数字图像处理实验报告

数字图像处理实验报告

课程名称数字图像处理实验报告

指导教师赵亚湘

学院信息科学与工程学院

专业班级通信工程1301班

姓名

学号

目录

实验一数字图像的基本操作和灰度变换 (1)

一、实验目的 (1)

二、实验环境 (1)

三、实验原理与方法 (1)

四、Matlab相关函数 (2)

五、实验内容与步骤 (4)

六、思考问题 (9)

七、附灰度线性变换部分实现代码 (10)

实验二图像的空间域增强 (11)

一、实验目的 (11)

二、实验原理与方法 (11)

三、Matlab相关函数 (12)

四、实验内容与步骤 (12)

五、思考问题 (19)

实验三图像的傅里叶变换和频域处理 (20)

一、实验目的 (20)

二、实验原理与方法 (20)

三、实验内容与步骤 (20)

实验一 数字图像的基本操作和灰度变换

一、实验目的

1. 了解数字图像的基本数据结构

2. 熟悉Matlab 中数字图像处理的基本函数和基本使用方法

3. 掌握图像灰度变换的基本理论和实现方法

4. 掌握直方图均衡化增强的基本理论和实现方法

二、实验环境

MATLAB 6.5以上版本、WIN XP 或WIN2000计算机

三、实验原理与方法

1. 图像灰度的线性变换

灰度的线性变换可以突出图像中的重要信息。通常情况下，处理前后的图像灰度级是相同的，即处理前后的图像灰度级都为[0，255]。那么，从原理上讲，我们就只能通过抑制非重要信息的对比度来腾出空间给重要信息进行对比度展宽。

设原图像的灰度为),(j i f ，处理后的图像的灰度为),(j i g ，对比度线性展宽

255 b g

),(j i g

a g

α

β

γ

a f

b f 255

),(j i f

图1 对比度线性变换关系

的原理示意图如图1.1所示。假设原图像中我们关心的景物的灰度分布在[a f ，b f ]区间内，处理后的图像中，我们关心的景物的灰度分布在[a g ，b g ]区间内。在这里)(a b g g g -=?()b a f f f >?=-，也就是说我们所关心的景物的灰度级得到了展宽。根据图中所示的映射关系中分段直线的斜率我们可以得出线性对比度展宽的计算公式：

),(j i f α， a f j i f <≤),(0

=),(j i g a a g f j i f +-)),((β， b a f j i f f <≤).,( （1-1）

b b g f j i f +-)),((γ，

255),(<≤j i f f b

（m i ,3,2,1 =；n j ,3,2,1 =） 其中，a a f g =

α，a b a b f f g g --=β，b

b

f g --=255255γ，图像的大小为m ×n 。 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

四、Matlab 相关函数

4.1 读写图像文件

(1) imread

imread 函数用于读入各种图像文件，如：a=imread('e:\w01.tif') (2) imwrite

imwrite 函数用于写入图像文件，如：imwrite(a,'e:\w02.tif',?tif?) (3) imfinfo

imfinfo 函数用于读取图像文件的有关信息，如：imfinfo('e:\w01.tif')

()k

j k k j n s T r n

===∑

4.2 图像的显示

(1) image

image函数是MATLAB提供的最原始的图像显示函数，如：

a=[1,2,3,4;4,5,6,7;8,9,10,11,12];

image(a);

(2) imshow

imshow函数用于图像文件的显示，如：

i=imread('e:\w01.tif');

imshow(i);

title（…原图像?）%加上图像标题

(3) colorbar

colorbar函数用显示图像的颜色条，如：

i=imread('e:\w01.tif');

imshow(i);

colorbar;

(4) figure

figure函数用于设定图像显示窗口，如：figure(1)；/figure(2)；

(5) subplot

把图形窗口分成多个矩形部分，每个部分可以分别用来进行显示。

Subplot（m，n，p）分成m*n个小窗口，在第p个窗口中创建坐标轴为当前坐标轴，用于显示图形。

(5) plot

绘制二维图形

plot（y）

Plot（x，y）xy可以是向量、矩阵。

4.3 图像类型转换

(1)rgb2gray(灰色)

把真彩图像转换为灰度图像

i=rgb2gray（j）

(2) im2bw(黑白)

通过阈值化方法把图像转换为二值图像

I=im2bw（j，level）

Level表示灰度阈值，取值范围0~1（即0.n），表示阈值取自原图像灰度范围的n%

(3) imresize

改变图像的大小

I=imresize（j，[m n]）将图像j大小调整为m行n列4.4 图像运算

(1) imadd

两幅图像相加，要求同样大小，同种数据类型

Z=imadd（x，y）表示图像x+y

(2) imsubstract

两幅图像相减，要求同样大小，同种数据类型

Z=imsubtract（x，y）表示图像x-y

(3) immultiply

Z=immultiply（x，y）表示图像x*y

(4) imdivide

Z=imdivide（x，y）表示图像x/y

m = imadjust(a,[,],[0.5;1]) ;%图像变亮

n = imadjust(a,[,],[0;0.5]) ;%图像变暗

g=255-a;%负片效果

五、实验内容与步骤

5.1 灰度线性变换

1. 读入一幅灰度图像test1.tif，显示其灰度直方图

I=imread('C:\images\test1.jpg');

subplot(1,1,1);

figure(1);

imshow(I);

figure(2);

imhist(I);

