第一篇：matlab圖像分割總結報告（定稿）

課程總結報告

題目： 圖像分割程序設計

院 系 電氣與電子工程學院

專 業(yè) xxxx 班 級 研電16xx 學 號 116xxxxxx 姓 名 xx

2016年 11月3日

摘 要：圖像分割是圖像處理與計算機視覺的基本問題之一，是圖像處理圖像分析的關鍵步驟。其中圖像二值化又是圖像分割的重點。本文對全局和局部閾值二值化法的幾種常用的算法和基本自適應閾值二值化進行了綜述。每基于一定理論和算法的圖像二值化方法都有各自不同的優(yōu)勢和缺點，在實際應用當中應根據(jù)不同使用目的和使用標準采取不同的方法以達到最佳效果。本文在MATLAB 編程技術及其GUI 圖形用戶界面設計的基礎上，開發(fā)了具有交互式特點的數(shù)字圖像處理GUI軟件，界面操作簡單方便，實現(xiàn)了圖像二值化的功能。

關鍵詞：二值化；全局閾值法；局部閾值法；基本自適應閾值法；圖像分割； MATLAB GUI 0 引言

圖像分割技術作為圖像處理領域中極為重要的內(nèi)容之一，是實現(xiàn)圖像分析和理解的基礎，而圖像二值化又是圖像分割的重點。只有在其基礎上才能對目標進行特征提取和參數(shù)測量，使得更高層的圖像分析和理解成為可能。二值化是圖像處理和分析的關鍵技術，也是個經(jīng)典難題。隨著實際應用的需要，對圖像二值化進行深入的研究，不斷改進原有方法，提出新方法具有重要的意義。圖像二值化

二值化是圖像處理中的一個重要的問題，廣泛應用于圖像分割，圖像增強，圖像識別等領域。根據(jù)其運算的范圍不同，圖像的二值化方法可分為全局閾值方法和局部閾值方法。它利用了圖像中要提取的目標物與其背景在灰度特性上的差異，把原圖像變?yōu)閮H用兩個灰度值表示的圖像目標和背景的二值圖像。其處理思想是，假設一副灰度圖像中的灰度級范圍是(0，255)，則圖像中每一點像素的灰度值為f(x，y)，f(x，y)∈{0，1，?，255)，設閾值為T(0≤T≤255)則：

?0g(x,y)???1f(x,y)?Tf(x,y)?T其中：g(x，y)表示二值化后圖像中各個像素點的值，若g(x，y)=1表示改點為目標；若g(x，y)=0，表示改點為背景。GUI設計

圖形用于界面（GUI）是提供人機交互的工具和方法。MATLAB的GUI為開發(fā)者提供了一個不脫離MATLAB的開發(fā)環(huán)境，有助于MATLAB 程序的GUI集成。

本文設計的程序有以下功能：

1）實現(xiàn)圖像的讀取及顯示其灰度直方圖功能，保存功能及退出時“是否保存處理后圖像”的提醒功能。

2）設計圖形用戶界面，讓用戶能夠?qū)D像進行全局閾值分割，可選方法

為迭代法、Otsu法及改進的Otsu法，同時顯示該方法選取的閾值。

3）設計圖形用戶界面，讓用戶能夠?qū)D像進行局部閾值分割，可選方法為Bernsen法、Niblack法及改進的Bernsen法，同時關閉選取閾值的顯示（因為此時每個像素點均有對應的閾值）。

4）編寫程序?qū)D像進行基本自適應閾值分割，即將用戶所選取的圖像進行分塊后對每塊圖像用Otsu法進行二值化，并實現(xiàn)調(diào)整分塊大小時實時顯示處理后的圖像功能。

具體GUI設計的程序代碼及模塊、菜單配置過程不在此贅述。MATLAB中運行相應的m文件，會出現(xiàn)如下圖所示的初始界面：

圖2.1 初始界面

可以看到，在圖像沒有打開之前圖像分割功能是不可選的，這是在GUI編程中考慮到為避免對空白圖像進行二值化可能會產(chǎn)生全黑圖像的錯誤而設計的。

點擊如下選項，可以打開指定圖像，并顯示其對應的灰度直方圖：

圖2.2 “打開”圖像

現(xiàn)在“圖像分割”菜單變?yōu)榭蛇x，選擇相應算法可以得到不同效果的閾值分割結果圖，相應可選方法如圖：

圖2.3 “圖像分割”菜單

閾值分割完畢后，點擊圖標，可以對處理后的圖像進行保存。若不保存直接選擇“退出”菜單，程序會彈出如下圖所示選框，提醒用戶是否保存已更改的圖片，可以根據(jù)用戶需求進行選擇，同時避免了錯誤的發(fā)生。

圖2.4 “保存”與“退出” 閾值分割算法與實驗分析

3.1 全局閾值分割

全局閾值法根據(jù)文本圖像的直方圖或灰度空間分布確定一個閾值，以此實現(xiàn)灰度文本圖像到二值圖像的轉(zhuǎn)化。此方法的優(yōu)點在于算法簡單，對目標和背景明顯分離、直方圖分布呈雙峰的圖像效果良好，但是由于對整幅圖使用一個閾值處理，因此其對輸入圖像有噪聲或不均勻光照等情況抵抗能力差，應用受到極大限制，不能廣泛地應用于實際。典型的全局閾值分割方法有迭代法、Otsu方法等。在此引入光照均勻的圖3.1和光照不均勻的圖3.2，本節(jié)將用下述全局閾值方法對其進行處理。

圖3.1 原始圖像1 圖3.2 原始圖像2

3.1.1 迭代法

迭代法的主要思想是利用循環(huán)迭代的方法，逐步逼近最佳閾值，其計算步驟主要是：

1)對圖像進行灰度化，找出圖像灰度的最大值和最小值，分別記為Rmax和

Rmin，令初始閾值為：

T??Rmax?Rmin?/2

2)根據(jù)當前的閾值T以及圖像的各像素的灰度值，將圖像像素分成前景與背景兩組。

3)分別求出當前前景與背景兩組像素的平均灰度值，記為u1和u2。4)求出新閾值：

T??u1?u2?/2

循環(huán)2)-4)步，直到兩組的平均灰度值不再發(fā)生新的變化，此時即獲得了所需要的閾值。這種方法運算很簡單，因此處理圖片的速度是很快的。處理光照均勻的圖3.1后，得到閾值為0.5312的圖3.3，可以看到效果還是比較好的；但是在處理光照不均勻的原圖3.2后，得到閾值為0.49393的圖3.4，可見只使用一個閾值，已經(jīng)沒有辦法兼顧到所有細節(jié)情況了。

圖3.3 迭代法處理圖1 圖3.4 迭代法處理圖2 3.1.2 Otsu方法

二值化的算法之一Otsu法，也稱大津法，是全局二值化算法的經(jīng)典算法之一。它是1979年由Otsu提出的，其基本思想是求取最佳門限閾值，此閾值將圖像灰度直方圖分割成黑白(前景與背景)兩部分，使兩部分類間方差取得最大值，并使類內(nèi)方差值最小，即類間分離性最大，而類內(nèi)的相似性最大，因此，Otsu法也稱最大類間方差法。對于某圖像的灰度直方圖，設T為區(qū)分前景灰度與背景灰度的二值化閾值，設w0為前景像素所占圖像總像素的比例，令u0為所有前景像素的平均灰度，設w1為背景點數(shù)所占圖像總像素的比例，令u1為所有背景像素的平均灰度，則圖像的所有像素的平均灰度為u?w0u0?w1u1。在進行程序運

算時，T的取值可從圖像的最小灰度值到圖像的最大灰度值依次遍歷，當T取某值時，類間方差公式b?w0?u0?u??w1?u1?u?能取得最大，此時T即為二值化

22的最佳閾值。使類間方差最大的二值化意味著錯分概率最小。

同樣，我們采用Otsu算法對圖3.1和圖3.2進行處理，分別得到圖3.5和圖3.6。圖3.5所選閾值為0.49804，可以看到效果依舊很好；圖3.4所選閾值為0.49412，效果很不理想。

圖3.5 Otsu法處理圖1 圖3.6 Otsu法處理圖2 3.1.3 改進的Otsu方法

圖像二值化是建立在物體和背景可以區(qū)分的基礎上的，如亮度色調(diào)等不同，從而根據(jù)這些已知信息分出前背景。而一般的全局二值化如用Otsu方法獲取最優(yōu)閾值的方法，都是建立在圖像前背景亮度有一定差距的基礎上的，即圖像直方圖有雙峰結構。如果對于一幅亮度不均勻的圖像這種方法就不適用，解決的方法可以把圖像根據(jù)整體亮度變化來分成若干小區(qū)域，而各區(qū)域的直方圖中有兩個峰，這樣就能自適應得時整幅圖都比較好的二值化。但是，這樣對于一些復雜的圖像就難處理，而且可能存在分塊鄰接缺陷，因此，本程序中先將整幅圖的亮度調(diào)均勻，然后再用整體二值化就能得到很好的結果。這里使用Retinex算法把圖像的整體亮度調(diào)均勻后（此法能很好得將各種照度不均的圖調(diào)整成直方圖中明顯有雙峰的均勻圖），再用Otsu方法取閾值二值化。對光照不均勻圖3.2進行處理，得到圖3.7，可見此時的圖像輪廓得到了還原，取得了較好效果。

