在經濟發展迅速的今天，報告不再是罕見的東西，報告中提到的所有信息應該是準確無誤的。那么，報告到底怎么寫才合適呢？下面是我給大家整理的報告范文，歡迎大家閱讀分享借鑒，希望對大家能夠有所幫助。

數字圖像處理基本運算實驗報告篇一

一、實驗目的

1、了解圖像的實際獲取過程。

2、鞏固圖像空間分辨率和灰度級分辨率、鄰域等重要概念。

3、熟練掌握圖像讀、寫、顯示、類型轉換等 matlab 函數的用法。

二、實驗內容

1、讀取一幅彩色圖像，將該彩色圖像轉化為灰度圖像，再將灰度圖像轉化為索引圖像并顯示所有圖像。

2、編程實現空間分辨率變化的效果。

三、實驗原理

1、圖像讀、寫、顯示 i=imread(‘’)imview(i)imshow(i)imwrite(i,’wode’)

2、圖像類型轉換

i=mat2gray(a,[amin,amax]);按指定的取值區間[amin,amax]將數據矩陣 a 轉化為灰度

圖像 i，amin 對應灰度 0，amax 對應 1，也可以不指定該區間。

[x,map]=gray2ind(i,n);按指定的灰度級 n 將灰度圖像轉化為索引圖像,n 默認為 64 i=ind2gray(x,map);索引圖像轉化為灰度圖像 i=grb2gray(rgb);真彩色圖像轉化為灰度圖像

[x,map]=rgb2ind(rgb);真彩色圖像轉化為索引圖像 rgb=ind2rgb(x,map);索引圖像轉化為真彩色圖像

bw=im2bw(i,level);將灰度圖像轉化為二值圖像,level 取值在[0,1]之間

bw=im2bw(x,map,level);將索引圖像轉化為二值圖像,level 取值在[0,1]之間 bw=im2bw(rgb,level);將真彩色圖像轉化為二值圖像,level 取值在[0,1]之間

四、實驗代碼及結果

1、in=imread('');i=rgb2gray(in);[x,map]=gray2ind(i,128);subplot(131),imshow(in)subplot(132),imshow(i)subplot(133),imshow(x),colormap(map)

、%空間分辨率變化的效果

clc,close all,clear i=imread('');

i=imresize(i,[256,256]);i1=i(1:2:end,1:2:end);[m1,n1]=size(i)i2=i1(1:2:end,1:2:end);[m2,n2]=size(i2)i3=i2(1:2:end,1:2:end);[m3,n3]=size(i3)subplot(221),imshow(i),xlabel('256 x 256')subplot(222),imshow(i1),xlabel('128 x 128')subplot(223),imshow(i2),xlabel('64 x 64')subplot(224),imshow(i3),xlabel('32 x 32')256 x 25664 x 64128 x 12832 x 32

實驗二

圖像的幾何變換

一、實驗目的

掌握圖像的基本幾何變換的方法

1、圖像的平移

2、圖像的旋轉

二、實驗內容

練習用matalb命令實現圖像的平移、旋轉操作

1、.編寫實現圖像平移的函數

2、用imread命令從你的硬盤讀取一幅256×256灰度圖;

3、調用平移函數，將256×256灰度圖平移100行200列，在同一個窗口中顯示平移前和平移后的圖像。

4、再開辟一個窗口，分別用最近鄰插值法、雙線性插值法實現圖像順勢針旋轉50°，顯示在同一窗口中，并比較兩種效果圖（在報告中）

三、實驗原理

提示：圖片平移就是實現運算

?x'??10x0??x? ?'????? ?y???01y0???y??1??001??1? ??????

?x'?x?x0即：??y'?y?y0

四、實驗代碼及結果

1、function [i]=hmove(i,x0,y0);%編寫實現圖像平移的函數hmove，平移量為 [r,c]=size(i);

%x0,y0,平移前圖像矩陣為i，i(r+x0,c+y0)=0;

%平移后圖像矩陣為i for x=1:r;

for y=1:c;

x1=x+x0;

y1=y+y0;

i(x1,y1)=i(x,y);

end;end;參考程序 subplot(2,2,1)imshow(rgb)subplot(2,2,3)gray1=rgb2gray(rgb);imagesc(gray1),colormap(gray);

subplot(2,2,2)i1=hmove(gray1,100,20);subimage(gray1),axis('image');subplot(2,2,4),imagesc(i1),colormap(gray),axis([1,700],[1,820]);

2、顯示圖像的傅立葉頻譜 ? a=0:800;b=0:600;

? %[x,y]=meshgrid([-20:0.2:20],[-20:0.2:20]);? [x,y]=meshgrid(a,b);? i=imread('');? i=rgb2gray(i);

? subplot(1,2,1),subimage([0,800],[0,600],i);? subplot(1,2,2);? s=fft2(i,601,801);? mesh(x,y,log(abs(s)));％圖像的傅立葉幅度頻譜以三維圖形顯示 ? colormap(hsv);

實驗三 圖像空域變換增強（1）

一、實驗目的

1、掌握直方圖均衡化算法。

2、鞏固灰度變換、直方圖修正、圖像算術和邏輯運算等基礎知識。

3、熟練掌握空域變換增強的matlab 相關函數用法，并能利用算法自己編寫matlab 程序實現圖像空域變換增強。

二、實驗內容

1、用函數imcomplement 取反。

2、 做線性灰度變換。

3、 的直方圖，并和imhist 函數生成的直方圖作比較。

三、實驗原理

在圖像處理中，空域是指由像素組成的空間，空域增強方法是指直接作用于像素的增強方法。空域處理可以表示為：

g(x, y)=t[ f(x, y)]

j=imcomplement(i);對圖像取反 imhist();顯示圖像的直方圖 histeq();直方圖均衡化函數

imnoise(i,type,parameters);給圖像加噪聲 bitand();圖像位與運算 bitor();圖像位或運算

四、實驗代碼與結果

1、i=imread('');

j=imcomplement(i);subplot(121),imshow(i)subplot(122),imshow(j)