图2 test1的原始图像

图3 test1的灰度直方图

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]

fa=input('fa=');

fb=input('fb=');

ga=input('ga=');

gb=input('gb=');

3. 实现对图像的灰度线性变换

fa=100;

fb=200;

ga=100;

gb=400;

A=ga/fa;

B=(gb-ga)/(fb-fa);

C=(255-gb)/(255-fb);

[m,n]=size(I);

for i=1:m

for j=1:n

if I(i,j)

I(i,j)=A* I(i,j);

elseif I(i,j)

I(i,j)=B*(I(i,j)-fa)+ga;

else

I(i,j)=C*(I(i,j)-fb)+gb;

end

end

end

figure(3);

imshow(I);

figure(4);

imhist(I);

图4 test1灰度线性变换后的图像

图5 test1灰度线性变换后的灰度直方图

4. 调整α，β，γ的值，观察对处理结果的影响。

fa=input('fa=');

fb=input('fb=');

ga=input('ga=');

gb=input('gb=');

A=ga/fa;

B=(gb-ga)/(fb-fa);

C=(255-gb)/(255-fb);

其中，fa=20; fb=200; ga=10; gb=400;

图6 调整α，β，γ的值后的图像

图7 调整α，β，γ的值后的灰度直方图5.2 图像的均衡化处理

1. 读入一幅灰度图像test

2.tif,求出其直方图

I=imread('d:\test2.jpg');

subplot(2,2,1);

figure(1);

imshow(I);

figure(1);

subplot(2,2,2);

imhist(I);

图8 test2的原图像及灰度直方图

2. 利用Matlab函数实现图像的均衡化处理

I1=histeq(I);

subplot(2,2,3);

figure(1);

imshow(I1);

图9 test2均衡化后的图像

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

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：若斜率大于1，也就是说我们所关心的景物的灰度级得到了展宽；若斜率小于1，也就是说我们所关心的景物的灰度级得到了压缩。

2．在进行对比度扩展时，如果确定和选取所关心的景物？

答：通过将亮暗差异（即对比度）扩大，来把人所关心的部分强调出来。

处理前图像和灰度直方图

处理后图像和灰度直方图

3. 直方图均衡化适用于什么形式的灰度分布情形？

答：直方图均衡化对图像中像素个数多的灰度级进行展宽，而对图像中像素个数少的灰度进行压缩，从而扩展像原取值的动态范围，提高了对比度和灰度色调的变化，使图像更加清晰。这种方法通常用来增加许多图像的局部对比度，尤其是当图像的有用数据的对比度相当接近的时候，对于背景和前景都太亮或者太暗的图像非常有用，这种方法尤其是可以带来X 光图像中更好的骨骼结构显示以及曝光过度或者曝光不足照片中更好的细节。

七、附灰度线性变换部分实现代码

设计两重循环（即：for (i=1:m) for(j=1:n)）按照公式（1-1），给出新图像的每个像素点的灰度值；（因为在MATLAB 中，图像的像素值为uint8型数据描述的，而这种类型不允许进行算术运算，所以要对F 进行数据类型转换，即:f=double(f);然后，在进行循环处理。）

设输入图像f(i,j),输出图像仍放入f(i,j)中 ,图像大小为m ×n

for i=1:m for j=1:n if f(i,j)

f(i,j)=a* f(i,j);

elseif f(i,j)

(,)*((,))a a f i j f i j f g β=-+; else

(,)*((,))b b f i j f i j f g γ=-+

end end

end

实验二图像的空间域增强

一、实验目的

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

二、实验原理与方法

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3?3，5?5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, (,)是滤波器系数，(,)是图像值错误！未找到引用源。

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

三、Matlab相关函数

(1) imnoise

imnoise函数用于对图像生成模拟噪声，如：

i=imread('e:\w01.tif');

j=imnoise(i,'gaussian',0,0.02);模拟均值为0方差为0.02的高斯噪声，

j=imnoise(i,'salt&pepper', 0.04) 模拟叠加密度为0.04的椒盐噪声

(2) fspecial

fspecial函数用于产生预定义滤波器，如：

h=fspecial('sobel');%sobel水平边缘增强滤波器

h=fspecial('gaussian');%高斯低通滤波器

h=fspecial('laplacian');%拉普拉斯滤波器

h=fspecial('log');%高斯拉普拉斯（LoG）滤波器

h=fspecial('average');%均值滤波器

(3) 中值滤波

medfilt2函数用于图像的中值滤波，如：

i=imread('e:\w01.tif');

j=medfilt2(i，[M N]);对矩阵i进行二维中值滤波，领域为M*N，缺省值为3*3

(4) 利用拉氏算子锐化图像

如:

i=imread('e:\w01.tif');

j=double(i);

h=[0,1,0;1,-4,0;0,1,0];%拉氏算子

k=conv2(j,h,'same');

