图像：

图13

通过观察发现，多种尺寸的高斯模板均无法去除椒盐噪声。

得到的输出结果与原图一直。

这个实验结果让我有了一个猜想，即高斯模板只适合处理高斯噪声

%空间域模板卷积（不同模板、不同尺寸）

%第三组加权模板

clc

clearall

closeall;

I=imread（'lenna_pepper.png'）;%读入图像

I=double（I）/255;%数据类型转换

subplot（1,3,1）;

imshow（I）;%显示图像

title（'原图像（加权模板）'）

H=1/10*[111;121;111];%选用3*3的加权平均模板

A=filter2（H,I）;

subplot（1,3,2）;

imshow（A）;

title（'3*3的加权平均模板'）

subplot（1,3,3）;

H=1/48*[01210;12421;24842;12421;01210];%选用5*5的加权平均模板

A=filter2（H,I）;

imshow（A）;

title（'5*5的加权平均模板'）

加权模板输出的图像：

图14

可以看到，这两种尺寸的加权平均模板的处理结果近似，都有效的滤去了原图中的椒盐噪声。

对比分析：

取上述各个模板中3*3模板（对应4邻域模板）进行比对，可以发现加权模板是效果最好的，有效的滤去了噪声，得到的图像的对比度和灰度值都与原图像相仿；4邻域模板的效果其次，基本滤去了噪声，得到的图像的灰度值与原图像相比偏低，伴有一些细节上的损失；高斯模板无效果，输出的图像与原图一致。

实验感想：

高斯模板对椒盐噪声的处理无效果，这个让我考虑了很久。

我不太明白为什么会没有效果。

我认为高斯模板应该会带来一些“负优化”，但是没有看到。

可能有时间我还得学习这些模板的相关算法，才能加以理解。

（3）频域低通滤波器（不同滤波器模型、不同截止频率）

%频域低通滤波器（不同滤波器模型、不同截止频率）

clc;

clearall;

closeall;

I=imread（'lenna_pepper.png'）;

f1=im2double（I）;

F1=fft2（double（f1））;%傅里叶变换

F1=fftshift（F1）;%将变换的原点移到频率矩形的中心

[M,N]=size（f1）;

f2=double（I）;

F2=fft2（f2）;%傅里叶变换

F2=fftshift（F2）;%将变换的原点移到频率矩形的中心

%理想低通滤波

D0=input（'输入截止频率'）;

H1=zeros（M,N）;

fori=1:

M

forj=i:

N

if（sqrt（（（i-M/2）^2+（j-N/2）^2））

H1（i,j）=1;

end

end

end

H2=F1.*H1;

H2=ifftshift（H2）;

H3=real（ifft2（H2））;

%巴特沃斯低通滤波

n=input（'巴特沃斯滤波器的阶数n='）;

n1=fix（M/2）;

n2=fix（N/2）;

fori=1:

M

forj=1:

N

d=sqrt（（i-n1）^2+（j-n2）^2）;

B=1/（1+0.414*（d/D0）^（2*n））;

B1（i,j）=B*F2（i,j）;

end

end

B1=ifftshift（B1）;

B2=ifft2（B1）;

B3=uint8（real（B2））;

%绘图

subplot（1,3,1）;imshow（I）;title（'原图'）;

subplot（1,3,2）;imshow（H3）;title（'理想低通滤波'）;

subplot（1,3,3）;imshow（B3）;title（'巴特沃斯低通滤波'）;

当输入截止频率20

巴特沃斯滤波器的阶数n=2时

输出的图像：

图15

当输入截止频率40

巴特沃斯