綜合作業二

（春季學期）

一.對XI照片圖像增強...............................................3

1.1直方圖增強...................................................3

1.1.1直方圖拉伸增長對比度..................................3

1.1.2直方圖均衡.............................................4

1.2偽彩色增強..................................................5

L2.1等密度分割法...........................................5

1.2.2多波段合成偽彩色顯示...................................8

二.對x2照片圖像增強.............................................10

2.1濾波.........................................................10

2.1.1多種濾波器............................................11

2.1.2中值濾波..............................................13

2.1.3二階butterworth濾波..............................15

2.2直方圖增強..................................................17

三.邊緣提取及增強.................................................19

3.1對xl邊緣提取及復合.........................................20

3.1.1對xl邊緣提取.........................................20

3.1.2對xl邊緣復合.........................................21

3.2對x2邊緣提取及復合.........................................22

3.2.1直接對原圖x2邊緣提取................................22

3.2.2去噪后邊緣提取........................................24

3.2.3對x2邊緣復合.........................................24

對XI照片圖像增強

1.1直方圖增強

1.1.1直方圖拉伸增長對比度

為了增強圖像，觀測X1,我們考慮增長圖像的對比度，看與否能使圖像更

清晰。

詳細的編程思緒是，讀入xl圖像，運用ma:lab自帶『、Jimadjust函數，對

比所得成果，詳細程序見附錄1.1.1(a),試驗成果見圖1.1.1(1)o

1.1.1(a)

結論：由圖1.1.1(a)對比發現，左右兩邊基本沒有區別，基本沒有圖像增

強效果。我們考慮到運用imadjust函數可以得到原圖日勺負片，即將原灰度圖白

色的地方變成黑色，黑色的地方變成白色，這種效果也許使XI圖像自身對比更

鮮明，起到圖像增強日勺作用，詳細程序見附錄LL1(2),試驗成果見圖1.1.1

(b)o

1.1.1(b)

結論：由圖1.1.1(b)H勺對比發現，從人眼的視覺角度來看，右圖比起左圖,

在感官上比較舒適，似乎有點圖像增強的意思，但總體上，效果還不是很好。

LL2直方圖均衡

在第三章的作業習題里，我們已經接觸過直方圖均衡，它是一種運用圖像

直方圖對對比度進行調整的措施，也是圖像增強常用日勺措施之一。

我們的編程思緒是運用matlab中自帶的某些函數對原圖進行處理，詳細程

序見附錄L1.2,試驗成果見圖1.1.2。

原圖像原圖像直方圖

均衡化后圖像

i.1.2

結論：由圖1.1.2口勺對比，我們可以發現直方圖均衡化后的圖像整體變亮，

圖片中部分位置變得清晰某些，部分位置灰度值過高，圖像有些發白，沒有得到

好的圖像增強效果，甚至發白部位阻礙醫生觀測骨骼細節。原因是由于這種措

施對處理的數據不加選擇，當原圖日勺直方圖有高峰時，經處理后對比度會不自然

的過度增強。

1.2偽彩色增強

1.2.1等密度分割法

對圖像中各像元亮度值進行記錄，確定其最小值和最大值，確定分割的等級

N,計算出分割的間隔再對輸入圖像的每一種像元進行亮度轉換，為像元新值賦

色。

(1)matlab自帶函數grayslice(I,n)(源程序：colorl.m)

將灰度圖XI均勻量化為n個等級，然后運用jet映射將其轉化為偽彩色圖

像X。程序見附錄1.2.1(1)

1.2.1(a)N二8

四俗皿序處nest*

1.2.1(b)N=64

1.2.1(c)n=256

分析?：由上面三組圖像可知，當分割等級越大，所展現歐I效果越好。

(2)自編程序(源程序：color2.in)

將圖像XI按灰度分為11份

R=0：256間隔為256/10

G=0到256再到0間隔為256/5

B=256：0間隔為256/10

密度分割法

1.2.1(d)

分析：從上面各圖日勺分析我們懂得n越大，效果越好。但對比運用grayslice(I,

n)函數n=8時的效果，自編程序片11時的效果沒有很好，也許是顏色映射不恰

當，導致效果不好。

1.2.2多波段合成偽彩色顯示

(源程序：color,m)

對同一幅圖像在不一樣波長獲得多幅圖像，可采用多種變換方式，最終合成

R、G、B圖像進而形成為彩色圖像顯示。在這里使用分段線性映射法。試驗成果

見1.2.2.程序見附錄1.2.2.

