第一篇：數(shù)字圖像作業(yè)

數(shù)字圖像處理大作業(yè)，請轉(zhuǎn)發(fā)。

要求每個同學(xué)完成1題，按照學(xué)號進行分配，1、11、21、31、41、51完成第一題，2、22、32、42、52完成第二題，以此類推。每道題要求有理論說明和實驗驗證，完成后撰寫報告并打印，報告頁數(shù)不少于5頁，包括，理論、實驗代碼和實驗結(jié)果，報告完成后由班長收齊后交到計算機樓530，時間7月2日截止。

1、什么是圖像增強，常用的圖像增強方法有哪幾種？請舉例并用實驗說明。

2、什么是圖像復(fù)原，圖像復(fù)原常用的方法有哪些？請舉例并用實驗說明。

3、什么是灰度直方圖，直方圖的作用是什么，請用實驗說明。彩色圖像如何利用直方圖法進行增強，利用例子說明之。

4、常用的圖像分割方法有哪幾種？請舉例并用實驗說明。

5、分析幾種常用邊緣分割的方法的特點并用實驗說明。

6、什么是頻域濾波，什么是空域濾波，它們的特點是什么？用實驗說明。

7、常用的數(shù)字圖像處理的格式有哪些？它們的特點是什么？編程實現(xiàn)不同類型圖像的平移、鏡像、旋轉(zhuǎn)和縮放。

8、數(shù)字圖像噪聲的有哪些類？ 常見的噪聲有哪幾種，它們的特點有哪些，有實驗圖像說明之，如何消除這些噪聲，效果如何，實驗說明之。

9、查找資料，敘述車牌識別的基本過程，并用matlab進行仿真

10、查找資料，說明什么是圖像膨脹，什么是圖像腐蝕，它們的作用是什么，用并用實驗說明。

第二篇：數(shù)字圖像處理上機作業(yè)

數(shù)字圖像處理上機實驗題

一、產(chǎn)生右圖所示圖像 f1(m,n)，其中圖像大小為256×256，中間亮條為128×32，暗處=0，亮處=100。對其進行 FFT：

1、屏顯示原圖 f1(m,n)和FFT(f1)的幅度譜圖；

2、令f2(m,n)=（-1）^（m+n）*f1(m,n)，重復(fù)以上過程，比較二者幅度譜的異同，簡述理由；

3、若將f2(m,n)順時針旋轉(zhuǎn) 90 度得到f3(m,n)，試顯示 FFT(f3)的幅度譜，并與 FFT(f2)的幅度譜進行比較；

4、若將f1(m,n)順時針旋轉(zhuǎn) 90 度得到f4(m,n)，令f5(m,n)=f1(m,n)+f4(m,n)，試顯示 FFT(f5)的幅度譜，并指出其與 FFT(f1)和FFT(f4)的關(guān)系；

5、若令f6(m,n)=f2(m,n)+f3(m,n)，試顯示 FFT(f6)的幅度譜，并指出其與 FFT(f 2)和FFT(f3)的關(guān)系，比較 FFT(f6)和FFT(f5)的幅度譜。

代碼

f1=zeros(256,256);

for i =64:1:191 for j = 112:1:143 f1(i,j)= 100;

end

end

f2 = fft2(f1);

%f2(m,n)= f3

f3 =((-1)^(i+j))*f1;f4 = fft2(f3);

%f3(m,n)= f5

f5 = imrotate(f3,90,'bilinear');f6 = fft2(f5);

%f4(m,n)= f7

f7 = imrotate(f1,90,'bilinear');f8 = fft2(f7);

%f5(m,n)= f8 f9 = f1 + f7;f10 = fft2(f9);