圖3.7 改進的Otsu法處理圖1

3.1.4 全局閾值法小結

下面，我們對全局閾值法做一些總結。一般說來，全局閾值法想法都比較簡單，實現(xiàn)起來也很高效簡單，但這種也是有代價的。它的適用范圍相對有限，擅長處理簡單圖像，比如目標與背景明顯分離的，直方圖分布呈雙峰的圖像。但是對于光照不均，模糊的文檔及多邊緣的圖像，就會丟失很多的信息。在此引入文本圖像圖3.8?？梢钥吹较掳氩糠质乔逦奈淖郑巧习氩糠值谋砀?，則具有淡淡的底，使得字跡看起來變淡了，也就是說模糊了。由于Otsu算法在全局閾值二值化方法中具有很好的評價，在這里僅使用法對其進行處理，來看一看效果。

圖3.8 原始圖像3 使用Otsu方法處理圖3.8，所得閾值為0.7451，處理結果為圖3.9?？梢钥吹?，圖中下半部分還是比較清楚的，但是上半部分表中的文字顯示很不理想。對于這種光照均勻地圖像，改進的Otsu方法處理結果如圖3.10，其細節(jié)丟失更為嚴重。這正是全局閾值二值化的簡單性所付出的代價。由于該類方法只關心整幅圖像的灰度值分布特征，然后就迅速進行處理它是高度宏觀化的，因而對于局部的變化反映不夠靈敏。因此，使用該方法會丟失圖像的許多細節(jié)信息。

圖3.9 Otsu法處理圖2

圖3.10 改進的Otsu法處理圖2 由于全局閾值法的這一缺點，引出了關注細節(jié)的局部閾值二化算法。3.2 局部閾值分割

局部閾值法通過定義考察點的鄰域，比較考察點與其鄰域的灰度值來確定當前考察點的閾值。非均勻光照條件等情況雖然影響整體圖像的灰度分布卻不影響局部的圖像性質(zhì)，使得局部閾值法較全局閾值法有更廣泛的應用。局部閾值法雖然能夠根據(jù)局部灰度特性來自適應地選取閾值，有較大的靈活性，但局部閾值存在速度慢，對文本圖像進行二值化處理時，可能導致出現(xiàn)筆畫斷裂現(xiàn)象以及偽影等問題，直接影響后面的識別工作。常用的局部閾值法有Bernsen算法、Niblack算法。

3.2.1 Bernsen算法

Bernsen算法是一種典型的局部閾值算法，其將窗口中各個像素灰度級最大值和最小值的平均值作為一個窗口的中心像素的閾值，因此此方法不存在預定閾值，適應性較全局閾值法廣，不受非均勻光照條件等情況的影響。

設圖像在像素點(i，j)處的灰度值f(i，j)，考慮以像素點(i，j)為中心的?2??1???2??1?窗口，則Bernsen算法可以描述為：

???1?T?i,j???maxf(i?m,j?m)?minf(i?m,j?m)?

2????m?????m??????n??????n??? 圖像中各個像素點(i，j)的閾值T對圖像中各個像素點(i，j)用b(i，j)值逐點進行二值化：

?0b(i,j)???1

f(i,j)?T(i,j)

f(i,j)?T(i,j)

在實現(xiàn)算法的過程中會遇到一個不可避免的問題。當一個像素點處于整幅圖像的邊界處，或是其他距圖像邊界不足一個像素點單位的位置時，若以它為中心取的小塊，那么所取得的小塊就會有一部分是缺失的。這里，本文選取的處理方式是對原圖像加邊，新的邊灰度值全賦值為0。

在使用Bernsen算法進行圖像二值化的時候，是需要選擇窗口的大小的，現(xiàn)在結合算法來具體討論該因素的影響。從Bernsen算法求局部閾值公式來看，對于一個固定的像素點(x，y)，當窗口尺度很小的時候，該像素點周圍有細微的明暗變化即有少量像素點的灰度變化就會影響到閾值的選取；當窗口尺度變大的時候，更多的像素點會進入到窗口中，原窗口內(nèi)的像素點只是現(xiàn)在的一部分，對于閾值所產(chǎn)生的影響就相對弱化了，原有的細節(jié)就有可能丟失?，F(xiàn)引入一幅光照不均但像素點相對較少的圖3.11，這樣改變窗口大小進行測試時可以節(jié)約程序運行時間。

圖3.11 原始圖像4 現(xiàn)取窗口為3*3，效果如圖3.12所示。圖中出現(xiàn)了大量斑點噪聲，文字被淹沒了。這是因為窗口選得太小，二值化時像素點附近出現(xiàn)的細微明暗變化都被

圖3.12 Bernsen法處理圖1 圖3.13 Bernsen法處理圖2

識別出來了。將窗口放大為9*9，效果見圖3.13。可以看到，效果好多了，許多斑點狀噪聲消失了，文字變得清楚了，但是字間噪聲沒有完全消除且粗筆狀況也比較明顯的。查閱相關文獻表明，應該選取15*15的窗口，原因是這樣所帶來的噪聲會顯著的減少。同時，處理圖片的時間則相應增加。鑒于此，在此后的處理中，大多取窗口為15*15。對于Bernsen法取窗口為15*15，所得的結果如圖3.14。

圖3.14 Bernsen法處理圖3 下面對圖3.8用Bernsen法進行二值化，看看效果如何。如圖3.15，與Otsu法處理圖2相比，列表中的文字變得相對清晰了，但是列表下方的文字出現(xiàn)了斷筆現(xiàn)象，而且背景噪聲問題同樣不能忽視。

圖3.15 Bernsen法處理圖5 3.2.2 Niblack算法

Niblack方法也是一種應用很廣泛的二值化算法。它根據(jù)局部均值和局部標

準差，確定圖像中不同的閾值。在像素點(x，y)的閾值的計算是:

T(x,y)?m(x,y)?k?s(x,y)

其中T(x，y)為閾值，m(x，y)為樣本均值，s(x，y)為標準差，k為參數(shù)。對于鄰域的選擇需要滿足能保存局部細節(jié)同時抑制噪聲的產(chǎn)生。和Bernsen方法相似，使用Niblack方法進行圖像二值化處理時，窗口大小的選擇也是很重要的。理由相同，如果窗口選得很小，處理速度比較快，但是給二值圖帶來的噪聲也是很嚴重的，導致前景淹沒在噪聲中，無法很容易的辨識；如果窗口選得大，會大幅地降低二值圖中的噪聲，但是處理的時間也變得更長了。窗口一般也取15*15，下面對圖3.8進行分割，結果見圖3.16。

圖3.16 Niblack法處理圖1 使用Niblack方法進行圖像二值化處理，由于需要計算標準差，需要進行平方開方運算，所以速度是比較慢的，我們看一下Bernsen方法，它比方法的速度要快些。但是從處理效果來看，它比Otsu法和Bernsen法效果優(yōu)秀。不僅列表中文字細節(jié)得到了很好地還原，列表下方的文字也沒出現(xiàn)斷筆現(xiàn)象，很清晰，唯一需要改善的就是圖像背景噪聲問題。3.2.3 對局部閾值法的一點思考

由于局部閾值法充分考慮到了每一個像素點及其附近像素點的灰度分布情況，能兼顧圖像的細節(jié)變化，因此使用局部閾值二值化方法對圖像進行分割處理，一般說來，會得到更好的效果。很容易這么想，如果對一幅質(zhì)量很好的圖片進行二值化分割，那么局部閾值法對其進行分割所得的效果應該比全局閾值法的效果好，即使不能更好，至少一樣好?，F(xiàn)在看一個例子，引入圖3.17，它足夠簡單，背景與前景相比分離得很明顯。圖3.18是使用Otsu方法進行閾值分割的結果，圖3.17 原始圖像5 圖3.18 Otsu算法處理圖3 圖3.19 Niblack算法處理圖2 而圖3.19是使用Niblack法進行閾值分割的結果。局部閾值法處理效果在這里反而的質(zhì)量卻降低了，它把沒有文字的空白背景，錯誤地識別成文字像素點。能對付復雜問題的工具，卻不能處理簡單的?；仡^看Bernsen法和Niblack法閾值分割處理的結果圖3.15~3.16，也存在相同問題。表格右側(cè)空白背景，以及沒有足夠文字填充的一小段空白行，都被錯誤地識別成了前景。這說明，這個問題應該不是偶然出現(xiàn)的，可能是一個共性的問題。為了避免出現(xiàn)這種情況，在進行圖像二值化處理時，當每選取一個小窗口，就應該先進行判定。如果這個小窗口內(nèi)同時混有前景和背景，那么就進行該中心點的二值化；否則，小窗口內(nèi)就只含有前景或是只有背景，就不應該進行閾值分割了，而應該采取一種方法去判斷它是屬于背景還是前景。至于具體實現(xiàn)方案，這也是未來對局部閾值分割進行進一步研究的方向。

3.3 基本自適應閾值分割

全局閾值存在的問題是不均勻亮度無法有效分割，解決辦法除了像局部閾值法對圖像每一個像素進行處理外，還可以將整幅圖像化整為零，劃分為許多個小塊，分別進行處理，得到它的閾值。小塊特點是彼此分離沒有重疊，這也是與局部閾值法的區(qū)別。那么這個閾值相對于整體的全局閾值來說，就是與相應小塊中的像素更加關聯(lián)的，對于局部應該也是更好的。其中每一個小塊，可以簡單的將

