1、課 程 設 計姓 名： 學 號： 學 院： 專 業： 課 目： 數字圖像處理 圖像處理實驗部分此次實驗在MATLAB中實現：打開MATLAB，“file”“new”“script”，則創建新文件即完成，在新建的“Editor-Untitled”即可編程。下面簡單介紹此次實驗中主要應用到的函數：1、 imread 該函數用于讀入各種圖像文件。如：a=imread(rice.tif)，其中圖像rice.tif在MATLAB安裝目錄“matlab”-“toolbox”-“ images”- “imdemos”下，若圖片不在該目錄下，則讀入圖像格式如下：a=imread(D：Demo4.bmp)。2、

2、 imshow該函數用于圖像文件得顯示。如a=imshow(rice.tif)。3、 rgb2gray該函數用于將彩色轉為黑白圖像。如：I=rgb2grayI。4、 subplot該函數一般格式為：subplot(m,n,p)，用于在同一窗口中繪制多個子圖，把圖形窗口分割為m*n個子圖，然后再第P個小窗口中創建坐標軸。5、 fspecial利用該函數可生成濾波時所用的模板。其調用格式如下：(1) h=fspecial(type） (2) h= fspecial(type,parameters)參數type指定濾波器的類型，parameters是與濾波器類型有關的具體參數。6、 medfilt2

3、該函數用于實現中值濾波。其調用格式如下：B= medfilt2(A,m,n)：對圖像A執行二維中值濾波。每個輸出像素為m*n領域的中值。在圖像邊界用0填充，所以邊緣的中值為m,n/2,區域的中值，可能失真。7、imfilter該函數對任意類型數組或多維圖像進行濾波。調用方法如下：B= imfilter(A,H)B= imfilter(A,H,option1,option2,)或g=imfilter(f,w,filtering_mode,boundary_options,size_options)其中，f為輸入圖像，w為濾波掩膜，g為濾波后圖像。filtering_mode用于指定在濾波過程中使

4、用“相關”還是“卷積”。boundary_options用于處理的邊界充零問題，邊界的大小由濾波器的大小確定。一、圖像濾波：1、均值濾波基本原理是用均值代替原圖像中的各個像素值，即對待處理的當前像素點（x，y），選擇一個模板，該模板由其近鄰的若干像素組成，求模板中所有像素的均值，再把該均值賦予當前像素點（x，y），作為處理后圖像在該點上的灰度值g（x，y）。3*3,5*5,7*7窗口下均值濾波實驗程序如下：clear allI=imread('D:A.jpg');J=imnoise(I,'gaussian',0,0.02); %加入均值為0，方差為0.01的高斯

5、噪聲w1=fspecial('average',3 3); % 先定義3*3窗口的濾波器w2=fspecial('average',5 5); % 先定義5*5窗口的濾波器w3=fspecial('average',7 7); % 先定義7*7窗口的濾波器 a=imfilter(J,w1,'replicate'); %讓圖像通過濾波器 b=imfilter(J,w2,'replicate'); c=imfilter(J,w3,'replicate'); subplot(2,3,1);imshow(I

6、);title('原始圖像');subplot(2,3,2);imshow(J);title('加入高斯噪聲后圖像');subplot(2,3,3); imshow(a); title('3*3均值濾波圖像'); subplot(2,3,4);imshow(b);title('5*5均值濾波圖像');subplot(2,3,5);imshow(c);title('7*7均值濾波圖像');運行結果：MATLAB中實現的均值濾波結果（包括3*3，5*5，7*7窗口）2、中值濾波中值濾波的基本原理是把數字圖像或數字序列中

7、一點的值用該點的一個鄰域中各點值的中值代替，讓周圍的像素值接近的真實值，從而消除孤立的噪聲點。方法是去某種結構的二維滑動模板，將板內像素按照像素值的大小進行排序，生成單調上升的二維數據序列，并取出序列中位于中間位置的灰度作為中心像素的灰度。對一個滑動窗口內的諸像素灰度值排序，用中值代替窗口中心像素的原來灰度值（非線性）。中值濾波法能有效削弱椒鹽噪聲，且比鄰域、超限像素平均法更有效3*3,5*5,7*7中值濾波實驗程序：clear allI=imread('D:shu.bmp');I=rgb2gray(I);J=imnoise(I,'salt & pepper&#