%f6(m,n)= f2(m,n)+f3(m,n)f11 = f3 + f5;f12 = fft2(f11);

figure(1)subplot(1,2,1);imshow(abs(f1));title('原圖f1');subplot(1,2,2);imshow(abs(f2));title('幅度譜fft2(f1)');figure(2)subplot(2,2,1)imshow(abs(f1));title('原圖f1')subplot(2,2,2)imshow(abs(f2));title('幅度譜fft2(f1)');subplot(2,2,3);imshow(abs(f3))title('變換譜f2');subplot(2,2,4);imshow(abs(f4));title('幅度譜fft2(f2)');figure(3)subplot(2,2,1)imshow(abs(f3))title('變換譜f2');subplot(2,2,2);imshow(abs(f4));title('幅度譜fft2(f2)');subplot(2,2,3);imshow(abs(f5))title('變換譜f3');subplot(2,2,4);imshow(abs(f6));title('幅度譜fft2(f3)');figure(4)subplot(3,2,1);imshow(f7);

title('f1旋轉(zhuǎn)圖f4');subplot(3,2,2);imshow(abs(f8));title('幅度譜fft2(f4)');subplot(3,2,3);imshow(f9);

title('f5(m,n)=f1+f4');subplot(3,2,4);imshow(abs(f10));title('幅度譜fft2(f5)');subplot(3,2,5)imshow(abs(f1));title('原圖f1');subplot(3,2,6);imshow(abs(f2));title('幅度譜fft2(f1)');figure(5)subplot(3,2,1)imshow(abs(f3))title('變換譜f2');subplot(3,2,2);imshow(abs(f4));title('幅度譜fft2(f2)');subplot(3,2,3);imshow(abs(f5))title('變換譜f3');subplot(3,2,4);imshow(abs(f6));title('幅度譜fft2(f3)');subplot(3,2,5)imshow(abs(f11))title('變換譜f6=f2+f3');subplot(3,2,6);imshow(abs(f12));title('幅度譜fft2(f6)');

figure(6)subplot(2,2,1);imshow(f9);

title('f5(m,n)=f1+f4');subplot(2,2,2);imshow(abs(f10));title('幅度譜fft2(f5)');subplot(2,2,3)imshow(abs(f11))

title('變換譜f6(m,n)=f2+f3');subplot(2,2,4);imshow(abs(f12));title('幅度譜fft2(f6)');

結(jié)果

分析

2、F2(m,n)與F1(m,n)幅度值相同，f2(m,n)=（-1）^（m+n）*f1(m,n)中，并未改變幅值。

3、FFT(f2)比FFT(f3)幅值大。

4、f5=f1+f4，即幅值相加。

5、f6=f2+f3，即幅值相加。

二、產(chǎn)生教材 104 頁題圖 4.18（右圖）所示的二值圖像（白為1，黑為0），編程實現(xiàn)習(xí)題4.18 所要求的處理（3*3 的平均濾波和中值濾波）功能（圖像四周邊界不考慮，處理結(jié)果按四舍五入仍?。?或1），顯示處理前后的圖像，比較其異同。

代碼

I=[ 1,0,1,0,1,0,1,0;0,1,0,1,0,1,0,1;1,0,1,0,1,0,1,0;0,1,0,1,0,1,0,1;1,0,1,0,1,0,1,0;0,1,0,1,0,1,0,1;1,0,1,0,1,0,1,0;0,1,0,1,0,1,0,1;];J=imhist(I,2);

K=filter2(fspecial('average',3),I);K1=round(K);J1=imhist(K1,2);K2=medfilt2(I);J2=imhist(K2,2);

figure(1)subplot(2,2,1)imshow(I);title('原圖像');subplot(2,2,2)imshow(J);

title('原圖像直方圖');subplot(2,2,3)imshow(K1);

title('3*3領(lǐng)域平均');subplot(2,2,4)imshow(J1);

title('領(lǐng)域平均圖像直方圖')figure(2)subplot(2,2,1)imshow(I);title('原圖像');subplot(2,2,2)imshow(J);

title('原圖像直方圖');subplot(2,2,3)imshow(K2);title('中值濾波');subplot(2,2,4)imshow(J2);

title('中值濾波圖像直方圖')

結(jié)果

三、產(chǎn)生教材 104 頁題圖 4.16 所示的灰度圖像（白為255，黑為0），分別加入高斯白噪聲和椒鹽噪聲，再分別進行 3′ 3 的平均濾波和中值濾波，顯示原圖像、加噪圖像和濾波結(jié)果圖像，并比較四種濾波結(jié)果。

