数字图像处理上机

数字图像处理上机班级：学号：姓名：1.产生右图所示亮块图像f1(x,y)（128×128大小，暗处=0，亮处=255），对其进行FFT：（1）同屏显示原图f1和FFT(f1)的幅度谱图；（2）若令f2(x,y)=（-1）x+yf1(x,y)，重复以上过程，比较二者幅度谱的异同，简述理由；（3）若将f2(x,y)顺时针旋转45度得到f3(x,y)，试显示FFT(f3)的幅度谱，并与FFT(f2)的幅度谱进行比较。解答：（1）图像：（2）图像：相同点：频谱的实质没有改变，幅度等都没有发生变化。不同点：f2的频谱是对f1频谱的移位，它时f1的频谱从原点（0，0）移到了中心（64，64），而得到了一个完整的频谱。（3）图像：程序：f1=zeros(128,128);fori=38:1:90forj=58:1:70f1(i,j)=255;endendfigure(1)subplot(1,2,1);imshow(f1);subplot(1,2,2);imshow(fft2(f1));%f2(x,y)=（-1）^(x+y)*f1(x,y)fori=1:1:128forj=1:1:128f2(i,j)=(-1)^(i+j)*f1(i,j);endendfigure(2);subplot(1,3,1);imshow(f2);f3=imrotate(f2,-45,'bilinear');%将f2顺时针旋转45度subplot(1,3,2);imshow(fft2(f2));%显示f2的频谱subplot(1,3,3);imshow(fft2(f3));%显示f3的频谱2.对256256大小、256级灰度的数字图像lena进行频域的理想低通、高通滤波，同屏显示原图、幅度谱图和低通、高通滤波的结果图。程序：figure(1);fid=fopen('d:\img\lena.img','r');data=(fread(fid,[256,256],'uint8'))';subplot(2,2,1)imagesc(data);colormap(gray);title('LENA','Color','r');subplot(2,2,2);imshow(fft2(data));s=fftshift(fft2(data));[M,N]=size(s);%分别返回s的行数到M中，列数到N中n=2;%对n赋初值%GLPF滤波，d0=5，15，30（程序中以d0=30为例）d0=30;%初始化d0n1=floor(M/2);%对M/2进行取整n2=floor(N/2);%对N/2进行取整fori=1:Mforj=1:Nd=sqrt((i-n1)^2+(j-n2)^2);%点（i,j）到傅立叶变换中心的距离h=1*exp(-1/2*(d^2/d0^2));%GLPF滤波函数s(i,j)=h*s(i,j);%GLPF滤波后的频域表示endends=ifftshift(s);%对s进行反FFT移动%对s进行二维反离散的Fourier变换后，取复数的实部转化为无符号8位整数s=uint8(real(ifft2(s)));subplot(2,2,3);%创建图形图像对象imshow(s);p=fftshift(fft2(data));[M,N]=size(p);%分别返回p的行数到M中，列数到N中n=2;%对n赋初值%GLPF滤波d1=30d1=30;%初始化d1n3=floor(M/2);%对M/2进行取整n4=floor(N/2);%对N/2进行取整fori=1:Mforj=1:Ndd=sqrt((i-n3)^2+(j-n4)^2);%点（i,j）到傅立叶变换中心的距离h1=1-exp(-1/2*(dd^2/d1^2));%GHPF滤波函数p(i,j)=h1*p(i,j);%GHPF滤波后的频域表示endendp=ifftshift(p);%对p进行反FFT移动%对s进行二维反离散的Fourier变换后，取复数的实部转化为无符号8位整数p=uint8(real(ifft2(p)));subplot(2,2,4);%创建图形图像对象imshow(p);3.对给定的两种128128、256级灰度的数字图像（图像磁盘文件名分别为Fing_128.img（指纹图）和Cell_128.img（显微医学图像）进行如下处理：（1）对原图像进行直方图均衡化处理，同屏显示处理前后图像及其直方图，比较异同，并回答为什么数字图像均衡化后其直方图并非完全均匀分布。（2）对原图像加入高斯噪声，用4-邻域平均法平滑加噪声图像（图像四周边界不处理，下同），同屏显示原图像、加噪图像和处理后的图像。①不加门限；②加门限2(,)Tfmn，（其中ijjifNnmf),(1),(2）解答：（1）异同：由于原图像中目标物的灰度主要集中于低亮度部分，而且象素总数比较多，经过直方图均衡后，目标物的所占的灰度等级得到扩展，对比度加强，使整个图像得到增强。数字图像均衡化后其直方图并非完全均匀分布的原因：由于原图像中目标物的灰度主要集中于低亮度部分，而且象素总数比较少，而所占的灰度等级比较多，因此图像的对比度比较好，亮度比较大，整体图像清晰。经过直方图均衡后，目标物的所占的灰度等级被压缩，对比度减弱，反而使目标物变的难以辨认。数字图像均衡化后，其直方图并非完全均匀分布，这是因为图像的象素个数和灰度等级均为离散值；而且均衡化使灰度级并归，因此，均衡化后，其直方图并非完全均匀分布。