2023年图像分割实验报告.pdf

《2023年图像分割实验报告.pdf》由会员分享，可在线阅读，更多相关《2023年图像分割实验报告.pdf（15页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、评分实验报告课程名称_ _ _ _ _ _ _ _ _ _ 医学图像解决_ _ _ _ _ _ _ _ _ _ _ _ _ _ _实验名称_ _ _ _ _ _ _ _ _ _ _ _ _ _ 图像分割_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _专业班级_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _姓 名_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _学 号_ _ _ _

2、_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _实验日期_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _实验地点_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _2 02 3202 3学年度第，学期一、实验目的掌握常用的边沿提取算法，从图像中提取感爱好的区域，实现图像分割。在图像中，寻找灰度相同或相似的区域，区分图

3、像中的背景区域和目的区域，运用Mat l a b 实现图像的边沿检测，进行图像分割。二 实验环境1、硬件配置：Intel(R)C ore(T M)i5-4 2 1 OU CPU 1.7GHz 1.7 GHz安装内存(RAM)：4.OOGB 系统类型：64位操作系统2、软件环境：M AT LAB R20 2 3 b 软件三、实验内容(涉及本实验要完毕的实验问题及需要的相关知识简朴概述)图像边沿是图像中特性(如像素灰度、纹理等)分布的不连续处，图像周边特性有阶跃变化或屋脊状变化的那些像素的集合。图像边沿存在于目的与背景、目的与目的、基元与基元的边界,标示出目的物体或基元的实际含量，是图像辨认信息最

4、集中的地方。图像分割解决重要用于检测出图像中的轮廓边沿、细节以及灰度跳变部分，形成完整的物体边界，达成将物体从图像中分离出来或将表达同一物体表面的区域检测出来的目的。常用的分割方法是边沿检测。边沿检测是采用多种边沿算子实现突出图像边沿，克制图像中非边沿信息，使图像轮廓更加清楚。1 .梯度算子法对于图像f(x,y),它在点f(x,y)处的梯度是一个矢量，定义为Gg聘Mdy)梯度的方向在函数f(x,y)最大变化率的方向上，梯度的幅值为|v/i=JSF J梯度的数值就是f(x,y)在其最大变化率方向上的单位距离所增长的量。对于图像而言，微分运算可以用差分运算来近似。M=画+|闻=|/U y)-f(x

5、 -1,y)|+f(x,y)-f(x,y-1)|简化成模板可以表达成如下形式：1 0 0 1R o ber t 梯度算子0-1J 0当梯度计算完后，可采用以下几种形式突出图像的轮廓。梯度直接输出使各点的灰度g(x,y)等于该点的梯度，即g(x,y)=Gf(x,y)这种方法简朴、直接。但增强的图像仅显示灰度变化比较陡的边沿轮廓，而灰度变换比较平缓的区域则呈暗色。加阈值的梯度输出加阈值的梯度输出表达式为g(x,y)=Tf(x,y)其他式中,T是一个非负的阈值,度变化比较平缓的背景。适当选取T,既可以使明显的边沿得到突出，又不会破坏本来灰给边沿指定一个特定的灰度级g(x,y)=T其他式中LG是根据需

6、要指定的一个灰度级,它将明显的边沿用一个固定的灰度级表现，而其他的非边沿区域的灰度级仍保持不变。给背景指定一个特定的灰度级fG/(x,j)Gf(x,y)T=k 其他该方法将背景用一个固定灰度级LG表现，便于研究边沿灰度的变化。二值图像输出在某些场合(如字符辨认等)，既不关心非边沿像素的灰度级差别，又不关心边沿像素的灰度级差别，只关心每个像素是边沿像素还是非边沿像素,这时可采用二值化图像输出方式，其表达式为LG Gf(x,y)T=k 其他此法将背景和边沿用二值图像表达，便于研究边沿所在位置。2 .So bel 算子法S o b e l 相对于先对图像进行加权平均再做差分。a b c对于图像的3X

