搜索
报告一直方图均衡化一、目的1.改善图像的视觉，提高清晰度；2.增强人们感兴趣部分，到视觉效果更好的图像，以提高图像的可懂度。二、主要内容1．读入图像数据到内存中，并显示读入的图像；2．实现直方图均衡化处理，显示处理前后图像的直方图；3．显示并保存处理结果。三、具体步骤1.打开Matlab编程环境。2.获取试验用图像：使用imread函数将图像读入Matlab，并用inshow函数显示读入的图像。3.获取输入图像的直方图：使用inhist函数处理图像。4.均衡化处理：使用histeq函数处理图像。5.获取均衡化后的直方图并显示图像：使用inhist和histeq函数。6.保存结果。四、实验程序及结果1、实验程序x=imread('f:\flower.jpg');%使用imread函数将图像读入Matlabx=rgb2gray(x);%将彩色图像装换为灰度图像figure(1);subplot(2,2,1);imshow(x);%显示图像title('(a)原图像')subplot(2,2,2);imhist(x)%求图像直方图axisoff;title('(b)原图像的直方图')x1=histeq(x);%对图像进行均衡化处理subplot(2,2,3);imshow(x1);title('(c)直方图均衡化后的图像')subplot(2,2,4);imhist(x1)%均衡化处理后的图像的直方图axisoff;title('(d)均衡化后的直方图')2、实验结果五、结果分析从上面的两幅图我们可以很明显的看到，没有经过均衡化处理的原图像灰度值较为集中，背景颜色全为白色；而经过均衡化处理的图像灰度值分布近似服从均匀分布，背景颜色有了由灰到白的渐变，尤其是花朵的绿叶部分的均衡效果较为明显。报告二图像平滑一、目的去除或衰减图像中的噪声和虚假轮廓。二、实现方法减少噪声的方法可以在空间域或在频率域处理，在空间域中进行时，基本方法就是求像素的平均值或中值；在频域中则运用低通滤波技术。因其算法简单且处理速度快，在此我们使用空域法。三、操作步骤1、选择一副图像，加入高斯白噪声；2、分别进行4领域和8领域处理并对两种方法进行对比分析；3、保存实验结果并给予分析。四、实验程序及结果1、实验程序x=imread('f:\1.jpg');%读入图像x=rgb2gray(x);%将彩色图像装换为灰度图像subplot(1,4,1);imshow(x);xlabel('(a)原图像');%图像加噪并显示加噪图像，高斯白噪声m=0,σ=0.005x1=imnoise(x,'gaussian',0,0.05);subplot(1,4,2);imshow(x1);xlabel('(b)加噪图像');%使用4领域模板h1=[010;111;010]/5;x2=imfilter(x1,h1);subplot(1,4,3);imshow(x2);xlabel('(c)4领域平均滤波');%使用8领域模板h2=[111;111;111]/8;x3=imfilter(x1,h2);subplot(1,4,4);imshow(x3);xlabel('(d)8领域平均滤波');^2、实验结果五、结果分析从以上四幅图的比较当中我们可以看到，领域平均法对图像中的噪声进行了一定程度上的衰减，同时可以看到8领域平均法比4领域平均法滤除噪声效果要好，但同时也使图像中目标景物的轮廓或细节变的更模糊，这也正是领域平均法的一个弊端所在。报告三图像锐化一、主要目的突出图像中的细节，增强图像的边缘、轮廓以及灰度突变部分。二、实现方法图像的模糊实质是因为图像受到平均或积分运算，为此对其进行逆运算如微分运算、梯度运算，就可以使图像清晰。从频谱角度来分析，图像模糊的实质是其高频分量被衰减，因而也可以通过高通滤波操作来清晰图像。锐化滤波有两种方法：一种是空间域法，另外一种是频域中的高通滤波法。下面使用的是空域锐化方法，分别进行模板系数a=1和a=2的锐化处理，并对结果进行分析。三、实验程序及结果1、实验程序x=imread('f:\4.jpg');%读入第一幅图像x=rgb2gray(x);subplot(2,3,1);imshow(x);a=1；%a=1的锐化模板g1=[0-a0;-a1+4*a-a;0-a0];f2=imfilter(x,g1,'symmetric','conv');subplot(2,3,2);imshow(f2);a=2%a=2的锐化模板g1=[0-a0;-a1+4*a-a;0-a0];f2=imfilter(x,g1,'symmetric','conv');subplot(2,3,3);imshow(f2);x=imread('f:\3.jpg');%读入第二幅图像x=rgb2gray(x);subplot(2,3,4);imshow(x);xlabel('(a)原图像');a=1%a=1的锐化模板g1=[0-a0;-a1+4*a-a;0-a0];f2=imfilter(x,g1,'symmetric','conv');subplot(2,3,5);imshow(f2);xlabel('(b)a=1时的锐化结果');a=2%a=2的锐化模板g1=[0-a0;-a1+4*a-a;0-a0];f2=imfilter(x,g1,'symmetric','conv');subplot(2,3,6);imshow(f2);xlabel('(c)a=2时的锐化结果');2、实验结果报告四图像的同态增晰一、主要目的压缩图像灰度范围，提高图像清晰度，增加对比度。二、实现方法同态增晰是在频域中压缩图像的亮度分量，同时增强图像对比度的方法。其关键是可以将照明分量和反射分量分开来，从而有可能用同态滤波函数分别对它们进行压缩和提升处理，以使图像整体变清晰。