第一篇：數(shù)字圖像處理 讀書筆記

《數(shù)字圖象處理》學(xué)士論文讀書筆記

運動對象檢測是數(shù)字圖像處理技術(shù)的一個重要部分，它是計算機(jī)視覺、目標(biāo)識別與跟蹤、運動圖像編碼、基于內(nèi)容的檢索、安全監(jiān)控等視頻分析和處理應(yīng)用的關(guān)鍵步驟。解決跟蹤算法的計算量與實時性這對矛盾，是提高系統(tǒng)跟蹤精度和跟蹤穩(wěn)定性的關(guān)鍵，此即為本文的關(guān)鍵所在。

對于變化很慢的背景圖像而言，可把動目標(biāo)看作目標(biāo)對背景的擾亂，可以看作Kalman濾波器在零均值白噪聲時的退化公式：

WT[?I?WP(k)WT]? K(k?1)?P(k?1)

若認(rèn)為圖像每一個時空點在空間獨立，則以上變量均為標(biāo)量。即： B(k)P(k?1)?P(k),P(1)?1B(k?1)

這就是說估值的方差隨著測量次數(shù)的增加而逐漸減小，結(jié)果是收斂的，對于圖像，只要系統(tǒng)采樣頻率足夠快，則可以認(rèn)為背景靜止，所以當(dāng)圖像序列通過這個低通濾波器時，圖像序列中遂時間緩變的部分就可以分離出來。接著利用圖像和背景進(jìn)行差分運算，即可從圖像中提取出變化的目標(biāo)

式中的D(k+1)是去除背景后的當(dāng)前幀目標(biāo)圖像。而后，考慮到空間鄰接像素之?(k?1)D(k?1)??(k?1)???(k?1)???(k)?K(k?1)???(k)??(k?1)?W?P(k_?1)?1?[I?K(k?1)W]P(k)

間的相關(guān)性，需要進(jìn)一步對差分圖像數(shù)據(jù)進(jìn)行4x4的空間滑動平均濾波以消除輸入圖像中的噪聲影響，然后將以上得到的目標(biāo)圖的D(k+1))中每個像素的灰度數(shù)據(jù)向行和列方向分別投影并且求和，據(jù)此計算目標(biāo)的質(zhì)心，得到相對飽滿的目標(biāo)圖像。

該文探討了漸消記憶遞歸最小二乘法在圖像背景重建中的應(yīng)用，使用簡捷有效的算法結(jié)構(gòu)在復(fù)雜背景的條件下分離出了背景和動目標(biāo)；對圖像在空間域做4~4的滑動平均濾波有效地抑制了于擾噪聲；在求目標(biāo)的質(zhì)心時采用等效灰度投影算法，簡化了求質(zhì)心運算，整體上說算法簡潔，操作方便，基本上解決了引文提出的矛盾。文章研究的運動對象檢測可應(yīng)用在計算機(jī)視覺、目標(biāo)識別與跟蹤、運動圖像編碼、基于內(nèi)容的檢索、安全監(jiān)控等視頻分析和處理應(yīng)用的關(guān)鍵步驟上，如若這種算法得到進(jìn)一步優(yōu)化和更新，一定會運用到更多更廣的地方。

通信二班 陳陽（10950229）

本文由芬樂網(wǎng)提供

參考文獻(xiàn)

1.劉永信等《復(fù)雜背景圖像中檢測動目標(biāo)的一種方法》 摘自《計算機(jī)工程與應(yīng)用》2002.03

2.曹炬等《從移動背景紅外序列圖像中檢測運動目標(biāo)》 摘自《電子信息學(xué)報》2005.01

3.何衛(wèi)華等《復(fù)雜背景下基于圖像融合的運動目標(biāo)輪廓提取算法》 摘自《計算機(jī)應(yīng)用》2006.01

第二篇：數(shù)字圖像處理讀書筆記

數(shù)字圖像處理讀書筆記

本學(xué)期的數(shù)字圖像處理課程已經(jīng)進(jìn)行了3周了，通過這3周的學(xué)習(xí)讓我對數(shù)字圖像處理有了一定的認(rèn)知和理解。數(shù)字圖像處理又稱為計算機(jī)圖像處理，它是指將圖像信號轉(zhuǎn)換成數(shù)字信號并利用計算機(jī)對其進(jìn)行處理的過程。這門課程的前三章主要講解了數(shù)字圖像的目的、特點、應(yīng)用和發(fā)展，圖像的數(shù)字化顯示與圖像變換。