代碼

f=zeros(256,256);for i =23:1:23

3for j=28:1:35 f(i,j)=255;

end

for j=52:1:59 f(i,j)=255;

end

for j=76:1:83 f(i,j)=255;

end

for j=100:1:107 f(i,j)=255;

end

for j=124:1:131 f(i,j)=255;

end

for j=148:1:155 f(i,j)=255;

end

for j=172:1:179 f(i,j)=255;

end

for j=196:1:203 f(i,j)=255;

end

for j=220:1:227 f(i,j)=255;

end end

g=imnoise(f,'gaussian',0.2);s=imnoise(f,'salt & pepper',0.2);k1=filter2(fspecial('average',3),g);G1=round(k1);G2=medfilt2(g);

k2=filter2(fspecial('average',3),s);S1=round(k2);S2=medfilt2(s);

figure(1)imshow(f)

title('?-ê?í???');figure(2)subplot(3,2,1)imshow(g)

title('???1í???');subplot(3,2,2)imshow(s)

title('?·??í???');subplot(3,2,3)imshow(G1)

title('???ù??2¨???1í???');subplot(3,2,5)imshow(G2)

title('?D?μ??2¨???1í???');subplot(3,2,4)imshow(S1)

title('???ù??2¨?·??í???');subplot(3,2,6)imshow(S2)

title('?D?μ??2¨?·??í???');

結(jié)果

四、對某一灰度圖像，進行如下處理：

（1）分別利用 Roberts、Prewitt和Sobel 邊緣檢測算子進行邊緣檢測；

（2）將Roberts、Prewitt和Sobel 邊緣檢測算子修改為銳化算子，對原圖像進行銳化，同屏顯示原圖像、邊緣檢測結(jié)果和銳化后圖像，說明三者之間的關(guān)系。

代碼

f1=imread('C:UsershpPictures1.jpg');f2=rgb2gray(f1);k1=edge(f2,'Roberts');k2=edge(f2,'Prewitt');k3=edge(f2,'Sobel');

k4=filter2(fspecial('Prewitt'),f2);k5=filter2(fspecial('Prewitt'),f2);k6=filter2(fspecial('Sobel'),f2);

figure(1)subplot(4,2,1)imshow(f1);title('yuanshi');subplot(4,2,2)imshow(f2);title('huidu');subplot(4,2,3)imshow(k1);title('Roberts');subplot(4,2,5)imshow(k2);title('Prewitt');subplot(4,2,7)imshow(k3);title('Sobel');subplot(4,2,4)imshow(k4);title('log');subplot(4,2,6)imshow(k5);title('Prewitt');subplot(4,2,8)imshow(k6);title('Sobel');

結(jié)果

二值化。

五、編程實現(xiàn)教材 214 頁所給圖像門限化分割的迭代閾值算法，實現(xiàn)對某一灰度圖像的代碼

f1=imread('C:UsershpPictures11.jpg');f2=rgb2gray(f1);f3=f2;

zm=max(f2(:));zi=min(f2(:));k=2;

T(k)=(zm+zi)/2;while T(k)~=T(k-1);r1=find(f2<=T(k));r2=find(f2>T(k));k=k+1;

T(k)=(mean(f2(r1))+mean(f2(r2)))/2;end

r3=find(f3<=T(k));r4=find(f3>T(k));f3(r3)=0;f3(r4)=255;

figure(1)subplot(221)imshow(f1)title('原始圖像');subplot(222)imshow(f2)title('灰度圖像');subplot(223)imshow(f3)

title('迭代閾值算法二值化');

結(jié)果

心得體會

通過此次作業(yè)讓我明白了很多，實際操作起來往往比理論所想的要復(fù)雜很多。當(dāng)然，在課設(shè)的進行過程中，我還是遇到了不少問題。例如，起初由于我對句柄使用以及一些函數(shù)使用的不恰當(dāng)。隨著課設(shè)的進行，對matlab的的熟悉度逐步加深。

總體來說，此次的課程設(shè)計，還是較為滿意的。它不但鞭策著我去鞏固matlab的基礎(chǔ)理論知識，還提高了我對matlab的實際操作運用，使得理論與實踐相結(jié)合，為進一步學(xué)習(xí)matlab打下堅實的基礎(chǔ)；同時，在實踐的工程中，也讓我體會到一種努力付出并得到回報的滿足感覺。

