圖像處理與機(jī)器視覺(共17頁)

1、精選優(yōu)質(zhì)文檔-傾情為你奉上圖像處理與機(jī)器視覺作 業(yè)姓名： 學(xué)號： 專業(yè)： 測試計(jì)量技術(shù)及儀器 時(shí)間：2016年4月作業(yè)一：圖像增強(qiáng)1、 圖像灰度變換。對圖像（見圖1）進(jìn)行對比度拉伸，通過直方圖獲取灰度分布的最小、最大值。圖1 灰度拉伸算法描述：直方圖均衡化是灰度變換的一個(gè)重要應(yīng)用，它廣泛應(yīng)用在圖像增強(qiáng)處理中?？梢援a(chǎn)生一幅灰度級分布具有均勻概率密度的圖像， 擴(kuò)展了像素取值的動態(tài)范圍。由于許多圖像的灰度值是非均勻分布的，而且灰度值集中在一個(gè)小區(qū)間內(nèi)的圖像也是很常見的。直方圖均衡化就是一種通過重新均勻地分布各灰度值來增強(qiáng)圖像對比度的方法。直方圖均衡化處理是以累積分布函數(shù) （Cumulative Di

2、stri-bution Function- CDF ） 為基礎(chǔ)的直方圖修改法。直方圖均衡化的目的是將原始圖像的直方圖變?yōu)榫夥植嫉男问?，即將一已知灰度概率密度分布的圖像，經(jīng)過某種變換，變成一幅具有均勻灰度概率密度分布的新圖像。源程序：clear;clc;close;I=imread('E:學(xué)習(xí)圖像處理與機(jī)器視覺灰度變換.bmp');%讀取圖像 m,n,o=size(I); grayPic=rgb2gray(I); figure,imshow(I); figure,imshow(grayPic); gp=zeros(1,256); %計(jì)算各灰度出現(xiàn)的概率for i=1:256 g

3、p(i)=length(find(grayPic=(i-1)/(m*n); end figure,bar(0:255,gp); title('原圖像直方圖'); xlabel('灰度值'); ylabel('出現(xiàn)概率'); newGp=zeros(1,256); %計(jì)算新的各灰度出現(xiàn)的概率S1=zeros(1,256); S2=zeros(1,256); tmp=0; for i=1:256 tmp=tmp+gp(i); S1(i)=tmp; S2(i)=round(S1(i)*256); end for i=1:256 newGp(i)=sum

4、(gp(find(S2=i); end figure,bar(0:255,newGp); title('均衡化后的直方圖'); xlabel('灰度值'); ylabel('出現(xiàn)概率'); newGrayPic=grayPic; %填充各像素點(diǎn)新的灰度值for i=1:256 newGrayPic(find(grayPic=(i-1)=S2(i); end figure,imshow(newGrayPic);專心-專注-專業(yè)處理結(jié)果及分析： 運(yùn)行以上代碼后，matlab出來的圖像如下圖1.1和圖1.2所示： 圖1.1 原圖像及其直方圖 

5、  圖1.2 直方圖均衡化后的圖像及其直方圖從上圖中可以看出，圖像灰度的最大值為250，最小為0，用直方圖均衡化后，圖像的直方圖的灰度間隔被拉大了，均衡化的圖像的一些細(xì)節(jié)顯示了出來，這有利于圖像的分析和識別。直方圖均衡化就是通過變換函數(shù)histeq將原圖的直方圖調(diào)整為具有“平坦”傾向的直方圖，然后用均衡直方圖校正圖像。2、（選作）設(shè)計(jì)K近鄰均值（中值）濾波器，給出圖像（見圖）處理結(jié)果。1) 以待處理像素為中心，作一個(gè)m*m的作用模板。2） 在模板中，選擇K個(gè)與待處理像素的灰度差為最小的像素。3） 將這K個(gè)像素的灰度均值（中值）替換掉原來的像素值。圖2 圖像濾波算法描述：鄰近均值濾波，

6、即中值濾波(Median filtering)是一種非常有用的非線性信號處理方法，在一定程度上可以克服采用諸如鄰域均值濾波等線性低通濾波器消除噪聲時(shí)，會將圖像邊緣模糊掉的缺點(diǎn)。中值濾波尤其對圖像中的脈沖噪聲、掃描噪聲等能有良好的去除效果，但是對含有過多細(xì)節(jié)的圖像，處理效果一般不好。中值濾波器根據(jù)器計(jì)算方法，可以稱為非線性濾波器中的排序統(tǒng)計(jì)濾波器，它不是簡單的加權(quán)求和，而是先把鄰域像素按灰度級進(jìn)行排序，然后再選擇該組的中值作為模板輸出結(jié)果。由于中值濾波在算法設(shè)計(jì)上使與周圍像素灰度級相差較大的點(diǎn)處理后能和周圍的像素值比較接近，因此可以衰減隨機(jī)噪聲，尤其是脈沖噪聲等。但由于不是簡單的取均值，因此產(chǎn)生

