圖像處理綜合實驗報告

1、專業(yè)綜合實驗報告圖像處理學(xué) 院： 專 業(yè)： 班 級： 學(xué) 號： 姓 名：指導(dǎo)教師： 2011.12.1實驗二 圖像變換一、 實驗?zāi)康膶W(xué)習(xí)灰度變換修正圖像的顏色和灰度的方法。學(xué)習(xí)圖像直方圖的生成和修正技術(shù)的原理和實現(xiàn)方法，理解其對于觀察圖像的意義。了解圖像變換的意義和手段，熟練掌握傅里葉變換等圖像正交變換方法，了解二維頻譜的分布特點。二、 實驗要求1.掌握灰度變換函數(shù)的用法，對圖像進行灰度變換，增強對比度，顯示變換前后的圖像以及它們的灰度直方圖。2.選擇一幅直方圖不均勻的圖像，對其作直方圖均衡化處理，顯示處理前后的圖像以及它們的灰度直方圖。三、實驗內(nèi)容1.直方圖均衡化處理I1=imread(h1

2、.bmp); % 讀入原圖像I2=imread(h2.bmp); % 讀入原圖像I3=imread(h3.bmp); % 讀入原圖像I4=imread(h4.bmp); % 讀入原圖像J=histeq(I); %對原圖像進行直方圖均衡化處理imshow(I); %顯示原圖像title(原圖像); %給原圖像加標題名figure,imshow(J); %對原圖像進行屏幕控制；顯示直方圖均衡化后的圖像title(直方圖均衡化所得圖像); %給直方圖均衡化后的圖像加標題名figure;subplot(121); %對直方圖均衡化后的圖像進行屏幕控制；作一幅子圖作為并排兩幅圖的第1幅圖imhist(I

3、,64); %將原圖像直方圖顯示為64級灰度title(原圖像直方圖); %給原圖像直方圖加標題名subplot(122); %作第2幅子圖imhist(J,64); %將均衡化后圖像的直方圖顯示為64級灰度title(均衡變換后的直方圖); %給均衡化后圖像直方圖加標題名2. 顯示圖像頻譜I=imread(chuizhi.bmp); %讀入原圖像文件imshow(I); %顯示原圖像fftI=fft2(I); %二維離散傅立葉變換sfftI=fftshift(fftI); %直流分量移到頻譜中心RR=real(sfftI); %取傅立葉變換的實部II=imag(sfftI); %取傅立葉變換

4、的虛部A=sqrt(RR.2+II.2);%計算頻譜幅值A(chǔ)=(A-min(min(A)/(max(max(A)-min(min(A)*225; %歸一化figure; %設(shè)定窗口imshow(A); %顯示原圖像的頻譜四、思考題1直方圖是什么概念？它反映了圖像的什么信息？答：直方圖是圖像亮度分布的概率密度函數(shù)，是圖像最基本的統(tǒng)計特征，它反映的是圖像的灰度值的分布情況和圖像的明暗分布規(guī)律，。直方圖操作能有效地用于圖像增強，其固有的信息還可用于在其他圖像處理應(yīng)用中，如圖像壓縮與分割。直方圖在軟件中易于計算，也適用于商用硬件設(shè)備，因此，它們成為了實時圖像處理的一個流行工具。2直方圖均衡化是什么意思？

5、它的主要用途是什么？答：直方圖均衡化的目的是使圖像在整個灰度值動態(tài)變化范圍內(nèi)的分布均勻化，改善圖像的亮度分布狀態(tài)，增強圖像的視覺效果?；叶戎狈綀D是圖像預(yù)處理中涉及最廣泛的基本概念之一。直方圖均衡化是通過灰度變換將一幅圖像轉(zhuǎn)換為另一幅具有均衡直方圖，即在每個灰度級上都具有相同的象素點數(shù)的過程3直方圖規(guī)定化是什么意思？它的主要用途是什么？答：直方圖匹配(規(guī)定化)函數(shù)histeq實現(xiàn)直方圖匹配的形式為：g=histeq(f,hspec)其中，f為輸入圖像，hspec為指定的直方圖(一個由指定值構(gòu)成的行向量)，g為輸出圖像，其直方圖近似于指定的直方圖hspec。向量中包含對應(yīng)于等分空間bin的整數(shù)值。