8、39;,0.02);subplot(2,3,1);imshow(I);title('原圖像');subplot(2,3,2);imshow(J);title('添加椒鹽噪聲圖像');k1=medfilt2(J); %進行3*3模板中值濾波k2=medfilt2(J,5,5); %進行5*5模板中值濾波k3=medfilt2(J,7,7); %進行7*7模板中值濾波subplot(2,3,3);imshow(k1);title('3*3模板中值濾波');subplot(2,3,4);imshow(k2);title('5*5模板中值濾波&#

9、39;);subplot(2,3,5);imshow(k3);title('7*7模板中值濾波');結果：MATLAB中實現的中值濾波結果（包括3*3，5*5，7*7窗口）3、試驗比較：由上面兩種濾波的結果可以得出以下結論：均值濾波算法簡單，計算速度快，平滑后噪聲方差為處理前的1/m。但是圖像產生模糊，特別在邊緣和細節處；而且鄰域越大，模糊程度越嚴重，由圖可以看出，即3*3模板去噪能力沒有5*5模板強，但5*5模板的處理室圖像更模糊。與均值濾波相比，中值濾波對脈沖干擾及椒鹽噪聲的抑制效果好，在抑制隨機噪聲的同時能有效保護邊緣少受模糊。且運算速度快，可硬化，便于實時處理，但是對點

10、、線等細節較多的圖像卻不太合適。由圖可以看出，在三個窗口中實現的中值濾波，7*7窗口濾波后的圖像最模糊。二、邊緣檢測1. Roberts算子Roberts算子是最古老的算子之一，是一種交差差分算子。由于它只使用當前像素的2*2鄰域，是最簡單的梯度算子，所以計算非常簡單。Roberts算子計算時利用的像素數一共有4個，可以用模板對應4個像素與模板相應的元素相乘相加得到。Roberts算子邊緣定位準，主要缺點是其對噪聲的高度敏感性，原因在于僅使用了很少幾個像素來近似梯度。實用于邊緣明顯而且噪聲較少的圖像分割。 2、 Sobel的原理：Sobel算子根據像素點上下、左右鄰點灰度加權差，在邊緣處達到極

11、值這一現象檢測邊緣。對噪聲具有平滑作用，提供較為精確的邊緣方向信息，邊緣定位精度不夠高。當對精度要求不是很高時，是一種較為常用的邊緣檢測方法。在技術上，它是一離散性差分算子，用來運算圖像亮度函數的梯度之近似值。在圖像的任何一點使用此算子，將會產生對應的梯度矢量或是其法矢量.該算子包含兩組3x3的矩陣，分別為橫向及縱向，將之與圖像作平面卷積，即可分別得出橫向及縱向的亮度差分近似值。 在邊沿檢測中，常用的一種模板是Sobel 算子。 由于Sobel算子是濾波算子的形式，用于提取邊緣，可以利用快速卷積函數， 簡單有效，因此應用廣泛。美中不足的是，Sobel算子并沒有將圖像的主體與背景嚴格地區分開來，

12、換言之就是Sobel算子沒有基于圖像灰度進行處理，由于Sobel算子沒有嚴格地模擬人的視覺生理特征，所以提取的圖像輪廓有時并不能令人滿意。 在觀測一幅圖像的時候，我們往往首先注意的是圖像與背景不同的部分，正是這個部分將主體突出顯示，基于該理論，我們給出了下面閾值化輪廓提取算法，該算法已在數學上證明當像素點滿足正態分布時所求解是最優的。3、Laplacian算子這是二階微分算子，對噪聲比較敏感，所以，圖像一般先經過平滑處理，因為平滑處理也是用模板進行的，所以，通常的分割算法都是把Laplacian算子和平滑算子結合起來生成一個新的模板。Laplacian算子一般不以其原始形式用于邊緣檢測，因為其

