實(shí)驗(yàn)六圖像分割

1、第#頁(yè)共11頁(yè)普國(guó)最俛putian university信息工程學(xué)院實(shí)驗(yàn)報(bào)告課程名稱(chēng)：數(shù)字圖像處理實(shí)驗(yàn)項(xiàng)目名稱(chēng)：實(shí)驗(yàn)六 圖像分割班級(jí)：姓名： 學(xué)號(hào):實(shí)驗(yàn)時(shí)間：2016.12.16成績(jī):指導(dǎo)老師（簽名）:第#頁(yè)共11頁(yè)第#頁(yè)共11頁(yè)、實(shí)驗(yàn)?zāi)康?.使用matlab軟件進(jìn)行圖像的分割。使學(xué)生通過(guò)實(shí)驗(yàn)體會(huì)一些主要的分割算子對(duì)圖像處理的效果，以及各種因素對(duì)分割效果的影響2.要求學(xué)生能夠自行評(píng)價(jià)各主要算子在無(wú)噪聲條件下和噪聲條件下的分割性能。能夠掌 握分割條件（閾值等）的選擇。完成規(guī)定圖像的處理并要求正確評(píng)價(jià)處理結(jié)果，能夠從理論上 作出合理的解釋。、實(shí)驗(yàn)內(nèi)容與步驟1邊緣檢測(cè)（1）使用roberts算子的圖

2、像分割實(shí)驗(yàn)調(diào)入并顯示圖像room.tif圖像；使用roberts算子對(duì)圖像進(jìn)行邊緣檢測(cè)處理；roberts算子為一對(duì)模板：（a） 45°方向模板（b）1350方向模板圖 1 matlab 2010的roberts算子模板相應(yīng)的矩陣為：rh = 0 1 ； -1 0 ； rv = 1 0 ； 0 -1；這里的rh為45度roberts算子，rv 為135度roberts算子。分別顯示處理后的45度方向和135方向的邊界檢測(cè)結(jié)果；用“歐幾 里德距離”和“街區(qū)距離”方式計(jì)算梯度的模，并顯示檢測(cè)結(jié)果；對(duì)于檢測(cè)結(jié)果進(jìn)行二值化 處理，并顯示處理結(jié)果。提示：先做檢測(cè)結(jié)果的直方圖，參考直方圖中灰度的

3、分布嘗試確定閾值；應(yīng)反復(fù)調(diào)節(jié)閾 值的大小，直至二值化的效果最為滿意為止。-1-1-1000111-101-101-101(a)水平模型(b)垂直模板圖2. prewitt算子模板使用prewitt算子進(jìn)行內(nèi)容 中的全部步驟。使用sobel算子的圖像分割實(shí)驗(yàn) 使用sobel算子進(jìn)行內(nèi)容中的全部步驟。-1-2-1000121-101-202-101(a)水平模型(b )垂直模板圖3. sobel算子模板(4) 使用log (拉普拉斯-高斯)算子的圖像分割實(shí)驗(yàn)使用log (拉普拉斯-高斯)算子進(jìn)行內(nèi)容 中的全部步驟。提示1:處理后可以直接顯示處理結(jié)果，無(wú)須另外計(jì)算梯度的模。提示2:注意調(diào)節(jié)噪聲的強(qiáng)度

4、以及 log (拉普拉斯-高斯)算子的參數(shù)，觀察處理結(jié)果。(5) 打印全部結(jié)果并進(jìn)行討論。下面是使用sobel算子對(duì)圖像進(jìn)行分割的matlab程序f=imread('room.tif);gv,t1=edge(f,'sobel','vertical');%使用 edge 函數(shù)對(duì)圖像 f 提取垂直邊緣 imshow(gv)gb,t2=edge(f,'sobel','horizontal');%使用 edge 函數(shù)對(duì)圖像 f 提取水平邊緣 figure,imshow(gb)w45=-2 -1 0;-1 0 1;0 1 2;%指定