2、clear,close all,clc in1=imread('');

f0=0;g0=0;f1=100;g1=60;f2=150;g2=220;f3=255;g3=255;figure,plot([f0,f1,f2,f3],[g0,g1,g2,g3])axis tight,xlabel('f'),ylabel('g')title('intensity transformation')r1=(g1-g0)/(f1-f0);b1=g0-r1*f0;r2=(g2-g1)/(f2-f1);b2=g1-r2*f1;r3=(g3-g2)/(f3-f2);b3=g2-r3*f2;[m,n]=size(in1);in2=double(in1);for i=1:m for j=1:n f=in2(i,j);g(i,j)=0;if(f>=0)&(f<=f1)g(i,j)=r1*f+b1;elseif(f>=f1)&(f<=f2)g(i,j)=r2*f+b2;elseif(f>=f2)&(f<=f3)g(i,j)=r3*f+b3;end end end figure,subplot(121),imshow(in1)subplot(122),imshow(mat2gray(g))

3、clc,clear,close all in=imread('');[m,n]=size(in);num=zeros(1,256);% num 是每個灰度級對應的像素個數 p=zeros(1,256);% p 是每個灰度級出現的概率 for i=1:m for j=1:n num(1,in(i,j)+1)=num(1,in(i,j)+1)+1;% 統計個數 end end p=num./(m*n)% 求概率 x=1:256;subplot(121),plot(x,p),axis([1 256 0 0.06])subplot(122),imhist(in)

實驗四 圖像空域變換增強（2）

一、實驗目的

1、掌握直方圖均衡化算法。

2、鞏固灰度變換、直方圖修正、圖像算術和邏輯運算等基礎知識。

3、熟練掌握空域變換增強的matlab 相關函數用法，并能利用算法自己編寫matlab 程序實現圖像空域變換增強。實現頻域線性變換，非線性變換增強

二、實驗內容

1、 進行增強運算。

2、 作邏輯與和邏輯或運算。

三、實驗原理

j=imcomplement(i);對圖像取反 imhist();顯示圖像的直方圖 histeq();直方圖均衡化函數

imnoise(i,type,parameters);給圖像加噪聲 bitand();圖像位與運算 bitor();圖像位或運算

四、實驗代碼與結果

1、clear;close all;clc;tu=imread('');% 輸入圖像

%tu=rgb2gray(tu);% 轉換為灰度圖像

n=zeros(1,256);% n 為原始圖像各灰度級像素個數 p=zeros(1,256);% p 為原始成圖像直方圖

q=zeros(1,256);% q 為原始圖像直方圖累積分布函數

newn=zeros(1,256);% newn 為新生成圖像各灰度級像素個數 newp=zeros(1,256);% newp 為新生成圖像直方圖

newq=zeros(1,256);% newq 為新生成圖像直方圖累積分布函數 [h w]=size(tu);new_tu=zeros(h,w);% 計算原始圖像各灰度級像素個數 for x=1:h for y=1:w n(1,tu(x,y))=n(1,tu(x,y))+1;end end p=n./sum(n);% 計算原始直方圖 p % 計算原始累積分布直方圖 q(1,1)=p(1,1);for i=2:256 q(1,i)=q(1,i-1)+p(1,i);end % 計算原始直方圖對應的新的灰度 t ,建立映射關系 for i=1:256 t(1,i)=floor(254*q(1,i)+1+0.5);end % 計算直方圖均衡化后的新圖 new_tu for x=1:h for y=1:w new_tu(x,y)=t(1,tu(x,y));end end % 統計新生成圖像各灰度級像素個數 for x=1:h for y=1:w newn(1,new_tu(x,y))=newn(1,new_tu(x,y))+1;end end newp=newn./(h*w);% 計算新的灰度直方圖 newp % 計算新生成圖像累積分布直方圖 newq(1,1)=newp(1,1);for i=2:256 newq(1,i)=newq(1,i-1)+newp(1,i);end % 顯示信息

subplot(231),imshow(tu)subplot(232),plot(p),axis([1 256 0 0.06])subplot(233),plot(q),axis([1 256 0 1])subplot(234),imshow(new_tu,[])subplot(235),plot(newp),axis([1 256 0 0.06])subplot(236),plot(newq),axis([1 256 0

1])

2、clc,clear,close all in=imread('');in=rgb2gray(in);[m,n]=size(in);in=double(in);out1=ones(m,n)*255;out1(20:150,30:170)=0;chu1=zeros(m,n);chu1(20:150,30:170)=255;for i=1:m for j=1:n out2(i,j)=bitor(in(i,j),out1(i,j));chu2(i,j)=bitand(in(i,j),chu1(i,j));end end in=uint8(in);out1=uint8(out1);out2=uint8(out2);chu1=uint8(chu1);chu2=uint8(chu2);subplot(231),imshow(in)subplot(232),imshow(out1)subplot(233),imshow(out2)subplot(234),imshow(chu1)subplot(235),imshow(chu2)

實驗五 圖像濾波增強

一、實驗目的

1、掌握各種空域和頻域圖像濾波增強算法已經模板運算的基本方法。

2、鞏固卷積定理、濾波處理等基礎知識。

3、熟練掌握空域和頻域濾波增強的matlab 相關函數用法。

二、實驗內容

1、利用均值濾波算法對已被噪聲污染的圖像 進行濾波除噪處理。、利用標準中值濾波算法對已被噪聲污染的圖像 進行濾波除噪處理。3、用prewitt 進行銳化濾波處理。