它看作一幅圖像，這樣，要得到與這個小塊相關的局部閾值，可以簡單地使用全局閾值值法來對每個小塊做出處理，進行二值化。

我們將圖像劃分成許多小塊，如果稱小塊的長和寬為尺度的話，那么選取時，若尺度太大，對圖像的局部還不夠好；但是若尺度太小，小塊內(nèi)可能就只有前景或只有背景了，此時的二值化是不合理的。所以，給小塊選擇一個合適的尺度是很講究的，本文目前只能通過不斷嘗試來確定?，F(xiàn)引入圖3.20，對其進行基本自適應閾值分割。

圖3.20 原始圖像6 圖3.21 基本自適應閾值處理圖1 經(jīng)過嘗試，現(xiàn)選用處理效果較好的115*115的分塊對圖3.20進行處理，所得結果如圖3.21所示。我們發(fā)現(xiàn)，對于這種水平方向上光照不均的圖像的處理，原圖的細節(jié)得到了很好的保留，其處理效果還是很不錯的。

事實上，一幅圖劃分成的子塊是圖像的一部分，它們的閾值應該是有所關聯(lián)的。如果就這樣一個個孤立開的話，就會發(fā)生閾值灰度躍變的問題，即由于每一個小塊內(nèi)的各自閾值都相差很大，可能導致塊與塊交界處的圖像像素灰度值不連續(xù)，出現(xiàn)明顯間斷或不一致。解決辦法有兩個：要么對這些邊界處的像素點做出處理，要么對這些閾值做出處理。具體實現(xiàn)辦法還沒有一個清晰的框架，只能等課程結束以后對其進行進一步的研究和學習。結束語

本文利用不同算法對不同圖像進行了閾值分割處理，對處理所得到的二值圖進行了比較。對于一些簡單圖像，全局閾值法能很好的保持原圖的主要信息，且實現(xiàn)簡單、運行速度快，但對復雜圖像的處理效果不佳。對于光照不均或較復雜的圖像，局部閾值法可以保留更多細節(jié)，但是背景噪聲比較嚴重，且運行速度較慢。基本自適應閾值方法也能對光照不均的圖像進行處理，但是分塊大小的確定還沒有一個準則，只能稱之為半自適應閾值分割。實踐工作中遇到的需要進行二值化的圖像是紛繁復雜的，上面提到的算法尚有許多方面可以改善。本次程序設計，無論在數(shù)字圖像處理的理論知識還是MATLAB軟件中GUI的掌握上還是對算法的編程實現(xiàn)上，都有了更深刻的了解與進步。并且對圖像處理有了很大的興趣，希望在今后的學習中能夠更加深入的學習。

第二篇：matlab圖像處理小結

1.function [center, r] = solve_circle(pt1, pt2, pt3)

2.%Effect: solve the circle which across points 'pt1', 'pt2' and 'pt3' 3.%Inputs:

4.%pt1, pt2, pt3: [x, y]

5.%center: the circle center [x0;y0] 6.%r: the radius of the circle 7.%Author: Su dongcai at 2012/1/2 8.A = zeros(2, 2);B = zeros(2, 1);9.[A(1, :), B(1)] = circle2line(pt1, pt2);10.[A(2, :), B(2)] = circle2line(pt2, pt3);11.center = AB;

12.r = norm(pt1'(y2^2 + y2^2)18.%(a-x2)^2 +(b-y2)^2 = r^2 | 19.%Inputs:

20.%pt1, pt2: [x1, y1], [x2, y2] 21.%Outputs:

22.%A: 2[x1-x2, y1-y2]

23.%B:(x1^2 + y1^2)pt2);

26.B = norm(pt1)^2-norm(pt2)^2;

close all;clear;clc;>> i=imread('rice.png');%>> imshow(i);>> background=imopen(i,strel('disk',15));>> i2=imsubtract(i,background);%>> figure,imshow(i2);>> i3=imadjust(i2,stretchlim(i2),[0 1]);%>> figure,imshow(i3);>> level=graythresh(i3);>> bw=im2bw(i3,level);%>> figure,imshow(bw);>> [labeled,numobjects]=bwlabel(bw,4);graindata=regionprops(labeled,'all');

close all;clear;clc;i=imread('rice.png');background=imopen(i,strel('disk',15));i2=imsubtract(i,background);i3=imadjust(i2,stretchlim(i2),[0 1]);level=graythresh(i3);bw=im2bw(i3,level);[labeled,numobjects]=bwlabel(bw,4);data=regionprops(labeled,'all');

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %2006.6.2 close all;clear;clc;>> i=imread('r.jpg');%>> figure,imshow(i);>> imgray=rgb2gray(i);>> figure,imshow(imgray)>> background=imopen(imgray,strel('disk',15));>> i2=imsubtract(imgray,background);%>> figure,imshow(i2);>> i3=imadjust(i2,stretchlim(i2),[0 1]);%>> figure,imshow(i3);>> level=graythresh(i3);>> bw=im2bw(i3,level);%>> figure,imshow(bw);>> imnobord=imclearborder(bw,4);%>> figure,imshow(imnobord);>> [labeled,numobjects]=bwlabel(bw,4);>> rgb_label=label2rgb(labeled,@spring,'c','shuffle');>> figure,imshow(rgb_label);>> graindata=regionprops(labeled,'all');hold on;for k=1:numobjects lab=sprintf('%d',k);text(graindata(k).Centroid(1),graindata(k).Centroid(2),lab,'Color','k');end hold off;%剔除碎米粒

>> idxdown=find([graindata.Area]<150);%剔除碎米粒 little=ismember(labeled,idxdown);figure,imshow(little);

[lab_little,num_little]=bwlabel(little,4);rgb_little=label2rgb(lab_little,@spring,'c','shuffle');figure,imshow(rgb_little);

little_data=regionprops(lab_little,'all');hold on;for k=1:num_little lab=sprintf('%d',k);text(little_data(k).Centroid(1),little_data(k).Centroid(2),lab,'Color','k');end hold off;%>> graindata(idxdown,:)=[];%剔除碎米粒 %剔除連接米粒

>> idxup=find([graindata.Area]>250);%剔除連接米粒 big=ismember(labeled,idxup);figure,imshow(big);

[lab_big,num_big]=bwlabel(big,4);rgb_big=label2rgb(lab_big,@spring,'c','shuffle');figure,imshow(rgb_big);

big_data=regionprops(lab_big,'all');hold on;for k=1:num_big lab=sprintf('%d',k);text(big_data(k).Centroid(1),big_data(k).Centroid(2),lab,'Color','k');end hold off;%>> graindata(numup,:)=[];%剔除連接米粒 %獲取完整米粒

idxsuit=find([graindata.Area]>=150&[graindata.Area]<=250);suit=ismember(labeled,idxsuit);figure,imshow(suit);%獲取完整米粒 [lab_suit,num_suit]=bwlabel(suit,4);suit_data=regionprops(lab_suit,'all');hold on;for k=1:num_suit signature=sprintf('%d',k);text(suit_data(k).Centroid(1),suit_data(k).Centroid(2),signature,'Color','r');end hold off;%獲取完整米粒 whos graindata whos little_data whos big_data whos suit_data

>> graindata >> mean([graindata.Area])>> mean([graindata.Eccentricity])>> mean([graindata.MajorAxisLength])>> mean([graindata.MinorAxisLength])>> mean([graindata.EquivDiameter])>> figure,hist([graindata.Area],20);>> figure,hist([graindata.Eccentricity],20);>> figure,hist([graindata.MajorAxisLength],20);>> figure,hist([graindata.MinorAxisLength],20);>> figure,hist([graindata.EquivDiameter],20);

data=[graindata.Area] data=[graindata.Centroid] data=[graindata.BoundingBox] data=[graindata.SubarrayIdx] data=[graindata.MajorAxisLength] data=[graindata.MinorAxisLength] data=[graindata.Eccentricity] data=[graindata.Orientation] data=[graindata.ConvexHull] data=[graindata.ConvexImage] data=[graindata.ConvexArea] data=[graindata.Image] data=[graindata.FilledImage] data=[graindata.FilledArea] data=[graindata.EulerNumber] data=[graindata.Extrema] data=[graindata.EquivDiameter] data=[graindata.Solidity] data=[graindata.Extent] data=[graindata.PixelIdxList] data=[graindata.PixelList]

Area 計算各個連通區(qū)域中的象素總數(shù) BoundingBox 包含相應區(qū)域的最小矩形 Centroid 給出每個區(qū)域的質(zhì)心

MajorAxisLength 與區(qū)域具有相同標準二階中心矩（又叫標準差）的橢圓的長軸長度 MinorAxisLength 與區(qū)域具有相同標準二階中心矩的橢圓的短軸長度 Eccentricity 與區(qū)域具有相同標準二階中心矩的橢圓的離心率

Orientation 與區(qū)域具有相同標準二階中心矩的橢圓的長軸與x軸的交角 Image 二值圖像，與某區(qū)域具有相同大小的邏輯矩陣。

FilledImage 與上相同，唯一區(qū)別是這是個做了填充的邏輯矩陣！本例中和上面的沒有區(qū)別，只有 區(qū)域有空洞時才有明顯差別。

FilledArea 是標量，填充區(qū)域圖像中的 on 像素個數(shù)