數(shù)字圖像處理最早出現(xiàn)于20世紀(jì)50年代，當(dāng)時的電子計算機(jī)已經(jīng)發(fā)展到一定水平，人們開始利用計算機(jī)來處理圖形和圖像信息。數(shù)字圖像處理作為一門學(xué)科大約形成于20世紀(jì)60年代初期。早期的圖像處理的目的是改善圖像的質(zhì)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(zhì)量低的圖像，輸出的是改善質(zhì)量后的圖像，常用的圖像處理方法有圖像增強(qiáng)、復(fù)原、編碼、壓縮等。數(shù)字圖像處理是通過計算機(jī)對圖像進(jìn)行去除噪聲、增強(qiáng)、復(fù)原、分割、提取特征等處理的方法和技術(shù)。數(shù)字圖像處理的產(chǎn)生和迅速發(fā)展主要受三個因素的影響：一是計算機(jī)的發(fā)展；二是數(shù)學(xué)的發(fā)展（特別是離散數(shù)學(xué)理論的創(chuàng)立和完善）;三是廣泛的農(nóng)牧業(yè)、林業(yè)、環(huán)境、軍事、工業(yè)和醫(yī)學(xué)等方面的應(yīng)用需求的增長。

一般來講，對圖像進(jìn)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(zhì)量，如進(jìn)行圖像的亮度、彩色變換，增強(qiáng)、抑制某些成分，對圖像進(jìn)行幾何變換等，以改善圖像的質(zhì)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(jī)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(jī)視覺的預(yù)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?fù)涮卣骱完P(guān)系結(jié)構(gòu)等。（3）圖像數(shù)據(jù)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(jī)和圖像專用設(shè)備組成的圖像處理系統(tǒng)對圖像數(shù)據(jù)進(jìn)行輸入、加工和輸出。數(shù)字圖像處理有以下幾點基本特點：（1）目前，數(shù)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(shù)據(jù)量；對高分辨率彩色512×512圖像，則要求768kbit數(shù)據(jù)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(shù)據(jù)量。因此對計算機(jī)的計算速度、存儲容量等要求較高。（2）數(shù)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(shù)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(xiàn)上，技術(shù)難度較大，成本亦高，這就對頻帶壓縮技術(shù)提出了更高的要求。（3）數(shù)字圖像中各個像素是不獨立的，其相關(guān)性大。在圖像畫面上，經(jīng)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(guān)系數(shù)可達(dá)0.9以上，而相鄰兩幀之間的相關(guān)性比幀內(nèi)相關(guān)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(fù)現(xiàn)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(dǎo)引，這也是人工智能中正在致力解決的知識工程問題。（5）數(shù)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(fù)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(zhì)量的評價還有待進(jìn)一步深入的研究。另一方面，計算機(jī)視覺是模仿人的視覺，人的感知機(jī)理必然影響著計算機(jī)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(guān)系，優(yōu)先敏感的結(jié)構(gòu)、屬性和時間特征等，這些都是心理學(xué)和神經(jīng)心理學(xué)正在著力研究的課題。

在數(shù)字圖像處理中圖像的數(shù)字化顯示是基礎(chǔ)。將模擬圖像轉(zhuǎn)化成數(shù)字圖像的過程就是圖形、圖像的數(shù)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(zhì)就是要用多少點來描述一幅圖像，采樣結(jié)果質(zhì)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(wǎng)狀結(jié)構(gòu)，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(gòu)成的集合。采樣頻率是指一秒鐘內(nèi)采樣的次數(shù)，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(zhì)量越高，但要求的存儲量也越大。在進(jìn)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(fù)雜，色彩越豐富，則采樣間隔應(yīng)越小。

由于二維圖像的采樣是一維的推廣，根據(jù)信號的采樣定理，要從取樣樣本中精確地復(fù)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(shù)值來表示圖像采樣之后的每一個點。量化的結(jié)果是圖像能夠容納的顏色總數(shù)，它反映了采樣的質(zhì)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(shù)越來越大，表示圖像可以擁有更多的顏色，自然可以產(chǎn)生更為細(xì)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(shè)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(rèn)為有無數(shù)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(jìn)行量化，使其取值變?yōu)橛邢迋€可能值。經(jīng)過這樣采樣和量化得到的一幅空間上表現(xiàn)為離散分布的有限個像素，灰度取值上表現(xiàn)為有限個離散的可能值的圖像稱為數(shù)字圖像。只要水平和垂直方向采樣點數(shù)足夠多，量化比特數(shù)足夠大，數(shù)字圖像的質(zhì)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(shù)稱為量化級數(shù)。為表示量化的色彩值（或亮度值）所需的二進(jìn)制位數(shù)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(shù)字圖像的容量也越大。

3．壓縮編碼數(shù)字化后得到的圖像數(shù)據(jù)量十分巨大，必須采用編碼技術(shù)來壓縮其信息量。在一定意義上講，編碼壓縮技術(shù)是實現(xiàn)圖像傳輸與儲存的關(guān)鍵。