三、實驗原理

h=fspecial(type);h=fspecial(type,parameters);用于創建一個指定的濾波器模板，type 指濾波器的類型。

parameters 是與指定的濾波器有關的參數。y=filter2(b,x);用于進行二維線性數字濾波，使用矩陣b 中的二維濾波器對數據x進行濾波。結果y 是通過二維互相關計算出來的，大小與x 一樣。

y=filter2(b,x,’shape’);結果y 的大小由參數shape確定，shape的取值如下： full：返回二維戶相關的全部結果，size(y)>size(x)same：返回二維戶相關結果的中間部分，y 的大小與x 相同 valid：返回二維戶相關未使用邊緣補0 的部分，size(y)

四、實驗代碼與結果

1、clc,clear

in1=imread('');f=imnoise(in1,'salt & pepper',0.1);%f=imnoise(in1,'gaussian',0,0.02)%g 是標準均值濾波器的輸出圖像 g=biaozhunjunzhi(f,3);subplot(221),imshow(in1)%,xlabel('(a)原始圖像')subplot(222),imshow(f)%,xlabel('(b)加噪圖像')subplot(223),imshow(g)%,xlabel('(c)標準均值濾波圖像')function g=biaozhunjunzhi(f,k)[m,n]=size(f);%f1 是對邊緣像素補0 后得到的圖像

f1=zeros(m+(k-1),n+(k-1));[m1,n1]=size(f1);%f1 的邊緣像素值為0中間的像素值依然為f f1((1+(k-1)/2):(m1-(k-1)/2),(1+(k-1)/2):(n1-(k-1)/2))=f;%注意這條指令絕對不能少 ga=f;%取出窗口內的像素值并作標準均值濾波處理 for i=(k+1)/2:(m1-(k-1)/2)

for j=(k+1)/2:(n1-(k-1)/2)a=0;x=1;for p=1:k for q=1:k a(x)=f1(i+(p-(k+1)/2),j+(q-(k+1)/2));x=x+1;end end %hsum 表示窗口內所有像素值的和 hsum=0;for h=1:(k^2)hsum=hsum+a(h);end ga(i,j)=round(hsum/(k^2));end end %ga 的大小和f1 的大小一致所以必須取出中間部分像素值作為輸出 g=ga((1+(k-1)/2):(m1-(k-1)/2),(1+(k-1)/2):(n1-(k-1)/2));

2、clc,clear in1=imread('');f=imnoise(in1,'salt & pepper',0.1);%f=imnoise(in1,'gaussian',0,0.02)%g 是標準中值濾波器的輸出圖像 g=biaozhunzhongzhi(f,3);subplot(131),imshow(in1)%,xlabel('(a)原始圖像')subplot(132),imshow(f)%,xlabel('(b)加噪圖像')subplot(133),imshow(g)%,xlabel('(c)標準均值濾波圖像')function g=biaozhunzhongzhi(f,k)[m,n]=size(f);%f1 是對邊緣像素補0 后得到的圖像

f1=zeros(m+(k-1),n+(k-1));[m1,n1]=size(f1);%f1 的邊緣像素值為0中間的像素值依然為f f1((1+(k-1)/2):(m1-(k-1)/2),(1+(k-1)/2):(n1-(k-1)/2))=f;%注意這條指令絕對不能少 ga=f;for i=(k+1)/2:(m1-(k-1)/2)for j=(k+1)/2:(n1-(k-1)/2)a=0;x=1;for p=1:k for q=1:k a(x)=f1(i+(p-(k+1)/2),j+(q-(k+1)/2));x=x+1;

end end a=sort(a);ga(i,j)=a((k^2+1)/2);end end %ga 的大小和f1 的大小一致所以必須取出中間部分像素值作為輸出 g=ga((1+(k-1)/2):(m1-(k-1)/2),(1+(k-1)/2):(n1-(k-1)/2));

3、clc,clear,close all f=imread('');[m,n]=size(f);g=f;h1=[-1-1-1;0 0 0;1 1 1];h2=[-1 0 1;-1 0 1;-1 0 1];x1=h1;x2=h2;for i=2:1:m-1 for j=2:1:n-1 sum1=0;sum2=0;sum=0;for p=1:1:3 for q=1:1:3 x1(p,q)=f(i+(p-2),j+(q-2));x2(p,q)=f(i+(p-2),j+(q-2));sum1=sum1+x1(p,q)*h1(p,q);sum2=sum2+x2(p,q)*h2(p,q);sum=sum1+sum2;end end if sum<1 g(i,j)=abs(sum);else g(i,j)=sum;end end end subplot(121),imshow(f)subplot(122),imshow(g)

實驗六 圖像復原

一、實驗目的

1、掌握各種空域和頻域圖像濾波增強算法已經模板運算的基本方法。

2、鞏固卷積定理、濾波處理等基礎知識。

3、熟練掌握空域和頻域濾波增強的matlab 相關函數用法并能利用算法自己編寫matlab程序實現圖像空域變換增強。

二、實驗內容 進行退化和復原仿真，采用逆濾波的方法復原。 進行退化和復原仿真，采用逆濾波的方法復原。 進行空域濾波還原處理。

三、實驗原理

psf=fspecial(type,parameters)；返回指定濾波器的單位沖擊響應 imfilter(c,psf,’circular’,’conv’)；根據psf 對圖像進行濾波處理 fr=deconvwnr(g,psf,ncorr,icorr)；對圖像進行維納濾波處理

fr=deconvreg(g,psf,noisepower,range)；對圖像進行最小二乘方濾波處理

tform=maketform(transform_type,transform_parameters)；對圖像進行幾何失真校正

四、實驗代碼與結果

1、%基于大氣湍流造成的模糊圖像及其還原

clear;close all;clc in=imread('');subplot(131),imshow(in),title('原始圖像')f=fft2(in);[n1,n2]=size(f);k1=0.00005;%退化模型中的常數