第三篇：數(shù)字圖像處理期中作業(yè)報告

西安科技大學(xué)

通信學(xué)院

數(shù)字圖像處理實驗報告

直 方 圖 均 衡 化

西安科技大學(xué)

通信學(xué)院

題目：直方圖均衡化

一、實驗?zāi)康?/p>

1.通過實驗理解直方圖均衡化的原理及步驟； 2.編程實現(xiàn)圖像（灰度或彩色）的直方圖均衡化；

3.通過實驗更深刻的理解課本知識和加強動手實踐能力。

二、實驗要求

（1）讀入一幅圖像；

（2）編程繪制給定圖象的灰度直方圖；

（3）編程實現(xiàn)給定圖象的直方圖均衡，得到均衡后的新圖象；（4）比較均衡前后的兩幅圖象以及各自的灰度直方圖，分析討論直方圖均衡提高圖象對比度的效果；

三、實驗原理

1.直方圖均衡化概述

圖像的對比度增強的方法可以分成兩類:一類是直接對比度增強方法;另一類是間接對比度增強方法。直方圖拉伸和直方圖均衡化是兩種最常見的間接對比度增強方法。直方圖拉伸是通過對比度拉伸對直方圖像素分布進行調(diào)整，從而“擴大”前景和背景灰度的差別，以達(dá)到增強對比度的目的，這種方法可以利用線性或非線性的方法來實現(xiàn);直方圖均衡化則通過使用累積函數(shù)對灰度值進行“調(diào)整”以實現(xiàn)對比度的增強。

直方圖均衡化是圖像處理領(lǐng)域中利用圖像直方圖對對比度進行調(diào)整的方法。這種方法通常用來增加許多圖像的局部對比度，尤其是當(dāng)圖像的有用數(shù)據(jù)的對比度相當(dāng)接近的時候。通過這種方法，亮度可以 2

西安科技大學(xué)

通信學(xué)院

更好地在直方圖上分布。這樣就可以用于增強局部的對比度而不影響整體的對比度，直方圖均衡化通過有效地擴展常用的亮度來實現(xiàn)這種功能。

2.基本思想

直方圖均衡化處理的“中心思想”是把原始圖像的灰度直方圖從比較集中的某個灰度區(qū)間變成在全部灰度范圍內(nèi)的均勻分布。直方圖均衡化就是對圖像進行非線性拉伸，重新分配圖像像素值，使一定灰度范圍內(nèi)的像素數(shù)量大致相同。直方圖均衡化就是把給定圖像的直方圖分布改變成“均勻”分布直方圖分布。

直方圖均衡化的基本思想是把原始圖的直方圖變換為均勻分布的形式，這樣就增加了象素灰度值的動態(tài)范圍從而可達(dá)到增強圖像整體對比度的效果。設(shè)原始圖像在(x，y)處的灰度為f，而改變后的圖像為s，則對圖像增強的方法可表述為將在(x，y)處的灰度f映射為g。在灰度直方圖均衡化處理中對圖像的映射函數(shù)可定義為:s = EQ(f)，這個映射函數(shù)EQ(f)必須滿足兩個條件(其中L為圖像的灰度級數(shù)):(1)EQ(f)在0≤f≤L-1范圍內(nèi)是一個單值單增函數(shù)。這是為了保證增強處理沒有打亂原始圖像的灰度排列次序，原圖各灰度級在變換后仍保持從黑到白(或從白到黑)的排列。

(2)對于0≤f≤L-1有0≤s≤L-1，這個條件保證了變換前后灰度值動態(tài)范圍的一致性。

累積分布函數(shù)(cumulative distribution function，CDF)即可以滿足上述兩個條件，并且通過該函數(shù)可以完成將原圖像f的分布轉(zhuǎn)換

西安科技大學(xué)

通信學(xué)院

成s的均勻分布。此時的直方圖均衡化映射函數(shù)為:sk = EQ(fk)=(ni/n)= Pf(fi)，(k=0，1，2，??，L-1)上述求和區(qū)間為0到k，根據(jù)該方程可以由源圖像的各像素灰度值直接得到直方圖均衡化后各像素的灰度值。在實際處理變換時，一般先對原始圖像的灰度情況進行統(tǒng)計分析，并計算出原始直方圖分布，然后根據(jù)計算出的累計直方圖分布求出fk到sk的灰度映射關(guān)系。在重復(fù)上述步驟得到源圖像所有灰度級到目標(biāo)圖像灰度級的映射關(guān)系后，按照這個映射關(guān)系對源圖像各點像素進行灰度轉(zhuǎn)換，即可完成對源圖的直方圖均衡化。