6、histeq的一個特性是在length(hspec)遠小于圖像f中的灰度級數(shù)時，圖像g的直方圖通常會較好地匹配hspec。4傅里葉變換有哪些重要的性質(zhì)?答：1.在傅里葉變換(FT, Fourier Transform)域中，高頻分量往往對應(yīng)圖像的邊緣2. 傅里葉變換后，圖像能量往往集中在少數(shù)項上，或者說能量主要集中在低頻分量上，于是通過對低頻成分分配較多的比特數(shù)，對高頻成分分配較少的比特數(shù)，即可實現(xiàn)圖像數(shù)據(jù)壓縮。3. 舍棄變換函數(shù)矩陣中某些幅度小的系數(shù)，可縮減計算維數(shù)，提高計算速度等等。5圖像的二維頻譜在顯示和處理時應(yīng)注意什么? 這兩種處理過程不可互換。即fftshift(fft2(f)fft

7、2(fftshift(f)。實驗三 圖像增強一、 實驗?zāi)康恼莆粘Ｒ姷膱D像噪聲種類。學(xué)習(xí)用于圖像增強中的去噪聲等平滑技術(shù)。理解在空間域鄰域平均法和中值濾波的原理、特點、適用對象。學(xué)習(xí)用于突出目標形狀特征、改善視覺效果的圖像銳化技術(shù)的原理和常用方法。二、 實驗要求1用鄰域平均法對含噪聲圖像進行濾波，比較不同鄰域半徑的處理效果。2用鄰域平均法和中值濾波兩種方法分別處理疊加椒鹽噪聲和高斯噪聲的圖像，比較其濾波效果。三、實驗原理及內(nèi)容圖像增強是指按特定的需要突出一幅圖像中的有用信息，同時，消弱或去除某些不需要的信息，提高圖像的使用價值的處理方法。常用的圖像增強技術(shù)有灰度修正法、直方圖修正法，圖像平滑處理

8、、圖像銳化處理、幾何校正和彩色處理技術(shù)等空間域處理方法。還有頻域增強、維納濾波和卡爾曼濾波等頻率域處理方法。1.鄰域平均法濾波I=imread(Example-1.bmp);J=imnoise(I,gaussian,0,0.02);subplot(2,2,1),imshow(I);title(原圖像)subplot(2,2,2),imshow(J);title(添加高斯噪聲圖像)K1=filter2(fspecial(average,3),J)/255; %應(yīng)用33鄰域窗口法subplot(2,2,3),imshow(K1);title(33窗的鄰域平均濾波圖像)K2=filter2(fspe

9、cial(average,5),J)/255; %應(yīng)用33鄰域窗口法subplot(2,2,4),imshow(K2);title(55窗的鄰域平均濾波圖像)I=imread(Example-1.bmp);J1=imnoise(I,gaussian,0,0.02);J2=imnoise(I,salt & pepper,0.02);subplot(2,2,1),imshow(I);subplot(2,2,1),imshow(I);title(原圖像)subplot(2,2,2),imshow(J);title(添加高斯噪聲圖像)K1=filter2(fspecial(average,3),J)/

10、255; %應(yīng)用33鄰域窗口法subplot(2,2,3),imshow(K1);title(33窗的鄰域平均濾波圖像)B=medfilt2(K1); %應(yīng)用33鄰域窗口法subplot(2,2,4),imshow(B);title(中值濾波圖像)四、思考題1在對圖像進行鄰域平均法濾波時，鄰域半徑的大小對圖像有什么影響，為什么？答：半徑不同，圖像的模糊度也不同。2鄰域平均法更適合于處理高斯噪聲還是椒鹽噪聲？試分析原因。答：鄰域平均法更適合于處理高斯噪聲。3中值濾波更適合于處理高斯噪聲還是椒鹽噪聲？試分析原因。答：中值濾波更適合于處理椒鹽噪聲。4對疊加有乘性噪聲的圖像，設(shè)計一種處理方法，既能去噪