ConvexHull 是p行2列的矩陣，包含某區(qū)域的最小凸多邊形 ConvexImage 二值圖像，用來畫出上述的區(qū)域最小凸多邊形 ConvexArea 是標量，填充區(qū)域凸多邊形圖像中的 on 像素個數(shù) EulerNumber 等于圖像中目標個數(shù)減去這些目標中空洞的個數(shù) Extrema 8行2列矩陣，八方向區(qū)域極值點

EquivDiameter 是標量，等價直徑：與區(qū)域具有相同面積的圓的直徑.計算公式為：sqrt(4*Area/pi)

Solidity 是標量，同時在區(qū)域和其最小凸多邊形中的像素比例。計算公式為： Area/ConvexArea，這也是個仿射特征，實際上反映出區(qū)域的固靠性程度。

Extent 是標量，同時在區(qū)域和其最小邊界矩形中的像素比例。計算公式為：Area除以邊界矩 形面積，這也是個仿射特征，實際上反映出區(qū)域的擴展范圍程度。

PixelIdxList p元向量，存儲區(qū)域像素的索引下標

PixelList p行ndims(L)列矩陣，存儲上述索引對應的像素坐標 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 基于特定原則的區(qū)域選擇

當你要基于特定準則條件選擇某個區(qū)域時，將函數(shù) ismember 和 regionprops 聯(lián)合使用是很有用處的。例如：創(chuàng)建一個只包含面積大于80的二值圖像，用以下命令

idx = find([stats.Area] > 80);BW2 = ismember(L,idx);regionprops函數(shù)的擴展思路

在regionprops函數(shù)的基礎上，你可以使用它提供的基本數(shù)據(jù)來擴展它的功能，比如我就將區(qū)域的曲率數(shù)據(jù)和骨架數(shù)據(jù)作為它的另外屬性值來開發(fā)，從而希望它能用來做更細致的特征提取。

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %2006.6.2 P221圖像粒度測定（雪花）>> i=imread('snowflakes.png');>> figure,imshow(i);>> %(2)>> clahei=adapthisteq(i,'numtiles',[10 10]);>> clahei=imadjust(clahei);>> imshow(clahei);>> gi=imadjust(im2double(i),[],[0 1]);>> figure,imshow(gi),title('adjusted grayscale image');>> %(3)>> se=strel('disk',10);>> topi=imtophat(gi,se);>> figure,imshow(topi),title('top-hat image');>> %(4)>> for counter=0:22 remain=imopen(clahei,strel('disk',counter));intensity_area(counter+1)=sum(remain(:));end >> figure,plot(intensity_area,'m-*'),grid on;>> title('sum of opening(pixels)');>> title('sum of opening values in opened image as a function of radius');>> xlabel('radius of opening(pixels)');>> ylabel('pixel value sum of opened objects(intensity)');>> >> >> >> for counter=0:20 remain=imopen(topi,strel('disk',counter));surfarea(counter+1)=sum(remain(:));end >> figure,plot(surfarea,'m-*'),grid on;>> set(gca,'xtick',[0 2 4 6 8 10 12 14 16 18 20]);>> title('surface area of opened objects as a function of radius');>> xlabel('radius of opening(pixels)');>> ylabel('surface area of opened objects(pixels)');>> %(5)>> intensity_area_prime=diff(intensity_area);>> figure,plot(intensity_area_prime,'m-*'),grid on;>> title('Granulometry(size distrubution)of snowflakes');>> set(gca,'xtick',[0 2 4 6 8 10 12 14 16 18 20 22]);>> xlabel('radius of snowflakes(pixels)');>> ylabel('sum of pixel values in snowflakes as a function of radius');>> derivsurfarea=diff(surfarea);>> figure,plot(derivsurfarea,'m-*'),grid on;>> title('granulometry(size distribution)of stars');>> xlabel('radius of stars(pixels)');>> ylabel('loss of pixels between two successive openings');

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %2006.6.2 花椒檢測 clc;clear;close all;i=imread('gj.jpg');imshow(i);icanny=edge(i,'canny');imshow(icanny);se90=strel('line',2,90);se0=strel('line',2,0);bwsdil=imdilate(icanny,[se90 se0]);figure,imshow(bwsdil),title('dilated');ifill=imfill(bwsdil,'holes');figure,imshow(ifill);

%bwero=imerode(bwsdil,[se90 se0]);%figure,imshow(bwero);%i2fill=imfill(bwero,'holes');%figure,imshow(bwero);%imshow(i2fill);

%bwnobord=imclearborder(bwsdil,4);%figure,imshow(bwnobord);bwnobord=imclearborder(ifill,4);figure,imshow(bwnobord);se=strel('disk',5);bwc=imclose(bwnobord,se);bwco=imopen(bwnobord,se);figure,imshow(bwc);figure,imshow(bwco);%mask=bwsdil&bwco;%figure,imshow(mask);clc [labeled,numobjects]=bwlabel(bwco);numobjects

jdata=regionprops(labeled,'all');%jdata

jarea=[jdata.Area];mean(jarea)max(jarea)min(jarea)hist(jarea,255)jdata.Eccentricity %std([jdata.Eccentricity]）/(Mean([jdata.Eccentricity])jstd=std([jdata.Eccentricity])jmean=Mean([jdata.Eccentricity])jcv=jstd/jmean

>> std([jdata.Area])/ mean([jdata.Area])%面積的變異系數(shù)

>> std([jdata.Eccentricity])/ mean([jdata.Eccentricity])%橢圓的變異系數(shù) >> std([jdata.MajorAxisLength])/ mean([jdata.MajorAxisLength])>> std([jdata.MinorAxisLength])/ mean([jdata.MinorAxisLength])>> std([jdata.EquivDiameter])/ mean([jdata.EquivDiameter])

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %2006.06.06 rice.png close all;clear;clc >> i=imread('rice.png');imshow(i);background=imopen(i,strel('disk',15));figure,imshow(background);i2=imsubtract(i,background);figure,imshow(i2);i3=imadjust(i2,stretchlim(i2),[0 1]);figure,imshow(i3);level=graythresh(i3);bw=im2bw(i3,level);figure,imshow(bw);imnobord=imclearborder(bw);[label,numobjects]=bwlabel(imnobord,4);numobjects rgb_label=label2rgb(label,@spring,'c','shuffle');figure,imshow(rgb_label);graindata=regionprops(label,'all');graindata

>> numdown=find([graindata.Area]<150);>> graindata(numdown,:)=[];>> numup=find([graindata.Area]>250);>> graindata(numup,:)=[];>> graindata

>> std([graindata.Area])/ mean([graindata.Area])%面積的變異系數(shù)

>> std([graindata.Eccentricity])/ mean([graindata.Eccentricity])%橢圓的變異系數(shù)

>> std([graindata.MajorAxisLength])/ mean([graindata.MajorAxisLength])>> std([graindata.MinorAxisLength])/ mean([graindata.MinorAxisLength])>> std([graindata.EquivDiameter])/ mean([graindata.EquivDiameter])%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %2006.06.06 rice的堊白度檢測 >> clear;close all;clc;>> rgb=imread('r.jpg');>> close all;>> imshow(rgb);>> i=rgb2gray(rgb);>> j=medfilt2(i,[5 5]);>> figure,imshow(i);>> figure,imshow(j);>> imhist(j,256);>> t=0.3;>> v=imadjust(j,[t 1],[],1);>> imhist(v,256);>> t_c=0.6;>> bw_v=im2bw(v,0.01);>> chalk=imadjust(v,[t_c 1],[],1);>> bw_chalk=im2bw(chalk,0.01);>> figure,imshow(v);>> figure,imshow(bw_v);>> figure,imshow(chalk);>> figure,imshow(bw_chalk);>> degree_chalkness=bwarea(bw_chalk)/bwarea(bw_v)*100 >> bw=im2bw(j,t);>> figure,imshow(bw);>> se=(ones(3,3));>> bw1=imerode(bw,se);%兩次腐蝕 >> figure,imshow(bw1);>> bw2=imerode(bw1,se);>> figure,imshow(bw2);

>> [l,num]=bwlabel(bw2);%標記腐蝕后的大米圖像 >> t_chalk=100;%設置堊白面積的下限 >> compare=(l)&(chalk>t_chalk);%>> compare=(bw2)&(bw_chalk>t_chalk);>> [r,c]=find(compare);%標記堊白米粒的位置 >> result=bwselect(l,c,r);%顯示只含有堊白米粒的圖像 >> figure,imshow(result);

>> [l_chalk,num_chalk]=bwlabel(result);%標記堊白米粒圖像，便于計數(shù) >> rate_chalky_grains=num_chalk/num*100;>> rate_chalky_grains

