第一篇：《數字圖像處理》

實驗五 圖像的幾何變換

一．實驗目的及要求

掌握圖像幾何變換的基本原理，熟練掌握數字圖像的縮放、旋轉、平移、鏡像和轉置的基本原理及其MATLAB編程實現方法。

二、實驗內容

（一）研究以下程序，分析程序功能；輸入執(zhí)行各命令行，認真觀察命令執(zhí)行的結果。熟悉程序中所使用函數的調用方法，改變有關參數，觀察試驗結果。

1.圖像縮放 clear all, close all I = imread('cameraman.tif');Scale = 1.35;

% 將圖像放大1.35倍

J1 = imresize(I, Scale, 'nearest');

% using the nearest neighbor interpolation J2 = imresize(I, Scale, 'bilinear');

% using the bilinear interpolation imshow(I), title('Original Image');figure, imshow(J1), title('Resized Image--using the nearest neighbor interpolation ');figure, imshow(J2), title('Resized Image--using the bilinear interpolation ');help imresize

% 查看imresize使用幫助

1.95倍

I = imread('cameraman.tif');Scale = 1.96;

% 將圖像放大1.96倍

J1 = imresize(I, Scale, 'nearest');

% using the nearest neighbor interpolation J2 = imresize(I, Scale, 'bilinear');

% using the bilinear interpolation imshow(I), title('Original Image');figure, imshow(J1), title('Resized Image--using the nearest neighbor interpolation ');figure, imshow(J2), title('Resized Image--using the bilinear interpolation ');

說明：

?注意觀察不同插值方法的圖像表現； ?改變圖像縮放因子Scale，重做上述實驗。2.圖像旋轉

clear all, close all I = imread('cameraman.tif');Theta = 45;

% 將圖像逆時針旋轉45?。

J1 = imrotate(I, Theta, 'nearest');

% using the nearest neighbor interpolation Theta =-45;

% 將圖像順時針旋轉45?。

J2 = imrotate(I, Theta, 'bilinear', 'crop');% using bilinear interpolation and crops the output image imshow(I), title('Original Image');figure, imshow(J1), title('Rotated Image--using the nearest neighbor interpolation ');figure, imshow(J2), title(' Rotated Image--using the bilinear interpolation ');% 查看imrotate使用幫助 help imrotate %-------

圖像旋轉30順時針逆時針

clear all, close all I = imread('cameraman.tif');Theta = 30;

% 將圖像逆時針旋轉30。

J1 = imrotate(I, Theta, 'nearest');

% using the nearest neighbor interpolation Theta =-30;

% 將圖像順時針旋轉30。

J2 = imrotate(I, Theta, 'bilinear', 'crop');% using bilinear interpolation and crops the output image imshow(I), title('Original Image');figure, imshow(J1), title('Rotated Image--using the nearest neighbor interpolation ');figure, imshow(J2), title(' Rotated Image--using the bilinear interpolation ');7 說明：

?注意觀察不同插值方法和輸出圖像后處理方法的圖像表現； ?改變旋轉角度大小和方向，重做上述實驗。

3．圖像水平鏡象

clear all, close all I = imread('cameraman.tif');I1 = flipdim(I,2);

I2 = flipdim(I,1);figure(1), subplot(1,2,1), imshow(I);subplot(1,2,2), imshow(I1);figure(2), subplot(2,1,1), imshow(I);subplot(2,1,2), imshow(I2);%----

(二)用MATLAB編程實現以下圖像幾何變換（參考自編講義相關章節(jié)）

1．圖像扭曲變換 2．球面變換

三、實驗設備

1．PIII以上微機； 2．MATLAB6.5；

四、預習與思考

1．預習實驗內容，閱讀教材熟悉實驗原理；

2．查閱資料，熟悉實驗中涉及的有關MATLAB函數；

3．利用課余時間，采用MATLAB底層函數編程實現實驗內容

（二）中的圖像平移、圖像轉置等幾何變換。

五、實驗報告要求

1．簡述試驗的目的和試驗原理；

2．敘述各段程序功能，改變有關函數的參數，分析比較實驗結果； 3．打印出所編寫的實驗程序。4．寫出本實驗的心得體會及意見。

實驗六

數字圖像處理應用

一．實驗目的及要求

1．利用MATLAB提供的圖像處理函數實現圖像中物體屬性的測量； 2．訓練綜合運用MATLAB圖像處理函數的能力； 3．了解數字圖像處理基本應用。

二、實驗內容

以大米粒特性測量為例，綜合應用課程中圖像分割、形態(tài)學濾波、圖像增強、圖像特征提取等圖像處理方法，實現大米粒特性自動測量。實驗過程簡述：

1． 讀取和顯示圖像 2． 估計圖像背景 3． 獲取背景均勻的圖像 4． 圖像增強 5． 圖像二值化分割 6． 區(qū)域標記及為彩色處理

7． 測量圖像中的區(qū)域特性（面積、質心等）

8．統(tǒng)計大米粒的特性分布規(guī)律。

（一）研究以下程序，分析程序功能；輸入執(zhí)行各命令行，認真觀察命令執(zhí)行的結 果。熟悉程序中所使用函數的調用方法，改變有關參數，觀察試驗結果。

% Read and Display an Image clear, close all,close all;I = imread('rice.png');

figure, imshow(I)

% Use Morphological Opening to Estimate the Background

background = imopen(I,strel('disk',15));

figure, imshow(background);

%Display the Background Approximation as a Surface

figure, surf(double(background(1:8:end,1:8:end))),zlim([0 255]);set(gca,'ydir','reverse');% Subtract the Background Image from the Original Image I2 = imsubtract(I,background);figure, imshow(I2)% Adjust the Image Contrast I3 = imadjust(I2, stretchlim(I2), [0 1]);figure, imshow(I3);% Apply Thresholding to the Image level = graythresh(I3);bw = im2bw(I3,level);figure, imshow(bw)% Determine the Number of Objects in the Image [labeled,numObjects] = bwlabel(bw,4);