多波段合成為彩色顯示

1.2.2

分析：對比運用密度分割法產生的效果，多波段合成偽彩色顯示法H勺效果不是很

好，反而將圖像變得愈加模糊。

結論：通過對圖像進行偽彩色處理，重要得出如下兩點。

(1)對圖像進行偽彩色處理時，不一樣的偽彩色處理措施有不一樣的效果，要

選擇合適MJ處理措施C

(2)不一樣H勺顏色映射法也有不一樣H勺效果，根據圖像選擇合適日勺顏色映射法。

二.對x2照片圖像增強

2.1濾波

首先我們先分別觀測一下X2H勺在MATI.AR中H勺原始圖像和頻譜分布狀況由

于我們觀測到X2是彩色圖，因此我們需要運用rgb2gray函數將它轉換成灰度圖

再進行處理X2日勺原始圖像和頻譜分布圖如下圖2.1所示：

2.1

我們觀測到X2的灰度圖存在較嚴重的椒鹽噪聲，其頻譜圖也存在一種十字

又日勺亮線，不過圍繞中間亮點又有一種矩型噪聲。

綜上，X2存在明顯口勺噪聲近似于椒鹽噪聲，因此我們先采用“廣撒網，撈

大魚”口勺措施進行篩選，嘗試使用不一樣類型的濾波器對X2進行濾波處理，分

析對比哪種濾波器日勺濾波效果最佳，然后再選擇淀波效果最佳的濾波器進行多種

參數設置，使其濾波效果最佳。

2.1.1多種濾波器

在這里我們使用了高斯低通濾波器，均值濾波器，中值濾波器，自適應濾波

器，二維記錄次序濾波器，二階Butterworth濾波器分別對X2圖像進行濾波。

程序見附錄2.1.1

多種濾波成果如下圖2.1.1所示:

