数字图像与模式识别

实验一 MATLAB图像处理基本操作

一、实验目的

1.掌握MATLAB语言中图象数据与信息的读取方法；

2.掌握图像灰度调整

二、实验要求

1．打开一个BMP文件

2. 将其局部区域的灰度值进行改变

3. 另存为一个新的BMP文件

4. 要求显示出原BMP图像和新BMP图像

三、实验源程序

clear

I=imread('bit.bmp'); %读入原图像

subplot(1,2,1);

imshow(I); %显示原始图像

title('原始BMP图像');

J=imadjust(I,[0.3,0.7],[]); %调整图像灰度值

imwrite(J,'newbit.bmp'); %另存为新图像

subplot(1,2,2);

imshow(J); %显示局部灰度改变后的图像

title('局部灰度改变后的图像');

四、实验结果

五、实验总结

1.掌握MATLAB基本图像读入读出操作，以及对图像灰度改变的操作。

2.初步熟悉了MATLAB工具软件对图像处理的应用。

实验二图像低通、高通滤波

一、实验内容

1.对图像进行傅里叶变换，显示其频谱图

2.用理想滤波器对图像进行低通、高通滤波

3.编程实现图像DCT高低通滤波，并与傅里叶的结果比较。

4.尝试傅里叶压缩

二、实验目的

学会用Matlab软件对图像傅里叶变换；对图像进行低、高通滤波，观察频谱和图像变化。

三、实验部分源程序

1．高通、低通滤波

d0=30; %低通滤波截止频率,可以修改取值

g0=20; %高通滤波截止频率,可以修改取值

yd=zeros(m,n);

yg=zeros(m,n);

%理想低通滤波%

for i=1:1:m;

for j=1:1:n;

if((sqrt((i-n1)^2+(j-n2)^2))

yd(i,j)=J(i,j);

end

end

end

%理想高通滤波%

for i=1:1:m;

for j=1:1:n;

if((sqrt((i-n1)^2+(j-n2)^2))>g0)

yg(i,j)=J(i,j);

end

end

end

YD=fftshift(yd);

YG=fftshift(yg);

YDD=uint8(abs(ifft2(YD))); %理想低通滤波后图像

YGG=uint8(abs(ifft2(YG))); %理想高通滤波后图像

%理想DCT高通低通滤波

d=dct2(I);

[n1 n2]=size(I);

for i=1:n1

for j=1:n2

if(i<25)&(j<25)

d(i,j)=d(i,j);

else

d(i,j)=0;

end

end

end

g=idct2(d);

figure(3)

subplot(1,2,1);

imshow(uint8(g));title('DCT低通滤波后的图像');

e=dct2(I);

for i=1:n1

for j=1:n2

if(i<25)&(j<25)

e(i,j)=0;

else

e(i,j)=e(i,j);

end

end

end

g1=idct2(e);

subplot(1,2,2);

imshow(uint8(g1));title('DCT高通滤波后的图像');%DCT高通滤波后图像2．傅里叶压缩

YS=J;

YS(1:4/9*m,1:4/9*n)=0;

YS(5/9*m:m,1:4/9*n)=0;

YS(1:4/9*m,5/9*n:n)=0;

YS(5/9*m:m,5/9*n:n)=0;

Y=ifft2(fftshift(YS));

四、实验结果

五、实验总结

通过编程熟悉了MATLAB编程结构。学会使用MATLAB提供的库函数进行图像傅里叶变化。学会设计理想的低通和高通滤波器设计以及DCT高通低通滤波器设计。傅里叶压

缩后图像效果尚可，损失的细节部分并不明显。

实验三图像直方图均衡化

一、实验内容

对一副曝光率不足的照片进行直方图均衡化处理，提高其对比度。

二、实验目的

通过用Matlab仿真，掌握直方图均衡化的原理及步骤，了解均衡化对图像效果的影响。

三、实验程序

clc;

clear;

PS=rgb2gray(imread('3.jpg'));

subplot(2,2,1)

imshow(PS)

title('曝光不足的图像')

%绘制直方图

[m,n]=size(PS);

P=zeros(1,256); %预创建存放灰度出现概率的向量

for i=1:256

P(i)=length(find(PS==(i-1)))/(m*n); %计算灰度概率，存入GP相应位置

end

subplot(2,2,2)

bar(0:255,P,'g') %绘制直方图

title('原图像直方图')

xlabel('灰度值')

ylabel('出现概率')