% Label components.numObjects % Examine the Label Matrix RGB_label = label2rgb(labeled, @spring, 'c', 'shuffle');figure, imshow(RGB_label);% Measure Object Properties in the Image graindata = regionprops(labeled,'basic')allgrains = [graindata.Area];% Compute Statistical Properties of Objects in the Image max(allgrains);biggrain = find(allgrains==695)mean(allgrains);figure, hist(allgrains,20);12

(詳見MATLAB IPT的 幫助文檔demo中的Correcting Nonuniform Illumination)

（二）查看MATLAB IPT 幫助文檔，研究其它應用演示

三、實驗設備 1．PIII以上微機； 2．MATLAB6.5；

四、預習與思考

1．預習實驗內容，閱讀教材熟悉實驗原理； 2．查閱資料，熟悉實驗中涉及的有關函數。

3．利用課余時間，采用MATLAB函數編程實現實驗內容

（二）。

五、實驗報告要求

1．簡述試驗的目的和試驗原理；

2．敘述各段程序功能，改變有關函數的參數，分析比較實驗結果； 3．打印出所編寫的實驗程序。4．寫出本實驗的心得體會及意見。

第二篇：數字圖像處理

中南大學

數字圖像處理實驗 實驗名稱：空間濾波和頻域濾波

班級：電子信息0802班

姓名：李哲 學號：0909080609 實驗日期：2010年12月22日

目錄

一，實驗目的???????????????????????3 二，給圖像添加噪聲????????????????????4 三，對被噪聲污染的圖像進行中值濾波和均值濾波???????5 四，對圖像進行空間域的銳化????????????????6 五，MATLAB以外函數空間濾波和圖像銳化??????????7 六，自帶函數傅立葉變換和反變換??????????????8 七，低通濾波器程序????????????????????9 八，心得體會 ??????????????????????10 九，參考文獻 ??????????????????????10

一、實驗目的 1，空間濾波：

圖像平滑主要目的是減少噪聲。噪聲有很多種類，不同的噪聲有不同的抑制措施。本實驗要求用平滑線性濾波和中值濾波2種最典型、最常用的處理算法進行程序設計，學習如何對已被噪聲污染的圖像進行“凈化”。通過平滑處理，對結果圖像加以比較，得出自己的實驗結論。學習如何用銳化處理技術來加強圖像的目標邊界和圖像細節(jié)，對圖像進行梯度算子、拉普拉斯算子，使圖像的某些特征（如邊緣、輪廓等）得以進一步的增強及突出。本實驗銳化處理主要在空間域中進行 2，頻域濾波：

掌握傅里葉變換的基本性質； 掌握傅里葉正變換和反變換； 通過實驗了解二維頻譜的分布特點； 掌握怎樣利用傅立葉變換進行頻域濾波

利用MATLAB程序數字圖像的傅立葉變換并且進行頻域濾波

二，給圖像添加椒鹽噪聲或者高斯噪聲： 原理：利用MATLAB自帶函數添加噪聲 程序代碼：A=imread('onion.png');I=rgb2gray(A);imshow(I);J = imnoise(I,'salt & pepper',0.05);figure,imshow(J),title('椒鹽噪聲');%添加椒鹽噪聲 K = imnoise(I,'gaussian',0,0.03);

figure,imshow(K),title('高斯噪聲');%添加高斯噪聲

三，對被噪聲污染的圖像進行中值濾波和均值濾波： 原理：自帶函數進行中值濾波和均值濾波 源程序：A=imread('onion.png');I=rgb2gray(A);J = imnoise(I,'salt & pepper',0.05);k2=medfilt2(J,[5 5]);k3=medfilt2(J,[7 7]);imshow(J),title('原圖');figure,imshow(k2),title('中值濾波5*5模板');figure,imshow(k3),title('中值濾波7*7模板');

四，對圖像進行空間域的銳化： 原理：自帶函數進行空間銳化。源程序：I=imread('coins.png');subplot(121),imshow(I),title('原圖像');H=fspecial('sobel');I2=filter2(H ,I);subplot(122),imshow(I2),title('sobel算子銳化圖像');

五，MATLAB以外函數空間濾波和圖像銳化：

源程序：I = imread('eight.tif');J = imnoise(I,'salt & pepper',0.02);K = medfilt2(J);imshow(J);title('噪聲干擾圖像')figure, imshow(K);title('medfilt2濾波圖像')X=J;a=2;b=2;k=floor(a*b/2)+1;[M,N]=size(X);uint8 Y=zeros(M,N);funBox=zeros(a,b);temp=zeros(a*b);

for i=1:M-a

for j=1:N-b

funBox=X(i:i+a,j:j+b);

temp=funBox(:);

tempSort=sort(temp);

Y(i,j)=tempSort(k);

end;end;figure, imshow(Y);title('濾波圖像')

六，利用Matlab的圖像處理工具箱中提供的函數實現圖像的傅立葉變換和反變換： 源程序：

A=imread('onion.png');f=rgb2gray(A);subplot(131),imshow(f),title('原圖');F=fft2(f);% 快速傅立葉變換

subplot(132),imshow(F),title('傅里葉變換')Fabs=abs(F);% 求幅頻絕對值 Fc=fftshift(Fabs);% 中心移位 SFc=log(1+Fc);% 對數變換

iFc1=ifftshift(Fc);% 中心移位的逆變換，絕對值 iF2=ifft2(iFc1);% 快速傅立葉變換的逆變換

subplot(133),imshow(iF2),title('快速傅立葉變換的逆變換')

七，低通濾波器程序：

I=imread('testpat1.png');subplot(221),imshow(I);title('原始圖像')J1=imnoise(I,'gaussian',0.02);% 疊加高斯白噪聲

subplot(222),imshow(J1);title('添加高斯白噪聲的圖像')f=double(J1);

% 數據類型轉換 g=fft2(f);

% 傅立葉變換 g=fftshift(g);

[M,N]=size(g);nn=2;

% 二階巴特沃斯(Butterworth)低通濾波器 d0=50;