高斯低通濾波均值濾波

中值濾波自適應濾波

二維記錄次序濾波二階butterworth濾波

2.1.1

結論：對比分析后我們發現，中值濾波對于清除噪聲效果最佳，第二好日勺是

二階butterworth濾波，而自適應濾波清除效果則較差。因此接下來我們針對中

值濾波器和二階butterworth濾波器進行詳細的參數設置，通過多次試驗使其到

達最佳日勺效果。

2.1.2中值濾波

由于觀測X2的原始圖像和頻譜分布圖，我們發現X2存在很明顯口勺椒鹽噪

聲，因此我們可以預見到使用中值濾波對X2進行處理后會有明顯的改善?；?/p>

思緒是先讀入待處理圖像，由于我們到觀測X2是彩色圖，因此我們需要運用

rgb2gray函數先將它轉換成灰度圖，再運用中值濾波器對其進行平滑濾波，分

別使用3*3窗口，5*5窗口，7*7窗口，11*11窗口進行處理，分析比較處理成

果。程序見附錄2.1.2

d，k?、、C&?；4?&□S■□

加后的中值4波圖像

X2的處理成果如下圖2.1.2所示：I

3*3窗口中值濾波7*7窗口中值濾波

11*11窗口中值濾波13*13窗口中值濾波

2.1.2

結論：正如預想的那樣，中值濾波對X2會產生明顯的效果。中值濾波對于

清除椒鹽噪聲效果明顯，是由于椒鹽噪聲只在畫面上的部分點出現，而中值濾波

根據數據排序，將未被污染日勺點替代噪聲點日勺值日勺概率較大，因此克制效果好。

不過當我們選擇口勺窗口較小時噪聲仍然比較嚴重，當我們把窗口加到11*11時只

存在少數噪聲，當我們把窗口加到13*13時，噪聲基本消除，雖然某些細節也模

糊了，不過效果最佳。

2.1.3二階butterworth濾波

基本環節與中值濾波相似，這里不再贅述。不過，我們認為二階butterworth

濾波應當達不到中值濾波的效果。此外，二階bullerwurlh濾波需耍修改與原點

的距離dO,來實現最優效果，下圖2.1.3分別展示了在d0=10,12,14,16,18,20

時日勺狀況。程序見附錄2.1.3

d0=10d0=12

d0=14d0=16

d0=18d0=20

2.1.3

結論：顯而易見，無論我們怎么修改參數dO,其成果一直沒有中值濾波好。

同步，我們發現就X2圖像而言，當d0=14左右時，二階butterworlh濾波器的

效果是最佳日勺。因此，為了到達對X2圖像最佳的處理效果，我們選擇了中值濾

波器進行濾波處理。

2.2直方圖增強

由于在之前L1的(1)中，我們發現通過直方圖拉伸來增長對比度日勺措施

幾乎沒有任何作用，因此對X2不再反復。

由于x2明顯存在噪聲，因此我們對2.1中去噪后H勺圖進行直方圖均衡化處

理，詳細程序見附錄2.2,試驗成果見圖2.2。

原圖百萬圖

原圖

13x13窗的中值濾波去噪后的圖像去嗓后圖像直方圖

去噪圖像均衡化后圖像去嗓圖像均衡化后圖像直方圖

2.2

結論：觀測并充比圖2.2,我們發現，中值濾波去噪后的圖像再做均衡化

處理，泛白狀況非常嚴重，嚴重損害了圖像質量，因此直方圖均衡口勺措施不能用

于x2圖像的增強。

三.邊緣提取及增強

圖像的邊緣部分走應圖像上灰度變化劇烈的區域。

圖像的邊緣提取有多種措施，可以采用一階微分算子，如sobel算子，

Roberts算子，Prewitt算子，Canny算子。也可以采用二階微分算子，如

Laplacian算子。

多種算子均有對應的優缺陷，Sobel算子檢測措施對灰度漸變和噪聲較多的

圖像處理效果很好，但Sobel算子對邊緣定位不是很精確，圖像的邊緣不止一

種像素。Roberts算子檢測措施對具有陡峭日勺低噪聲的圖像處理效果很好，不過

運用roberts算子提取邊緣日勺成果是邊緣比較粗，因此邊緣的I定位不是很精確。

Prewitt算子檢測措施對灰度漸變和噪聲較多的圖像處理效果很好。但邊緣較寬，

并且間斷點多。Laplacian算子法對噪聲比較敏感，因此很少用該算子檢測邊緣,

而是用來判斷邊緣像素視為與圖像的明區還是暗區。Canny措施不輕易受噪聲

干擾，可以檢測到真正的弱邊緣。長處在于，使用兩種不一樣的閾值分別檢測強

動緣和弱邊緣,并口當弱功緣和強邊緣相連時，才將弱邊緣包括在輸出圖像,它

是目前邊緣檢測最常用的I算法，效果也是最理想日勺。

3.1對xl邊緣提取及復合

3.1.1對xl邊緣提取

根據上述對邊緣提取的分析，我們編寫了各個邊緣提取口勺程序，但愿找到一

種最佳H勺邊緣提取函數，進而得到最佳的圖像增強效果。XI的詳細程序見附錄

3.1.1,試驗成果見圖3.L1。

PrewittEdgeLaplasianofGaussianEdgeCannyEdge

3.1.1

觀測對比圖3.1.1,可以很明顯地發現Canny措施提取日勺邊緣效果最佳，這

個成果符合我們之前日勺分析，因此接下來日勺復合邊緣，我們都采用Canny措施。

3.1.2對xl邊緣復合

由于對xl做直方圖均衡化后，部分圖像由于對比度過高而泛白，不僅沒有

增強圖像，還損害了圖像的部分細節，因此復合時不再考慮疊加均衡化后H勺圖，

因此我們的思緒是將canny邊緣提取圖疊加在原圖上，進行邊緣復合。詳纖程

序見附錄3.1.2,試驗成果見圖3.1.2。