7、3窗口 defg h iX=(c+2/+i)-(a+2d+g)丫=(q+2Z?+c)-(g+2 +i)则定义 S ob e l 算子为 g(x,y)=(X2+Y2)2简化成模板可以表达成如下形式：-1 0 f-1S o b e l模板-2 0 20-1 0 1-12100-2-13 .拉普拉斯运算法拉普拉斯算子定义图像f(x,y)的梯度为/2/=真+戛dx2 8y2锐化后的图像g为g=f-k y2f式中k为扩散效应系数。对系数k的选择要合理，太大会使图像中的轮廓边沿产生过冲;太小则锐化不明显。-0-1o-1 0-f-1-1-f常用la pla c i a n算子模板为-14-10 4 0-1

8、8-1_ 0-10-1 0-1-1-1-1此外尚有一些模板也常用于图像增强，如-i o r i i i 一P re w i 1 1 模板-1 0 10 0 0-1 0 1-1-1-1四、实验结果与分析（涉及实验原理、数据的准备、运营过程分析、源 程 序（代码）、图形图象界面等）注：本项可以增长页数%例 1手动阈值分割 I,m a p =i m r e a d C c a me ra m a n.t i f ）;%读入图像i m s ho w(I);f i g u r e ;J=i mh i s t (I );i m h i s t (I );M,N =s i z e(I );f o r i 1

9、：1:Mf or j =l:1 :Ni f 1(i ,j)8 0g(i,j)=0;e l s e g(i,j)1;e nde n d%显示图像%生成直方图并显示%返回图像的行数和列数%将i以步长1从1增长到M%将上以步长1从1增长到N%假如图像阈值大于8 0%则大于8 0的就变成黑的%小于8 0就变成白的e n df i g u r e；i m s h o w(g);%保持原图，显示图像g图1原图图2直方图图3阈值分割后的二值图像分析：手动阈值分割的阈值是取直方图中双峰的谷底的灰度值作为阈值,若有多个双峰谷底,则取第一个作为阈值。本题的阈值取8 0。%例 2迭代阈值分割f=i m r e ad

10、(，e ar n e r am a n .t i f );s u bp l o t (1,2,1)；i m s h o w (f)；显不图像t i t l e (原 始 图 像 );f=d o u bl e (f);T =(m i n (f (:)+m a x (f (:)/2;d o n e=f al s e ;i=0;w h i l e d o n e的意思,此应当还r l=f i n d(f V=T);r 2 =f i n d(f T);%读入图像%创建一个一行二列的窗口，在第一个窗口%标注标题%转换位双精度%设定初始阈值%定义开关变量，用于控制循环次数%迭代,初始值i=0%w h i

11、l e done是循环条件，是“非”处done=0;说明是无限循环，循环体里面有循环退出条件,否则就循环到死了；%按前次结果对t进行二次分%按前次结果重新对t进行二次分T n e w=(m e a n (f (r l)+mea n(f (r 2)/2 ;%新阈值两个范围内像素平均值和的一半d o n e=ab s (T n e w-T)t =e dg e(f,s o b e l ，口，b o t h );%用 s o b e 1检测器对原图像进行边沿检测，阈值自动选取,检测边沿方向(双向)为b o t h g 2,t =e dg e(J,s o b e l ,口,b。t h );%用 s。b

12、e l 检测器对加噪图像进行边沿检测，阈值自动选取,检测边沿方向(双向)为b o t h g 3,t =e d g e (f,s o b e l ,z v e r t i c a l )；%用 s o b e I 检测器对原图像进行边沿检测，阈值自动选取，检测边沿方向为垂直方向 g 4,t =e dg e (J,s o b e l S J/v e r t i c a l );%用 s o b e l 检测器对加噪图像进行边沿检测,阈值自动选取，检测边沿方向为垂直方向 g 5,t =e d g e(f,s o b e 1 ，口，h o r i z o n t a l );%用 s o b e l