13、作為一個二階導數，Laplacian算子對噪聲具有無法接受的敏感性；同時其幅值產生算邊緣，這是復雜的分割不希望有的結果；最后Laplacian算子不能檢測邊緣的方向；所以Laplacian在分割中所起的作用包括：（1）利用它的零交叉性質進行邊緣定位；（2）確定一個像素是在一條邊緣暗的一面還是亮的一面；一般使用的是高斯型拉普拉斯算子（Laplacian of a Gaussian,LoG)，由于二階導數是線性運算，利用LoG卷積一幅圖像與首先使用高斯型平滑函數卷積改圖像，然后計算所得結果的拉普拉斯是一樣的。所以在LoG公式中使用高斯函數的目的就是對圖像進行平滑處理，使用Laplacian算子的目

14、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算子的二階導數引起的逐漸增加的噪聲影響。4、實驗程序：clear all I=imread('D:Demo4.bmp');BW1=edge(I,'roberts');%采用roberts算子進行邊緣檢測BW2=edge(I,'sobel');%采用sobel算子進行邊緣檢測BW3=edge(I,'log');%采用log算子進行邊緣檢測subplot(2,2,1);imshow(I);title('原始圖像&#

15、39;);subplot(2,2,2);imshow(BW1);title('Roberts邊緣檢測');subplot(2,2,3);imshow(BW2);title('sobel邊緣檢測');subplot(2,2,4);imshow(BW3);title('log邊緣檢測')5、實驗結果：6、算法比較：算子加法運算PN乘法運算MNRoberts3*N20Sobel11*N22*N2Laplacian4*N2N2 從加法的角度來看，Roberts算子的運算速度較快，從乘法的角度看Laplacian算子的運算速度較快。Roberts算子對邊緣

16、定位比較準，所以分割結果的邊界寬度比較窄。但是Roberts算子由于不包括平滑，對噪聲比較敏感，在圖像噪聲較少的情況下，分割的結果還是相當不錯的。Soble算子對噪聲有抑制作用，因此不會出現很多孤立的邊緣像素點，不過Soble算子對邊緣的定位不是很準確，圖像的邊界寬度往往不止一個像素，不適合對邊緣定位的準確性要求很高的應用。Sobel算子是通過像素平均來實現的，有一定的抗噪能力，同時圖像也產生了一定的模糊。由于Laplacian算子利用的是二階導數信息，對噪聲比較敏感，所以分割結果中在一些像素上出現了散碎的邊緣像素點。不過Laplacian算子對邊緣的定位還是比較準的。三、圖像分割：1、固定閾

17、值法：利用圖像的灰度特征來選擇一個最佳閾值,使前景和背景的兩個灰度級分布的有效信息為最大。這里主要以圖像二值化為例。圖像二值化是通過設定某個閥值，把具有灰度級的圖像變換成只有兩個灰度級的黑白圖像。設輸入圖像為f ( x, y ),二值化后的圖像為g ( x, y ), 閥值為T, 那么圖像二值化的方法為gx,y=0, &f(x,y)<T255, &f(x,y)T2、最大類間方差法（otsu方法）假定：圖像f(i,j)的灰度區間為0，L-1，選擇一閾值t 將圖像的象元分為c1

18、、c2兩組。 其中，C1 : f(i,j)<t, 象元數：w1，灰度均值:m1，均方差：s12 。C2 :f (i,j)>t，象元數：w2 ，灰度均值:m2，均方差：s22 。當組內方差越小，則組內象素越相似；組間方差越大，則兩組的差別越大。所以sB2/sw2 的值越大，分割效果越好。3、實驗程序：clear allI=imread('D:shu.bmp');I=rgb2gray(I);T=0.5*(double(min(I(:)+double(max(I(:);%設置初始閾值為最大灰度和最小灰度值和的一半done=false;while doneg=I>=T;%分成兩組像素，灰度值大于或者等于T的和灰度值小于T的Tnext=0