5、模版使用imfilter計(jì)算45度方向的邊緣 g45=imfilter(double(f),w45,'replicate');t=0.3*max(abs(g45(:);%設(shè)定閾值g45=g45>=t;%進(jìn)行閾值處理figure,imshow(g45);在函數(shù)中使用'prewitt'和'roberts的過(guò)程，類(lèi)似于使用sobel邊緣檢測(cè)器的過(guò)程。三、實(shí)驗(yàn)結(jié)果及結(jié)果分析1邊緣檢測(cè)使用roberts算子的圖像分割實(shí)驗(yàn) 實(shí)驗(yàn)結(jié)果：gi35(1)歐幾里得距離計(jì)算梯度模二值化(1)歐幾里得距離計(jì)算梯度模街區(qū)距離計(jì)算梯度模街區(qū)距離計(jì)算梯度模二值化圖4. robe

6、rts算子的圖像分割實(shí)驗(yàn)結(jié)果分析:roberts算子利用局部差分算子尋找邊緣，邊緣定位精度比較高，但容易丟失一部分邊緣, 同時(shí)由于圖像沒(méi)經(jīng)過(guò)平滑處理，因此不具備抑制噪聲能力。該算子對(duì)具有陡峭邊緣且噪聲少 的圖像效果較好。使用prewitt算子的圖像分割實(shí)驗(yàn) 實(shí)驗(yàn)結(jié)果：第4頁(yè)共11頁(yè)g45gi35歐幾里得距離計(jì)算梯度模二值化歐幾里得距離計(jì)算梯度模街區(qū)距離計(jì)算梯度模街區(qū)距離計(jì)算梯度模二值化圖 5 .prewitt算子的圖像分割實(shí)驗(yàn)結(jié)果分析：prewitt算子先對(duì)圖像做加權(quán)平滑處理，然后再做微分運(yùn)算，所不同的是平滑部分的權(quán)值 有些差異，因此它們對(duì)噪聲有一定的抑制能力。使用sobel算子的圖像分割實(shí)驗(yàn)

7、 實(shí)驗(yàn)結(jié)果：(1)歐幾里得距離計(jì)算梯度模(1)歐幾里得距離計(jì)算梯度模二值化第5頁(yè)共11頁(yè)g45gi35第#頁(yè)共11頁(yè)g45gi35街區(qū)距離計(jì)算梯度模街區(qū)距離計(jì)算梯度模二值化第#頁(yè)共11頁(yè)歐幾里得距離計(jì)算梯度模歐幾里得距離計(jì)算梯度模二值化街區(qū)距離計(jì)算梯度模gvgbg45圖7. log (拉普拉斯-高斯)算子的圖像分割街區(qū)距離計(jì)算梯度模二值化圖6. sobel算子的圖像分割實(shí)驗(yàn)結(jié)果分析:sobel算子和prewitt算子一樣，都是先對(duì)圖像做加權(quán)平滑處理，然后再做微分運(yùn)算，因此它們對(duì)噪聲有一定的抑制能力。比較實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)，sobel算子比prewitt算子在噪聲抑制方面略勝一籌，但不能排除檢測(cè)結(jié)

8、果中出現(xiàn)的虛假邊緣。雖然這兩個(gè)算子邊緣定位效果 不錯(cuò)，但檢測(cè)出的邊緣容易出現(xiàn)多像素的寬度。(4)使用log (拉普拉斯-高斯)算子的圖像分割實(shí)驗(yàn) 實(shí)驗(yàn)結(jié)果：實(shí)驗(yàn)結(jié)果分析:拉普拉斯算子，它是無(wú)方向的二階微分算子，對(duì)圖像中的階躍型邊緣定位準(zhǔn)確，該算子 對(duì)噪聲非常敏感，它使噪聲成分得到加強(qiáng)。這兩個(gè)特性使得該算子容易丟失一部分邊緣的方 向信息，造成一些不連續(xù)的檢測(cè)邊緣。log算子，該算子克服了拉普拉斯算子抗噪聲性能比較差的缺點(diǎn)，但是在抑制噪聲的同 時(shí)也可能將原有的比較尖銳的邊緣平滑掉了。(5)打印全部結(jié)果并進(jìn)行討論第7頁(yè)共11頁(yè)使用sobe、prewitt和roberts算子對(duì)圖像進(jìn)行分割實(shí)驗(yàn)。sob