11、聲又能保持邊緣清晰。答：采用取對數(shù)的方法使乘性噪聲變?yōu)榧有栽肼暋嶒炈?圖像分割一、 實驗?zāi)康恼莆粘Ｓ玫倪吘壧崛∷惴?，從圖像中提取感興趣的區(qū)域，實現(xiàn)圖像分割。在圖像中，尋找灰度相同或相似的區(qū)域，區(qū)分圖像中的背景區(qū)域和目標區(qū)域，利用Matlab實現(xiàn)圖像的邊緣檢測，進行圖像分割。二、 實驗要求1 運用羅伯特梯度算子、Sobel算子、Prewitt算子、LoG算子、Canny算子等檢測圖像邊緣，編程實現(xiàn)并觀看圖像分割的效果。2 運用邊緣檢測函數(shù)edge對圖像作邊緣檢測，并觀看檢測效果。三、實驗原理及內(nèi)容圖像邊緣是圖像中特性（如像素灰度、紋理等）分布的不連續(xù)處，圖像周圍特性有階躍變化或屋脊?fàn)钭兓哪切?/p>

12、像素的集合。圖像邊緣存在于目標與背景、目標與目標、基元與基元的邊界，標示出目標物體或基元的實際含量，是圖像識別信息最集中的地方。圖像分割處理主要用于檢測出圖像中的輪廓邊緣、細節(jié)以及灰度跳變部分，形成完整的物體邊界，達到將物體從圖像中分離出來或?qū)⒈硎就晃矬w表面的區(qū)域檢測出來的目的。常用的分割方法是邊緣檢測。邊緣檢測是采用多種邊緣算子實現(xiàn)突出圖像邊緣，抑制圖像中非邊緣信息，使圖像輪廓更加清晰。1. Laplacian算子和模板匹配法示例I=imread(Example-2.bmp);subplot(1,4,1);imshow(I);title(原圖像);H=fspecial(sobel); %應(yīng)

13、用sobel模板濾波銳化圖像sobelH=filter2(H,I);subplot(1,4,2);imshow(sobelH);title(sobel模板銳化圖像);H=fspecial(laplacian); %應(yīng)用Laplacian算子濾波銳化圖像laplacianH=filter2(H,I);subplot(1,4,3);imshow(laplacianH);title(laplacian算子銳化圖像);H=fspecial(prewitt); %應(yīng)用prewitt模板濾波銳化圖像prewittH=filter2(H,I);subplot(1,4,4);imshow(prewittH);

14、title(prewitt模板銳化圖像);2邊緣檢測的函數(shù)edgeI=imread(Example-2.bmp);subplot(1,4,1);imshow(I);title(原圖像);BW1 = edge(I,sobel ); subplot(1,4,2);imshow(BW1);title(edge- sobel);BW2 = edge(I,prewitt); subplot(1,4,3);imshow(BW2);title(edge- prewitt );BW3 = edge(I,roberts); subplot(1,4,4);imshow(BW3);title(edge- rober

15、ts);四、思考題1分析Sobel算子特點，并給予說明。答：Sobel相對于先對圖像進行加權(quán)平均再做差分。2分析laplacian算子特點，并解釋它為何能增強圖像的邊緣？答：拉普拉斯算子定義圖像f(x,y)的梯度為 銳化后的圖像g為 式中k為擴散效應(yīng)系數(shù)。對系數(shù)k的選擇要合理，太大會使圖像中的輪廓邊緣產(chǎn)生過沖；太小則銳化不明顯。3比較各個邊緣算子對圖像邊緣的檢測效果。答：laplacian算子對邊緣的處理最明顯，Sobel和 prewitt較差一些。4比較各個邊緣檢測算子對噪聲的敏感性，并提出抗噪聲性能較好的邊緣檢測的方法。答：laplacian算子對噪聲的敏感性最強，可先對圖像進行平滑處理，