13、 检测器对原图像进行边沿检测,阈值自动选取，检测边沿方向为水平方向 g 6 ,t =e dg e(J,s o b e 1 ,z h o r i z o n t a l )；%用 s o b e l 检测器对加噪图像进行边沿检测，阈值自动选取，检测边沿方向为水平方向s u b p l o t (3,3,3);%创建有3*3 子图像的窗口，图在位置3i m s h o w (g 1 );%显示经s o b e l 算子解决后的图像t i t l e,s o b e l 算子双向分割结果)；备给图像加标题为 s o b e l 算子双向分割结果s u b p l o t (3,3,4);i m s

14、h o w (g 2 );t i t l e (加噪后 s o b e (双向分割结果);%在 3*3 子图像的位置4显示加噪后s o b e l 双向分割结果图像s u b p 1 o t (3 ,3 ,5);i m s h o w(g 3);t i t l e (,s o b e 1 水平方向分割结果)；%在 3 *3 子图像的位置5 显示s o b e l水平方向分割结果结果图像s u b p l o t (3,3,6 )；i m s h o w(g 4 );t i t l e(加噪后 s o b e l 水平方向分割结果)；%在 3 *3子图像的位置 6显示加噪后s o b e l 水

15、平方向分割结果图像s u b p 1 o t(3,3,7);i m s h o w (g 5)；t i t l e。s o b e l 垂直方向分割结果)；%在 3*3 子图像的位置7显示s o b e 1 垂直方向分割结果图像s u b p 1 o t (3,3,8);i m s h o w(g 6 )；t i t l e C 加噪后 s o b e 1 垂直方向分割结果)；磕3*3 子图像的位置 8显示加噪后s o b e l 垂直方向分割结果图像图 1 3 原始图像 图 1 4 加高斯噪声图像 图 1 5 s obe 1 算子双向分割结果图像加嗓后sobel双向分割结果obel水平方向分

16、割纳德后sobel水平方向分割结果图 1 6 加噪后sobel双向分割图 图 17s o b e l水平方向分割图 图 18加噪后s ob e 1水平分割图sobel垂 直 方 向 分 割 绮 躺 后sobel垂 直 方 向 分 割结果图 19 s。b e l垂直方向分割结果图像 图 20加噪后s o b e l 垂直方向分割结果图像分 析：Sobel相对于先对图像进行加权平均再做差分。在边沿检测中，常用的一种模板是S。b el算子。S o b e l算子有三个，一个是检测双向边沿的，一个是检测水平边沿的;另一个是检测垂直边沿的。由 于 S。b e l 算子是一节微分滤波算子的，用于提取边沿，

17、有方向性，从结果可以看出双向b o th 的分割效果最佳。缺陷：S o b e l算子并没有将图像的主体与背景严格地区分开来,换言之就是So b e l 算子没有基于图像灰度进行解决，由于Sobel算子没有严格地模拟人的视觉生理特性，所以提取的图像轮廓有时并不能令人满意。2.分析la p la c i a n 算子特点,并解释它为什么能增强图像的边沿？I=imread(s k u ll.tif)；%读取原图s ubpl o t(2,3,1 ),imshow(I,)；t i t l e(原 图 留)%在 2*3 子图像的位置1 显示原图像H 1 =fspecial(?1 apl a ci a n

18、,0)；%生成 Lapl a c i a n 算子滤波器,滤波器的标准差为0,说明H 1 模板的中间系数是-4H 2=f s p e c i a l (l a p l a c i a n )；%生成 L a p l a c i a n 算子滤波器,滤波器的标准差为默认值0.2,说 明 H2模板的中间系数是-3.3 3 3H 3=f s p e c i a l l a p 1 a c i a n ,1 )；%生成 L a p l a c i a n 算子滤波器，滤波器的标准差为1,说明H 3 模板的中间系数是一2J=i m n o i s e (I,z s a l t&p e p p e r,0

19、.0 2 );%添加椒盐噪声s ub p 1 o t(2,3,2 ),i ms h o w(J ,);t i t 1 e C 添加椒盐噪声图像)%在 2 *3 子图像的位置3显示添加椒盐噪声图像I 1 =i mf i l t e r(I,H l);%用 H l 模板进行均值滤波s ub p l o t(2,3,3),i ms h o w(I l,);ti t 1 e(H I 模板 l a p 1 a c i a n 算子滤波结果)/在 2*3子图像的位 置 3显示 H I 模 板 1 a p l a c i a n 算子滤波结果图像1 2 =i mf i I te r (I ,H 2);2模板