% 設置截止頻率 m=fix(M/2);n=fix(N/2);for i=1:M for j=1:N

d=sqrt((i-m)^2+(j-n)^2);

h=1/(1+0.414*(d/d0)^(2*nn));% 計算低通濾波器傳遞函數

result(i,j)=h*g(i,j);end end result=ifftshift(result);J2=ifft2(result);J3=uint8(real(J2));subplot(223),imshow(J3);title('低通濾波后圖像')

心得體會

1，進一步熟悉了Matlab軟件、編程以及圖像處理工具箱 2，學會利用自帶函數對圖像做簡單的處理，例如：均值化等。3，熟練了一些基本函數的運用，例如fspecial，imfilter等。4，加深了對MATLAB編程的理解。

5，對于試驗中的出現的一些問題，懂得怎樣去處理。6，通過實際操作，增強了自己的動手能力，把理論用于實踐。

參考文獻：數字圖像處理第二版

MATLAB教程

第三篇：數字圖像處理讀書筆記

數字圖像處理讀書筆記

本學期的數字圖像處理課程已經進行了3周了，通過這3周的學習讓我對數字圖像處理有了一定的認知和理解。數字圖像處理又稱為計算機圖像處理，它是指將圖像信號轉換成數字信號并利用計算機對其進行處理的過程。這門課程的前三章主要講解了數字圖像的目的、特點、應用和發(fā)展，圖像的數字化顯示與圖像變換。

數字圖像處理最早出現于20世紀50年代，當時的電子計算機已經發(fā)展到一定水平，人們開始利用計算機來處理圖形和圖像信息。數字圖像處理作為一門學科大約形成于20世紀60年代初期。早期的圖像處理的目的是改善圖像的質量，它以人為對象，以改善人的視覺效果為目的。圖像處理中，輸入的是質量低的圖像，輸出的是改善質量后的圖像，常用的圖像處理方法有圖像增強、復原、編碼、壓縮等。數字圖像處理是通過計算機對圖像進行去除噪聲、增強、復原、分割、提取特征等處理的方法和技術。數字圖像處理的產生和迅速發(fā)展主要受三個因素的影響：一是計算機的發(fā)展；二是數學的發(fā)展（特別是離散數學理論的創(chuàng)立和完善）;三是廣泛的農牧業(yè)、林業(yè)、環(huán)境、軍事、工業(yè)和醫(yī)學等方面的應用需求的增長。

一般來講，對圖像進行處理（或加工、分析）的主要目的有三個方面：（1）提高圖像的視感質量，如進行圖像的亮度、彩色變換，增強、抑制某些成分，對圖像進行幾何變換等，以改善圖像的質量。（2）提取圖像中所包含的某些特征或特殊信息，這些被提取的特征或信息

往往為計算機分析圖像提供便利。提取特征或信息的過程是模式識別或計算機視覺的預處理。提取的特征可以包括很多方面，如頻域特征、灰度或顏色特征、邊界特征、區(qū)域特征、紋理特征、形狀特征、拓撲特征和關系結構等。（3）圖像數據的變換、編碼和壓縮，以便于圖像的存儲和傳輸。不管是何種目的的圖像處理，都需要由計算機和圖像專用設備組成的圖像處理系統(tǒng)對圖像數據進行輸入、加工和輸出。數字圖像處理有以下幾點基本特點：（1）目前，數字圖像處理的信息大多是二維信息，處理信息量很大。如一幅256×256低分辨率黑白圖像，要求約64kbit的數據量；對高分辨率彩色512×512圖像，則要求768kbit數據量；如果要處理30幀/秒的電視圖像序列，則每秒要求500kbit～22.5Mbit數據量。因此對計算機的計算速度、存儲容量等要求較高。（2）數字圖像處理占用的頻帶較寬。與語言信息相比，占用的頻帶要大幾個數量級。如電視圖像的帶寬約5.6MHz，而語音帶寬僅為4kHz左右。所以在成像、傳輸、存儲、處理、顯示等各個環(huán)節(jié)的實現上，技術難度較大，成本亦高，這就對頻帶壓縮技術提出了更高的要求。（3）數字圖像中各個像素是不獨立的，其相關性大。在圖像畫面上，經常有很多像素有相同或接近的灰度。就電視畫面而言，同一行中相鄰兩個像素或相鄰兩行間的像素，其相關系數可達0.9以上，而相鄰兩幀之間的相關性比幀內相關性一般說還要大些。因此，圖像處理中信息壓縮的潛力很大。（4）由于圖像是三維景物的二維投影，一幅圖象本身不具備復現三維景物的全部幾何信息的能力，很顯然三維景物背后部分信息在二維圖像畫面上是反映不出來的。因此，要分析和理解三維景物必須作合適的假定或附加新的測量，例如雙目圖像或多視點圖像。在理解三維景物時需要知識導引，這也是人工智能中正在致力解決的知識工程問題。（5）數字圖像處理后的圖像一般是給人觀察和評價的，因此受人的因素影響較大。由于人的視覺系統(tǒng)很復雜，受環(huán)境條件、視覺性能、人的情緒愛好以及知識狀況影響很大，作為圖像質量的評價還有待進一步深入的研究。另一方面，計算機視覺是模仿人的視覺，人的感知機理必然影響著計算機視覺的研究。例如，什么是感知的初始基元，基元是如何組成的，局部與全局感知的關系，優(yōu)先敏感的結構、屬性和時間特征等，這些都是心理學和神經心理學正在著力研究的課題。

在數字圖像處理中圖像的數字化顯示是基礎。將模擬圖像轉化成數字圖像的過程就是圖形、圖像的數字化過程。這個過程主要包含采樣、量化和編碼三個步驟。

1．采樣 采樣的實質就是要用多少點來描述一幅圖像，采樣結果質量的高低就是用前面所說的圖像分辨率來衡量。簡單來講，對二維空間上連續(xù)的圖像在水平和垂直方向上等間距地分割成矩形網狀結構，所形成的微小方格稱為像素點。一副圖像就被采樣成有限個像素點構成的集合。采樣頻率是指一秒鐘內采樣的次數，它反映了采樣點之間的間隔大小。采樣頻率越高，得到的圖像樣本越逼真，圖像的質量越高，但要求的存儲量也越大。在進行采樣時，采樣點間隔大小的選取很重要，它決定了采樣后的圖像能真實地反映原圖像的程度。一般來說，原圖像中的畫面越復雜，色彩越豐富，則采樣間隔應越小。