16、再進行邊緣檢測實驗五 圖像壓縮一、 實驗?zāi)康? 理解有損壓縮和無損壓縮的概念；2 理解圖像壓縮的主要原則和目的；3 了解幾種常用的圖像壓縮編碼方式。4 利用MATLAB程序進行圖像壓縮。二、 實驗原理圖像壓縮原理圖像壓縮主要目的是為了節(jié)省存儲空間，增加傳輸速度。圖像壓縮的理想標準是信息丟失最少，壓縮比例最大。不損失圖像質(zhì)量的壓縮稱為無損壓縮，無損壓縮不可能達到很高的壓縮比；損失圖像質(zhì)量的壓縮稱為有損壓縮，高的壓縮比是以犧牲圖像質(zhì)量為代價的。壓縮的實現(xiàn)方法是對圖像重新進行編碼，希望用更少的數(shù)據(jù)表示圖像。信息的冗余量有許多種，如空間冗余，時間冗余，結(jié)構(gòu)冗余，知識冗余，視覺冗余等，數(shù)據(jù)壓縮實質(zhì)上是減

17、少這些冗余量。高效編碼的主要方法是盡可能去除圖像中的冗余成分，從而以最小的碼元包含最大的圖像信息。三、實驗內(nèi)容I = imread(Example-3.bmp);m n=size(I);J=;for i=n:m value=I(i,1); num=1; for j=2:n if I(i,j)=value num=num+1; else J=J num value; num=1; value=I(i,j); endendI=J num value 0 0; %添加的行判斷位 0 0enddisp(原圖像大?。?whos(I);disp(壓縮圖像大?。?whos(J);disp(圖像的壓縮比：)d

18、isp(m*n/length(J)原圖像大?。?Name Size Bytes Class I 1x454 454 uint8 arrayGrand total is 454 elements using 454 bytes壓縮圖像大?。?Name Size Bytes Class J 1x450 450 uint8 arrayGrand total is 450 elements using 450 bytes圖像的壓縮比： 145.6356JPEG:76.9KBTIF: 364KBBMP: 102KB四、思考題1圖像中哪些信息是主要的，哪些信息是次要的？2簡述離散余弦變換(DCT)和行程編

19、碼(RLE)的原理。答：離散余弦變換(DCT)圖像壓縮原理1）.離散余弦變換DCT在圖像壓縮中具有廣泛的應(yīng)用，它是JPEG、MPEG等數(shù)據(jù)壓縮標準的重要數(shù)學(xué)基礎(chǔ)。和相同圖像質(zhì)量的其他常用文件格式(如GIF(可交換的圖像文件格式)，TIFF(標簽圖像文件格式)，PCX(圖形文件格式)相比，JPEG是目前靜態(tài)圖像中壓縮比最高的。JPEG比其他幾種壓縮比要高得多，而圖像質(zhì)量都差不多(JPEG處理的圖像只有真彩圖和灰度圖)。正是由于其高壓縮比，使得JPEG被廣泛地應(yīng)用于多媒體和網(wǎng)絡(luò)程序中。JPEG有幾種模式，其中最常用的是基于DCT變換的順序型模式，又稱為基本系統(tǒng)(Baseline)。2）.行程編碼（