%根據退化模型對輸入圖像進行退化處理并輸出退化后的圖像 for i=1:n1 for j=1:n2 h(i,j)=exp((-k1*(i^2+j^2))^(5/6));out(i,j)=f(i,j)*h(i,j);end end out1=ifft2(out);outreal=uint8(real(out1));subplot(132),imshow(outreal),title('大氣湍流退化圖')%根據退化模型對已經退化的圖像進行恢復處理 k2=0.00006;%退化模型中的常數

for i=1:n1 for j=1:n2 h(i,j)=exp((-k2*(i^2+j^2))^(5/6));chu(i,j)=out(i,j)/h(i,j);end end chu1=ifft2(chu);chureal=uint8(real(chu1));subplot(133),imshow(chureal),title('大氣湍流還原圖')

2、%基于勻速直線運動造成的模糊圖像及其還原

clear;close all;clc in=imread('');%in=rgb2gray(in1);subplot(131),imshow(in),title('原始圖像')f=fft2(in);[n1,n2]=size(f);t=1;a=0.06;b=0.04;pi=3.1415926;for u=1:n1 for v=1:n2 fenzhi=cos(pi*(u*a+v*b))-i*sin(pi*(u*a+v*b));h(u,v)=t*sin(pi*(u*a+v*b))*fenzhi/(pi*(u*a+v*b));out(u,v)=f(u,v)*h(u,v);end end out1=ifft2(out);outreal=uint8(real(out1));subplot(132),imshow(outreal),title('勻速直線運動退化圖')for u=1:n1 for v=1:n2 h(u,v)=t*sin(pi*(u*a+v*b))*(cos(pi*(u*a+v*b))-j*sin(pi*(u*a+v*b)))/(pi*(u*a+v*b));chu(u,v)=out(u,v)/h(u,v);end end chu1=ifft2(chu);chureal=uint8(real(chu1));

subplot(133),imshow(chureal),title('勻速直線運動還原圖')

a=0.06;b=0;時的運行結果：

a=0;b=0.06;時的運行結果：：

3、%逆諧波均值濾波舉例

clc,close all,clear in=imread('');f=imnoise(in,'gaussian',0,0.05);g=nixiebojunzhi(f,3);subplot(131),imshow(in)subplot(132),imshow(f)subplot(133),imshow(g)%逆諧波函數

function g=nixiebojunzhi(f,k)[m,n]=size(f);r=2;%r 為逆諧波函數中的q 值

%f1 是對邊緣像素補0 后得到的圖像

f1=zeros(m+(k-1),n+(k-1));[m1,n1]=size(f1);%f1 的邊緣像素值為0中間的像素值依然為f f1((1+(k-1)/2):(m1-(k-1)/2),(1+(k-1)/2):(n1-(k-1)/2))=f;%注意這條指令絕對不能少 ga=f;%取出窗口內的像素值并作標準均值濾波處理 for i=(k+1)/2:(m1-(k-1)/2)for j=(k+1)/2:(n1-(k-1)/2)a=0;x=1;for p=1:k for q=1:k a(x)=f1(i+(p-(k+1)/2),j+(q-(k+1)/2));x=x+1;end end %hsum 表示窗口內所有像素值的和 hsum1=0;hsum2=0;for h=1:(k^2)hsum1=hsum1+a(h)^(r+1);hsum2=hsum2+a(h)^r;end ga(i,j)=round(hsum1/hsum2);end end %ga 的大小和f1 的大小一致所以必須取出中間部分像素值作為輸出 g=ga((1+(k-1)/2):(m1-(k-1)/2),(1+(k-1)/2):(n1-(k-1)/2));

實驗七 彩色圖像處理

一、實驗目的

1、了解三色成像及各種顏色模型。

2、能用處理灰度圖像的算法和技術對真彩色圖像進行增強、去噪、復原等處理。

3、理解偽彩色圖像處理技術并掌握密度分層法、灰度級彩色變換法、頻域濾波等偽彩色圖像處理算法。

二、實驗內容

1、生成一幅256x256 的rgb 圖像，該圖像左上角為紅色，右上角為藍色，左下角為綠色，右下角為黑色。

2、給彩色圖像加噪并去噪，可以采用灰度圖像去噪處理的任何方法。

3、密度分層偽彩色處理仿真。

4、灰度級-彩色變換法偽彩色處理仿真。

三、實驗原理

b=cat(dim,a1,a2,a3,...)，dim 為維數，cat 函數將a1,a2,a3 等矩陣連接成維數為dim的矩陣。

四、實驗代碼與結果

1、clc,clear,close all rin=zeros(256,256);%紅色分量 rin(1:128,1:128)=1;%左上角 gin=zeros(256,256);%綠色分量 gin(129:256,1:128)=1;%左下角 bin=zeros(256,256);%藍色分量 bin(1:128,129:256)=1;%右上角 %將三個分量進行組合 out1=cat(3,rin,gin,bin);%也可以不用matlab 函數

out2(:,:,1)=rin;out2(:,:,2)=gin;out2(:,:,3)=bin;subplot(121),imshow(out1)subplot(122),imshow(out2)

2、%給彩色圖像加噪并去噪

clc,clear,close all in1=imread('');in=imnoise(in1,'salt & pepper',0.8);out(:,:,1)=gaijinjunzhi(in(:,:,1),5);out(:,:,2)=gaijinjunzhi(in(:,:,2),5);out(:,:,3)=gaijinjunzhi(in(:,:,3),5);subplot(221),imshow(in1)subplot(222),imshow(in)subplot(223),imshow(out)%采用改進均值濾波算法，函數如下 function g=gaijinjunzhi(f,k)[m,n]=size(f);%f1 是對邊緣像素補0 后得到的圖像