7、的模糊要少得多。圖2.1為中值濾波器得一維應(yīng)用示例，其中圖(a)為一疊加有1/4采樣頻率正弦震蕩得離散信號序列，在3點(diǎn)鄰域中進(jìn)行中值濾波，在得到得處理結(jié)果(b)中，完全消除了正弦波的干擾，而且保留了邊界。（a） （b） 圖2.1 中值濾波 中值濾波由于需要對鄰域所有像素按灰度級進(jìn)行排序之后得到模板輸出結(jié)果，因此在計(jì)算速度上要比模板卷積慢。為了加快處理速度，在程序設(shè)計(jì)時(shí)采用“冒泡”排序法排序。選用函數(shù)medfilt2，b=medfilt2(a,m,n);b是后的圖象矩陣，a是原圖矩陣，m和n是處理模版大小，默認(rèn)3×3源程序：clear;clc;close;%medfilt2函數(shù)Y=im

8、read('E:學(xué)習(xí)圖像處理與機(jī)器視覺圖像濾波.bmp');%讀取圖像H=medfilt2(Y,2 2);subplot(1,2,1),imshow(Y),title('原圖')subplot(1,2,2),imshow(H),title('中值濾波后的效果圖');figure,imshow(newGrayPic);處理結(jié)果及分析：當(dāng)選2×2時(shí)，處理結(jié)果為：圖2.2 中值濾波2*2效果圖當(dāng)選3×3時(shí)，處理結(jié)果為：圖2.3 中值濾波3*3效果圖 當(dāng)選7×7時(shí)，處理結(jié)果為：圖2.4 中值濾波7*7效果圖由上可知，經(jīng)過中值

9、濾波后圖像變得更加清晰可見。并且函數(shù)medfilt2中，M*M選取并不是越大越好，也不是越小越好，從而要選取適當(dāng)?shù)闹?。用matlab編寫的中值濾波算法程序：clear;clc;close;X=imread('E:學(xué)習(xí)圖像處理與機(jī)器視覺圖像濾波.bmp ');Y=uint8(X); %把x轉(zhuǎn)換成8位的無符號整形數(shù)據(jù)。U1 = imnoise(Y,'salt & pepper', 0.02);subplot(1,2,1),imshow(uint8(U1),title('原圖');p=size(U1);x1=double(U1);x2=x1;n

10、=3; %模板 n*n.for i=1:p(1)-n+1 for j=1:p(2)-n+1 c=x1(i:i+(n-1),j:j+(n-1); %取出x1中從(i,j)開始的n行n列元素,即模板(n×n的) e=c(1,:); %是c矩陣的第一行 for u=2:n e=e,c(u,:); %將c矩陣變?yōu)橐粋€(gè)行矩陣 end mm=median(e); %mm是中值 x2(i+(n-1)/2,j+(n-1)/2)=mm; %將模板各元素的中值賦給模板中心位置的元素 endend %未被賦值的元素取原值D=uint8(x2);subplot(1,2,2),imshow(uint8(D),

11、title('中值濾波后的效果圖');處理結(jié)果如下圖：圖2.5中值濾波處理效果圖從處理結(jié)果看出，用matlab函數(shù)medfilt2和自己編寫的程序，能達(dá)到同樣的效果。作業(yè)二：圖像變換1、 對圖像（見圖）用FFT算法從空域變換到頻域；顯示幅度頻譜，使圖像能量中心移到幾何中心。將圖像旋轉(zhuǎn)450，再顯示幅度頻譜。圖 3 圖像變換 算法描述：傅立葉變換是數(shù)字圖像處理中應(yīng)用最廣的一種變換，其中圖像增強(qiáng)、圖像復(fù)原和圖像分析與描述等，每一類處理方法都要用到圖像變換，尤其是圖像的傅立葉變換。圖像的頻域增強(qiáng)，常用的圖像增強(qiáng)技術(shù)可分為基于空域和基于變換域的兩類方法。最常用的變換域是頻域空間。在頻域