20、RLE）原理：例如如下這幅 的二值圖像，如果采用行程編碼可以按如下格式保存其中10和8表示圖像的寬和高。在這個小例子中行程編碼并沒有起到壓縮圖像的作用。這是由于這個圖的尺寸過小，當(dāng)圖像尺寸較大時行程編碼還是不錯的無損壓縮方法。對于灰度圖像和二值圖像，用行程編碼般都有很高的壓縮率。行程編碼方法實現(xiàn)起來很容易，對于具有長重復(fù)值的串的壓縮編碼很有效，例如：對于有大面積的陰影或顏色相同的圖像，使用這種方法壓縮效果很好。很多位圖文件格式都采用行程編碼，如TIFF，PCX，GEM，BMP等實驗六 圖像運算與區(qū)域處理一、實驗?zāi)康膶W(xué)習(xí)并掌握圖像運算的一些方法，便于圖像的分析與理解。二、實驗內(nèi)容和要求a) 實現(xiàn)

21、圖像的算術(shù)運算（加、減、乘、除及求補運算）。b) 實現(xiàn)圖像的位邏輯運算。c) 實現(xiàn)圖像的幾何運算。d) 實現(xiàn)圖像的空間變換。e) 實現(xiàn)圖像的區(qū)域處理。三、實驗結(jié)果及分析5.1 車牌圖像預(yù)處理首先要做的是去除背景，為下一步的二值化做鋪墊，在這里我們對車輛圖像背景進行TopHat變換，車牌圖像被很好的保留下來，背景圖像則變得不清晰。如圖b所示。 (a) (b)圖車牌灰度轉(zhuǎn)換(a)轉(zhuǎn)換前；(b)轉(zhuǎn)換后進行灰度拉伸前后車牌區(qū)域的效果對比如圖四所示。從圖中可以看出，拉伸后的對比度明顯增強。 圖像進行灰度拉伸前后牌照區(qū)域的效果對比5.2 車牌圖像二值化即邊緣檢測對頂帽變換后的圖像本文選取了Otsu的方法進

22、行二值化，對不同的圖片效果進行特定的閾值設(shè)定，結(jié)果見圖。圖c. 二值化操作效果圖邊緣檢測對比圖如圖所示。 原灰度圖 canny邊緣檢測 Roberts邊緣檢測 sobel邊緣檢測5.3對灰度圖像進行車牌區(qū)域提取提取出的灰度圖像車牌區(qū)域如圖：5.4對二值圖像進行車牌區(qū)域提取對二值圖像進行車牌區(qū)域提取的結(jié)果如圖：5.5車牌字符分割的MATLAB實現(xiàn)如圖程序源碼圖象提取程序如下：close all;%Tophat算法：I=imread(831.bmp);%讀取圖片se=strel(disk,10);%使用頂帽算法處理此圖片f1=imtophat(I,se);%二值化算法：f2= imadjust(f

23、1, stretchlim(f1), 0 1);%首先調(diào)整圖像亮度值f3 = im2double(f2);bw = im2bw(f3,0.8);%對圖像進行二值化%橫向截取圖片%bwImage=bw;hist = sum(bwImage);%統(tǒng)計圖像的白色點數(shù)noise=20;%設(shè)定噪聲min_height = 26;%設(shè)定最小閾值max_height = 48;%設(shè)定最大閾值res = -1;found = 0;% 在發(fā)現(xiàn)一個好信號之前反復(fù)迭代%while res = -1 if noise 40 break; end; % 如果信號高于噪聲，我們增加噪聲反復(fù)迭代% noise = nois

24、e + 1; s = find(hist noise); % 沒有發(fā)現(xiàn)滿足條件的信號% if(length(s) = min_height & s(1) - 1 = min_height&length(hist)-s(length(s)= min_height & s(i)-s(i-1) max_height res = i-1; found =1; break; end; end; if found = 1 break; end;end;% 成功的話，返回創(chuàng)建區(qū)域的圖像%if res = -1 low = s(res); high = s(res+1); image = bwImage(lo