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %2006.6.17 bwmorph函數(shù) >> help bwmorph BWMORPH Perform morphological operations on binary image.BW2 = BWMORPH(BW1,OPERATION)applies a specific morphological operation to the binary image BW1.BW2 = BWMORPH(BW1,OPERATION,N)applies the operation N times.N can be Inf, in which case the operation is repeated until the image no longer changes.OPERATION is a string that can have one of these values: 'bothat' Subtract the input image from its closing 'bridge' Bridge previously unconnected pixels 'clean' Remove isolated pixels(1's surrounded by 0's)'close' Perform binary closure(dilation followed by erosion)'diag' Diagonal fill to eliminate 8-connectivity of background 'dilate' Perform dilation using the structuring element ones(3)'erode' Perform erosion using the structuring element ones(3)'fill' Fill isolated interior pixels(0's surrounded by 1's)'hbreak' Remove H-connected pixels 'majority' Set a pixel to 1 if five or more pixels in its 3-by-3 neighborhood are 1's 'open' Perform binary opening(erosion followed by dilation)'remove' Set a pixel to 0 if its 4-connected neighbors are all 1's, thus leaving only boundary pixels 'shrink' With N = Inf, shrink objects to points;shrink objects with holes to connected rings 'skel' With N = Inf, remove pixels on the boundaries of objects without allowing objects to break apart 'spur' Remove end points of lines without removing small objects completely.'thicken' With N = Inf, thicken objects by adding pixels to the exterior of objects without connected previously unconnected objects 'thin' With N = Inf, remove pixels so that an object without holes shrinks to a minimally connected stroke, and an object with holes shrinks to a ring halfway between the hold and outer boundary 'tophat' Subtract the opening from the input image

Class Support-------------The input image BW1 can be numeric or logical.It must be 2-D, real and nonsparse.The output image BW2 is logical.Examples--------BW1 = imread('circles.png');imview(BW1)BW2 = bwmorph(BW1,'remove');BW3 = bwmorph(BW1,'skel',Inf);imview(BW2)imview(BW3)

See also erode, dilate, bweuler, bwperim.Reference page in Help browser doc bwmorph

BW1 = imread('circles.png');figure,imshow(BW1)BW2 = bwmorph(BW1,'erode');figure,imshow(BW2)

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %邊界提取 b=bwmorph(bw,'remove');b=bwperim(bw,8);%又叫邊界象素測定 b=edge(bw,'canny');%又叫邊界提取 %去除孤立象素點

nosinglepixel=bwmorph(bw,'clean');%去除小面積物體

nosmall=bwareaopen(bw,CNN);%閾值處理再取反

bw=~im2bw(i,graythresh(i));

%開運算（消除小物體）與閉運算（填充物體內(nèi)細小空洞）se=strel('disk',6);iopen=imopen(bw,se);iclose=imclose(bw,se);%腐蝕與膨脹聯(lián)合操作 %（1）創(chuàng)建結構元素 se=strel('rectangle',[40 30]);%（2）使用結構元素腐蝕圖像 bw1=imread('circbw.tif');bw2=imerode(bw1,se);imshow(bw2);%（3）逆操作，回復矩形原來大小 bw3=imdilate(bw2,se);figure,imshow(bw3);

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %2006.6.18花椒子

%直接對灰度圖進行canny運算 >> i=imread('nut.bmp');>> figure,imshow(i);>> ig=rgb2gray(i);>> figure,imshow(ig);%igcanny=edge(ig,'canny');%igcfill=imfill(igcanny,'hole');igcanny_thresh=edge(ig,'canny',(graythresh(ig)*.1));igcfill=imfill(igcanny_thresh,'hole');>> figure,imshow(igcfill);

%先對灰度圖濾波，再進行canny運算

>> imed=medfilt2(ig);%中值濾波后對圖像邊界有一定的損傷！！>> imedcanny=edge(imed,'canny');>> imedfill=imfill(imedcanny,'hole');>> figure,imshow(imedfill);>> nosmall=bwareaopen(imedfill,150);>> figure,imshow(nosmall);

%注意：若對灰度圖像先拉氏銳化，在canny提取邊界，效果不大好??！%結論：無需拉氏銳化，也不必中值濾波，可直接canny提取邊界??！>> ifill=igcfill|imedfill;>> figure,imshow(ifill);>> nosmall=bwareaopen(ifill,150);>> figure,imshow(nosmall);

%當t=0.55時,閾值處理再canny運算的效果 >> imhist(ig);>> t=0.55;>> v=imadjust(ig,[0 t],[],1);>> vcanny=edge(v,'canny');>> vfill=imfill(vcanny,'hole');>> figure,imshow(vfill);>> ifill=igcfill|vfill;>> figure,imshow(ifill);>> nosmall=bwareaopen(ifill,150);>> figure,imshow(nosmall);

%當t=0.6時,閾值處理再canny運算的效果的效果 >> t=0.6;>> v=imadjust(ig,[0 t],[],1);>> vcanny=edge(v,'canny');>> vfill=imfill(vcanny,'hole');>> figure,imshow(vfill);>> ifill=igcfill|vfill;>> figure,imshow(ifill);>> nosmall=bwareaopen(ifill,150);>> figure,imshow(nosmall);

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %處理花椒子

>> i=imread('nut.bmp');%figure,imshow(i);ig=rgb2gray(i);figure,imshow(ig);>> imed=medfilt2(ig);imedcanny=edge(imed,'canny');imedfill=imfill(imedcanny,'hole');%figure,imshow(imedfill);nosmall=bwareaopen(imedfill,150);>> figure,imshow(nosmall);>> [labeled,numobjects]=bwlabel(nosmall,4);>> rgb_label=label2rgb(labeled,@spring,'c','shuffle');%>> figure,imshow(rgb_label);>> nutdata=regionprops(labeled,'all');>> min([nutdata.Solidity])

>> rectangle('Position', [253.5000 207.5000 26.0000 28.0000])%畫矩形

>> rectangle('Position', [250.5000 50.5000 27.0000 26.0000])>> figure,imshow(nutdata(1).Image)%只顯示1號物體的圖像

>> figure,imshow(nutdata(1).ConvexImage)%畫出1號物體的凸多邊形 >> std([nutdata.Eccentricity])/ mean([nutdata.Eccentricity])std([nutdata.Area])/ mean([nutdata.Area])std([nutdata.Solidity])/ mean([nutdata.Solidity])>> std([nutdata.Centroid])/ mean([nutdata.Centroid])std([nutdata.MajorAxisLength])/ mean([nutdata.MajorAxisLength])std([nutdata.MinorAxisLength])/ mean([nutdata.MinorAxisLength])std([nutdata.Orientation])/ mean([nutdata.Orientation])std([nutdata.EquivDiameter])/ mean([nutdata.EquivDiameter])std([nutdata.Extent])/ mean([nutdata.Extent])std([nutdata.Extrema])/ mean([nutdata.Extrema])

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %處理花椒皮 close all;clc;clear;>> i=imread('p.bmp');imshow(i);ig=rgb2gray(i);figure,imshow(ig);imed=medfilt2(ig);imedcanny=edge(imed,'canny');figure,imshow(imedcanny);>> se90=strel('line',2,90);se0=strel('line',2,0);bwsdil=imdilate(imedcanny,[se90 se0]);figure,imshow(bwsdil),title('dilated');ifill=imfill(bwsdil,'holes');figure,imshow(ifill);>> bwero=imerode(ifill,[se90 se0]);>> figure,imshow(bwero);>> nosmall=bwareaopen(bwero,150,4);>> figure,imshow(nosmall);>> nobord=imclearborder(nosmall,4);>> figure,imshow(nobord);>> [labeled,numobjects]=bwlabel(nobord,4);>> numobjects >> pdata=regionprops(labeled,'all');>> max([pdata.Solidity])>> std([pdata.Solidity])/mean([pdata.Solidity])

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %處理混合圖像 >> clear;clc;close all;>> i=imread('m.bmp');%>> figure,imshow(i);>> ig=rgb2gray(i);figure,imshow(ig);imed=medfilt2(ig);%>> figure,imshow(imed);imedcanny=edge(imed,'canny');%>> figure,imshow(imedcanny);>> se90=strel('line',2,90);se0=strel('line',2,0);bwsdil=imdilate(imedcanny,[se90 se0]);%figure,imshow(bwsdil),title('dilated');ifill=imfill(bwsdil,'holes');%figure,imshow(ifill);bwero=imerode(ifill,[se90 se0]);%figure,imshow(bwero);>> nosmall=bwareaopen(bwero,150,4);%figure,imshow(nosmall);nobord=imclearborder(nosmall,4);figure,imshow(nobord);>> [labeled,numobjects]=bwlabel(nobord,4);>> numobjects >> rgb_label=label2rgb(labeled,@spring,'c','shuffle');figure,imshow(rgb_label);>> mexdata=regionprops(labeled,'all');hold on;%以下內(nèi)容畫在同一figure中 centr=[mexdata.Centroid];%尋找重心位置 nums=1:numobjects;for k = 1:numobjects soli=mexdata(k).Solidity;soli_string=sprintf('%2.2f',soli);%等價于轉(zhuǎn)字符串 % signal=num2str(nums(k));signal=sprintf('%d',k);%直接使用打印語句打印序號 text(centr(2*k-1),centr(2*k),signal)%按序標記物體

text(centr(2*k-1)-30,centr(2*k)-30,soli_string)%標注每個Solidity值 end

for k=1:numobjects plot(mexdata(k).ConvexHull(:,1),mexdata(k).ConvexHull(:,2),...'b','Linewidth',2)end

%畫出1和2號物體的外接矩形

%>> rectangle('position',[9.5000 224.5000 62.0000 63.0000])%>> rectangle('position',[65.5000 141.5000 34.0000 39.0000])%畫出每個物體的外接矩形 bb=[mexdata.BoundingBox];for k=1:numobjects rectangle('position',[bb(4*k-3)bb(4*k-2)bb(4*k-1)bb(4*k)])end