三、实验程序及结果1、实验程序f1=imread('f:\5.jpg');f1=double(rgb2gray(f1));f_log=log(f1+1);%取自然对数f2=fft2(f_log);%产生Butterworth高通滤波器n=3;D0=0.05*pi;%截止频率rh=0.8;r1=0.3;[mn]=size(f2);fori=1:mforj=1:nD1(i,j)=sqrt(i^2+j^2);H(i,j)=r1+(rh/(1+(D0/D1(i,j))^(2*n)));endendf3=f2.*H;%输入图像通过滤波器f4=ifft2(f3);f5=exp(real(f4))-1;%取指数对数subplot(2,2,1);imshow(uint8(f1));subplot(2,2,2);imshow(uint8(f5));%第二幅图片,进行相同的处理f1=imread('f:\flower.jpg');f1=double(rgb2gray(f1));f_log=log(f1+1);%取自然对数f2=fft2(f_log);%产生Butterworth高通滤波器n=3;D0=0.05*pi;%截止频率rh=0.8;r1=0.3;[mn]=size(f2);fori=1:mforj=1:nD1(i,j)=sqrt(i^2+j^2);H(i,j)=r1+(rh/(1+(D0/D1(i,j))^(2*n)));endendf3=f2.*H;%输入图像通过滤波器f4=ifft2(f3);f5=exp(real(f4))-1;%取指数对数subplot(2,2,3);imshow(uint8(f1));xlabel('(a)原图像');subplot(2,2,4);imshow(uint8(f5));xlabel('(b)同态滤波后图像');2、实验结果报告五图像恢复一、主要目的由于各种原因使原清晰图像变模糊，或原图未达到应有质量从而形成了降质，图像恢复的目的就是使退化图像恢复本来面目。二、实现方法图像恢复就是根据图像降质过程的某些先验知识，建立“退化（降质）模型”，运用和退化相反的过程，将退化图像恢复。恢复技术可分为无约束和有约束的两大类，在这里，我们用有约束恢复中的维纳滤波方法。三、实验程序及结果1、实验程序%通过模拟水平运动模糊建立退化函数d=5;h=zeros(2*d+1,2*d+1);h(d+1,1:2*d+1)=1/(2*d);%模糊原图像并加入加入噪声fig1=imread('f:\apple.jpg');fig1=rgb2gray(fig1);[mn]=size(fig1);fe=zeros(m+2*d,n+2*d);fe(1:m,1:n)=fig1;he=zeros(m+2*d,n+2*d);he(1:2*d+1,1:2*d+1)=h;F=fft2(fe);H=fft2(he);g=imnoise(uint8(ifft2(F.*H)),'gaussian',0,0.0009);G=fft2(double(g));%使用最小均方滤波器恢复图像K=0.1;F_est=((abs(H).^2)./(abs(H).^2+K)).*G./H;fig_est=real(ifft2(F_est));%显示图像subplot(2,3,1);imshow(fig1);xlabel('(a)原图像');%显示退化图像subplot(2,3,2);imshow(uint8(g(d+1:m+d,d+1:n+d)),[min(g(:))max(g(:))]);xlabel('(b)加噪声的退化图像');%显示恢复图像subplot(2,3,3);imshow(uint8(fig_est(1:m,1:n)),[min(fig_est(:))max(fig_est(:))]);xlabel('(c)回复后的图像');%第二幅图片%通过模拟水平运动模糊建立退化函数d=5;h=zeros(2*d+1,2*d+1);h(d+1,1:2*d+1)=1/(2*d);%模糊原图像并加入加入噪声fig1=imread('f:\flower.jpg');fig1=rgb2gray(fig1);[mn]=size(fig1);fe=zeros(m+2*d,n+2*d);fe(1:m,1:n)=fig1;he=zeros(m+2*d,n+2*d);he(1:2*d+1,1:2*d+1)=h;F=fft2(fe);H=fft2(he);g=imnoise(uint8(ifft2(F.*H)),'gaussian',0,0.0009);G=fft2(double(g));%使用最小均方滤波器恢复图像K=0.1;F_est=((abs(H).^2)./(abs(H).^2+K)).*G./H;fig_est=real(ifft2(F_est));%显示图像subplot(2,3,4);imshow(fig1);xlabel('(a)原图像');%显示退化图像subplot(2,3,5);imshow(uint8(g(d+1:m+d,d+1:n+d)),[min(g(:))max(g(:))]);xlabel('(b)加噪声的退化图像');%显示恢复图像subplot(2,3,6);imshow(uint8(fig_est(1:m,1:n)),[min(fig_est(:))max(fig_est(:))]);xlabel('(c)回复后的图像');2、实验结果报告六图像分割一、主要目的图像分割是图象分析的前期工作、关键步骤。欲对图象进行分析(识别)时，首先要提取特征，而这些特征都包含在图象中的不同部分(如目标物、背景)，所以必须先对图象进行分割，然后才能区分并确定这些不同部分。二、实现方法1、边缘检测法：利用区域间之灰度不连续性，确定区域的边界或边缘的位置。2、阈值分割法：目标物和背景、不同目标物之间的灰度值有明显差异，可通过灰度门限进行区分。3、区域分割法：利用区域内灰度的相似性，将象