12、空間，圖像的信息表現(xiàn)為不同頻率分量的組合。如果能讓某個(gè)范圍內(nèi)的分量或某些頻率的分量受到抑制而讓其他分量不受影響，就可以改變輸出圖像的頻率分布，達(dá)到不同的增強(qiáng)目的。頻域增強(qiáng)的工作流程：傅立葉變換濾波器傅立葉反變換頻域空間的增強(qiáng)方法對應(yīng)的三個(gè)步驟：(1) 將圖像f(x,y)從圖像空間轉(zhuǎn)換到頻域空間，得到F(u,v)；(2) 在頻域空間中通過不同的濾波函數(shù)H(u,v)對圖像進(jìn)行不同的增強(qiáng),得到G(u,v)（注：不同的濾波器濾除的頻率和保留的頻率不同，因而可獲得不同的增強(qiáng)效果）；(3) 將增強(qiáng)后的圖像再從頻域空間轉(zhuǎn)換到圖像空間，得到圖像g(x,y)。將圖像由空域轉(zhuǎn)換到頻域，理論基礎(chǔ)是傅里葉變換，要在數(shù)

13、字圖像處理中應(yīng)用傅立葉變換，還需要解決兩個(gè)問題：一是在數(shù)學(xué)中進(jìn)行傅立葉變換的f(x)為連續(xù)（模擬）信號，而計(jì)算機(jī)處理的是數(shù)字信號（圖像數(shù)據(jù)）；二是數(shù)學(xué)上采用無窮大概念，而計(jì)算機(jī)只能進(jìn)行有限次計(jì)算。通常，將受這種限制的傅立葉變換稱為離散傅立葉變換（Discrete Fourier Transform，DFT)。設(shè)f(x)|f(0),f(1), f(2), f(N-1)為一維信號f(x)的N個(gè)抽樣，其離散傅立葉變換對為：式中：x，u=0， 1， 2， , N1。旋轉(zhuǎn)圖像函數(shù)imrotate，如 J = imrotate(I,45,'bilinear','crop')

14、; %雙線性插值法旋轉(zhuǎn)圖像45度，并剪切圖像和原圖像大小一致。源程序：clc;clear;close;I,map=imread('E:學(xué)習(xí)圖像處理與機(jī)器視覺圖像變換.bmp');subplot(2,2,1),imshow(I),title('圖像變換原圖');J1=imrotate(I,45,'bilinear','crop'); %雙線性插值法旋轉(zhuǎn)圖像60度，并剪切圖像和原圖像大小一致subplot(2,2,3),imshow(J1),title('旋轉(zhuǎn)圖像45度');J2=fft2(I); %fft2 函數(shù)用于

15、數(shù)字圖像的二維傅立葉變換K1=fftshift(abs(J2); %頻譜中心化RR1=real(K1); %取傅立葉變換的實(shí)部II1=imag(K1); %取傅立葉變換的虛部A1=sqrt(RR1.2+II1.2); %計(jì)算頻譜幅值A(chǔ)1=(A1-min(min(A1)/(max(max(A1)-min(min(A1)*225; %歸一化,max(a)求矩陣a中列最大，max(max(a)表示求a中最大元素。subplot(2,2,2),imshow(A1),title('原圖像的幅度頻譜'); %顯示原圖像的頻譜J3=fft2(J1); %fft2 函數(shù)用于數(shù)字圖像的二維傅立葉

16、變換K2=fftshift(abs(J3); %頻譜中心化RR2=real(K2); %取傅立葉變換的實(shí)部II2=imag(K2); %取傅立葉變換的虛部A2=sqrt(RR2.2+II2.2); %計(jì)算頻譜幅值A(chǔ)2=(A2-min(min(A2)/(max(max(A2)-min(min(A2)*225; %歸一化subplot(2,2,4),imshow(A2),title('旋轉(zhuǎn)后圖像的幅度頻譜'); %顯示旋轉(zhuǎn)圖像的頻譜處理結(jié)果及分析： 圖3.1 圖像變換處理對比圖由旋轉(zhuǎn)不變性可知，如果時(shí)域中離散函數(shù)旋轉(zhuǎn)45角度，則在變換域中該離散傅立葉變換函數(shù)也將旋轉(zhuǎn)同樣的角度。2（

17、選作）、已知圖像為求其2維FFT變換F(u,v)。源程序：clc;clear;close;f=0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8;subplot(1,2,1),imshow(f,0 255),title('圖像變換原圖');F=fft2(f);%F=fftshift(log(1+abs(F); %頻譜中心化subplot(1,2,2),imshow(F,0 255),title('傅里葉變換后圖像');處理結(jié)果及分析：圖3.2 圖像變換作業(yè)二結(jié)果圖作業(yè)三：圖像分割1、采用合適方法對圖像（見圖4）進(jìn)行邊緣檢測。圖4 邊緣檢測算法描述：邊