原圖原圖cann也緣提取

原圖與canny邊緣提取圖復合

3.1.2

結論：觀測并分析3.1.2,運用canny算子提取邊緣后的圖像與原圖進行

疊加，復合后的圖像輪廓愈加清晰，對比度明顯增強，到達了圖像增強的效果。

不過提取的邊緣過多，諸多細節被模糊了，總體效果不是很理想，這是我們需要

處理的問題，不過目前還沒找到更好的措施。

3.2對x2邊緣提取及復合

3.2.1直接對原圖x2邊緣提取

由于x2是彩色圖，因此要對其進行灰度轉化，其他操作思緒同xl。x2日勺詳

細程序見附錄3.2.1,試驗成果見圖3.2.1。

LapiasianofGaussianEdgeCannyEdge

3.2.1

結論：觀測對比圖3.2.1,同圖3.1.1同樣，也可以很明顯地發現Canny

措施提取的邊緣效果最佳，因此接下來的復合邊緣，我們也就只采用Canny措

施進行圖像增強。

此外，我們還發現，在提取邊緣的同步，我們把噪聲也當邊緣提取了。這是

由于原圖X2有明顯歐I噪聲存在，我們在提取邊緣時，是提取圖像上灰度變化劇

烈的I區域，自然就會把噪聲也提取出來，這是我們不但愿看到時，因此在提取邊

緣之前需要對輸入圖像X2進行消除噪聲的處理。

3.2.2去噪后邊緣提取

詳細的思緒是：前面我們已經對x2濾波進行去噪處理，發現13*13的中值

濾波器具有最佳的效果，并且canny算子具有最佳口勺邊緣提取效果。因此我們

將采用該尺寸的I中值濾波器，對濾波后所得日勺圖，進行canny邊緣提取。詳細

程序見附錄3.2.2,試驗成果見圖3.2.2。

原圖原氮canny邊緣提取

13x13窗的中值濾波后的圖像13x13窗的中值濾波后再canny邊緣提取

3.2.2

觀測對比圖322,很明顯，去噪后得到的邊緣圖就是我們所需要日勺。

3.2.3對x2邊緣復合

由于直方圖均衡不僅不能增強x2,反而由于對比度過高，損害了圖像細節，

因此復合時，不再考慮疊加直方均衡圖。在前面，我們成功日勺得到了中值濾波去

噪后的圖和去噪后的邊緣提取圖，接下來我們的思緒是將這兩幅圖疊加，來增強

圖像。詳細程序見附錄3.2.3,試驗成果見圖3.2.3。

豐值浣注京cannyi±緣提取而*施謔茨笛的與與csrnyii緣提冢田復合

3.2.3

結論：觀測對比圖323,運用canny算子提取邊緣后的圖像與原圖進行

疊加，復合后口勺圖像輪廓愈加清晰，諸多本來模糊的細節可被肉眼直接觀測，例

如復合后的圖像中指甲也清晰可見。不過手腕關節處的骨骼由于過多的細節提取

被掩蓋。不過總體效果比較理想，圖像的對比度明顯增強。

作業合作闡明

我們三個（厲宏蘭，徐節速，李倩）都來自南京天光所，不過之

前從未接觸過MATLAB編程以及圖像處理的有關內容，因此本次作業

我們選擇了一起合作探討，互相學習。徐節速同學重要做了直方圖增

強以及邊緣函數提取復合，李倩同學重要做了圖像的偽彩色增強，厲

宏蘭同學重要做了圖像濾波去噪工作。最終一起討論了處理成果，運

用了各自的最優算法對圖像進行了最終H勺綜合處理。

附錄：

1.1.1(1)

f=imread('C:\Users\Administrator\Desktop\XL.tif*);

fl=imadjust(f,stretchlim(f)z[]);

subplot(1,2,1);imshow(f)

title。原始圖像，)

subplot(1,2,2);imshow(fl)

title「增長對比度后圖像,)

f=imread(*C:\Users\Administrator\Desktop\XL.tif');

fl=imadjust(f,[0,1],[1,0]);

subplot(1,2,1);imshow(f)

title；「原始圖像，)

subplot(1,2,2);imshow(fl)

title「負片，)

1.1.2

f=imread(*C:\Users\Administrator\Desktop\XL.tif*);

subplot(2,2,1),imshow(f);

titled原圖像,）；

subplot(2,2,2),imhist(f);

title。原圖像直方圖,)

subplot(2,2,3),fl=histeq(f);

imshow(fl);

title。均衡化后圖像,)

subplot(2,2,4),imhist(f1);

title(，均衡化后圖像直方圖，)

1.2.1(1)

I=imread(，C:\Users\lenovo\Desktop\綜合作業2_V3\X光圖像\X1.tif，)；

X=gray31ice(I,64);

figure;imshow(X);titIe(，索弓I圖像，);

figure;imshow(X,jet(64))/title('matlab自帶程序處理圖像,);

1.2.1(2)

I=imread(，C:\Users\lenovo\Desktop\綜合作業2_V3\X光圖像\X1.tif，)；

figure;imshow(I)；title('原始圖像，);

[m,n]=size(I);

Imax=max(max(I));