%直方图均衡化

S1=zeros(1,256);

for i=1:256

for j=1:i

S1(i)=P(j)+S1(i); %计算Sk

end

end

S2=round(S1*255); %将Sk归到相近级的灰度

for i=1:256

P1(i)=sum(P(find(S2==i))); %计算现有每个灰度级出现的概率

end

subplot(2,2,4)

bar(0:255,P1,'b') %显示均衡化后的直方图

title('均衡化后的直方图')

xlabel('灰度值')

ylabel('出现概率')

%图像均衡化

PA=PS;

for i=0:255

PA(find(PS==i))=S2(i+1); %将各个像素归一化后的灰度值赋给这个像素end

subplot(2,2,3)

imshow(PA) %显示均衡化后的图像

title('均衡化后图像')

四、实验结果

五、实验总结

1.均衡化后直方图与之前相比，灰度范围更大，分散得更均匀；

2.灰度图像得亮度明显增强，对比度有所提高。

实验四 MATLAB实现图像平滑及锐化

一、实验目的

1．掌握图像加噪方法，并能在空间域中利用各种滤波算法对图像进行平滑，并能比较各种滤波性能。

2. 掌握多种图像锐化方法，并能比较锐化性能。

二、实验要求

1．打开一幅图像，添加椒盐、高斯噪声，然后使用邻域平均法、中值滤波法、K 邻近平均法进行平滑。

2．打开一幅图像，利用Roberts梯度法、Sobel算子和拉普拉斯算子进行锐化，并比较结果。

三、实验源程序

clc;

clear;

%打开一幅图像，添加高斯、椒盐噪声，用邻域平均法、中值滤波法和K邻近平均法处理。

%1.对图像添加高斯、椒盐噪声；

I=rgb2gray(imread('BIT.jpg'));

figure(1);

subplot(1,3,1);imshow(I);title('(a)原始图像');

P1=imnoise(I,'gaussian',0.06); %加入高斯噪声

subplot(1,3,2);imshow(P1);title('(b)高斯噪声污染的图片');

P2=imnoise(I,'salt & pepper',0.1); %加入椒盐噪声

subplot(1,3,3);imshow(P2);title('(c)椒盐噪声污染的图片');

%2.对图像进行均值滤波

L1=filter2(fspecial('average',3),P1)/255; %应用3*3窗的邻域平均滤波

figure(2);

subplot(1,2,1);imshow(L1); title('邻域平均法处理高斯噪声图片');

L2=filter2(fspecial('average',3),P2)/255; %应用3*3窗的邻域平均滤波

figure(2);

subplot(1,2,2);imshow(L2); title('邻域平均法处理椒盐噪声图片');

%3.对图像进行中值滤波

K1=medfilt2(P1); %应用缺省的3*3的邻域窗的中值滤波

figure(3);

subplot(1,2,1);imshow(K1,[]);title('中值滤波法处理高斯噪声图片');

K2=medfilt2(P2);

subplot(1,2,2);imshow(K2,[]);title('中值滤波法处理椒盐噪声图片');

%打开一幅图像，利用Roberts梯度法、Sobel算子和拉普拉斯算子进行锐化，并比较结果。

%Roberts梯度法锐化

figure(4);

subplot(1,2,1);imshow(I);title('原始图像');

J=double(I);

[IX,IY]=gradient(J); %计算梯度

A=sqrt(IX.*IX+IY.*IY);

subplot(1,2,2);imshow(A,[]);title('Roberts梯度法锐化图像');

%Sobel算子锐化

S=imfilter(I,fspecial('sobel'));

figure(5);

subplot(1,2,1);imshow(S);title('Sobel算子锐化图像');

%laplacian算子锐化

LP=imfilter(I,fspecial('laplacian'));

subplot(1,2,2);imshow(LP);title('Laplacian算子锐化图像');