f1=zeros(m+(k-1),n+(k-1));[m1,n1]=size(f1);%f1 的邊緣像素值為0中間的像素值依然為f f1((1+(k-1)/2):(m1-(k-1)/2),(1+(k-1)/2):(n1-(k-1)/2))=f;%注意這條指令絕對不能少 ga=f;%取出窗口內的像素值并作改進均值濾波處理 for i=(k+1)/2:(m1-(k-1)/2)for j=(k+1)/2:(n1-(k-1)/2)a=0;x=1;for p=1:k for q=1:k a(x)=f1(i+(p-(k+1)/2),j+(q-(k+1)/2));x=x+1;end end mina=min(a);maxa=max(a);%tan 表示窗口內既不是最大也不是最小像素值的個數 %he 表示窗口內所有既不是最大也不是最小像素值的和 tan=0;he=0;%hsum 表示窗口內所有像素值的和 hsum=0;%取出不是最大也不是最小的像素值并求和以及個數 for h=1:(k^2)hsum=hsum+a(h);if a(h)~=mina & a(h)~=maxa tan=tan+1;he=he+a(h);else end end %在噪聲密度較大的情況下有可能窗口內所有的值都是最大值或最小值 %對其進行判斷，如果是這種情況，就采用普通的均值濾波算法求當前要求的像素點的值 if tan~=0 ga(i,j)=round(he/tan);else ga(i,j)=round(hsum/(k^2));

end end end %ga 的大小和f1 的大小一致，所以必須取出中間部分像素值作為輸出 g=ga((1+(k-1)/2):(m1-(k-1)/2),(1+(k-1)/2):(n1-(k-1)/2));

3、clc,clear,close all %[i0,map]=imread('');d=[0.54,0.24,0.81;0.44,0.136,0.123;0.45,0.73,0.145;...0.21,0.12,0.56;0.45,0.54,0.33;0.33,0.23,0.141;...0.42,0.23,0.1;0.101,0.51,0.31;0.22,0.88,0.21;0.23,0.93,0.33];in=imread('');[m,n]=size(in);for i=1:m for j=1:n % out(i,j,1)=map(in(i,j),1);% out(i,j,2)=map(in(i,j),2);% out(i,j,3)=map(in(i,j),3);ind=fix(in(i,j)/26);out(i,j,1)=d(ind,1);out(i,j,2)=d(ind,2);out(i,j,3)=d(ind,3);end end subplot(121),imshow(in)subplot(122),imshow(out)

4、clear,close all,clc in1=imread('');%in1=rgb2gray(in1);%第一個獨立的變換 f10=0;g10=0;f11=127;g11=0;f12=191;g12=255;f13=255;g13=255;figure(11),plot([f10,f11,f12,f13],[g10,g11,g12,g13],'r')axis tight,xlabel('f'),ylabel('g')title('intensity transformation')r11=(g11-g10)/(f11-f10);b11=g10-r11*f10;r12=(g12-g11)/(f12-f11);b12=g11-r12*f11;r13=(g13-g12)/(f13-f12);b13=g12-r13*f12;[m,n]=size(in1);in2=double(in1);for i=1:m for j=1:n f=in2(i,j);g1(i,j)=0;if(f>=0)&(f<=f11)g1(i,j)=r11*f+b11;elseif(f>=f11)&(f<=f12)g1(i,j)=r12*f+b12;elseif(f>=f12)&(f<=f13)g1(i,j)=r13*f+b13;end end end g1=uint8(g1);figure(12),subplot(121),imshow(in1)subplot(122),imshow(g1)%imshow(mat2gray(g1))%第二個獨立的變換

f20=0;g20=0;f21=63;g21=255;f22=191;g22=255;f23=255;g23=0;figure(21),plot([f20,f21,f22,f23],[g20,g21,g22,g23],'r')axis tight,xlabel('f'),ylabel('g')title('intensity transformation')r21=(g21-g20)/(f21-f20);b21=g20-r21*f20;r22=(g22-g21)/(f22-f21);b22=g21-r22*f21;r23=(g23-g22)/(f23-f22);b23=g22-r23*f22;[m,n]=size(in1);in2=double(in1);for i=1:m for j=1:n f=in2(i,j);g2(i,j)=0;if(f>=0)&(f<=f21)g2(i,j)=r21*f+b21;elseif(f>=f21)&(f<=f22)g2(i,j)=r22*f+b22;elseif(f>=f22)&(f<=f23)g2(i,j)=r23*f+b23;end end end

g2=uint8(g2);figure(22),subplot(121),imshow(in1)subplot(122),imshow(g2)%imshow(mat2gray(g2))%第三個獨立的變換

f30=0;g30=255;f31=63;g31=255;f32=127;g32=0;f33=255;g33=0;figure(31),plot([f30,f31,f32,f33],[g30,g31,g32,g33],'r')axis tight,xlabel('f'),ylabel('g')title('intensity transformation')r31=(g31-g30)/(f31-f30);b31=g30-r31*f30;r32=(g32-g31)/(f32-f31);b32=g31-r32*f31;r33=(g33-g32)/(f33-f32);b33=g32-r33*f32;[m,n]=size(in1);in2=double(in1);for i=1:m for j=1:n f=in2(i,j);g3(i,j)=0;if(f>=0)&(f<=f31)g3(i,j)=r31*f+b31;elseif(f>=f31)&(f<=f32)g3(i,j)=r32*f+b32;elseif(f>=f32)&(f<=f33)g3(i,j)=r33*f+b33;end end end g3=uint8(g3);figure(32),subplot(121),imshow(in1)subplot(122),imshow(g3)%imshow(mat2gray(g3))%彩色合成 for i=1:m for j=1:n out(i,j,1)=g1(i,j);out(i,j,2)=g2(i,j);out(i,j,3)=g3(i,j);end end figure,imshow(out)

實驗八 圖像檢測與分割

一、實驗目的

1、了解圖像的實際獲取過程。

2、鞏固圖像空間分辨率和灰度級分辨率、鄰域等重要概念。

3、熟練掌握圖像讀、寫、顯示、類型轉換等matlab 函數的用法。

二、實驗內容

1、應用一階算子roberts 檢測邊緣。

2、用一階算子sobel 檢測邊緣并對邊界處的像素進行處理。

3、用上面描述的otsu 算法編寫matlab 程序實現圖像分割。

三、實驗原理

[g,t]=edge(image,method,threshold,direction)其中image 為輸入圖像method 為采用的方法類型：threshold 為閾值，如果給定閾值，則t= threshold，否則有函數自動計算出來并把其值返回給t；direction 為所尋找邊緣的方向，其值可以為horizontal，vertical，both 默認為both；g 為返回的二值圖像。