離散情況下的直方圖均衡化的算法： 列出原始圖像的灰度級fj,j?0,1,?,L?1 統(tǒng)計各灰度級的像素數(shù)目nj,j?0,1,?,L?1

計算原始圖像直方圖各灰度級的頻數(shù)Pf(fj)?nj/n,j?0,1,?,L?1

k計算累積分布函數(shù):C(f)??P(f),j?0,1,?,k,?L?1

fjj?0應(yīng)用以下公式計算映射后的輸出圖像的灰度級，P為輸出圖像灰度級的個數(shù)，其中INT為取整符號：

g?INT[(g?g)C(f)?g?0.5] imaxminmin用的映射關(guān)系修改原始圖像的灰度級，從而獲得直方圖近似為均勻分布的輸出圖像。

四、程序代碼

(調(diào)庫函數(shù))

西安科技大學(xué)

通信學(xué)院

clc;clear all;I=imread('F:數(shù)字圖像處理常用圖片lena1.jpg');figure(1);subplot(2,2,1);imshow(I);title('原始圖像');subplot(2,2,2);imhist(I);title('原始圖像灰度直方圖');I1=im2double(I);I2=log(I1+1);%對數(shù)變換

I3=mat2gray(I2);%把圖像的灰度范圍變換為【0,1】

subplot(2,2,3);imshow(I3);title('對數(shù)變換增強后的圖像')subplot(2,2,4);imhist(I3);title('對數(shù)變換后灰度直方圖')

figure(2);B=imadjust(I,[0.05 0.7],[0.1 1.0]);subplot(2,2,1);imshow(B);title('灰度級線性調(diào)整');subplot(2,2,2);imhist(B);title('灰度級線性調(diào)整后直方圖');J=histeq(I);subplot(2,2,3);imshow(J);title('直方圖規(guī)定化');subplot(2,2,4);imhist(J);title('直方圖規(guī)定化后直方圖');

截圖：

原始圖像30002000100000對數(shù)變換增強后的圖像原始圖像灰度直方圖100200對數(shù)變換后的圖像灰度直方圖***.51

西安科技大學(xué)

通信學(xué)院

灰度級線性調(diào)整***000直方圖規(guī)定化4000100200灰度級線性調(diào)整后直方圖直方圖規(guī)定化后直方圖200000100200

(編寫算法)clc;clear all %一，圖像的預(yù)處理，讀入彩色圖像將其灰度化

I=imread('F:數(shù)字圖像處理常用圖片pepper.tif');%讀入JPG彩色圖像文件 figure(1);subplot(1,2,1);imshow(I);%顯示出來 title('輸入的彩色JPG圖像')imwrite(rgb2gray(I),'PicSampleGray.bmp');%將彩色圖片灰度化并保存 I_1=rgb2gray(I);%灰度化后的數(shù)據(jù)存入數(shù)組 %二，繪制直方圖

[height,width]=size(I_1);%測量圖像尺寸參數(shù)

GP=zeros(1,256);%預(yù)創(chuàng)建存放灰度出現(xiàn)概率的向量 for k=0:255 GP(k+1)=length(find(I_1==k))/(height*width);%計算每級灰度出現(xiàn)的概率，將其存入GP中相應(yīng)位置 end figure(2);subplot(1,2,1);bar(0:255,GP,'r')%繪制直方圖 title('原圖像直方圖');xlabel('灰度值');ylabel('出現(xiàn)概率')axis([-5 250 0 0.012])%三，直方圖均衡化 S1=zeros(1,256);for i=1:256

西安科技大學(xué)