程序：figure(1);fid=fopen('D:\img\cell_128.img','r');%打开无格式文件data1=(fread(fid,[128,128],'uint8'))';%将打开的文件读入到data1subplot(4,2,1);%将figure(1)分成4*2的8个子窗口,data11=uint8(data1);imshow(data11);%图象显示title('CELL','Color','b');%加标题subplot(4,2,2);title('原图像直方图');imhist(data11);subplot(4,2,3);%取第二个子窗口data2=uint8(data1);%将灰度图象转换成uint8格式b=histeq(data2);%直方图均衡化imshow(b,256);%显示均衡化图象,256可缺省title('均衡化','Color','b');subplot(4,2,4);imhist(b);title('均衡化后图像直方图');subplot(4,2,5)fid=fopen('d:\img\fing_128.img','r');%打开无格式文件data3=(fread(fid,[128,128],'uint8'))';%将打开的文件读入到data3data31=uint8(data3);%将灰度图象转换成uint8格式imshow(data31);%显示灰度图象title('FING','Color','b');subplot(4,2,6)imhist(data31);title('原图像直方图');subplot(4,2,7);data4=uint8(data3);%将灰度图象转换成uint8格式d=histeq(data4);%直方图均衡化imshow(d,256);%显示均衡化图象,256可缺省title('均衡化','Color','b');subplot(4,2,8);imhist(d);title('均衡化后原图像直方图');（2）程序：%CELLfigure(2);fid=fopen('D:\img\cell_128.img','r');%打开无格式文件data1=(fread(fid,[128,128],'uint8'))';%将打开的文件读入到data1I=uint8(data1);I1=imnoise(I,'gaussian');%加乘性噪声H1=[010;101;010]/4;%4×4领域模板J=imfilter(I,H1);%领域平均subplot(2,4,1),imshow(I);%显示图像Ititle('原图像');subplot(2,4,2),imshow(I1);title('加噪声后图像');subplot(2,4,3),imshow(J);%不加门限平滑title('不加门限平滑后图像');%加门限后滤波T=2*sum(I1(:))/128^2;im_T=zeros(128,128);fori=1:128forj=1:128ifabs(I1(i,j)-J(i,j))Tim_T(i,j)=J(i,j);elseim_T(i,j)=I1(i,j);endendendsubplot(2,4,4);imshow(im_T);title('加门限后');%FINGfigure(2);fid=fopen('D:\img\fing_128.img','r');%打开无格式文件data1=(fread(fid,[128,128],'uint8'))';%将打开的文件读入到data1I=uint8(data1);I1=imnoise(I,'gaussian');%加乘性噪声H1=[010;101;010]/4;%4×4领域模板J=imfilter(I,H1);%领域平均subplot(2,4,5),imshow(I);%显示图像Ititle('原图像');subplot(2,4,6),imshow(I1);title('加噪声后图像');subplot(2,4,7),imshow(J);%不加门限平滑title('不加门限平滑后图像');%加门限后滤波T=2*sum(I1(:))/128^2;im_T=zeros(128,128);fori=1:128forj=1:128ifabs(I1(i,j)-J(i,j))Tim_T(i,j)=J(i,j);elseim_T(i,j)=I1(i,j);endendendsubplot(2,4,8);imshow(im_T);title('加门限后');4.（1）用Laplacian锐化算子（分1和2两种情况）对256256大小、256级灰度的数字图像lena进行锐化处理，显示处理前、后图像。（2）若令fnmfnmg21),(),(，2(,)4(,)[(1,)(1,)(,1)(,1)gmnfmnfmnfmnfmnfmn)]1,()1,(nmfnmf则回答如下问题：①),(nmf、),(1nmg和),(2nmg之间有何关系？②),(2nmg代表图像中的哪些信息？③由此得出图像锐化的实质是什么？解答：（1）源代码：%laplacian算子锐化I=imread('D:\img\LENA256.bmp');%读入原图像figure(1);subplot(1,3,1);imshow(I);title('原始图像');L=fspecial('laplacian');L1=[0-10;-15-1;0-10];L2=[0-20;-29-2;0-20];LP1=imfilter(I,L1,'replicate');%α=1时的拉普拉斯算子LP2=imfilter(I,L2,'replicate');%α=2时的拉普拉斯算子subplot(1,3,2);imshow(LP1);title('Laplacian算子α=1锐化图像');subplot(1,3,3);imshow(LP2);title('Laplacian算子α=2锐化图像');（2）①因为),(),(22nmfnmg，所以),(nmf、),(1nmg和),(2nmg之间有以下关系：),(),(),(21nmgnmfnmg②),(2nmg代表了原图像中的二阶梯度信息；),(1nmg是边缘增强后的数字图像；③由此可以得出：图像锐化的实质是将原图像与梯度信息叠加（梯度信息所占的比例由的大小决定，值越大则梯度信息所占的比