9、el(gv)sobel(gb)sobel(g45)prewitt(gv)prewitt(gb)prewitt(g45)圖8.全部結(jié)果四、實(shí)驗(yàn)中遇到問(wèn)題及解決方法1. 評(píng)價(jià)一下roberts算子、prewitt算子、sobel算子對(duì)于噪聲條件下邊界檢測(cè)的性能。 答：roberts算子采用對(duì)角線方向相鄰兩像素之差近似梯度幅值檢測(cè)邊緣。檢測(cè)水平和垂直邊緣的效果好于斜向邊緣，定位精度高，對(duì)噪聲敏感。sobel算子根據(jù)像素點(diǎn)上下、左右鄰點(diǎn)灰度加權(quán)差，在邊緣處達(dá)到極值這一現(xiàn)象檢測(cè)邊緣。 對(duì)噪聲具有平滑作用，提供較為精確的邊緣方向信息，邊緣定位精度不夠高。當(dāng)對(duì)精度要求 不是很高時(shí)，是一種較為常用的邊緣檢測(cè)方

10、法。prewitt算子利用像素點(diǎn)上下、左右鄰點(diǎn)灰度差，在邊緣處達(dá)到極值檢測(cè)邊緣。對(duì)噪聲具 有平滑作用，定位精度不夠高。2. 實(shí)驗(yàn)中所使用的四種算子所得到的邊界有什么異同？答：算子的存在就是對(duì)這種導(dǎo)數(shù)分割原理進(jìn)行的實(shí)例化計(jì)算，是為了在計(jì)算過(guò)程中直接 使用的一種計(jì)算單位。roberts算子：邊緣定位準(zhǔn)，但是對(duì)噪聲敏感。適用于邊緣明顯且噪聲較少的圖像分割。roberts邊緣檢測(cè)算子是一種利用局部差分算子尋找邊緣的算子robert算子圖像處理后結(jié)果第6頁(yè)共11頁(yè)邊緣不是很平滑。經(jīng)分析，由于robert算子通常會(huì)在圖像邊緣附近的區(qū)域內(nèi)產(chǎn)生較寬的響應(yīng)， 故采用上述算子檢測(cè)的邊緣圖像常需做細(xì)化處理，邊緣定位

11、的精度不是很高。prewitt 算子：對(duì)噪聲有抑制作用，抑制噪聲的原理是通過(guò)像素平均，但是像素平均相當(dāng) 于對(duì)圖像的低通濾波，所以 prewitt算子對(duì)邊緣的定位不如 roberts算子。sobel算子：sobel算子和prewitt算子都是加權(quán)平均，但是 sobel算子認(rèn)為，鄰域的像素 對(duì)當(dāng)前像素產(chǎn)生的影響不是等價(jià)的，所以距離不同的像素具有不同的權(quán)值，對(duì)算子結(jié)果產(chǎn)生 的影響也不同。一般來(lái)說(shuō)，距離越遠(yuǎn)，產(chǎn)生的影響越小。isotropic sobel 算子：加權(quán)平均算子，權(quán)值反比于鄰點(diǎn)與中心點(diǎn)的距離，當(dāng)沿不同方向檢 測(cè)邊緣時(shí)梯度幅度一致，就是通常所說(shuō)的各向同性。laplacian 算子：這是二階微

12、分算子。其具有各向同性，即與坐標(biāo)軸方向無(wú)關(guān)，坐標(biāo)軸旋 轉(zhuǎn)后梯度結(jié)果不變。但是，其對(duì)噪聲比較敏感，所以，圖像一般先經(jīng)過(guò)平滑處理，因?yàn)槠交?處理也是用模板進(jìn)行的， 所以，通常的分割算法都是把 laplacian 算子和平滑算子結(jié)合起來(lái)生 成一個(gè)新的模板。laplacian算子一般不以其原始形式用于邊緣檢測(cè)，因?yàn)槠渥鳛橐粋€(gè)二階導(dǎo)數(shù)，laplacian算子對(duì)噪聲具有無(wú)法接受的敏感性；同時(shí)其幅值產(chǎn)生算邊緣，這是復(fù)雜的分割不希望有的結(jié) 果；最后laplacian算子不能檢測(cè)邊緣的方向；所以laplacian在分割中所起的作用包括：（1） 利用它的零交叉性質(zhì)進(jìn)行邊緣定位；（2）確定一個(gè)像素是在一條邊緣暗的一