四、实验结果

1.原始二值灰度图像及添加椒盐噪声和高斯噪声后的图像

2．噪声图像经过领域平均法处理后图像

3.噪声图像经中值滤波后的图像

4.原始图像及经过Robet梯度锐化后的图像

5.经过Sobel和Laplacian算子锐化后的图像

五、实验总结

1.对于椒盐噪声，中值滤波比均值滤波效果好。对于高斯噪声均值滤波比中值滤波

效果好。

2.Robet算子锐化效果较明显，Sobel算子锐化后的边缘显得粗而亮，Laplance算子使噪声也增强，锐化不明显。

3.掌握了基本加噪方法及平滑处理，并能够利用不同算子对图像进行锐化处理。

实验五图像霍夫曼编码压缩

一、实验内容

1.对图像进行霍夫曼编码并计算平均码字长度

2.将图像进行霍夫曼压缩并解压

二、实验目的

通过用Matlab仿真，掌握霍夫曼编码的原理以及基本方法步骤，了解霍夫曼编码的性能和效率。

三、实验程序

主程序：Main.m

求熵函数：Entroy.m 获取原图像的熵

霍夫曼编码函数：huffman.m 获得编码表和平均码长

霍夫曼压缩函数：Coding.m 根据编码表将灰度图像转换为码字序列

解压缩函数：Decode.m 将码字序列解压为灰度图像

四、实验结果

原图像的熵为： 6.903

Huffman编码后的平均码长： 6.931

Huffman编码效率： 0.996

Huffman编码冗余度 0.004

五、实验总结

1. 通过本次实验掌握了Huffamn编码原理，并掌握了Matlab基本编程结构。

2．霍夫曼编码效率很高，解压缩后图像恢复较好；

3. 由于编码步骤较为繁琐，加上对MATLAB函数运用得不太合理，导致程序冗余度偏高，运行很慢，编程效率有待改进。

实验六图像匹配

一、实验内容

1.在被搜索图中选取匹配模板；

2.运用ssda算法实现模板匹配

二、实验目的

通过用Matlab仿真，掌握SSDA算法实现模板匹配过程的原理以及步骤，检验匹配效果。

三、实验程序

clc;

clear;

I=rgb2gray(imread('xiaohai.jpg'));

figure(1);

imshow(I);

%选取匹配模板;

model=imcrop(I);

figure(2);

imshow(model);

title('选取匹配模板');

[M,N]=size(I);

[m,n]=size(model);

I=double(I);

model=double(model);

figure(1),imshow(uint8(I));

axis on;

%SSDA算法

double Dist=zeros(M-m,N-n);

for x=1:M-m

for y=1:N-n

Temp=0;

for i=0:m-1

for j=0:n-1

Temp = Temp+abs(I(i+x,j+y)-model(i+1,j+1));

end

end

Dist(x,y)=Temp/(m*n);

end

end

%求每一行的最小值

D=zeros(1,M-m);

for x=1:M-m % 行

D(x)=Dist(x,1);

for y=1:N-n-1 % 列

if(D(x)>Dist(x,y+1)) %

D(x)=Dist(x,y+1);

end

end

end

%求最小值的坐标点

min0=D(1); % min0为最小值

for i=1:M-m-1

if(min0>D(i+1))

min0=D(i+1);

end

end

%最小值匹配

for x=1:M-m

for y=1:N-n-1

if(min0 == Dist(x,y))

x % 实时图像的坐标

y

P=I(x:x+m-1,y:y+n-1);

M(1:M,1:N)=100;

M(x:x+m-1,y:y+n-1)=P;

end

end

end

figure(1);

figure(1);

subplot(1,2,1)

imshow(I,[]);title('原始图像');

subplot(1,2,2)

imshow(uint8(M));title('匹配结果');

四、实验结果

1.运行Work.m；

在产生的图像中用鼠标选取矩形区域作为匹配模板；

2.双击该模板开始SSDA算法匹配。

查找匹配矩阵在图像中的像素位置（226，290）

五、实验总结

1．算法精确度较高，选取模板匹配过程准确，速度尚可；

2．通过该实验更好地掌握了图像匹配的算法原理以及步骤，学会了应用imcrop函数抓图。

课程总结

通过为期一学期的学习，使我从一个数字图像小白，慢慢的了解了数字图像的处理原理及具体编程操作原理。从一开始对MATLAB处理图像的一穷二白，到现在可以摸索着使用它来编程处理图像。总体上王老师讲课还是很风趣幽默的，也许是因为排课的缘故吧，下午上课的时候，自己注意力有时总是不能集中，嘿嘿。

提点建议吧，王老师的这门课，个人感觉，理论讲的有点多，有时候使人听完后不知道在实际操作时如何应用。希望以后能够结合具体案例，来多讲一下实际操作中的方法和思路。学期末最后的那几节课结合了车牌识别的案例讲的挺好，不仅普及了车牌的一般知识，还丰富了车牌识别应用时所遇到的各种问题，使同学们能够对设计一个完整系统有了一个比较全面的了解。

总之，本学期，通过这个门课，自己学习了很多的知识，自己动手操作，完成老师留下的作业，对图像处理这门课有了比较全面的认识。最后，感谢王卫江老师这一学期的细心指导，祝您身体健康、工作顺利。