18、緣檢測是從圖像中抽取邊緣集合?；静襟E：去噪 增強(qiáng) 檢測 定位去噪：濾波器降低噪聲，但也導(dǎo)致邊緣強(qiáng)度損失。增強(qiáng)：突顯鄰域中灰度有顯著變化的點(diǎn)，一般通過梯度幅值完成。檢測：梯度幅值較大的并不全是邊緣點(diǎn)，確定哪些是邊緣點(diǎn),如梯度幅值閾值判定。定位：精確確定邊緣的位置及方向，可在子像素分辨率上來估計(jì)。采用的檢測方法有，Roberts算子定位比較精確,但由于不包括平滑,所以對于噪聲比較敏感。Prewitt算子和Sobel算子都是一階的微分算子,而前者是平均濾波,后者是加權(quán)平均濾波且檢測的圖像邊緣可能大于2個(gè)像素。這兩者對灰度漸變低噪聲的圖像有較好的檢測效果。實(shí)際工程中，Sobel算子應(yīng)用比較廣泛。LO

19、G 濾波器方法通過檢測二階導(dǎo)數(shù)過零點(diǎn)來判斷邊緣點(diǎn)。LOG 濾波器中的正比于低通濾波器的寬度,越大,平滑作用越顯著,去除噪聲越好,但圖像的細(xì)節(jié)也損失越大,會出現(xiàn)邊緣間斷現(xiàn)象；越小，平滑作用越輕，會出現(xiàn)假邊緣，所以要求適當(dāng)選取。Canny方法是一階傳統(tǒng)微分中檢測階躍型邊緣效果最好的算子之一。它比Roberts算子、Sobel算子和Prewitt算子的去噪能力都要強(qiáng),能真正檢測到弱邊緣。缺陷：采用固定的門限，缺乏對不同圖像的自適應(yīng)性，自動化程度低。源程序：clc;clear;close;Y,map=imread('E:學(xué)習(xí)圖像處理與機(jī)器視覺邊緣檢測.bmp');subplot(2,3

20、,1),imshow(Y),title('邊緣檢測原圖');BY_roberts=edge(Y,'roberts');subplot(2,3,2),imshow(BY_roberts),title('roberts檢測');BY_sobel=edge(Y,'sobel');subplot(2,3,3),imshow(BY_sobel),title('sobel檢測');BY_prewitt=edge(Y,'prewitt');subplot(2,3,4),imshow(BY_prewitt),tit

21、le('prewitt檢測');BY_laplace=edge(Y,'log');subplot(2,3,5),imshow(BY_laplace),title('laplace檢測');BY_canny=edge(Y,'canny');subplot(2,3,6),imshow(BY_canny),title('canny檢測');處理結(jié)果及分析：圖4.1 邊緣檢測結(jié)果2（選作）、采用判斷分析法對圖像（圖5）進(jìn)行分割處理。圖5 圖像分割算法描述：判別分析法確定最佳閾值的準(zhǔn)則， 是使進(jìn)行閾值處理后分離的像素類之間的

22、類間方差最大。設(shè)圖像總像素?cái)?shù)為N，灰度值為i的像素?cái)?shù)為Ni，則至灰度級K的灰度分布的0階矩及1階矩分別定義為0階矩： 1階矩：當(dāng)K=L-1時(shí)，(L-1)=1；(L-1)T，T稱為圖像的平均灰度。歸一化直方圖為：源程序：clc;clear;close;Y=imread('E:學(xué)習(xí)圖像處理與機(jī)器視覺圖像分割.bmp');H=graythresh(Y); %使用最大類間方差法找到圖片的一個(gè)合適閾值，供函數(shù)im2bw用H1=im2bw(Y,H);subplot(1,2,1),imshow(Y),title('圖像分割原圖');subplot(1,2,2),imshow(

23、H1),title('判別分析法分割后的圖像');處理結(jié)果與分析：圖5.1 圖像分割處理結(jié)果由圖5.1可知，經(jīng)過判別分析法分割后可以看到圖形的大概輪廓。作業(yè)四：圖像特征提取1、采用圖像分塊處理的方法提取圖像不同區(qū)域的特征值。圖6 圖像特征提取算法描述：圖像分塊就是將一個(gè)m×n的圖像矩陣I分成 p×q圖像分塊矩陣。即其中每個(gè)子圖像是矩陣。需要指出的是，在進(jìn)行矩陣分塊時(shí)，必須使子圖像的大小與原始圖像劃分的塊數(shù)滿足，才可緩解小樣本問題。把所有訓(xùn)練圖像樣本的子圖像看作訓(xùn)練樣本圖像向量，再對之施行LDA方法。訓(xùn)練樣本圖像的分塊矩陣表示為則所有訓(xùn)練圖像樣本的子圖像矩陣的類間散布矩陣為所有訓(xùn)練圖像樣本的子圖像矩陣的類內(nèi)散布矩陣為其后的任務(wù)與