20、进行均值滤波s ub p l o t(2,3,4),i ms h o w (1 2,);ti tl e(H 2 模板 1 a p l a c i a n 算子滤波结果)%在 2*3子图像的位置4显示1 1 2 模 板 1 a p l a c i a n 算子滤波结果图像I 3=i mf i l te r (I,H 3);%用 H 3 模板进行均值滤波s ub p l o t(2,3,5),i ms h o w (1 3,):t i 1 1 e(z H 3 模板 l a p l a c i a n 算子滤波结果)%在2*3 子图像的位置5 显示H 3 模 板 l a p l a c i a n

21、算子滤波结果图像图 2 1 原图像 图 2 2 添加椒盐噪声图像 图 2 3 H I 模 板 l a p l a c i a n算子滤波图H 2模 板laplacian算子滤波反laplacian算 子 滤 波 结 果图 2 4 H 2 模 板 l a p l a c i a n 算子滤波结果图像 图 2 5 H 3 模 板 l a p l a c i a n 算子滤波结果图像分 析：1 a p l a c i a n 算子对边沿的解决明显,它是二阶微分算子,能加强边沿效果，对噪声很敏感。它没有方向性，但是可以改变模板的中间系数，会有不同的效果。3.比较各个边沿算子对图像边沿的检测效果。I=i

22、 mr e a d C s k u 1 1.t i f );%读取图像s ub p 1 o t(3,3,1),i ms h o w(I ),t i tl e (原图像)，i m s h o w (I)；ti tl e (原图像)%在 3*3子图像的位 置 1 显示原图像B W l=e d g e (I,s o b e l ,0.1 )；%用s o b e 1算子进行边沿检测，判断阈 值 为 0.1s u b p l o t(3,3,2),i ms h o w(BW 1 );t i t 1 e (s o b e l 算子解决后图像)在 3*3 子图像的位置 2显示s o b e l 算子解决后图

23、像B W 2=e d g e (I,r o b e r t,0.1);%用 r o b e r t s 算子进行边沿检测，判断阈值为0.1s ub p 1 o t(3,3,3),i ms h o w (BW 2);t i tl e C r o b e r t s 算子解决后图像)%在 3 *3 子图像的位置3显示r o b e r t s算子解决后图像B W3=e d g e (I,z p r e w i t tz,0.1);%用 p r e w i tt 算子进行边沿检测，判断 阈 值 为 0.1s ub p l o t(3,3,4),i m s h o w(BW 3)；ti tl e C

24、p r e w i tt 算子解决后图像)%在 3*3 子图像的位置4显示p r e w i t t 算子解决后图像BW 4=e d g e (I/l o g .O.0 1);%用 l o g 算子进行边沿检测，判断阈 值 为 0.0 1s u b p l o t(3,3,5),i ms h o w (BW 4 );ti t 1 e C 1 o g 算子解决后图像)%在 3*3 子图像的位置 5显示l o g算子解决后图像BW 5 =e d g e(I,c a n n y ,0.1)；%用 canny算子进行边沿检测，判断阈值为0.1s ub p 1 o t(3 ,3,6 ),i ms h o

25、 w(BW 5);ti tl e C c a n n y 算子解决后图像)%在 3 *3 子图像的位置 6显示c a n n y 算子解决后图像H=f s p e c i a l (l a p l a c i a n );%生 成 L a p l a c i a n 算子滤波器(突出图像中的小细节)(它具有各向同性)(L a p l a c i an算子对噪声比较敏感，所以图像一般先通过平滑解决，由于平滑解决也是用模板进行的，所以，通常的分割算法都是把L a p l a c i a n 算子和平滑算子结合起来生成一个新的模板。)1 a p 1 a c i a n H=f i l t e r 2