通信學(xué)院

for j=1:i S1(i)=GP(j)+S1(i);%計算Sk end end S2=round((S1*256)+0.5);%將Sk歸到相近級的灰度 for i=1:256 GPeq(i)=sum(GP(find(S2==i)));%計算現(xiàn)有每個灰度級出現(xiàn)的概率 end figure(2);subplot(1,2,2);bar(0:255,GPeq,'y')%顯示均衡化后的直方圖 title('均衡化后的直方圖');xlabel('灰度值');ylabel('axis([-5 270 0 0.012])%四，圖像均衡化 PA=I;for i=0:255 PA(find(I==i))=S2(i+1);%給這個像素 end figure(1);subplot(1,2,2);imshow(PA)%title('均衡化后圖像')imwrite(PA,'PicEqual.bmp');

截圖：

輸入的彩色JPG圖像 7

出現(xiàn)概率')將各個像素歸一化后的灰度值賦顯示均衡化后的圖像 均衡化后圖像

西安科技大學(xué)

通信學(xué)院

原圖像直方圖0.0120.012均衡化后的直方圖0.010.010.0080.008出現(xiàn)概率0.006出現(xiàn)概率0.0060.0040.0040.0020.0020050100灰度值***50100150灰度值200250

五、實驗結(jié)果

分析：從上述實驗結(jié)果可以看出，經(jīng)過直方圖均衡化后的圖片的對比度更高，且邊緣效果更高。這些圖片非常有利于人眼的觀看識別。直方圖均衡化可以達(dá)到增強圖像的顯示效果的作用。通過原圖像的直方圖可以觀察出，圖像中各種亮度所占的比例大都分布不均勻，直方圖增強的方法就是壓縮直方圖中比例少的像素所占用的灰度范圍，多出來的灰度空間按照統(tǒng)計比例分配給直方圖中比例高的像素使用。這種方法主要是針對人眼對灰度差別越大的圖像更容易分辨的特點而做的增強。

直方圖均衡化由于可能會丟失一些灰度級，所以造成圖片信息在一定程度上的損失。變換后圖像的灰度級減少也會使某些細(xì)節(jié)消失。并且某些圖像經(jīng)均衡化處理后的對比度不自然的過分增強。

六、成員分工

七、心得體會

通過近幾周的設(shè)計，我們學(xué)到了很多東西，對如何獲得知識也有

西安科技大學(xué)

通信學(xué)院

了一定的感知。首先，對這個設(shè)計題目，要做好充分的準(zhǔn)備工作，經(jīng)過在圖書館查找一些相關(guān)的資料，上網(wǎng)搜索一些相關(guān)的知識后，我們終于對需要的流程有了一定的規(guī)劃。其次，在實際設(shè)計過程中，我們充分地利用課本上和老師提過的一些知識、思路。同時與組內(nèi)同學(xué)認(rèn)真交談，相互領(lǐng)會對方的思路和方法，提高自己的交際能力和團隊精神。再次，通過對此設(shè)計，我們對圖像處理的知識有了更加深入的了解，知道了什么是圖像增強，知道了怎樣均衡化，知道了怎樣利用圖像增強的知識處理學(xué)習(xí)、生活中遇到的一些問題。

在此次程序課程設(shè)計中，收獲知識的同時也收獲了成熟。我們不僅培養(yǎng)了思考問題的能力，也提高了獲取知識的能力，并且相互合作的過程中感受到一個人的力量遠(yuǎn)沒有團隊的力量大，遇到問題時，集體的智慧才會更有效解決，因此只有相互團結(jié)，互相學(xué)習(xí)交流，這樣大家都會懂得更多，進步更快。平時也要學(xué)會謙虛向其他人學(xué)習(xí)，我們以后會更加珍惜和重視這樣的機會。

第四篇：數(shù)字圖像matlab結(jié)課作業(yè)[模版]

clear all;close all;I=imread('e:5.tif');imshow(I);I_gray=rgb2gray(I);figure,imshow(I_gray);I_gray_hist=imhist(I_gray);figure,imshow(I_gray_hist);Ibw=im2bw(I_gray,0.7);figure,imshow(Ibw);

第五篇：北郵數(shù)字圖像處理作業(yè)

信息與通信工程學(xué)院

數(shù)字圖像處理實驗報告

班 級：

姓 名： 學(xué) 號：

彩色圖像處理

一．實驗?zāi)康?/p>

1.考慮下列500*500的RGB彩色圖像，框內(nèi)的顏色如圖所示，假定將該圖像轉(zhuǎn)換到HSI空間，用25*25的平均模板模糊H分量圖像，再轉(zhuǎn)換回RGB空間，會看到什么結(jié)果?（b）重復(fù)（a），只是這次處理的是S分量。要求做實驗，并簡單分析結(jié)果