由于二維圖像的采樣是一維的推廣，根據信號的采樣定理，要從取樣樣本中精確地復原圖像，可得到圖像采樣的奈奎斯特（Nyquist）定理：圖像采樣的頻率必須大于或等于源圖像最高頻率分量的兩倍。

2．量化 量化是指要使用多大范圍的數值來表示圖像采樣之后的每一個點。量化的結果是圖像能夠容納的顏色總數，它反映了采樣的質量。例如：如果以4位存儲一個點，就表示圖像只能有16種顏色；若采用16位存儲一個點，則有216=65536種顏色。所以，量化位數越來越大，表示圖像可以擁有更多的顏色，自然可以產生更為細致的圖像效果。但是，也會占用更大的存儲空間。兩者的基本問題都是視覺效果和存儲空間的取舍。假設有一幅黑白灰度的照片，因為它在水平于垂直方向上的灰度變化都是連續(xù)的，都可認為有無數個像素，而且任一點上灰度的取值都是從黑到白可以有無限個可能值。通過沿水平和垂直方向的等間隔采樣可將這幅模擬圖像分解為近似的有限個像素，每個像素的取值代表該像素的灰度（亮度）。對灰度進行量化，使其取值變?yōu)橛邢迋€可能值。經過這樣采樣和量化得到的一幅空間上表現為離散分布的有限個像素，灰度取值上表現為有限個離散的可能值的圖像稱為數字圖像。只要水平和垂直方向采樣點數足夠多，量化比特數足夠大，數字圖像的質量就比原始模擬圖像毫不遜色。在量化時所確定的離散取值個數稱為量化級數。為表示量化的色彩值（或亮度值）所需的二進制位數稱為量化字長，一般可用8位、16位、24位或更高的量化字長來表示圖像的顏色；量化字長越大，則越能真實第反映原有的圖像的顏色，但得到的數字圖像的容量也越大。

3．壓縮編碼數字化后得到的圖像數據量十分巨大，必須采用編碼技術來壓縮其信息量。在一定意義上講，編碼壓縮技術是實現圖像傳輸與儲存的關鍵。

數學里的變換，指一個圖形（或表達式）到另一個圖形（或表達式）的演變。圖象變換是函數的一種作圖方法。已知一個函數的圖象，通過某種或多種連續(xù)方式變換，得到另一個與之相關的函數的圖象，這樣的作圖方法叫做圖象變換。

在圖像變換中傅立葉變換就是應用最廣泛的一種變換。數字圖像經二維離散傅立葉變換后，其空間域處理可變換為變換域處理，它具有很多明顯的優(yōu)點，最突出的是算法運算次數將大大減少，并可采用二維數字濾波技術進行所需要的各種圖像處理。

二位離散余弦變換其去相關性近似于K-L(Karhunen-Loeve)最佳變換,算法復雜度適中,易于硬件實現,且具有抗干擾能力強等優(yōu)點,因此,DCT及IDCT被廣泛應用于H.261、H.263、H.264、JPEG、MPEG等視頻壓縮標準中。

小波分解可以覆蓋整個頻域(提供了一個數學上完備的描述)；小波變換通過選取合適的濾波器，可以極大的減小或去除所提取得不同特征之間的相關性； 小波變換具有“變焦”特性，在低頻段可用高頻率分辨率和低時間分辨率(寬分析窗口)，在高頻段，可用低頻率分辨率和高時間分辨率(窄分析窗口)；小波變換實現上有快速算法(Mallat小波分解算法)。小波變換是一種信號的時間——尺度分析方法，他具有多分辨率分析的特點，而且在時頻兩域都具有表征信號

局部特征的能力，是一種窗口大小固定不變但其形狀可變，時間窗和頻率窗都可變的時頻局部化分析方法。即再低頻部分具有較高的頻率分辨率和時間分辨率，在高頻部分具有較高的時間分辨率和較低的頻率分辨率，很適合探測正常信號中夾帶的瞬態(tài)反?，F象并展示其成分，所以被譽為分析信號的顯微鏡。

小波變換是一種新的變換分析方法，它繼承和發(fā)展了短時傅立葉變換局部化的思想，同時又克服了窗口大小不隨頻率變化等缺點，能夠提供一個隨頻率改變的時間一頻率窗口，是進行信號時頻分析和處理的理想工具。它的主要特點是通過變換能夠充分突出問題某些方面的特征，因此，小波變換在許多領域都得到了成功的應用，特別是小波變換的離散數字算法已被廣泛用于許多問題的變換研究中。從此，小波變換越來越引起人們的重視，其應用領域來越來越廣泛。

第四篇：數字圖像處理實驗報告

實 驗 報 告 書

系部學生專業(yè)班

實驗

名稱姓名名稱 級時間：

： ： ：

：

實驗一 直方圖均衡

一、實驗目的

在學習圖像直方圖的概念、計算方法、性質和相關應用基礎上，生成、繪制圖像的直方圖，并應用MATLAB編程實現圖像直方圖均衡化程序。

二、實驗內容

（1）計算并繪制圖像直方圖；

（2）編程實現圖像的直方圖均衡化處理，顯示均衡前后的直方圖和圖像；

三、實驗運行結果

四、實驗中遇到的問題及解決方法

1、顯示無法找到圖像文件，應將圖片與xx.m文件置于同一文件夾；

2、編程過程中應注意標點的輸入法，應該用英文輸入，否則會報錯。

3、編程完成后運行時輸入文件名與保存時文件名相同，區(qū)分大小寫。

五、思考題

（1）、灰度直方圖可以反映一幅圖像的哪些特征？ 答：

1、表征了圖像的一維信息。只反映圖像中像素不同灰度值出現的次數（或頻數）而未反映像素所在位置。

2、與圖像之間的關系是多對一的映射關系。一幅圖像唯一確定出與之對應的直方圖，但不同圖像可能有相同的直方圖。

3、子圖直方圖之和為整圖的直方圖。(2)均衡化后的直方圖有何特點？

答：經直方圖均衡化處理后，可以得到一副改善了質量的新圖像。這幅圖像的灰度層次將不再是呈黑暗色調的圖像，而是一副灰度層次較為適中的、比原始圖像清晰、明快得多的圖像。處理的結果使圖像更適合與人的視覺特征或機器的識別系統(tǒng)。