25、w: high, :);else % 否則，返回原始圖像% image = bwImage;end;%統(tǒng)計白色像素點x,y=size(image);myI=double(image);%統(tǒng)計分析%X方向%white_x=zeros(x,1);for i=1:x for j=1:y if(myI(i,j)=1)%判斷是否為白色亮度點 white_x(i,1)=white_x(i,1)+1;%統(tǒng)計每行白色點的個數(shù) end endendtemp MaxX=max(white_x);PX1=x/2;while (white_x(PX1,1)1)%設(shè)定閾值 PX1=PX1-1;end PX2=x/2;w

26、hile (white_x(PX2,1)=200)&(PX2x) PX2=PX2+1;endIX=image(PX1:PX2,:);figure(55),imshow(IX)%Y方向%white_y=zeros(1,y);for j=1:y for i=PX1:PX2 if(myI(i,j)=1) white_y(1,j)=white_y(1,j)+1; end endendPY1=1;while ( white_y(1,PY1)13)&(PY1y) PY1=PY1+1;end PY2=y;while ( white_y(1,PY2)PY1) PY2=PY2-1;endPlate=image(

27、PX1:PX2,PY1:PY2,:);%提取車牌figure(8),imshow(Plate)%顯示各步驟的圖像%subplot(2,3,1),imshow(I);subplot(2,3,2),imshow(f1);subplot(2,3,3),imshow(bw);subplot(2,3,4),imshow(image);subplot(2,3,5),imshow(IX);subplot(2,3,6),imshow(Plate);圖象切分程序如下：I=imread(車牌截取.JPG);%I=imread(49-3-BW01.jpg);I=im2bw(I,0.43);y x=size(I);T

28、op=zeros(1,x); %頂端輪廓檢測for i=1:x j=1; while(I(j,i)=1)&(j1) j=j-1; end Bottom(i)=y-j;endHeight=Top-Bottom;WordHeight=max(Height); %文字高度%=輪廓線的凹檢測=%TopD=zeros(1,x-1);Concave=1; %記錄凹輪廓出的位置，1表示默認起始列為第一個ConcaveDeep=0; %下降值DeepH=0; %上升值DeepT=5; %凹輪廓的深度閾值Sign=0;for i=1:x-1 TopD(i)=Top(i+1)-Top(i);endfor i=1:

29、x-2 if(TopD(i)0) if(abs(Deep)=DeepT) DeepH=DeepH+TopD(i); if(abs(DeepH)=DeepT) Concave=Concave tempX; Sign=0; %確認為凹后，復(fù)位標志位 DeepH=0; end else Sign=0; %確認為凹后，復(fù)位標志位 Deep=0; end endend%=輪廓線的凸檢測=%BottomD=zeros(1,x-1);Convex=1;Asend=0; %上升值Desend=0; %下降值ConvexT=3; %凸程度閾值Sign=0;for i=1:x-1 BottomD(i)=Botto

30、m(i+1)-Bottom(i);endfor i=1:x-2 if(BottomD(i)0) Sign=1; Desend=0; Asend=Asend+BottomD(i); tempX=i+1; %最接近于左端 end if(Sign=1)&(BottomD(i)=ConvexT) Desend=Desend+BottomD(i); if(abs(Dsend)=ConvexT) ConvexT=Convex tempX; Sign=0; %復(fù)位 Desend=0; end else Sign=0; %復(fù)位 Asend=0; end endend%= 切分 =%Mytemp n=size(Concave); %注意Concave的第一個數(shù)值無效StrokeT=5; %筆劃寬度閾值GapT=8;W=zeros(1,n);for i=1:n-1 W(i)=Concave(i+1)-Concave(i);endW(n)=x-Concave(n);Width=median(W); %近似的字符寬度PXR1=1; %記錄第一次切分位置PXR2=1; %記錄第二次切分位置Mark=0; %記錄黑白轉(zhuǎn)換的次數(shù)%CrossSign=0; %交錯粘連的標志W(wǎng)hite=zeros(1,x); %統(tǒng)計筆劃像素點BP=zeros(1,x);SegSoke=zeros(3,x);