13、面還是亮的一面；一般使用的是高斯型拉普拉斯算子 （laplacian of a gaussian,log，由于二階導(dǎo)數(shù)是線性運(yùn)算， 利用 log 卷積一幅圖像與首先使用高斯型平滑函數(shù)卷積改圖像， 然后計(jì)算所得結(jié)果的拉普拉 斯是一樣的。所以在 log 公式中使用高斯函數(shù)的目的就是對(duì)圖像進(jìn)行平滑處理， 使用 laplacian 算子的目的是提供一幅用零交叉確定邊緣位置的圖像；圖像的平滑處理減少了噪聲的影響并 且它的主要作用還是抵消由laplacian算子的二階導(dǎo)數(shù)引起的逐漸增加的噪聲影響。五、實(shí)驗(yàn)心得體會(huì)通過(guò)這個(gè)實(shí)驗(yàn)，我熟練學(xué)會(huì)了利用 matlab 軟件進(jìn)行圖像的分割。在通過(guò)實(shí)驗(yàn)體會(huì)到了 一些主要

14、的分割算子對(duì)圖像處理的效果，以及各種因素對(duì)分割效果的影響。在評(píng)價(jià)各主要算 子在無(wú)噪聲條件下和噪聲條件下的分割性能下，掌握分割條件（閾值等 ）的選擇。完成規(guī)定圖像的處理并評(píng)價(jià)處理結(jié)果。六、源程序清單%1. 使用 roberts 算子的圖像分割實(shí)驗(yàn)i=imread( 'room.tif' ); rh=-1 0; 0 1;rv=0 -1; 1 0; g45=imfilter(double(i),rh,'replicate'g135=imfilter(double(i),rv,'replicate'subplot(3,2,1);imshow(g45,);

15、title( 'g45' ); subplot(322);imshow(g135,);title( 'g135' );%計(jì)算梯度模%(1) 歐幾里得距離計(jì)算梯度模od=sqrt(g45.a2+g135.a2);subplot(323);imshow(od,);title( '(1) 歐幾里得距離計(jì)算梯度模 ' );t=0.1*max(od(:);bwod=od>t;subplot(324);imshow(bwod);title( '(1) 歐幾里得距離計(jì)算梯度模二值化 ' ); %(2) 街區(qū)距離計(jì)算梯度摸jd=abs(g4

16、5)+abs(g135); subplot(325);imshow(jd,);title( '(2) 街區(qū)距離計(jì)算梯度模 ' );t=0.1*max(jd(:);bwod=od>t;subplot(326);imshow(bwod);title( '(2) 街區(qū)距離計(jì)算梯度模二值化 ' );%2. 使用 prewitt 算子的圖像分割實(shí)驗(yàn)i=imread( 'room.tif' );rh=-1 -1 -1;0 0 0;1 1 1;rv=-1 0 1 ;-1 0 1;-1 0 1;g45=imfilter(double(i),rh,'

17、replicate' );g135=imfilter(double(i),rv,'replicate');subplot(3,2,1);imshow(g45,);title( 'g45');subplot(322);imshow(g135,);title( 'g135');%計(jì)算梯度模%( 1 )歐幾里得距離計(jì)算梯度模od=sqrt(g45.a2+g135.a2);subplot(323);imshow(od,);title( '(1) 歐幾里得距離計(jì)算梯度模 ' );t=0.1*max(od(:);bwod=od>

18、t;subplot(324);imshow(bwod);title( '(1) 歐幾里得距離計(jì)算梯度模二值化 ' );%(2) 街區(qū)距離計(jì)算梯度模jd=abs(g45)+abs(g135);subplot(325);imshow(jd,);title( '(2) 街區(qū)距離計(jì)算梯度模 ' );t=0.1*max(jd(:);bwod=od>t;subplot(326);imshow(bwod);title( '(2) 街區(qū)距離計(jì)算梯度模二值化 ' );%3. 使用 sobel 算子的圖像分割實(shí)驗(yàn)i=imread( 'room.tif&