六、實驗心得體會

本次實驗中，因為初學這個軟件，我學習到了在程序中關于圖像的運用，以及也復習了課本上的許多知識，加深了對直方圖均衡化的理解。

七、程序清單

clear all;I=imread('lena_gray_256.tif');%打開一幅灰度圖像 [m,n]=size(I);p=m*n;J=imhist(I)./p;

%計算圖像的歸一化直方圖 subplot(1,3,1),imshow(I)； subplot(1,3,2),imhist(I,64)； subplot(1,3,3),plot(J)；

（2）直方圖均衡化

clear all;Im=imread('region.jpg');J=histeq(Im);%均衡化 subplot(2,2,1);imshow(Im);title('原圖');%顯示原圖 subplot(2,2,2);imhist(Im);title('原圖直方圖');%顯示原圖的直方圖 subplot(2,2,3);imshow(J);title('均衡化結果');%顯示均衡化后的圖像 subplot(2,2,4);imhist(J);title('均衡化結果的直方圖');%顯示均衡化后的直方圖

實驗二 頻域圖像增強

一、實驗目的

1、頻域圖像增強

2、掌握基于頻域的圖像增強方法。

二、實驗內容

（1）編程實現圖像的理想低通和高通濾波；（2）編程實現圖像的巴特沃斯低通和高通濾波。

三、實驗運行結果

四、實驗中遇到的問題及解決方法

顯示圖像無法打開，最終查出來時圖像格式弄錯了。

五、思考題

分析為什么圖像通過低通濾波器后變得模糊？為什么通過高通濾波器后得到銳化結果？

答：圖像的精細結構及突變部分主要由高頻成分起作用，故經低通濾波后圖像的精細結構消失，變得模糊；經高通濾波后圖像得到銳化。

六、實驗心得體會

本實驗中遇到很多問題及錯誤，例如圖像打不開、處理后圖像模糊等，都是經常容易發(fā)生的錯誤，最后實驗幾次，就能夠逐一自己解決了。使自己對數字圖像處理課程中的許多問題有了更實際和確切的深入了解。

七、程序清單

clc;clear;data4=imread('lena.gif');subplot(3,2,1);imshow(data4);title('原圖');i=fft2(data4);subplot(3,2,2);i=fftshift(i);z=log(abs(i));x=0:1:255;y=0:1:255;[x,y]=meshgrid(x,y);mesh(z);%以三維坐標顯示該圖像頻譜圖title('原圖頻譜');[n,m]=size(i);%for k=1:1:n for l=1:1:m if(k^2+l^2)>=190^2 % result(k,l)=0;else result(k,l)=i(k,l);end end end subplot(3,2,4);

對該圖進行低通濾波 選取D=190

z=log(abs(result));%三維方式顯示低通濾波后的頻譜圖 x=0:1:255;y=0:1:255;[x,y]=meshgrid(x,y);mesh(z);title('理想低通濾波后的頻譜');subplot(3,2,3);%新建圖像顯示窗口 result=fftshift(result);%濾波后的數據去中心化 b=ifft2(result);%逆傅里葉變換 imshow(uint8(abs(b)));title('理想低通濾波后的圖像');subplot(3,2,6);%新建圖像顯示窗口 % [n,m]=size(c);%對原圖進行高通濾波 for k=1:1:n for l=1:1:m if(k^2+l^2)<=190^2 %選取D=190 result(k,l)=0;else result(k,l)=i(k,l);end end end z=log(abs(result));x=0:1:255;%三維方式顯示高通濾波前的頻譜圖 y=0:1:255;[x,y]=meshgrid(x,y);mesh(z);title('理想高通濾波后的頻譜');subplot(3,2,5);result=fftshift(result);%濾波后的數據去中心化 d=ifft2(result);%逆傅里葉變換

imshow(uint8(abs(d)));title('理想高通濾波后的圖像');%頻域增強（巴特沃斯原型）

%二階巴特沃斯（Butterworth）低通濾波器 %clc;%clear;Figure;J1=imread('lena.gif');subplot(3,2,1);imshow(J1);title('原圖');f=double(J1);g=fft2(f);% 傅立葉變換 g=fftshift(g);% 轉換數據矩陣 subplot(3,2,2);x=0:1:255;y=0:1:255;[x,y]=meshgrid(x,y);z=log(abs(g));%取幅度 mesh(z);%以三維坐標顯示該圖像頻譜圖 title('原圖頻譜');[M,N]=size(g);nn=2;% 二階巴特沃斯(Butterworth)低通濾波器 d0=20;m=fix(M/2);n=fix(N/2);for i=1:M for j=1:N d=sqrt((i-m)^2+(j-n)^2);h=1/(1+0.414*(d/d0)^(2*nn));% 計算低通濾波器傳遞函數 result(i,j)=h*g(i,j);

end end subplot(3,2,4);x=0:1:255;y=0:1:255;[x,y]=meshgrid(x,y);z=log(abs(result));%取幅度 mesh(z);%以三維坐標顯示該圖像頻譜圖 title('低通濾波后的頻譜');result=ifftshift(result);J2=ifft2(result);J3=uint8(abs(J2));subplot(3,2,3);imshow(J3);title('低通濾波后的圖像');