數(shù)學(xué)里的變換，指一個圖形（或表達(dá)式）到另一個圖形（或表達(dá)式）的演變。圖象變換是函數(shù)的一種作圖方法。已知一個函數(shù)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(guān)的函數(shù)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(yīng)用最廣泛的一種變換。數(shù)字圖像經(jīng)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(shù)將大大減少，并可采用二維數(shù)字濾波技術(shù)進(jìn)行所需要的各種圖像處理。

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

小波分解可以覆蓋整個頻域(提供了一個數(shù)學(xué)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(guān)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(xiàn)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(xiàn)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(jìn)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(lǐng)域都得到了成功的應(yīng)用，特別是小波變換的離散數(shù)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(yīng)用領(lǐng)域來越來越廣泛。

第三篇：《數(shù)字圖像處理》

實驗五 圖像的幾何變換

一．實驗?zāi)康募耙?/p>

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

二、實驗內(nèi)容

（一）研究以下程序，分析程序功能；輸入執(zhí)行各命令行，認(rèn)真觀察命令執(zhí)行的結(jié)果。熟悉程序中所使用函數(shù)的調(diào)用方法，改變有關(guān)參數(shù)，觀察試驗結(jié)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(xiàn)； ?改變圖像縮放因子Scale，重做上述實驗。2.圖像旋轉(zhuǎn)

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

% 將圖像逆時針旋轉(zhuǎn)45?。

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

% using the nearest neighbor interpolation Theta =-45;

% 將圖像順時針旋轉(zhuǎn)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(zhuǎn)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(zhuǎn)30。

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

% using the nearest neighbor interpolation Theta =-30;

% 將圖像順時針旋轉(zhuǎn)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(xiàn)； ?改變旋轉(zhuǎn)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(xiàn)以下圖像幾何變換（參考自編講義相關(guān)章節(jié)）

1．圖像扭曲變換 2．球面變換

三、實驗設(shè)備

1．PIII以上微機(jī)； 2．MATLAB6.5；

四、預(yù)習(xí)與思考

1．預(yù)習(xí)實驗內(nèi)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(guān)MATLAB函數(shù)；

3．利用課余時間，采用MATLAB底層函數(shù)編程實現(xiàn)實驗內(nèi)容

（二）中的圖像平移、圖像轉(zhuǎn)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．?dāng)⑹龈鞫纬绦蚬δ?，改變有關(guān)函數(shù)的參數(shù)，分析比較實驗結(jié)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(shù)字圖像處理應(yīng)用

一．實驗?zāi)康募耙?/p>

1．利用MATLAB提供的圖像處理函數(shù)實現(xiàn)圖像中物體屬性的測量； 2．訓(xùn)練綜合運用MATLAB圖像處理函數(shù)的能力； 3．了解數(shù)字圖像處理基本應(yīng)用。

二、實驗內(nèi)容

以大米粒特性測量為例，綜合應(yīng)用課程中圖像分割、形態(tài)學(xué)濾波、圖像增強(qiáng)、圖像特征提取等圖像處理方法，實現(xiàn)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(qiáng) 5． 圖像二值化分割 6． 區(qū)域標(biāo)記及為彩色處理

7． 測量圖像中的區(qū)域特性（面積、質(zhì)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(rèn)真觀察命令執(zhí)行的結(jié) 果。熟悉程序中所使用函數(shù)的調(diào)用方法，改變有關(guān)參數(shù)，觀察試驗結(jié)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(yīng)用演示

三、實驗設(shè)備 1．PIII以上微機(jī)； 2．MATLAB6.5；

四、預(yù)習(xí)與思考

1．預(yù)習(xí)實驗內(nèi)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(guān)函數(shù)。

3．利用課余時間，采用MATLAB函數(shù)編程實現(xiàn)實驗內(nèi)容

（二）。

五、實驗報告要求

1．簡述試驗的目的和試驗原理；

2．?dāng)⑹龈鞫纬绦蚬δ?，改變有關(guān)函數(shù)的參數(shù)，分析比較實驗結(jié)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。

第四篇：數(shù)字圖像處理

中南大學(xué)

數(shù)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(xué)號：0909080609 實驗日期：2010年12月22日

目錄

一，實驗?zāi)康???????????????????????3 二，給圖像添加噪聲????????????????????4 三，對被噪聲污染的圖像進(jìn)行中值濾波和均值濾波???????5 四，對圖像進(jìn)行空間域的銳化????????????????6 五，MATLAB以外函數(shù)空間濾波和圖像銳化??????????7 六，自帶函數(shù)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(xiàn) ??????????????????????10