19、#39; );rh=-1 -2 -1;0 0 0;1 2 1;rv=-1 0 1 ;-2 0 2;-1 0 1;g45=imfilter(double(i),rh, 'replicate' ); g135=imfilter(double(i),rv, 'replicate' ); subplot(3,2,1);imshow(g45,);title( 'g45' );subplot(322);imshow(g135,);title( 'g135' );%計(jì)算梯度模%(1) 歐幾里得距離計(jì)算梯度模od=sqrt(g45.a2+g135

20、.a2);subplot(323);imshow(od,);title( '(1) 歐幾里得距離計(jì)算梯度模 ' );t=0.1*max(od(:);bwod=od>t;subplot(324);imshow(bwod);title( '(1) 歐幾里得距離計(jì)算梯度模二值化 ' );%(2) 街區(qū)距離計(jì)算梯度摸jd=abs(g45)+abs(g135);subplot(325);imshow(jd,);title( '(2) 街區(qū)距離計(jì)算梯度模 ' );t=0.1*max(jd(:);bwod=od>t;subplot(326);ims

21、how(bwod);title( '(2) 街區(qū)距離計(jì)算梯度模二值化 ' );%4.使用 log ( 拉普拉斯 -高斯 )算子的圖像分割實(shí)驗(yàn)f=imread( 'room.tif' );gv,t1=edge(f, 'log' , 'vertical' ); %使用 edge 函數(shù)對(duì)圖像 f 提取垂直邊緣 subplot(1,3,1);imshow(gv);title( 'gv' );gb,t2=edge(f, 'log' , 'horizontal' ); %使用 edge 函數(shù)對(duì)圖

22、像 f 提取水平邊緣subplot(1,3,2);imshow(gb);title('gb' );w45=-2 -1 0;-1 0 1;0 1 2;%指定模版使用 imfilter計(jì)算 45 度方向的邊緣g45=imfilter(double(f),w45,'replicate' );t=0.3*max(abs(g45(:);%設(shè)定閾值g45=g45>=t;%進(jìn)行閾值處理subplot(1,3,3);imshow(g45);title('g45' );%5打印全部結(jié)果并進(jìn)行討論。%使用 sobel 、 prewitt 和roberts 算子

23、對(duì)圖像進(jìn)行分割實(shí)驗(yàn)。f=imread( 'room.tif' );gv,t1=edge(f, 'sobel', 'vertical' ); %使用 edge 函數(shù)對(duì)圖像 f提取垂直邊緣subplot(1,3,1);imshow(gv);title('sobel(gv)' );gb,t2=edge(f, 'sobel', 'horizontal' ); %使用 edge函數(shù)對(duì)圖像f 提取水平邊緣subplot(1,3,2);imshow(gb);title('sobel(gb)' );

24、w45=-2 -1 0;-1 0 1;0 1 2;%指定模版使用 imfilter計(jì)算 45 度方向的邊緣g45=imfilter(double(f),w45, 'replicate' );t=0.3*max(abs(g45(:);%設(shè)定閾值g45=g45>=t;%進(jìn)行閾值處理subplot(1,3,3);imshow(g45);title('sobel(g45)' );%使用 prewitt 算子對(duì)圖像進(jìn)行分割實(shí)驗(yàn)。f=imread( 'room.tif' );gv2,t3=edge(f, 'prewitt', '

25、vertical' ); %使用 edge 函數(shù)對(duì)圖像 f 提取垂直邊緣subplot(1,3,1);imshow(gv2);title('prewitt(gv)' );gb2,t4=edge(f, 'prewitt', 'horizontal' ); %使用 edge 函數(shù)對(duì)圖像 f 提取水平邊緣subplot(1,3,2);imshow(gb2);title('prewitt(gb)' );w45=-2 -1 0;-1 0 1;0 1 2;%指定模版使用 imfilter 計(jì)算 45 度方向的邊緣g45=imfilter(double(f),w45,'replicate' );t=0.3*max(abs(g45(:);%設(shè)定閾值g45=g45>=t;%進(jìn)行閾值處理subplot(1,3,3);imshow(g45);title( 'pre