Imin=min(min(I));

a=(Imax-Imin)/IO;

fori=l:m

forj=l:n

ifImin<=I(i,j)&&工(i,j)<=(Imin+a)

R(i,j)=0;

G(i/j)=0;

B(i,j)=256;

elseif(Imin+a)<1(izj)&&I(i/j)<=(Imin+2*a)

R(i,j)=25;

G(i,j)=50;

B(izj)=225;

elseif(Imin+2*a)<1(i,j)&&I(izj)<=(Imin+3*a)

R(i,j)=50;

G(i,j)=100;

B(izj)=200;

elseif(Imin+3*a)<=(Imin+4*a)

R(i/j)=75;

G(i,j)=150;

B(i,j)=175;

elseif(Imin+4*a)<I(izj)&&I(izj)<=(Inin+5*a)

R(i,j)=100;

G(i,j)=200;

B(i,j)=150;

elseif(Imir)+5*a)<=(Imin+6*

R(i,j)=125;

G(i,j)=256;

B(izj)=125;

elseif(Imin+6*a)(Inin+7*a)

R(i,j)=150;

G(i,j)=200;

B(izj)=100;

elseif(Imin+7*a)<=(Imin+8*a)

R(i,j)=175;

G(i,j)=150;

B(i,j)=75;

elseif(Imin+8*a)<I(izj)&&I(izj)<=(Inin+9*a)

R(i,j)=200;

G(izj)=100;

B(i,j)=50;

elseif(Imin+9*a)<1(i,j)&&I(izj)<=(Imin+10*a)

R(i,j)=225;

G(i,j)=50;

B(i,j)=25;

else

R(izj)=256;

G(izj)=0;

B(i,j)=0;

end

end

end

end

end

end

end

end

end

end

end

end

fori=l:m

forj=l:n

xl(i,j,l)=R(i,j);

xl(i,j,2)=G(i,j);

xl(i,j,3)=B(i,j);

end

end

xl=xl/256;

figure;

imshow(xl);title(,密度分割法,);

1.2.2

I=imread「C:\Users\二enovo'Desktop'綜合作業2_V3\X光圖像\X1.tif1);

figure;imshow(I)；title('原始圖《象');

I=double(I);

[m,n]=size(I);

L=256;

fori=l:m

forj=l:n

ifI(i,j)<L/4

R(i,j)=0;

G(izj)=4*I(i,j);

B(i,j)=L;

elseifI(i,j)<=L/2

R(i,j)=0;

G(i,j)=L;

B(i,j)=-4*I(i,j)+2*L;

elseifI(i,j)<=3*L/4

R(i,j)=4*I(i,j)-2*L;

G(i,j)=L;

B(i,j)=0；

else

R(i,j)=L;

G(i,j)=-4*I(i,j)+4*L;

B(i,j)=0;

end

end

end

end

end

fori=l:m

forj=l:n

xl(i,j,l)=R(i,j);

xl(i,j,2)=G(i,j);

xl(i,j,3)=B(i,j);

end

end

xl=xl/256;

figure;

imshow(xl);title(,多波段合成為彩色顯示,);

2.1.1

Il=imread(?D:\MATLAB圖像處理程序\X光圖像\X2.tif');

I2=rgb2gray(II);

figure;imshow(12);

title('X2灰圖像1)%顯示原始圖像

G=fspecial('gaussian',[1212],1);%這里的gaussian濾波窗口可選任意尺寸和原

則差

A=fspecial(*average',12);帶這里B9average濾波窗口可選任意尺寸

fl=fi1tpr?(C,T?);使用G矩陣中B勺ga11s.qian濾波器對圖像濾波

f2=filter2(A,12);寵使用A矩陣中的average濾波器對圖像濾波

f3=medfilt2(l2z[12[2]);%使用中值濾波器對圖像濾波

f4=wiener2(I2z[1212]);%使用自適應濾波器對圖像濾波

f5=ordfilt2(12,5,ones(12,12));%使用二維記錄次序過濾

figure;imshow(f1,[]);

title('高斯低通濾波器處理成果');

figure;imshow(f2,[]);

title(，均值濾波器處理成果，)；

figure;imshow(f3,[]);

title（，中值濾波器處理成果，）；

figure;imshow(f4,(]);

title(，自適應濾波器處理成果?);

figure;imshow(f5,[]);

title(，二維記錄次序濾波處理成果1);