%利用二階巴特沃斯（Butterworth）高通濾波器

nn=2;% 二階巴特沃斯(Butterworth)高通濾波器 d0=5;m=fix(M/2);n=fix(N/2);for i=1:M for j=1:N d=sqrt((i-m)^2+(j-n)^2);if(d==0)h=0;else h=1/(1+0.414*(d0/d)^(2*nn));% 計算傳遞函數 end result(i,j)=h*g(i,j);

end end subplot(3,2,6);x=0:1:255;y=0:1:255;[x,y]=meshgrid(x,y);z=log(abs(result));%取幅度 mesh(z);%以三維坐標顯示該圖像頻譜圖 title('高通濾波后的頻譜');result=ifftshift(result);J2=ifft2(result);J3=uint8(abs(J2));subplot(3,2,5);imshow(J3);title('高通濾波后的圖像');

實驗三 圖像邊緣檢測與連接

一、實驗目的

圖像邊緣檢測與連接

二、實驗內容

（1）編程實現一階差分邊緣檢測算法，包括Robert梯度算子、Prewitt算子、Sobel算子等；（2）編程實現二階差分拉普拉斯邊緣檢測算法以及LoG檢測法和Canny檢測法；（3）分析與比較各種邊緣檢測算法的性能；

（4）編程實現Hough變換提取直線

（5）分析Hough變換檢測性能；

三、實驗運行結果

四、實驗中遇到的問題及解決方法

拷貝文件后沒改文件名，直接執(zhí)行時出現錯誤，最后重新修改后重新編譯，使之成功。

五、思考題

（1）邊緣的方向是什么意思？為什么要考慮邊緣的方向？

答：邊緣常常意味著一個區(qū)域的終結和另一個區(qū)域的開始，圖像的邊緣也包含了物體的形狀的重要信息，他不僅在分析圖像時大幅度的減少了要處理的信息量，而且還保護了目標的邊界結構。所以考慮邊緣的方向很重要。

（2）Hough變換原理是什么？

答：Hough變換的基本原理在于利用點與線的對偶性，將原始圖像空間的給定的曲線通過曲線表達形式變?yōu)閰悼臻g的一個點。這樣就把原始圖像中給定曲線的檢測問題轉化為準找參數空間的峰值問題。也即把檢測整體特性轉化為檢測局部特性。比如直線、橢圓、圓、弧線等。

六、實驗心得體會

對于一些圖像處理的函數不是很了解，只能夠按課本的參照函數拷貝做實驗，對于其中的一些函數問題理解不是很透徹，有些甚至完全不懂。還得繼續(xù)努力。

七、程序清單

1、邊緣檢測

由edge函數實現各算子對圖像的邊緣檢測

clear all;I = imread('d:office.bmp');I=rgb2gray(I);BW1 = edge(I,'sobel');

%利用Sobel算子進行邊緣檢測 BW2 = edge(I,'roberts');%利用roberts算子進行邊緣檢測 BW3 = edge(I,'prewitt');%利用prewitt算子進行邊緣檢測 BW4 = edge(I,'log');

%利用log算子進行邊緣檢測 BW5 = edge(I,'canny');

%利用canny算子進行邊緣檢測 subplot(2,3,1),imshow(I)subplot(2,3,2),imshow(BW1)subplot(2,3,3),imshow(BW2)subplot(2,3,4),imshow(BW3)

subplot(2,3,5),imshow(BW4)subplot(2,3,6),imshow(BW5)

2、邊緣連接

使用Hough變換作線檢測和連接

clear all;

RGB = imread('d:M_M.bmp');I=RGB;%I = rgb2gray(RGB);BW = edge(I,'canny');

% 利用Canny算子提取圖像邊緣 [H,T,R] = hough(BW,'RhoResolution',0.5,'ThetaResolution',0.5);figure(1), imshow(T,R,H,[],'notruesize'), axis on, axis normal xlabel('T'), ylabel('R')p = houghpeaks(H,5,'threshold',ceil(0.3*max(H(:))));

%找到5個較明顯的Hough變換峰值

hold on plot(T(p(:,2)),R(p(:,1)),'s','color','white');lines = houghlines(BW,T,R,p,'FillGap',10,'MinLength',10);

%查找并鏈接線段

figure, imshow(BW), hold on %在二值圖中疊加顯示這些線段 for k = 1:length(lines)

xy = [lines(k).point1;lines(k).point2];

plot(xy(:,1),xy(:,2),'LineWidth',2,'Color','green');end

第五篇：數字圖像處理實驗報告

數字圖像處理

實驗報告

目錄

1.數字圖像處理簡介

2.實驗目的3.實驗內容

4.實驗結果及代碼展示

5.算法綜述

6.Matlab優(yōu)勢

7.總結

8.存在問題

一、數字圖像處理簡介

圖像處理，是對圖像進行分析、加工、和處理，使其滿足視覺、心理以及其他要求的技術。圖像處理是信號處理在圖像域上的一個應用。目前大多數的圖像是以數字形式存儲，因而圖像處理很多情況下指數字圖像處理。此外，基于光學理論的處理方法依然占有重要的地位。

圖像處理是信號處理的子類，另外與計算機科學、人工智能等領域也有密切的關系。

傳統(tǒng)的一維信號處理的方法和概念很多仍然可以直接應用在圖像處理上，比如降噪、量化等。然而，圖像屬于二維信號，和一維信號相比，它有自己特殊的一面，處理的方式和角度也有所不同。

二、實驗目的

鞏固所學知識，提高所學能力

三、實驗內容

利用matlab的GUI程序設計一個簡單的圖像處理程序，并含有如下基本功能： 1.讀入一幅RGB圖像，變換為灰度圖像和二值圖像，并在同一個窗口內分成三個子窗口來分別顯示RGB圖像和灰度圖像，注上文字標題 2.對給定圖像進行旋轉

3．對給定的圖像添加噪聲（椒鹽噪聲、高斯噪聲）

四、實驗結果及代碼展示

1.軟件設計界面

2.各模塊功能展示以及程序代碼

（1）讀入一幅RGB圖像，變換為灰度圖像和二值圖像，并在同一個窗口內分成三個子窗口來分別顯示RGB圖像和灰度圖像，注上文字標題

效果展示：

代碼：

a = imread('C:Documents and SettingsAdministrator桌面數字圖像舞美.JPG');

i = rgb2gray(a);I = im2bw(a,0.5);

subplot(3,1,1);imshow(a);title('源圖像')subplot(3,1,2);imshow(i);title('灰度圖像')subplot(3,1,3);imshow(I);title('二值圖像')