四、實驗代碼與結果

1、clc,clear,close all f=imread('');t=50;g=robertsf(f,t);subplot(121),imshow(f),title('原圖')subplot(122),imshow(g),title('roberts 算子')%用roberts 算子對圖像進行邊緣檢測的函數 function g=robertsf(f,t)[m,n]=size(f);g=f;h1=[-1 0;0 1];h2=[0-1;1 0];x1=h1;x2=h2;for i=2:1:m-1 for j=2:1:n-1 sum1=0;sum2=0;sum=0;for p=1:2 for q=1:2 x1(p,q)=f(i+(p-2),j+(q-2))；x2(p,q)=f(i+(p-2),j+(q-2));sum1=sum1+x1(p,q)*h1(p,q);sum2=sum2+x2(p,q)*h2(p,q);sum=(sum1^2+sum2^2)^(1/2);end end if sum

else end end end

2、clc,clear,close all f=imread('');k=3;[m,n]=size(f);b1=[-1-2-1 0 0 0 1 2 1];b2=[-1 0 1-2 0 2-1 0 1];t=150;%f1 是對邊緣像素補0 后得到的圖像 f1=zeros(m+(k-1),n+(k-1));[m1,n1]=size(f1);%f1 的邊緣像素值為0中間的像素值依然為f f1((1+(k-1)/2):(m1-(k-1)/2),(1+(k-1)/2):(n1-(k-1)/2))=f;%注意這條指令絕對不能少 ga=f1;%取出窗口內的像素值并作標準均值濾波處理 for i=(k+1)/2:(m1-(k-1)/2)for j=(k+1)/2:(n1-(k-1)/2)a=0;%a 是一維數組1xk^2 x=1;%x 是數組的序號 for p=1:k for q=1:k a(x)=f1(i+(p-(k+1)/2),j+(q-(k+1)/2));x=x+1;end end sum1=0;sum2=0;for w=1:k^2 sum1=sum1+a(w)*b1(w);sum2=sum2+a(w)*b2(w);end sum=(sum1^2+sum2^2)^(1/2);

if sum

3、%利用otsu 法閾值選擇的方法分割圖像

clc,clear,close all k=8;%k 表示無符號整型數的位數 l=2^k;in=imread('');[m,n]=size(in);num=zeros(1,256);% num 是每個灰度級對應的像素個數 p=zeros(1,256);% p 是每個灰度級出現的概率

%p=zeros(1,256);% q 是每個灰度級出現的概率的累積分布函數 for i=1:m for j=1:n num(1,in(i,j)+1)=num(1,in(i,j)+1)+1;% 統計個數 end end p=num./(m*n);% 求概率 ut=0;%ut 是整幅圖像的均值 for i=1:l ut=ut+(i-1)*p(i);end for t=0:l-1 w0=0;w1=0;for i=1:t w0=w0+p(i);end w1=1-w0;u0=0;

for i=1:t if w0>0 u0=u0+i*p(i)/w0;else u0=u0+0;end end u1=0;for i=(t+1):l if w1>0 u1=u1+i*p(i)/w1;else u1=u1+0;end end rou(t+1)=w0*w1*(u0-u1)^2;%類間方差的求取 end maxrou=max(rou);%類間方差的最大值 for i=1:l if rou(i)==maxrou r=i-1;end end r %類間方差最大所對應的灰度值 for i=1:m for j=1:n if in(i,j)>r out(i,j)=1;else out(i,j)=0;end end end subplot(121),imshow(in)subplot(122),imshow(out)運行結果得到的閾值為：114

數字圖像處理基本運算實驗報告篇二

數字圖像處理

實驗報告

目錄

1.數字圖像處理簡介

2.實驗目的3.實驗內容

4.實驗結果及代碼展示

5.算法綜述

優勢

7.總結

8.存在問題

一、數字圖像處理簡介

圖像處理，是對圖像進行分析、加工、和處理，使其滿足視覺、心理以及其他要求的技術。圖像處理是信號處理在圖像域上的一個應用。目前大多數的圖像是以數字形式存儲，因而圖像處理很多情況下指數字圖像處理。此外，基于光學理論的處理方法依然占有重要的地位。

圖像處理是信號處理的子類，另外與計算機科學、人工智能等領域也有密切的關系。

傳統的一維信號處理的方法和概念很多仍然可以直接應用在圖像處理上，比如降噪、量化等。然而，圖像屬于二維信號，和一維信號相比，它有自己特殊的一面，處理的方式和角度也有所不同。

二、實驗目的

鞏固所學知識，提高所學能力

三、實驗內容

利用matlab的gui程序設計一個簡單的圖像處理程序，并含有如下基本功能： 1.讀入一幅rgb圖像，變換為灰度圖像和二值圖像，并在同一個窗口內分成三個子窗口來分別顯示rgb圖像和灰度圖像，注上文字標題 2.對給定圖像進行旋轉

3．對給定的圖像添加噪聲（椒鹽噪聲、高斯噪聲）

四、實驗結果及代碼展示

1.軟件設計界面

2.各模塊功能展示以及程序代碼

（1）讀入一幅rgb圖像，變換為灰度圖像和二值圖像，并在同一個窗口內分成三個子窗口來分別顯示rgb圖像和灰度圖像，注上文字標題

效果展示：

代碼：

a = imread('c:documents and ');

i = rgb2gray(a);i = im2bw(a,0.5);

subplot(3,1,1);imshow(a);title('源圖像')subplot(3,1,2);imshow(i);title('灰度圖像')subplot(3,1,3);imshow(i);title('二值圖像')