%>> figure,imshow(mexdata(1).Image)%只顯示1號物體的圖像

%>> figure,imshow(mexdata(1).ConvexImage)%畫出1號物體的凸多邊形 %>> figure,imshow(mexdata(2).Image)%只顯示2號物體的圖像

%>> figure,imshow(mexdata(2).ConvexImage)%畫出2號物體的凸多邊形 %畫出單個物體的凸多邊形的填充圖形 for k=1:numobjects figure,imshow(mexdata(k).ConvexImage)end

%只顯示Solidity>0.92的物體的圖像 >> idx = find([mexdata.Solidity] > 0.92);>> BW2 = ismember(labeled,idx);>> figure,imshow(BW2)

>> mexdata=regionprops(labeled,'all');>> %只顯示Solidity<0.92的物體的圖像 idx = find([mexdata.Solidity] < 0.92);bw2 = ismember(labeled,idx);figure,imshow(bw2)%mexdata.Solidity;

>> numdown=find([mexdata.Solidity]<0.92);mexdata(numdown,:)=[];>> mexdata

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %2006.6.19 %roipoly函數(shù)的用法 I = imread('eight.tif');c = [222 272 300 270 221 194];r = [21 21 75 121 121 75];BW = roipoly(I,c,r);imview(I), imview(BW)

%可以使用下面的方法創(chuàng)建相應的向量： regionprops(L,'Area');allArea = [stats.Area];

%創(chuàng)建一個只包含面積大于80的二值圖像 idx = find([stats.Area] > 80);BW2 = ismember(L,idx);

%只顯示某個下標所對應的物體圖像 bw2=ismember(L,N);figure,imshow(bw2);

%在調(diào)用regionprops之前必須將二值圖像轉(zhuǎn)變?yōu)闃俗⒕仃?L = bwlabel(BW);%或者

L = double(BW);

%將matlab數(shù)據(jù)寫到excel中 a=ones(3);success = xlswrite('c:/matlab/work/myworkbook.xls',a,'A2:C4')%將行矩陣轉(zhuǎn)換為列矩陣 a=[1 2 3 4 5 6];b=transpose(a);

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %2006.6.22球形物體的檢測和標識（循環(huán)檢測和標識算法）clc;clear;close all;%Step 1: Read image %Step 2: Threshold the image %Step 3: Remove the noise %Step 4: Find the boundaries %Step 5: Determine which objects are round >> RGB = imread('pillsetc.png');imshow(RGB)>> I = rgb2gray(RGB);threshold = graythresh(I);bw = im2bw(I,threshold);imshow(bw)>> % remove all object containing fewer than 30 pixels bw = bwareaopen(bw,30);>> figure,imshow(bw)>> % fill a gap in the pen's cap se = strel('disk',2);bw = imclose(bw,se);>> figure,imshow(bw)>> % fill any holes, so that regionprops can be used to estimate % the area enclosed by each of the boundaries bw = imfill(bw,'holes');>> figure,imshow(bw)>> [B,L] = bwboundaries(bw,'noholes');>> % Display the label matrix and draw each boundary figure,imshow(label2rgb(L, @jet, [.5.5.5]))>> hold on for k = 1:length(B)boundary = B{k};plot(boundary(:,2), boundary(:,1), 'w', 'LineWidth', 2)end >> stats = regionprops(L,'Area','Centroid');>> stats = regionprops(L,'Area','Centroid');threshold = 0.94;% loop over the boundaries for k = 1:length(B)% obtain(X,Y)boundary coordinates corresponding to label 'k' boundary = B{k};% compute a simple estimate of the object's perimeter delta_sq = diff(boundary).^2;perimeter = sum(sqrt(sum(delta_sq,2)));

% obtain the area calculation corresponding to label 'k' area = stats(k).Area;

% compute the roundness metric metric = 4*pi*area/perimeter^2;

% display the results metric_string = sprintf('%2.2f',metric);% mark objects above the threshold with a black circle if metric > threshold centroid = stats(k).Centroid;plot(centroid(1),centroid(2),'ko');end

text(boundary(1,2)-35,boundary(1,1)+13,metric_string,'Color','y',...'FontSize',14,'FontWeight','bold');end >> title(['Metrics closer to 1 indicate that ',...'the object is approximately round']);

第三篇：基于MATLAB圖像處理報告

基于MATLAB圖像處理報告

一、設計題目

圖片疊加。

二、設計要求

將一幅禮花圖片和一幅夜景圖片做疊加運算，使達到煙花夜景的美圖效果。

三、設計方案

3.1、設計思路

利用matlab強大的圖像處理功能，通過編寫程序，實現(xiàn)對兩幅圖片的像素進行線性運算，利用灰度變換的算法使圖片達到預期的效果。

3.2、軟件介紹

MATLAB是matrix&laboratory兩個詞的組合，意為矩陣工廠（矩陣實驗室）。是由美國mathworks公司發(fā)布的主要面對科學計算、可視化以及交互式程序設計的高科技計算環(huán)境。它將數(shù)值分析、矩陣計算、科學數(shù)據(jù)可視化以及非線性動態(tài)系統(tǒng)的建模和仿真等諸多強大功能集成在一個易于使用的視窗環(huán)境中，為科學研究、工程設計以及必須進行有效數(shù)值計算的眾多科學領域提供了一種全面的解決方案，并在很大程度上擺脫了傳統(tǒng)非交互式程序設計語言（如C、Fortran）的編輯模式，代表了當今國際科學計算軟件的先進水平。

MATLAB和Mathematica、Maple并稱為三大數(shù)學軟件。它在數(shù)學類科技應用軟件中在數(shù)值計算方面首屈一指。MATLAB可以進行矩陣運算、繪制函數(shù)和數(shù)據(jù)、實現(xiàn)算法、創(chuàng)建用戶界面、連接其他編程語言的程序等，主要應用于工程計算、控制設計、信號處理與通訊、圖像處理、信號檢測、金融建模設計與分析等領域。MATLAB的基本數(shù)據(jù)單位是矩陣，它的指令表達式與數(shù)學、工程中常用的形式十分相似，故用MATLAB來解算問題要比用C，F(xiàn)ORTRAN等語言完成相同的事情簡捷得多，并且MATLAB也吸收了像Maple等軟件的優(yōu)點，使MATLAB成為一個強大的數(shù)學軟件。在新的版本中也加入了對C，F(xiàn)ORTRAN，C++，JAVA的支持。可以直接調(diào)用，用戶也可以將自己編寫的實用程序?qū)氲組ATLAB函數(shù)庫中方便自己以后調(diào)用，此外許多的MATLAB愛好者都編寫了一些經(jīng)典的程序，用戶直接進行下載就可以用。

3.3、常見簡單程序語句及算法分析

（1）CLC；清零。（2）CLEAR ； 清內(nèi)存。

（3）r=imread（‘路徑圖片名.jpg’）；讀入一幅圖片。（4）imshow（r）；顯示圖片r。（5）g=rgb2gray(r)；灰度轉(zhuǎn)變。

（6）%imhist（g）；g1=histeq（g）；figure，imsho（g1）；直方圖均衡化。（7）Imwrite（‘g1，路徑圖片名.jpg’）;保存圖片。

3.4、圖片疊加及灰度變換分析

程序1 [m,n,l]=size(C);for i=1:m for j=1:n for k=1:l D(i,j,k)=C(i,j,k)+ B(i,j,k);end end end 此程序的主要功能是對兩幅圖片通過算法來實現(xiàn)疊加的效果，程序中的幾個變量都是像素點的值，通過三個循環(huán)使得兩幅圖片對應的值線性相加，最大值應該是以255輸出，超過255也是以255輸出。

程序2 J = imadjust(I,[low_in high_in], [low_out high_out])此程序變換的原理是：如果原圖像f(x, y)的灰度范圍是[m, M]，我們希望對圖像的灰度范圍進行線性調(diào)整，調(diào)整后的圖像g(x, y)的灰度范圍是[n, N]，那么下述變換：g(x,y)

N

n

f(x,y)

m

n就可以實現(xiàn)這一要求。MATLAB圖像處理工具箱中提供的imadjust函數(shù)，可以實現(xiàn)上述的線性變換對比度調(diào)整。

四、設計步驟（1）處理之前，我們先來看看兩幅原圖，一幅是帶有禮花的圖片，另一幅是一幅東方明珠的夜景圖。

圖 1

圖 2 通過圖片我們發(fā)現(xiàn)，禮花的圖片非常的亮，而夜景圖則顯得有些灰暗。我們推測，如果讓禮花和夜景的圖片疊加到一起，會不會由于禮花的亮度太大而掩蓋了城市的夜光，達不到我們想要的效果。

（2）打開matlab圖像處理軟件，7.0及以上版本就可以，打開之后，顯示界面如下（我的版本是2012b）。

圖3（3）新建script文件，點擊’New script‘，或點擊’New‘，選擇script。

圖4（4）在打開的界面之中輸入程序。圖片的位置是你所要用的圖片的準確位置，盡量寫詳細點，減少計算機的讀取時間，加快讀取速度。如圖所示。

圖5（5）點擊運行按鈕，即界面上的綠色按鈕。

圖6（6）查看效果，如下圖。

圖7 通過處理后的圖片，我們看到由于禮花太亮，完全將城市的夜景掩蓋住了，效果不是太理想。我們設想加入灰度變換函數(shù)，將禮花的圖片變的暗一點，將夜景的亮度提高一點，看看效果怎么樣，加入灰度變換程序，如下圖。