四、实验内容与步骤

4.1 图像的平滑滤波处理

1．读入一幅256×256 大小、256 级灰度的数字图像test3

2. 对原图像分别加入高斯噪声、椒盐噪声。

I=imread('C:\images\test3.gif');

G1=imnoise(I,'gaussian',0.02);

G2=Imnoise(I,'salt & pepper',0.02);

subplot(2,2,1);

imshow(I);

title('test3原始图像');

subplot(2,2,2);

imshow(G1);

title('test3加高斯噪声');

subplot(2,2,3);

imshow(I);

title('test3原始图像');

subplot(2,2,4);

imshow(G1);

title('test3加椒盐噪声');

3. 利用邻域平均法，分别采用3?3，5?5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。

①图像加高斯噪声以及均值滤波处理

I=imread('C:\images\test3.gif');

subplot(2,2,1);

imshow(I);

title('test3原始图像');

G=imnoise(I,'gaussian',0.02);

subplot(2,2,2);

imshow(G);

title('test3加高斯噪声');

h1=fspecial('average',[3,3]);

G1=filter2(h1,G);

subplot(2,2,3);

imshow(G1,[]);

title('高斯噪声3*3均值滤波');

h2=fspecial('average',[5,5]);

G2=filter2(h2,G);

subplot(2,2,4);

imshow(G2,[]);

title('高斯噪声5*5均值滤波');

③图像加椒盐噪声以及均值滤波处理I=imread(' C:\images\test3.gif '); subplot(2,2,1);

imshow(I);

title('test3原始图像');

G=Imnoise(I,'salt & pepper',0.02); subplot(2,2,2);

imshow(G);

title('test3加椒盐噪声');

h1=fspecial('average',[3,3]);

G1=filter2(h1,G);

subplot(2,2,3);

imshow(G1,[]);

title('椒盐噪声3*3均值滤波处理');

h2=fspecial('average',[5,5]);

G2=filter2(h2,G);

subplot(2,2,4);

imshow(G2,[]);

title('椒盐噪声5*5均值滤波处理');

4. 利用中值滤波法，分别采用3?3，5?5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。

①图像加高斯噪声以及中值滤波处理

I=imread(' C:\images\test3.gif ');

subplot(2,2,1);

imshow(I);

title('test3原始图像');

G=imnoise(I,'gaussian',0.02);

subplot(2,2,2);

imshow(G);

title('test3加高斯噪声');

G1=medfilt2(G,[3,3]);

subplot(2,2,3);

imshow(G1,[]);

title('高斯噪声3*3中值滤波');

h2=fspecial('average',[5,5]);

G2=filter2(h2,G);

subplot(2,2,4);

imshow(G2,[]);

title('高斯噪声5*5中值滤波');

②图像加椒盐噪声以及中值滤波处理I=imread('C:\images\test3.gif'); subplot(2,2,1);

imshow(I);

title('test3原始图像');

G=Imnoise(I,'salt & pepper',0.02); subplot(2,2,2);

imshow(G);

title('test3加椒盐噪声');

G1=medfilt2(G,[3,3]);

subplot(2,2,3);

imshow(G1,[]);

title('椒盐噪声3*3中值滤波处理');

G1=medfilt2(G,[5,5]);

subplot(2,2,4);

imshow(G2,[]);

title('椒盐噪声5*5中值滤波处理');

5. 比较各种滤波方法和滤波模板的处理结果

4.2 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。

①Laplacian 锐化算子（α=-1）锐化处理

I=imread('d:\test4.gif','gif');

subplot(1,2,1);

imshow(I);

title('test4原始图像');

w=[0,-1,0;-1,5,-1;0,-1,0];

I=double(I);

G=conv2(I,w);

subplot(1,2,2);

G=uint8(G);

imshow(G,[]);

title('test4拉普拉斯算子锐化');

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。

②Roberts、Prewitt 和Sobel 边缘检测

I=imread('d:\test4.gif','gif');

subplot(2,2,1);

imshow(I);

title('test4原始图像');

G1=edge(I,'Roberts');

subplot(2,2,2);

imshow(G1,[]);

title('test4Roberts边缘检测');

G2=edge(I,'Prewitt');

subplot(2,2,3);

imshow(G2,[]);

title('test4Prewitt边缘检测');

G3=edge(I,'Sobel');

subplot(2,2,4);

imshow(G3,[]);

title('test4Sobel边缘检测');