（2）圖像旋轉 原圖

效果展示：

代碼：

clc;clear all;close all;

Img=imread('D:My DocumentsMy Pictures5.JPG');Img=double(Img);[h w]=size(Img);alpha=pi/4;

wnew=w*cos(alpha)+h*sin(alpha);hnew=w*sin(alpha)+h*cos(alpha);wnew=ceil(wnew);

hnew=ceil(hnew);u0=w*sin(alpha);

T=[cos(alpha),sin(alpha);-sin(alpha),cos(alpha)];Imgnew2=zeros(hnew,wnew);Imgnew1=zeros(hnew,wnew);for u=1:hnew

for v=1:wnew

tem=T*([u;v]-[u0;0]);x=tem(1);y=tem(2);if x>=1&&x<=h&&y>=1&&y<=w x_low=floor(x);x_up=ceil(x);y_low=floor(y);y_up=ceil(y);if(x-x_low)<=(x_up-x)x=x_low;

else

x=x_up;

end

if(y-y_low)<=(y_up-y)y=y_low;

else

y=y_up;

end

p1=Img(x_low,y_low);p2=Img(x_up,y_low);p3=Img(x_low,y_low);p4=Img(x_up,y_up);s=x-x_low;t=y-y_low;Imgnew1(u,v)=Img(x,y);

Imgnew2(u,v)=(1-s)*(1-t)*p1+(1-s)*t*p3+(1-t)*s*p2+s*t*p4;end

end end

figure;imshow(Imgnew2,[]);B=imrotate(Img,alpha/pi*180);figure;imshow(B,[]);

（3）對給定的圖像添加噪聲（斑點噪聲、高斯噪聲）效果展示：

代碼：

I= imread('D:My DocumentsMy Pictures5.JPG');figure,subplot(211);imshow(I);title('原圖');J1=imnoise(I,'gaussian',0,0.02);

subplot(223);imshow(J);title('添加高斯噪聲');J=imnoise(I,'speckle',0.04);

subplot(224);imshow(J);title('添加斑點噪聲');

五、算法綜述 灰度圖像：

一幅完整的圖像，是由紅色、綠色、藍色三個通道組成的。紅色、綠色、藍色三個通道的縮覽圖都是以灰度顯示的。用不同的灰度色階來表示“ 紅，綠，藍”在圖像中的比重。通道中的純白，代表了該色光在此處為最高亮度，亮度級別是255。

通道是整個Photoshop顯示圖像的基礎。色彩的變動，實際上就是間接在對通道灰度圖進行調整。通道是Photoshop處理圖像的核心部分，所有的色彩調整工具都是圍繞在這個核心周圍使用的。

在計算機領域中，灰度數字圖像是每個像素只有一個采樣顏色的圖像。這類圖像通常顯示為從最暗黑色到最亮的白色的灰度，盡管理論上這個采樣可以任何顏色的不同深淺，甚至可以是不同亮度上的不同顏色?；叶葓D像與黑白圖像不同，在計算機圖像領域中黑白圖像只有黑色與白色兩種顏色；灰度圖像在黑色與白色之間還有許多級的顏色深度。但是，在數字圖像領域之外，“黑白圖像”也表示“灰度圖像”，例如灰度的照片通常叫做“黑白照片”。在一些關于數字圖像的文章中單色圖像等同于灰度圖像，在另外一些文章中又等同于黑白圖像。灰度圖像經常是在單個電磁波頻譜如可見光內測量每個像素的亮度得到的。

用于顯示的灰度圖像通常用每個采樣像素 8 位的非線性尺度來保存，這樣可以有 256 級灰度。這種精度剛剛能夠避免可見的條帶失真，并且非常易于編程。在醫(yī)學圖像與遙感圖像這些技術應用中經常采用更多的級數以充分利用每個采樣 10 或 12 位的傳感器精度，并且避免計算時的近似誤差。在這樣的應用領域每個采樣 16 位即 65536 級得到流行。

二值圖像：

是指每個像素不是黑就是白，其灰度值沒有中間過渡的圖像。二值圖像一般用來描述文字或者圖形，其優(yōu)點是占用空間少，缺點是，當表示人物，風景的圖像時，二值圖像只能描述其輪廓，不能描述細節(jié)。這時候要用更高的灰度級。

二值圖像是每個像素只有兩個可能值的數字圖像。人們經常用黑白、B&W、單色圖像表示二值圖像，但是也可以用來表示每個像素只有一個采樣值的任何圖像，例如灰度圖像等。

二值圖像中所有的像素只能從0和1這兩個值中取，因此在MATLAB中，二值圖像用一個由0和1組成的二維矩陣表示。這兩個可取的值分別對應于關閉和打開，關閉表征該像素處于背景，而打開表征該像素處于前景。以這種方式來操作圖像可以更容易識別出圖像的結構特征。二值圖像操作只返回與二值圖像的形式或結構有關的信息，如果希望對其他類型的圖像進行同樣的操作，則首先要將其轉換為二進制的圖像格式，可以通過調用MATLAB提供的im2bw（）來實現。

二值圖像經常出現在數字圖像處理中作為圖像掩碼或者在圖像分割、二值化和dithering的結果中出現。一些輸入輸出設備，如激光打印機、傳真機、單色計算機顯示器等都可以處理二值圖像。