圖8（7）軟件調(diào)試后運行程序，如下圖。

圖9 結果顯示加入灰度變換的函數(shù)之后，圖片效果較之前好多了，達到了預期的目的。

五、軟件代碼

通過matlab進行圖像處理，代碼如下： clear;clc;A=imread('C:UsersAdministratorDesktop作業(yè)禮花.jpg');C=imresize(A,[300,400]);B=imread('C:UsersAdministratorDesktop作業(yè)夜景提亮天空中加入禮花.jpg');[m,n,l]=size(C);for i=1:m for j=1:n for k=1:l D(i,j,k)=C(i,j,k)+ B(i,j,k);end end end figure imshow(D);imwrite('C:UsersAdministratorDesktop作業(yè)禮花效果圖1.jpg')調(diào)試之后的程序代碼如下： clear;clc;A=imread('C:UsersAdministratorDesktop作業(yè)禮花.jpg');B=imread('C:UsersAdministratorDesktop作業(yè)夜景提亮天空中加入禮花.jpg');A1=imadjust(A,[0,1],[0,0.9]);B1=imadjust(B,[0.3,0.6],[0,1]);C=imresize(A1,[300,400]);[m,n,l]=size(C);for i=1:m for j=1:n for k=1:l D(i,j,k)=C(i,j,k)+ B1(i,j,k);end end end figure imshow(D);imwrite('C:UsersAdministratorDesktop作業(yè)禮花效果圖2.jpg')處理后的圖片如下：

圖 10

六、結果分析

通過兩幅圖的對比，發(fā)現(xiàn)第二幅圖片較第一幅，效果明顯增強。是由于加入灰度變換函數(shù)，使原圖的灰度值發(fā)生變化，以達到實際的效果。

效果對比圖11

七、心得體會

通過這次任務，以前在課堂上沒太聽明白怎么回事的東西，通過上網(wǎng)，查資料，以及用軟件處理，通通實踐了一遍，加深了對這門課程的認識和理解。Matlab是一款功能很強大的應用軟件，它不僅可以對圖像進行處理，而且可以進行各種數(shù)字計算和符號計算功能，具有繪圖功能，語言體系等等。這次的任務我們樂在其中，喜悅的是看到了成果，內(nèi)心充滿了滿足感和成就感，就如同看到了圖片中的煙花，有種過年的感覺。不過這些都只是皮毛而已，要想真正地掌握它，還得更進一步地學習理論知識。

參考文獻：

【岡薩雷斯 數(shù)字圖像處理（MATLAB版）】[美] RafaelC.Gonzalez RichardE.Woods StevenL.Eddins 著 電子工業(yè)出版社。

【數(shù)字圖像處理及MATLAB實現(xiàn)】楊杰 主編 電子工業(yè)出版社。

第四篇：Matlab 總結報告

MATLAB 總結報告

班級：09電氣（1）班 姓名：李瑣 學號：0905071042 MATLAB是一種計算科學軟件，專門以矩陣的形式處理數(shù)據(jù)，它的功能有強大矩陣運算能力，方便直觀的作圖功能，全面的數(shù)值計算功能，圖形用戶界面GUI，仿真，專用工具箱。在MATLAB這本書中講了好多內(nèi)容，我覺得矩陣和數(shù)組、圖形基礎這兩塊內(nèi)容在實際生活中用的比較多，下面我主要深入講解圖形基礎中二維數(shù)組的的基本知識。

MATLAB的圖形功能主要包括數(shù)據(jù)可視化、創(chuàng)建用戶圖形界面和簡單數(shù)據(jù)統(tǒng)計處理等，數(shù)據(jù)或圖形的可視化是進行數(shù)據(jù)處理或圖形圖像處理的第一步，它不僅僅是二維，還可以是三維空間。要想在MATLAB中進行數(shù)據(jù)可視化要進行以下步驟，首先要準備需要繪制在MATLAB圖形窗體中的數(shù)據(jù)，創(chuàng)建圖形窗體，并選擇繪制數(shù)據(jù)的區(qū)域，然后繪制圖形或曲線，設置曲線的屬性，設置繪圖區(qū)域的屬性，并添加數(shù)據(jù)網(wǎng)格線，為繪制的圖形添加標題、軸標簽或者標注文本，最后打印或?qū)С鰣D形。一、二維圖形中基本繪圖函數(shù)的使用

1、基本繪圖函數(shù)有Plot, semilogx, semilogy, loglog, polar, plotyy；單矢量繪圖：plot(y),矢量y的元素與y元素下標之間在線性坐標下的關系曲線。雙矢量繪圖：如x和y是同樣長度的矢量, plot(x,y)命令將繪制y元素對應于x元素的xy曲線圖。對數(shù)坐標繪圖： x軸對數(shù) semilogx, y軸對數(shù)semilogy, 雙對數(shù)loglog。極坐標繪圖： polar(theta,rho)theta—角度，rho—半徑。

2、多重曲線繪圖：一組變量繪圖 plot(x,y)：若x為矢量，y為矩陣時plot(x,y)用不同的顏色繪制y矩陣中各行或列對應于x的曲線；若x為矩陣，y為矢量時繪圖規(guī)則與上面類似，只是將x中的每一行或列對應于y進行繪圖；x和y是同樣大小的矩陣時, plot(x,y)繪制y矩陣中各列對應于x各列的圖形；如果y是矩陣，則plot(y)繪出y中各列相對于行號的圖形，對于n行矩陣，x軸的坐標為[1:n]。多組變量繪圖:對于一系列相應的矩陣yi和xi，可以使用多組變量繪圖法：plot(x1,y1,x2,y2,…,xn,yn)，這種方法的優(yōu)點是允許將不同大小的矩陣或矢量的圖形繪制在一張圖上。雙y軸繪圖：plotyy,在一個圖形窗口繪制兩組數(shù)據(jù)曲線，共用一個x軸，圖形兩邊各有一個y軸。兩條圖線可以調(diào)用不同的繪圖方法。

3、復數(shù)繪圖: plot用于函數(shù)繪制復數(shù)的圖形時，通常虛部是被忽略的。但plot只作用于單個復變量z時，則繪出的是實部對虛部的關系圖（復平面上的一組點）。即這時plot(z)等價于 plot(real(z)).如果在復平面繪制多重線，只能分別以實部和虛部為坐標來繪制，否則虛部將被忽略，并給出警告。二、二維圖形輔助操作命令

1、MATLAB繪圖中的四種線形：實線(-)、點線(:)、點劃線(-.)、虛線(--)；標記點類型：.(點), +(加號), *(星號),o(圓圈),×(十字), s(矩形),d(菱形), △(上三角), ▽(下三角), <(左三角),>(右三角), p(五邊形),h(六邊形)；線的顏色有紅r，綠g, 藍b, 黃y, 粉紅m, 青c(cyan)，黑k.。圖線的其他屬性：可設置圖線的寬度、標記點的邊緣顏色、填充顏色、標記點的大小、加網(wǎng)格。

2、MATLAB提供的用于圖形控制的函數(shù)和命令：axis: 人工選擇坐標軸尺寸.clf：清圖形窗口.ginput：利用鼠標的十字準線輸入.Hold：保持圖形.shg：顯示圖形窗口.subplot：將圖形窗口分成N塊子窗口.3、圖形窗口的創(chuàng)建和選擇:figure(n)函數(shù)用于為當前的繪圖創(chuàng)建圖形窗口，每運行一次figure就會創(chuàng)建一個新的圖形窗口,n表示第個n窗口,如果窗口定義了句柄，也可以用figure(h)將句柄h的窗口作為當前窗口。clf 命令用于清除當前圖形窗口中的內(nèi)容。shg命令用于顯示當前圖形窗口。在一個圖形窗口中繪制多個子圖形:subplot(m,n,p), 把窗口分成m×n個小窗口，并把第p個窗口當作當前窗口。在一個已有的圖形上繪圖：用hold on命令在一個已有的圖形上繼續(xù)繪圖，使用hold off命令結束繼續(xù)繪圖。

4、MATLAB中控制繪圖區(qū)域就是控制軸的顯示區(qū)域，控制圖軸有兩個函數(shù)，一個是axes函數(shù)，另一個是axis函數(shù)，它們兩個都能實現(xiàn)圖軸設置。Axis函數(shù)控制格式為axis(xmin xmax ymin ymax)：指定二維圖形x和y軸的刻度范圍。axes函數(shù)實際上是控制圖軸的Position屬性。

5、MATLAB的圖形標注方法：title(txt)在圖形窗口頂端的中間位置輸出字符串txt作為標題。Xlabel(txt)在X坐標下的中間位置輸出字符串txt 作為標題。Ylabel(txt)在Y坐標下的中間位置輸出字符串txt 作為標題。

Text 任意定位的標注。gtext 鼠標定位標注。legent 標注圖例。三． 特殊圖形的介紹 1． 條形圖： bar(y), bar(x,y), barh, bar3(y), bar3(x,y),(1)二維條形圖 ：bar(y), bar(x,y), barh,如果y是矢量，bar(y)繪制最簡