26、(H,I);%图像 I 经 L a p l a c i a n 算子锐化滤波解决s ub p l o t(3 ,3 ,7 );i ms h o w(l a p 1 a c i a n H)；ti tl e (L a p 1 a c i a n 算子锐化图像);%在 3*3 子图像的位置 7 显示L a p l a c i a n 算子锐化图像原图像 sobel算 子 处 理 后 图 像roberts算子处理后图像图2 6 原图像 图2 7 s o b e I 算子解决后图像 图2 8 r o b e r ts 算子解决后图像prewitt算干处理后图像log算子处理后图像canny算子处理后图

27、像Laplacian算 子 锐 化 感 像图 2 9 p r e w i tt解决后图 图 3 0 l o g 解决后图 图 3 1 c a n n y 解决后图像图3 2 L a p 1a c i a n 锐化图分 析：l a p l a c i a n算子对边沿的解决最明显,S o b e l 和p r e w i t t 较差一些。R o b e r t s 算子定位比较精确,P r e w i t t 算子是平均滤波的一阶的微分算子，Ca n n y是一阶传统微分中检测阶跃型边沿效果最佳的算子之一。P r e w i t t 和 S o b e l 算 子 比 R o b e r t

28、s效果要好一些。L o g滤 波 器 和 C anny算子的检测效果优于梯度算子，可以检测出图像较细的边沿部分。比较几种边沿检测结果，可 以 看 到 C anny算子提取边沿较完整，其边沿连续性较好，效果优于其它算子.另一方 面 是 P r e w i t t 算子，其边沿比较完整。再次就是S o b e l 算子。4.比较各个边沿检测算子对噪声的敏感性,并提出抗噪声性能较好的边沿检测的方法。I=i mr e a d (s k ul l,ti f*)；/读取图像s u b p l o t 3,1 ),i ms h o w ，ti t 1 e (原 图 像 )，i ms h o w(I);ti

29、tl e (原图像)%在 3*3 子图像的位 置 1 显示原图像J=i m n o i s e d/s a l t&pepper,0.0 2);%给图像加噪声密度为0.0 2 的椒盐噪声s ub p l o t (3,3,2),i ms h o w(J,);ti tl e(添加椒盐噪声图像)在 3*3子图像的位置2显示添加椒盐噪声图像BW l=e d g e(J,s o b e l ,0.1);备用s o b e l 算子进行边沿检测，判断阈值为 0.1s ub p l o t(3,3,3),i ms h o w (BW 1 ,口);t i t I e(s o b e l 算子解决后图像)在

30、3*3 子图像的位置3显示sobel算子解决后图像BW 2=e d g e(J,r o b e r ts ,0.1)；%用 r o b e r t s 算子进行边沿检测，判断阈 值 为 0 .1s ub p 1 o t(3 ,3,4),i m s h o w (BW 2,);ti tl e (r o b e r ts 算子解决后图像)%在 3 *3 子图像的位置4显示r o b e r ts 算子解决后图像B W 3 =e d g e (J,p r e w i tt),0.1 );%用 p r e w i tt 算子进行边沿检测，判断阈值为0.1s ub p l o t(3,3,5),i ms

31、 h o w(BW 3,);t i t 1 e(p r e w i tt 算子解决后图像)在 3*3 子图像的位置5显示p r e w i t t 算子解决后图像B V 4=e d g e (J,l o g,0.0 1);%用 l o g 算子进行边沿检测，判断阈值为 0.0 1s u b p 1 o t(3,3,6 ),i ms h o w(BW 4,);t i t 1 e(;l o g 算子解决后图像)%在 3*3 子图像的位置6显示l o g 算子解决后图像BW 5=e d g e(J,c a n n y ,0.1);%用 c a n n y 算子进行边沿检测，判 断 阈 值 为 0.1