二值圖像經常使用位圖格式存儲。

二值圖像可以解釋為二維整數格Z，圖像變形處理領域很大程度上就是受到這個觀點啟發(fā)。

圖像旋轉：

圖像旋轉是指圖像以某一點為中心旋轉一定的角度,形成一幅新的圖像的過程。當然這個點通常就是圖像的中心。既然是按照中心旋轉,自然會有這樣一個屬性：旋轉前和旋轉后的點離中心的位置不變.根據這個屬性,我們可以得到旋轉后的點的坐標與原坐標的對應關系。由于原圖像的坐標是以左上角為原點的,所以我們先把坐標轉換為以圖像中心為原點。假設原圖像的寬為w,高為h,（x0,y0）為原坐標內的一點,轉換坐標后的點為（x1,y1）。那么不難得到： x1 = x0-w/2;y1 =-y0 + h/2;在新的坐標系下,假設（x0,y0）距離原點的距離為r,點與原點之間的連線與x軸的夾角為b,旋轉的角度為a,旋轉后的點為（x1,y1）

噪聲：

是電路或系統(tǒng)中不含信息量的電壓或電流。在工業(yè)與自然界中，存在著各種干擾源（噪聲源），如大功率電力電子器件的接入、大功率用電設備的開啟與斷開、雷擊閃電等都會使空間電場和磁場產生有序或無序的變化，這些都是干擾源（或噪聲源）。這些源產生的電磁波或尖峰脈沖通過磁、電耦合或是通過電源線等路徑進入放大電路，各種電氣設備，形成各種形式的干擾。

斑點噪聲：

斑點噪聲是SAR成像系統(tǒng)的一大特色，源自基本分辨單元內地物的隨機散射，在圖像上表現為信號相關（如在空間上相關）的小斑點，它既降低了圖像的畫面質量，又嚴重影響圖像的自動分割、分類、目標檢測以及其它定量專題信息的提取。

SAR圖像斑點噪聲的去除一方面要抑制圖像均勻區(qū)域斑點噪聲，另一方面要保持圖像邊緣和紋理細節(jié)信息。SAR斑點噪聲的抑制可通過非相干多視處理，也可使用空間域濾波實現。非相干多視處理會降低圖像的地面分辨率。因此，涌現出了一系列空間域濾波方法，如均值濾波、中值濾波、Lee濾波、Kuan濾波、Frost濾波、Sigma濾波以及Gamma Map濾波等。但這類算法存在自身無法克服的矛盾：一方面為增強斑點去噪效果需選較大的濾波窗口，另一方面為保持圖像的實際分辨率要求所選的窗口較小。

高斯噪聲：

所謂高斯噪聲是指它的概率密度函數服從高斯分布（即正態(tài)分布）的一類噪聲。如果一個噪聲，它的幅度分布服從高斯分布，而它的功率譜密度又是均勻分布的，則稱它為高斯白噪聲。高斯白噪聲的二階矩不相關，一階矩為常數，是指先后信號在時間上的相關性。高斯白噪聲包括熱噪聲和散粒噪聲。

實驗中是通過MATLAB自帶的函數產生噪聲，各函數如下： J1=imnoise(I,'salt & pepper',0.05);%添加椒鹽噪聲

J2=imnoise(I,'gaussian',0,0.03);

%添加均值為0，方差為0.03的高斯噪聲。

六、Matlab優(yōu)勢

MATLAB是一個包含大量算法的集合。其可以快捷的實現用戶所需的各種計算功能。函數中所使用的算法都是科研和工程計算中的最新研究成果，而前經過了各種優(yōu)化和差錯處理。在通常情況下，可以用它來代替底層編程語言，如C和C++。在計算要求相同的情況下，使用MATLAB的編程工作量會大大減少。MATLAB的這些函數集包括從最簡單最基本的函數到諸如矩陣，特征向量、快速傅立葉變換的復雜函數。函數所能解決的問題其大致包括矩陣運算和線性方程組的求解、微分方程及偏微分方程的組的求解、符號運算、傅立葉變換和數據的統(tǒng)計分析、工程中的優(yōu)化問題、稀疏矩陣運算、復數的各種運算、三角函數和其他初等數學運算、多維數組操作以及建模動態(tài)仿真等。圖形處理功能

圖形處理功能MATLAB自產生之日起就具有方便的數據可視化功能，以將向量和矩陣用圖形表現出來，并且可以對圖形進行標注和打印。高層次的作圖包括二維和三維的可視化、圖象處理、動畫和表達式作圖。可用于科學計算和工程繪圖。新版本的MATLAB對整個圖形處理功能作了很大的改進和完善，使它不僅在一般數據可視化軟件都具有的功能（例如二維曲線和三維曲面的繪制和處理等）方面更加完善，而且對于一些其他軟件所沒有的功能（例如圖形的光照處理、色度處理以及四維數據的表現等），MATLAB同樣表現了出色的處理能力。同時對一些特殊的可視化要求，例如圖形對話等，MATLAB也有相應的功能函數，保證了用戶不同層次的要求。另外新版本的MATLAB還著重在圖形用戶界面（GUI）的制作上作了很大的改善，對這方面有特殊要求的用戶也可以得到滿足

模塊集合工具箱

MATLAB對許多專門的領域都開發(fā)了功能強大的模塊集和工具箱。一般來說，它們都是由特定領域的專家開發(fā)的，用戶可以直接使用工具箱學習、應用和評估不同的方法而不需要自己編寫代碼。目前，MATLAB已經把工具箱延伸到了科學研究和工程應用的諸多領域，諸如數據采集、數據庫接口、概率統(tǒng)計、樣條擬合、優(yōu)化算法、偏微分方程求解、神經網絡、小波分析、信號處理、圖像處理、系統(tǒng)辨識、控制系統(tǒng)設計、LMI控制、魯棒控制、模型預測、模糊邏輯、金融分析、地圖工具、非線性控制設計、實時快速原型及半物理仿真、嵌入式系統(tǒng)開發(fā)、定點仿真、DSP與通訊、電力系統(tǒng)仿真等，都在工具箱（Toolbox）家族中有了自己的一席之地。

七、總結

運用matlab軟件對圖像進行處理，讓我鞏固了之前所學的知識，同時也在這次作業(yè)中更加了解到matlab語言在生活中的運用環(huán)境和掌握這門語言的重要性

八、存在問題

1.在進行圖像增強時要不要講圖像先進行平滑處理？ 2.如何增加這個算法的準確度

3.在此次作業(yè)中，為何添加椒鹽噪聲時無法顯示