一、實驗?zāi)康?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(jìn)行程序設(shè)計，學(xué)習(xí)如何對已被噪聲污染的圖像進(jìn)行“凈化”。通過平滑處理，對結(jié)果圖像加以比較，得出自己的實驗結(jié)論。學(xué)習(xí)如何用銳化處理技術(shù)來加強(qiáng)圖像的目標(biāo)邊界和圖像細(xì)節(jié)，對圖像進(jìn)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(jìn)一步的增強(qiáng)及突出。本實驗銳化處理主要在空間域中進(jìn)行 2，頻域濾波：

掌握傅里葉變換的基本性質(zhì)； 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(jìn)行頻域濾波

利用MATLAB程序數(shù)字圖像的傅立葉變換并且進(jìn)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(shù)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(jìn)行中值濾波和均值濾波： 原理：自帶函數(shù)進(jìn)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(jìn)行空間域的銳化： 原理：自帶函數(shù)進(jìn)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(shù)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(shù)實現(xiàn)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(shù)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(shù)據(jù)類型轉(zhuǎn)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(shè)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(shù)

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(jìn)一步熟悉了Matlab軟件、編程以及圖像處理工具箱 2，學(xué)會利用自帶函數(shù)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(shù)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(xiàn)的一些問題，懂得怎樣去處理。6，通過實際操作，增強(qiáng)了自己的動手能力，把理論用于實踐。

參考文獻(xiàn)：數(shù)字圖像處理第二版

MATLAB教程

第五篇：數(shù)字圖像處理實驗報告

實 驗 報 告 書

系部學(xué)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?zāi)康?/p>

在學(xué)習(xí)圖像直方圖的概念、計算方法、性質(zhì)和相關(guān)應(yīng)用基礎(chǔ)上，生成、繪制圖像的直方圖，并應(yīng)用MATLAB編程實現(xiàn)圖像直方圖均衡化程序。

二、實驗內(nèi)容

（1）計算并繪制圖像直方圖；

（2）編程實現(xiàn)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(jié)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(yīng)將圖片與xx.m文件置于同一文件夾；

2、編程過程中應(yīng)注意標(biāo)點的輸入法，應(yīng)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(xiàn)的次數(shù)（或頻數(shù)）而未反映像素所在位置。

2、與圖像之間的關(guān)系是多對一的映射關(guān)系。一幅圖像唯一確定出與之對應(yīng)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(jīng)直方圖均衡化處理后，可以得到一副改善了質(zhì)量的新圖像。這幅圖像的灰度層次將不再是呈黑暗色調(diào)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(jié)果使圖像更適合與人的視覺特征或機(jī)器的識別系統(tǒng)。

六、實驗心得體會

本次實驗中，因為初學(xué)這個軟件，我學(xué)習(xí)到了在程序中關(guān)于圖像的運用，以及也復(fù)習(xí)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(jié)果');%顯示均衡化后的圖像 subplot(2,2,4);imhist(J);title('均衡化結(jié)果的直方圖');%顯示均衡化后的直方圖

實驗二 頻域圖像增強(qiáng)

一、實驗?zāi)康?/p>

1、頻域圖像增強(qiáng)

2、掌握基于頻域的圖像增強(qiáng)方法。

二、實驗內(nèi)容

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

三、實驗運行結(jié)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(jié)果？

答：圖像的精細(xì)結(jié)構(gòu)及突變部分主要由高頻成分起作用，故經(jīng)低通濾波后圖像的精細(xì)結(jié)構(gòu)消失，變得模糊；經(jīng)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(jīng)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(shù)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(biāo)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(jìn)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(shù)據(jù)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(jìn)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(shù)據(jù)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(qiáng)（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(zhuǎn)換數(shù)據(jù)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(biāo)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(shù) 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(biāo)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(shù) 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(biāo)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?zāi)康?/p>

圖像邊緣檢測與連接

二、實驗內(nèi)容

（1）編程實現(xiàn)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(xiàn)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(xiàn)Hough變換提取直線

（5）分析Hough變換檢測性能；

三、實驗運行結(jié)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(xiàn)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(jié)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(hù)了目標(biāo)的邊界結(jié)構(gòu)。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(dá)形式變?yōu)閰?shù)空間的一個點。這樣就把原始圖像中給定曲線的檢測問題轉(zhuǎn)化為準(zhǔn)找參數(shù)空間的峰值問題。也即把檢測整體特性轉(zhuǎn)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(shù)不是很了解，只能夠按課本的參照函數(shù)拷貝做實驗，對于其中的一些函數(shù)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(shù)實現(xiàn)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(jìn)行邊緣檢測 BW2 = edge(I,'roberts');%利用roberts算子進(jìn)行邊緣檢測 BW3 = edge(I,'prewitt');%利用prewitt算子進(jìn)行邊緣檢測 BW4 = edge(I,'log');

%利用log算子進(jìn)行邊緣檢測 BW5 = edge(I,'canny');

%利用canny算子進(jìn)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