（2）圖像旋轉 原圖

效果展示：

代碼：

clc;clear all;close all;

img=imread('d:my documentsmy ');img=double(img);[h w]=size(img);alpha=pi/4;

wnew=w*cos(alpha)+h*sin(alpha);hnew=w*sin(alpha)+h*cos(alpha);wnew=ceil(wnew);

hnew=ceil(hnew);u0=w*sin(alpha);

t=[cos(alpha),sin(alpha);-sin(alpha),cos(alpha)];imgnew2=zeros(hnew,wnew);imgnew1=zeros(hnew,wnew);for u=1:hnew

for v=1:wnew

tem=t*([u;v]-[u0;0]);x=tem(1);y=tem(2);if x>=1&&x<=h&&y>=1&&y<=w x_low=floor(x);x_up=ceil(x);y_low=floor(y);y_up=ceil(y);if(x-x_low)<=(x_up-x)x=x_low;

else

x=x_up;

end

if(y-y_low)<=(y_up-y)y=y_low;

else

y=y_up;

end

p1=img(x_low,y_low);p2=img(x_up,y_low);p3=img(x_low,y_low);p4=img(x_up,y_up);s=x-x_low;t=y-y_low;imgnew1(u,v)=img(x,y);

imgnew2(u,v)=(1-s)*(1-t)*p1+(1-s)*t*p3+(1-t)*s*p2+s*t*p4;end

end end

figure;imshow(imgnew2,[]);b=imrotate(img,alpha/pi*180);figure;imshow(b,[]);

（3）對給定的圖像添加噪聲（斑點噪聲、高斯噪聲）效果展示：

代碼：

i= imread('d:my documentsmy ');figure,subplot(211);imshow(i);title('原圖');j1=imnoise(i,'gaussian',0,0.02);

subplot(223);imshow(j);title('添加高斯噪聲');j=imnoise(i,'speckle',0.04);

subplot(224);imshow(j);title('添加斑點噪聲');

五、算法綜述 灰度圖像：

一幅完整的圖像，是由紅色、綠色、藍色三個通道組成的。紅色、綠色、藍色三個通道的縮覽圖都是以灰度顯示的。用不同的灰度色階來表示“ 紅，綠，藍”在圖像中的比重。通道中的純白，代表了該色光在此處為最高亮度，亮度級別是255。

通道是整個photoshop顯示圖像的基礎。色彩的變動，實際上就是間接在對通道灰度圖進行調整。通道是photoshop處理圖像的核心部分，所有的色彩調整工具都是圍繞在這個核心周圍使用的。

在計算機領域中，灰度數字圖像是每個像素只有一個采樣顏色的圖像。這類圖像通常顯示為從最暗黑色到最亮的白色的灰度，盡管理論上這個采樣可以任何顏色的不同深淺，甚至可以是不同亮度上的不同顏色。灰度圖像與黑白圖像不同，在計算機圖像領域中黑白圖像只有黑色與白色兩種顏色；灰度圖像在黑色與白色之間還有許多級的顏色深度。但是，在數字圖像領域之外，“黑白圖像”也表示“灰度圖像”，例如灰度的照片通常叫做“黑白照片”。在一些關于數字圖像的文章中單色圖像等同于灰度圖像，在另外一些文章中又等同于黑白圖像。灰度圖像經常是在單個電磁波頻譜如可見光內測量每個像素的亮度得到的。

用于顯示的灰度圖像通常用每個采樣像素 8 位的非線性尺度來保存，這樣可以有 256 級灰度。這種精度剛剛能夠避免可見的條帶失真，并且非常易于編程。在醫學圖像與遙感圖像這些技術應用中經常采用更多的級數以充分利用每個采樣 10 或 12 位的傳感器精度，并且避免計算時的近似誤差。在這樣的應用領域每個采樣 16 位即 65536 級得到流行。

二值圖像：

是指每個像素不是黑就是白，其灰度值沒有中間過渡的圖像。二值圖像一般用來描述文字或者圖形，其優點是占用空間少，缺點是，當表示人物，風景的圖像時，二值圖像只能描述其輪廓，不能描述細節。這時候要用更高的灰度級。

二值圖像是每個像素只有兩個可能值的數字圖像。人們經常用黑白、b&w、單色圖像表示二值圖像，但是也可以用來表示每個像素只有一個采樣值的任何圖像，例如灰度圖像等。

二值圖像中所有的像素只能從0和1這兩個值中取，因此在matlab中，二值圖像用一個由0和1組成的二維矩陣表示。這兩個可取的值分別對應于關閉和打開，關閉表征該像素處于背景，而打開表征該像素處于前景。以這種方式來操作圖像可以更容易識別出圖像的結構特征。二值圖像操作只返回與二值圖像的形式或結構有關的信息，如果希望對其他類型的圖像進行同樣的操作，則首先要將其轉換為二進制的圖像格式，可以通過調用matlab提供的im2bw（）來實現。

二值圖像經常出現在數字圖像處理中作為圖像掩碼或者在圖像分割、二值化和dithering的結果中出現。一些輸入輸出設備，如激光打印機、傳真機、單色計算機顯示器等都可以處理二值圖像。

二值圖像經常使用位圖格式存儲。

二值圖像可以解釋為二維整數格z，圖像變形處理領域很大程度上就是受到這個觀點啟發。

圖像旋轉：

圖像旋轉是指圖像以某一點為中心旋轉一定的角度,形成一幅新的圖像的過程。當然這個點通常就是圖像的中心。既然是按照中心旋轉,自然會有這樣一個屬性：旋轉前和旋轉后的點離中心的位置不變.根據這個屬性,我們可以得到旋轉后的點的坐標與原坐標的對應關系。由于原圖像的坐標是以左上角為原點的,所以我們先把坐標轉換為以圖像中心為原點。假設原圖像的寬為w,高為h,（x0,y0）為原坐標內的一點,轉換坐標后的點為（x1,y1）。那么不難得到： x1 = x0-w/2;y1 =-y0 + h/2;在新的坐標系下,假設（x0,y0）距離原點的距離為r,點與原點之間的連線與x軸的夾角為b,旋轉的角度為a,旋轉后的點為（x1,y1）