2.對原始圖像 Beauty.jpg進行彩色圖像處理，使以下問題得到改善：（1）整個畫面光線偏暗

（2）畫面在色彩上偏紫

（3）皮膚上有很多的雀斑

（4）右下角偏亮

二．實驗環(huán)境

Windows7

MATLAB R2012a

三．實驗思路

實驗1：（1）生成所需圖像，框內(nèi)的顏色為綠紅藍(lán)綠；（2）將該RGB圖像轉(zhuǎn)換到HSI空間；

（3）用25*25的平均模板模糊H分量圖像，再轉(zhuǎn)換回RGB空間，并觀察此時圖像的變化情況；

（4）重復(fù)（2）（3），這次處理的是S分量，觀察圖像的變化情況。

實驗2：

（1）將原圖像轉(zhuǎn)化為double型；（2）提升原圖像的整體亮度；

（3）對原圖像進行飽和度處理，使圖片偏紫得到改善；（4）通過RGB平滑去除色斑；

（5）通過find函數(shù)降低圖片右下角的亮度；

四．實驗結(jié)果

實驗1：

結(jié)果分析：H分量為與紅軸的夾角，S分量為圓上的點到圓心的距離，I分量為高。

（1）理論上，對H做均值濾波時，S和I的值是不變的，若掩膜內(nèi)紅藍(lán)分量相同時，轉(zhuǎn)化到RGB空間為綠色，若掩膜內(nèi)紅綠分量相同時，轉(zhuǎn)換到RGB空間時依次為為紅黃綠，若掩膜內(nèi)藍(lán)綠分量相同時，轉(zhuǎn)換到RGB空間時依次為藍(lán)青綠，若掩膜內(nèi)紅綠藍(lán)分量都有時，則轉(zhuǎn)換到RGB空間時，依次為藍(lán)青綠黃紅，觀察實驗結(jié)果，與理論相同；

（2）理論上，對S做均值濾波時，H,S和I分量的值都不變，做掩膜也不會影響這幾個分量，因此轉(zhuǎn)換到RGB空間上觀察和原圖結(jié)果相同，觀察實驗結(jié)果，與理論相同。

實驗2：

（1）原圖像：

（2）通過亮度提升完善原圖偏暗的情況：

（3）對圖片進行飽和度調(diào)整，完善原圖像偏紫的問題：

（4）對圖片進行RGB平滑，去除原圖像中的色斑：

（5）降低原圖像右下角亮度，得到最終結(jié)果：

五．實驗中遇到的問題及解決辦法

（1）由于實驗1相對簡單，并未遇到大問題；

（2）在做實驗2的時候，直接對原圖進行處理，導(dǎo)致程序不能執(zhí)行，后來將原圖修改為double型以后，成功解決了該問題；

（3）在做實驗2的時候，由于亮度提升太高，導(dǎo)致結(jié)果與預(yù)期相差很大，后來降低了亮度提升的幅度以后，解決了這個問題；

（4）實驗2的最終效果不是很好，想了很多辦法也沒有解決，希望老師可以在課上具體講解一下。

六．實驗總結(jié)及心得體會

實驗總結(jié)：

根據(jù)實驗要求，按照書本以及網(wǎng)上的資料提供的基本方法，得到上面的實驗結(jié)果，經(jīng)過分析，最終得到的實驗結(jié)果和要求基本一致，綜上所述，完成了本次實驗。

心得體會：

在這次實驗的開始，找到了實驗的相關(guān)內(nèi)容，因此實驗的目標(biāo)比較明確，不過在編寫代碼的時候仍然遇到了一些問題，后來經(jīng)過查閱資料，解決了這些問題。但是實驗2的效果仍然不是很理想。通過這次實驗，對彩色圖像的處理有了更加深刻的理解，較好的掌握了彩色空間的轉(zhuǎn)換，尤其是RGB與HSI空間之間的相互轉(zhuǎn)換。同時掌握了如何提升和降低彩色圖像的亮度，以及對彩色圖像的RGB平滑處理，調(diào)整彩色圖像的飽和度。此外，對課內(nèi)知識也有了更加形象的認(rèn)識。