32、s ub p 1 o t(3,3,7 ),i ms h o w(B W 5 ,)；t i t 1 e C c a n n y 算子解决后图像)在 3*3 子图像的位置7 显示c a n n y 算子解决后图像H=f s p e c i a l (z l a p l a c i a n );为 生 成 L a p l a c i a n 算子滤波器(突出图像中的小细节)(它具有各向同 性)(L a p l a c i a n 算子对噪声比较敏感,所以图像一般先通过平滑解决，由于平滑解决也是用模板进行的,所以通常的分割算法都 是 把 L a p 1 a c i a n算子和平滑算子结合起来生成一个

33、新的模板。)1 a p l a c i a n H=f i I te r 2 (H,J)；%图像 I 经 L a p l a c i a n 算子锐化滤波解决s ub p 1 o t(3,3,8);i ms h o w(l a p l a c i a n H);t i tl e C L a p l a c i a n 算子锐化图像)；%在 3*3 子图像的位置 8 显示L a p l a c i a n 算子锐化图像图 33原图像 图 34添加椒盐噪声图像图 35 sob e 1 算子解决后图像roberts算子处理后图像prewitt M子处理后图像log算子处理后图像图 36 r。b e

34、r ts 算子解决后图像 图 37 prew itt算子解决后图像 图 3 8 1 0 g 算子解决后图像c a n n y W子 处 理 后 图 （象L a p la c ia n算 子 锐 化 图1 象图 3 9 canny算子解决后图像图像图 4 0 L a placi a n 算子锐化分 析：lap 1 aci a n 算子对噪声的敏感性最强，可先对图像进行平滑解决，再进行边沿检测。梯度算子仅用最近邻像素的灰度计算，对噪声敏感,无法克制噪声的影响。Prew i t t算子不仅能检测边沿点，并且能克制噪声的影响。S o b el不仅能检测边沿点,且能进一步抑制噪声的影响，但检测的边沿较宽

35、。Log算子是基于二阶导数的边沿检测，将高斯平滑滤波器和拉普拉斯锐化滤波器结合了起来，先平滑掉噪声，再进行边沿检测。R o b e rts算子定位比较精确，但由于不涉及平滑,所以对于噪声比较敏感。五、实验小结：(涉及重要实验问题的最终结果描述、具体的收获体会，待解决的问题等)在本次实验中，由于实验内容更贴近生活应用，因此比起上学期，我们更容易领悟该程序的表达，只是在细节方面还是很容易犯错，甚至不容易拐过弯来。但通过本次实验，我们懂得要学着从复杂的程序中剥茧抽丝，把程序尽也许的简朴化。在实验中应注意的点：1.手动阈值分割的阈值是取直方图中双峰的谷底的灰度值作为阈值，若有多个双峰谷底，则取第一个作

36、为阈值。2.迭代阈值二值化分割的环节是：1).选定初始阈值，即原图大小取平均；2).用初阈值进行二值分割;3).目的灰度值平均背景都取平均；4).迭代生成阈值，直到两次阈值的灰度变化不超过1 ,则稳定；5 ).输出迭代结果。3.需要采用霍夫变换使间断变成连续，连接边沿。4.S o b e l 算子是一节微分滤波算子的，用于提取边沿，有方向性;l ap l aci an 算子对边沿的解决明显,它是二阶微分算子，能加强边沿效果，对噪声很敏感。它没有方向性，但是可以改变模板的中间系数，会有不同的效果。5.C a n n y 算子提取边沿较完整，其边沿连续性较好,效果优于其它算子。另一方面是P re w i t t 算子，其边沿比较完整。再次就是S o be l 算子。l a p l a c i a n 算子对噪声的敏感性最强，可先对图像进行平滑解决，再进行边沿检测。梯度算子仅用最近邻像素的灰度计算，对噪声敏感，无法克制噪声的影响。P r e w i t t 算子不仅能检测边沿点，并且能克制噪声的影响。S o be l 不仅能检测边沿点，且能进一步克制噪声的影响,但检测的边沿较宽。L o g 算子是基于二阶导数的边沿检测,将高斯平滑滤波器和拉普拉斯锐化滤波器结合了起来，先平滑掉噪声，再进行边沿检测。Rober t s 算子定位比较精确,但由于不涉及平滑，所以对于噪声比较敏感。手写署名: