数字图像处理实验报告(共23页).docx

精选优质文档-倾情为你奉上实 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。 图1灰度范围偏小，且灰度偏低，改正之。 图2暗处细节分辨不清，使其能看清楚。 图3亮处细节分辨不清，使其能看清楚。 图1 图2 图33. 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clcclear allclose allI=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rfigure(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jtitle('原图像'); %标题for m=1:l %循环语句，行数m的值从1到l，下同 for n=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 endendsubplot(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clcclear allclose allI2 = imread('Image2.png');j2=rgb2gray(I2); INFO2=imfinfo('Image2.png');l2,r2=size(j2);figure;subplot(221) imshow(j2) title('原图') for a=1:l2 for b=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 endendfor a=1:l2 for b=1:r2 q2(a,b)=j2(a,b)*2; %q2(a,b)为将原图灰度值提高2倍 endendfor a=1:l2 %q3(a,b)自定义函数 for b=1:r2 if j2(a,b)<60 q3(a,b)=j2(a,b)*2.38; else if j2(a,b)>=60 q3(a,b)=j2(a,b)*0.5263+120.7; end end endendsubplot(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clcclear allclose allI2 = imread('Image3.png');j2=rgb2gray(I2); INFO2=imfinfo('Image3.png');l2,r2=size(j2);figure;subplot(221) imshow(j2) title('原图') for a=1:l2 for b=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 endendfor a=1:l2 for b=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 endendfor a=1:l2 for b=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 endend 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：WINDOWS 2000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clcclear allclose allM=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('gaussian noise 1');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 & pepper noise 1');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('gaussian noise 2');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 & pepper noise 2');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('gaussian noise 3');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 & pepper noise 3');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('gaussian noise 4');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 & pepper noise 4');imwrite(P1,'lenna_noise1.png','png');%保存图像P1至P8imwrite(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clcclear allclose all;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clcclear allclose all;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*0 1 0;1 0 1;0 1 0;%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*0 1 1 0;1 1 1 1;1 1 1 1;0 1 1 0; %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*0 1 1 1 0;1 1 1 1 1;1 1 1 1 1;0 1 1 1 0; %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clcclear allclose all;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',3 3);%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Asubplot(232); imshow(A); title('3*3的高斯模板') subplot(233); H=fspecial('gaussian',5 5); %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',7 7); %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',9 