七．源程序

實驗1：

clear all;

% 生成紅綠藍(lán)的格子圖案 A = ones(250,250);B = zeros(250,250);

r = cat(1,cat(2,B,A),cat(2,B,B));g = cat(1,cat(2,A,B),cat(2,B,A));b = cat(1,cat(2,B,B),cat(2,A,B));rgb = cat(3,r,g,b);

hsi=rgb2hsi(rgb);%將RGB圖像轉(zhuǎn)換為hsi空間 h=hsi(:,:,1);s=hsi(:,:,2);i=hsi(:,:,3);

K = fspecial('average',[25 25]);% 25*25的平均模板

H = imfilter(h,K,'replicate');%模糊h分量 hsi1 = cat(3,H,s,i);rgb1=hsi2rgb(hsi1);%將hsi圖像轉(zhuǎn)化為RGB空間 S = imfilter(s,K,'replicate');%模糊s分量 hsi2 = cat(3,h,S,i);

rgb2=hsi2rgb(hsi2);%將hsi圖像轉(zhuǎn)化為RGB空間 %顯示圖像

subplot(2,2,1),imshow(rgb), title('原圖');

subplot(2,2,2),imshow(rgb1,[]), title('H模糊后的圖像');subplot(2,2,3),imshow(rgb2,[]), title('S模糊后的圖像');

實驗2：

I=imread('beauty.jpg');

I=im2double(I);%將原圖像轉(zhuǎn)化為double型 HSI= rgb2hsi(I);%將RGB圖像轉(zhuǎn)換到HSI空間 fH=HSI(:,:,1);fS=HSI(:,:,2);fI=HSI(:,:,3);

c=find(fI<0.6);%找出FI<0.6的元素，并將這些元素的線性索引值按列返回向量c中 fI(c)=fI(c)*1.3;%亮度提升 I1=cat(3,fH,fS,fI);%構(gòu)建多維數(shù)組

f1=hsi2rgb(I1);%將HSI圖像轉(zhuǎn)化為RGB空間 P = rgb2hsi(f1);%將RGB圖像轉(zhuǎn)換到HSI空間 fH1=P(:,:,1);fS1=P(:,:,2);fI1=P(:,:,3);

fS1=fS1*0.95;%圖片飽和度調(diào)整 I2=cat(3,fH1,fS1,fI1);%構(gòu)建多維數(shù)組

f2=hsi2rgb(I2);%將HSI圖像轉(zhuǎn)化為RGB空間 R= f2(:,:,1);G= f2(:,:,2);B= f2(:,:,3);

w = fspecial('average',[5,5]);%5*5平均模板 R1 = imfilter(R,w,'replicate');G1 = imfilter(G,w,'replicate');B1 = imfilter(B,w,'replicate');f3= cat(3,R1,G1,B1);R2 = f3(:,:,1);G2 = f3(:,:,2);B2 = f3(:,:,3);

R2 =imfilter(R2,w,'replicate');%濾波處理 f4 = cat(3,R2,G2,B2);%構(gòu)建多維數(shù)組

HSI = rgb2hsi(f4);%將RGB圖像轉(zhuǎn)化為HSI空間 H = HSI(:,:,1);S = HSI(:,:,2);i = HSI(:,:,3);d=find(i==1);i(d)=0.7;c=find(i>0.7);

i(c)=i(c)*0.93;%在亮度過強區(qū)域減亮度 HSI=cat(3,H,S,i);%構(gòu)建多維數(shù)組

f5=hsi2rgb(HSI);%將HSI圖像轉(zhuǎn)化為RGB圖像 %顯示圖像

subplot(2,3,1),imshow(I), title('原圖');

subplot(2,3,2),imshow(f1), title('整體亮度提升');subplot(2,3,3),imshow(f2), title('圖片飽和度調(diào)整');subplot(2,3,4),imshow(f3), title('RGB平滑圖像');subplot(2,3,5),imshow(f4), title('進一步處理');subplot(2,3,6),imshow(f5), title('最終處理結(jié)果');