單的條形圖, 每一個條形圖的位置由y元素的下標決定，高度由y元素的大小決定。當y是m×n階的矩陣時，bar(y)繪制的條形圖以分組或疊加的形式表現(xiàn)。矩陣中每一行元素繪制在一組中，每一列元素繪制在每組中相對應的位置上（各組中同樣顏色的條形表示同一列數(shù)據(jù)）；使用bar(x,y)繪制指定x坐標的條形圖，其中x必須是矢量，用于確定各組條形圖的位置。三維條形圖：bar3(y),將m×n階的矩陣繪制成分布在三維空間中的柱體，有分組形式和分列形式兩種。條形圖中的圖形疊加：通過在相同的位置創(chuàng)建一個與原來條形圖中的坐標軸相對獨立的新的坐標軸實現(xiàn)條形圖的疊加。

2、餅圖： 用于表示矢量或矩陣中各元素所占有的比例。函數(shù)pie和pie3提供平面餅圖和三維餅圖的繪圖功能。不分離餅圖： pie(x)； 帶分離切塊的餅圖：在矢量x的后面加一個與x相同長度的矢量，該矢量中所有不為0的元素所對應的矢量x中的切塊將被分離出來。使用x中的數(shù)據(jù)繪制餅圖，x中的每一個元素用餅圖中的一個扇區(qū)表示。餅圖的繪圖函數(shù)pic(x,explode)功能：繪制向量x的餅圖。不完整的餅圖：如果向量x的元素和小于1，則繪制不完全的餅圖。explode是與向量x大小相同的向量，并且其中不為零的元素所對應的相應部分從餅圖中獨立出來。三維餅圖：有一定厚度的餅圖，由函數(shù)pie3實現(xiàn),調(diào)用方法與二維餅圖相同。

3.其他圖形： MATLAB有20多種特殊圖形的繪制方法，下述為常用方法。(1)直方圖： 一種統(tǒng)計運算的結果，它的橫軸是數(shù)據(jù)的幅度，縱軸是對應于各個幅度數(shù)據(jù)出現(xiàn)的次數(shù)，直方圖沒有負數(shù)。bar3h(x,y)Bar(X,Y,WIDTH,參數(shù))功能：對m*n矩陣Y繪制含有m組、每組n個寬度為WIDTH柱形條的直方圖。barth(X,Y,WIDTH,參數(shù))功能：繪制水平直方圖。(2)離散桿狀圖：Stem 離散桿狀圖的繪圖函數(shù)stem(x,y,’filled’)功能：繪制向量X中指定的序列Y的填充的離散桿狀圖。(3)階梯圖：調(diào)用函數(shù)stairs(x,y),每一階梯的起始點為矢量y的數(shù)據(jù)點。(4)彩色分散點圖函數(shù)：scatter(x,y,c,s)x, y為兩個矢量，用于定位數(shù)據(jù)點，s為繪圖點的大小，c為繪圖所使用的色彩，s和c均可以以矢量或表達式形式給出，s和c為與x或y同長度的矢量時標記點尺 寸和顏色將按線性規(guī)律變化。在 scatter函數(shù)的前4各參數(shù)之后還可以增加第五個參數(shù)‘ filled‘，表示填充繪圖點。Scatter與plot 的最大差別在于Scatter可以繪制變尺寸、變顏色的點圖。(5)射線圖：compass 射線圖的繪圖函數(shù) compass(Z)功能：把復數(shù)矩陣Z中元素的相角和幅值顯示成從原點輻射的箭頭。Compass(X,Y)等價于compass(X+Y*i).compass(Z,str)使用str確定的線型繪制箭頭。

通過以上介紹，基本上可以很深入的了解到作圖的基本操作，在學習這門課的過程中我領會到了什么叫自覺學習，主動學習，在以往的課程中每個老師對學生的督促都很緊，有時候是不得不學啊，上MATLAB這門課，我從頭至尾都不知道老師為什么這樣做，也許是上課時老師教的內(nèi)容多，消化不了，所以每次做作業(yè)都要自己一個一個重復學習，重復練習，在這門課上花了我不少課余時間，我知道付出的多就一定會收獲的多，我也知道把這門課學好，會在很多地方用到，可以減少很多不必要的麻煩。我覺得能把在這門課學成這樣，不僅要感謝老師的悉心教導，還要感謝同學的熱心幫助，雖然自己學的不是太好，但是我已經(jīng)付出了嘗試了，從開始的一頭霧水到清楚的理解，再到程序的成功運行，這一系列的過程的體驗才是最美的享受，雖然這門課結束了，但是我對這本書還是會繼續(xù)學習下去的，多積累點知識才是最主要的目的。

第五篇：Matlab圖像處理-圖像景物動態(tài)跟蹤

《圖像處理技術》大作業(yè) 作業(yè)題目

基于圖像的動態(tài)景物的監(jiān)測與跟蹤 作業(yè)數(shù)據(jù)

（1）短視頻背景相同，一個目標運動；（2）短視頻（或5張圖片），背景相同，多個目標運動；（3）驗證數(shù)據(jù)自己提供（彩色、灰度圖像不限）； 作業(yè)完成目標

動態(tài)目標的定位與跟蹤，并用方框提示并給出運動軌跡 能正確檢測運動目標； 多個目標的識別率；程序設計

1、界面設計：

2、“打開”按鈕功能設計：

打開圖片組的第一張圖片并在左邊顯示：

[name,path]=uigetfile('*.jpg;*.bmp;*.png;*.tif;*.gif','Open Image');file=[path,name];%讀取第一張圖片路徑 axes(handles.image1);%選擇在左窗口顯示 x=imread(file);%讀取第一張圖片 handles.img=x;guidata(hObject,handles);imshow(x);%顯示第一張圖片 global F;%全局變量F F=name(1:end-5);%F為文件名編號前的字符 global N;%全局變量N N=7;%N為圖片組中圖片總數(shù)量

3、“播放”按鈕功能設計：

讀取圖片組中所有的圖片，并按一定間隔時間顯示，形成動畫效果： global F;global N;axes(handles.image1);%選擇在左窗口顯示

for i=1:N %循環(huán)讀出圖片，形成動畫效果 f=int2str(i);I=strcat(F,f,'.jpg');%聯(lián)接文件名 a=imread(I);%讀取圖片 imshow(a);%顯示圖片 axis off %關閉坐標軸

pause(0.8);%每顯示一張圖片暫停0.8秒 end

4、“目標追蹤”按鈕功能設計：

讀取圖片，將圖片轉(zhuǎn)成二值圖像，利用兩張二值圖像的異或求得目標，在目標圖像中求得目標的邊框與質(zhì)心，利用求得的邊框畫出目標的位置，利用存儲的質(zhì)心畫出目標移動軌跡： global F;global N;x=handles.img;axes(handles.image2);%選擇在右窗口顯示 s=size(x);%獲取圖片大小 A=uint8(zeros(s(1),s(2),1,N));s=size(A);%獲取圖片組數(shù)組的大小 for i=1:s(4)%循環(huán)讀取圖片 t=int2str(i);I=strcat(F,t,'.jpg');a=imread(I);%讀取圖片

A(:,:,:,i)=rgb2gray(a);%轉(zhuǎn)為灰度圖片 end B=logical(zeros(s(1),s(2),s(3),s(4)));%定義二值矩陣 for f=1:s(4)imshow(A(:,:,:,f));%顯示圖片

level=graythresh(A(:,:,:,f))-30/255;%獲取閾值 B(:,:,:,f)=im2bw(A(:,:,:,f),level);%轉(zhuǎn)為二值圖像 B(:,:,:,1)=im2bw(A(:,:,:,1),level);B(:,:,:,f)= xor(B(:,:,:,1),B(:,:,:,f));%異或求得目標區(qū)域 B(:,:,:,1)= xor(B(:,:,:,1),B(:,:,:,1));B(:,:,:,f)=medfilt2(B(:,:,:,f),[7 7]);%對二值圖像中值濾波

L=bwlabel(B(:,:,:,f));%計算二值圖像的連通區(qū)域 stas=regionprops(L,'All');%獲取圖像連通區(qū)信息 t=size(stas);%獲取連通區(qū)數(shù)量 for j=1:t(1)p(f,j,:)=stas(j).BoundingBox;%存儲目標邊框

y(f,j,:)=stas(j).Centroid;%存儲目標位子（質(zhì)心）%畫出目標邊框

rectangle('Position',p(f,j,:),'LineWidth',2,'LineStyle','--','EdgeColor','r');for k=1:f %以小方點畫出目標軌跡

rectangle('Position',[y(k,j,1),y(k,j,2),2,2],'LineWidth',2,'EdgeColor','b');end end pause(0.8);%每處理一張圖片暫停0.8秒 end

軟件說明

1、圖片組中圖片數(shù)量為7張，為RGB圖像，命名時從1~7編號。

2、打開軟件后單擊“打開”按鈕，選中圖片組的第一張圖片，即可在左邊顯示該圖片。

3、單擊“播放”按鈕，可以看到在左邊顯示圖片動畫。

4、單擊“目標跟蹤”按鈕，可以看到在右邊顯示出目標的跟蹤效果。效果圖

1、初始界面：

單目標跟蹤：

2、打開第一張圖片：

3、播放圖片組動畫：

4、目標追蹤，定位目標，顯示軌跡：

多目標跟蹤：

5、打開第一張圖片：

6、播放圖片組動畫：

7、目標追蹤，定位目標，顯示軌跡：