9); %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',11 11); %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clcclear allclose all;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*1 1 1;1 2 1;1 1 1; %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*0 1 2 1 0;1 2 4 2 1;2 4 8 4 2;1 2 4 2 1;0 1 2 1 0;%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;clear all;close all;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);for i=1:M for j=i:N if(sqrt(i-M/2)2+(j-N/2)2)<D0) H1(i,j)=1; end endendH2=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);for i=1:M for j=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); endendB1=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巴特沃斯滤波器的阶数 n=2 时输出的图像：图16当 输入截止频率50巴特沃斯滤波器的阶数 n=2 时输出的图像：图17当 输入截止频率70巴特沃斯滤波器的阶数 n=2 时输出的图像：图18实验分析：在相同的截止频率下，巴特沃斯低通滤波器的处理效果由于理想低通滤波器。过高或过低的截止频率设置都会导致图像处理结果不佳。过低会使图像模糊，过高会引入额外的新噪点。对比分析得到：截止频率为40的二阶低通巴特沃斯滤波器处理这张图的效果最佳。（4）中值滤波方法%中值滤波方法clc;clear all;close all;i=imread('lenna_pepper.png');%读入图像 i=double(i)/255; %数值转换 subplot(221); imshow(i); %显示图像title('原图像(中值滤波)') a=medfilt2(i,3 3); %中值滤波函数medfilt2，m行n列的滤波器subplot(222); imshow(a); title('滤波器大小为3*3的中值滤波') subplot(223); a=medfilt2(i,5 5); imshow(a); title('滤波器大小为5*5的中值滤波') %选用5*5subplot(224); a=medfilt2(i,7 7); imshow(a); title('滤波器大小为7*7的中值滤波')输出的图像：图19乍一看有些相似，难以对比，对相同的区域放大相同的倍率，得到图20实验分析：中值滤波的效果是这多种效果中最好的，三种大小的滤波器结果看上去几乎都很完美。但放大后可以看到，3*3大小的中值滤波器保留了更多的细节，失真最小，效果最好。思考题解答：1. 在空间域卷积器模板中，加权模板的椒盐噪声的滤波效果比其余两模板的滤波效果要好。前页已有分析，恕不重复。不同空间域卷积器模板适合处理的噪声也不一样。2. 对比经过滤波器处理过的图片，可知空间域卷积滤波中，模板的大小对滤波的效果没有显著的影响，但是模板越大，处理后的图像越清晰。即从视觉上看，滤波的效果更好。3. 用多幅图代数平均的方法去噪时，要求有在不同干扰下拍摄的多张图像。实验中我的做法是对同一张图像加入了不同的噪声。4. 因算法不一样，处理后图像的色调，对比度等会有明显差别。实验感想：我了解了平均与频域滤波器、空间域模板卷积（不同模板、不同尺寸）等方法在处理图片上的优势及劣势。要针对不同情况，分析噪声的主要种类，选择合适的方案降噪。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 实验三 图像的边缘检测一、实验目的1进一步理解边沿检测的基本原理。2掌握对图像边沿检测的基本方法。3学习利用Matlab图像工具箱对图像进行边沿检测。二、实验原理 边缘检测在图像处理中可分为空域下的操作和频域下的操作。本实验以空域下的操作为主要实验内容，其他方法同学们可以在课后自行实验。空域下的图像边缘检测主要应用的是领域运算。三、实验要求对边缘检测的要求：使用Matlab图像处理工具箱中的不同方法对下图的边缘进行提取；注意观察不同操作对垂直方向、水平方向、斜方向的提取效果有何区别；注意观察提取后的边界是否连续，若不连续可采用什么方法使其连续。图21四、实验步骤1打开计算机，启动MATLAB程序；2调入实验指导书所示的数字图像，利用MATLAB图像工具箱中已有函数进行编程以实现图像的边缘检测；3显示原图和处理过的图像。4记录和整理实验报告五、实验仪器1计算机；2MATLAB程序；3记录用的笔、纸。六、实验报告要求1对所使用的图像边沿检测方法的原理进行说明。2给出程序清单和注释。3对不同处理方法进行说明、比较。%图像的边缘检测clc;clear all;close all;I=imread('Image_PCB.png');A=rgb2gray(I);h1=1,1,1;0,0,0;-1,-1,-1;%自定义矩阵，下同h2=0,1,1;-1,0,1;-1,-1,0;h3=1 0 -1;1 0 -1;1 0 -1;h4=0,-1,-1;1,0,-1;1,1,0;j1=imfilter(A,h1);%对数组进行滤波，下同j2=imfilter(A,h2);j3=imfilter(A,h3);j4=imfilter(A,h4);x=uint8(j1);%unit8型的数据y=uint8(j2);z=uint8(j3);a=uint8(j4);D=imadd(x,y);%叠加D1=imadd(D,z);D2=imadd(D1,a);subplot(321);imshow(A);title('原图');subplot(322);imshow(j1);title('水平方向');subplot(323);imshow(j2);title('45度方向');subplot(324);imshow(j3);title('竖直方向');subplot(325);imshow(j4);title('135度方向');subplot(326);imshow(D2);title('叠加后的图像');输出的图像：图22实验分析：此方法是用Prewitt算子分别进行水平方向、竖直方向、45°方向和135°方向扫描分别得到各个方向的边缘图像，然后叠加得到完整的边框图像。可以看到叠加后图像的边缘部分得到了“锐化”，更容易辨识。易于后期通过自动化程序，判定工件的是否合格。专心-专注-专业