J=double(12);

f=fft2(J);

g=fftshift(f);

[M,N]=size(f);

n=2;dO=l6;

nl=floor(M/2);n2=floor(N/2);

fori=l:M;

forj=l:N;

d=sqrt((i-nl)八2+(j-n2)A2);

h=l/(1+0.414*(d/dO)A(2*n));

g(i,j)=h*g(i,j);

end

end

g=ifftshift(g);

f6=uint8(real(ifft2(g)));

figure;imshow(f6)

title(1一階Butterworth濾波圖像,)

2.1.2

Il=imread(?D:\MATLAB圖像必理程序\X光圖像\X2.tif');

I2=rgb2gray(II);

figure;imshow(12);

title(1X2灰圖像，)％顯示原始圖像

filteredl=medfilt2iI2,[33]);務使用3*3濾波窗口

figure;imshovz(filteredl);

title('3x3窗8勺中值濾波圖像，)

filtered2=medfilt2112,(77));會使用7*7濾波窗口

figure;imshovz(filtered2);

title（'7x7窗曰勺中值濾波圖像，）

filtered2=medfilt2iI2z[1111]);金使用11*11波波窗口

figure;imshovz(filtered2);

title('11x11窗的中值濾波圖像，)

filtered2=medfilt2112,[1313]);為使用13*13濾波窗口

figure;imshow(filtered2);

title(113x13窗的)中值濾波圖像,)

2.1.3

Il=imreadD:\MATLAB圖像必理程序\X光圖像\X2.tif*);

I2=rgb2gray(II);

J=double(12);

f=fft2(J);

g=fftshift(f);

[M,N]=size(f);

n=2;d0=16;%這里的dO可任意修改

nl=floor(M/2);n2=floor(N/2);

fori=l:M;

forj=l:N;

d=sqrt((i-nl)A2+(j-n2)A2);

h=l/(1+0.414*(d/dO)A(2*n));

g(izj)=h*g(i,j);

end

end

g=ifftshift(g);

g=uint8(real(ifft2ig)));

figure;imshow(g)

title(1一階Butterworth濾波圖像1)

2.2

clear;clc;

I=imread(*C:\Users\Administrator\Desktop\x2.tif');

I=rgb2gray(I);

figure;

subplot(1,2,1),imshow(I);

title。原圖，)；

subplot(1,2,2),imhist(I);

titled原圖直方圖，)

filtered2=medfilt2(I,(1313]);%使用13*13濾波窗口

figure;

subplot(221),imshow(filtered2);

title(113x13窗的中值濾波去噪后H勺圖像()

subplot(2,2,2),imhist(filtered2);

title(,去喙后圖像直方圖，)

subplot(2,2,3),fl=histeq(filtered2);

imshow(fl);

title('去噪圖像均衡化后圖像，)

subplot(2,2,4),imhist(f1);

title（'去噪圖像均衡化后圖像直方圖，）

3.1.1

clear;clc;

i=imreacl('(J:\users\Administrator\Desktop\Al.tit');

subplot(321),imshow(I,[]);

title/原始圖像，)；

%sobel

sobelBW=edge(工，'sobel');

subplot(322),imshow(sobelBW);

title(*SobelEdge1);

%roberts

robertsBW=edge(I,'roberts');

subplot(323),imshow(robertsBW);

title(,RobertsEdge');

%prewitt

prewittBW=edge(I,'prewitt');

subplot(324),imshow(prewittBW);

title(*PrewittEdge');

%low

logBW=edge(I,1log');

subplot(325),imshow(logBW);

title(*LaplasianofGaussianEdge*);

%canny

cannyBW=edge(I,'canny');

subplot(326),imshow(cannyBW);

title('CannyEdge');

3.1.2

clear;clc;

I=imread('C:\Users\Administrator\Desktop\Xl.tif');

subplot(2,2,1),imshow(I);

title。原圖，)；

%canny

BWl=edge(I,*canny*);

subplot(2,2,2),imshow(BW1);

title(1原圖canny邊緣提取,);

%cannyaugmented

cannyBWl=im2uint8(BW1)+1;

subplot(2,2,3),imshow(cannyBWl);

title(1原圖與canny邊緣提取圖復合,);

3.2.1

clear;clc;

I=imread(*C:\U3ers\Administrator\Desktop\x2.tif');

I=rgb2gray(I);

subplot(321),i