噪聲：

是電路或系統中不含信息量的電壓或電流。在工業與自然界中，存在著各種干擾源（噪聲源），如大功率電力電子器件的接入、大功率用電設備的開啟與斷開、雷擊閃電等都會使空間電場和磁場產生有序或無序的變化，這些都是干擾源（或噪聲源）。這些源產生的電磁波或尖峰脈沖通過磁、電耦合或是通過電源線等路徑進入放大電路，各種電氣設備，形成各種形式的干擾。

斑點噪聲：

斑點噪聲是sar成像系統的一大特色，源自基本分辨單元內地物的隨機散射，在圖像上表現為信號相關（如在空間上相關）的小斑點，它既降低了圖像的畫面質量，又嚴重影響圖像的自動分割、分類、目標檢測以及其它定量專題信息的提取。

sar圖像斑點噪聲的去除一方面要抑制圖像均勻區域斑點噪聲，另一方面要保持圖像邊緣和紋理細節信息。sar斑點噪聲的抑制可通過非相干多視處理，也可使用空間域濾波實現。非相干多視處理會降低圖像的地面分辨率。因此，涌現出了一系列空間域濾波方法，如均值濾波、中值濾波、lee濾波、kuan濾波、frost濾波、sigma濾波以及gamma map濾波等。但這類算法存在自身無法克服的矛盾：一方面為增強斑點去噪效果需選較大的濾波窗口，另一方面為保持圖像的實際分辨率要求所選的窗口較小。

高斯噪聲：

所謂高斯噪聲是指它的概率密度函數服從高斯分布（即正態分布）的一類噪聲。如果一個噪聲，它的幅度分布服從高斯分布，而它的功率譜密度又是均勻分布的，則稱它為高斯白噪聲。高斯白噪聲的二階矩不相關，一階矩為常數，是指先后信號在時間上的相關性。高斯白噪聲包括熱噪聲和散粒噪聲。

實驗中是通過matlab自帶的函數產生噪聲，各函數如下： j1=imnoise(i,'salt & pepper',0.05);%添加椒鹽噪聲

j2=imnoise(i,'gaussian',0,0.03);

%添加均值為0，方差為0.03的高斯噪聲。

六、matlab優勢

matlab是一個包含大量算法的集合。其可以快捷的實現用戶所需的各種計算功能。函數中所使用的算法都是科研和工程計算中的最新研究成果，而前經過了各種優化和差錯處理。在通常情況下，可以用它來代替底層編程語言，如c和c++。在計算要求相同的情況下，使用matlab的編程工作量會大大減少。matlab的這些函數集包括從最簡單最基本的函數到諸如矩陣，特征向量、快速傅立葉變換的復雜函數。函數所能解決的問題其大致包括矩陣運算和線性方程組的求解、微分方程及偏微分方程的組的求解、符號運算、傅立葉變換和數據的統計分析、工程中的優化問題、稀疏矩陣運算、復數的各種運算、三角函數和其他初等數學運算、多維數組操作以及建模動態仿真等。圖形處理功能

圖形處理功能matlab自產生之日起就具有方便的數據可視化功能，以將向量和矩陣用圖形表現出來，并且可以對圖形進行標注和打印。高層次的作圖包括二維和三維的可視化、圖象處理、動畫和表達式作圖。可用于科學計算和工程繪圖。新版本的matlab對整個圖形處理功能作了很大的改進和完善，使它不僅在一般數據可視化軟件都具有的功能（例如二維曲線和三維曲面的繪制和處理等）方面更加完善，而且對于一些其他軟件所沒有的功能（例如圖形的光照處理、色度處理以及四維數據的表現等），matlab同樣表現了出色的處理能力。同時對一些特殊的可視化要求，例如圖形對話等，matlab也有相應的功能函數，保證了用戶不同層次的要求。另外新版本的matlab還著重在圖形用戶界面（gui）的制作上作了很大的改善，對這方面有特殊要求的用戶也可以得到滿足

模塊集合工具箱

matlab對許多專門的領域都開發了功能強大的模塊集和工具箱。一般來說，它們都是由特定領域的專家開發的，用戶可以直接使用工具箱學習、應用和評估不同的方法而不需要自己編寫代碼。目前，matlab已經把工具箱延伸到了科學研究和工程應用的諸多領域，諸如數據采集、數據庫接口、概率統計、樣條擬合、優化算法、偏微分方程求解、神經網絡、小波分析、信號處理、圖像處理、系統辨識、控制系統設計、lmi控制、魯棒控制、模型預測、模糊邏輯、金融分析、地圖工具、非線性控制設計、實時快速原型及半物理仿真、嵌入式系統開發、定點仿真、dsp與通訊、電力系統仿真等，都在工具箱（toolbox）家族中有了自己的一席之地。

七、總結

運用matlab軟件對圖像進行處理，讓我鞏固了之前所學的知識，同時也在這次作業中更加了解到matlab語言在生活中的運用環境和掌握這門語言的重要性

八、存在問題

1.在進行圖像增強時要不要講圖像先進行平滑處理？ 2.如何增加這個算法的準確度

3.在此次作業中，為何添加椒鹽噪聲時無法顯示

數字圖像處理基本運算實驗報告篇三

數字圖像處理

實驗報告

班級:通信103 學號:201027201 姓名:計富威 指導教師:孫潔

實驗一 matlab數字圖像處理初步

一、實驗目的與要求

1．熟悉及掌握在matlab中能夠處理哪些格式圖像。2．熟練掌握在matlab中如何讀取圖像。

3．掌握如何利用matlab來獲取圖像的大小、顏色、高度、寬度等等相關信息。

4．掌握如何在matlab中按照指定要求存儲一幅圖像的方法。5．圖像間如何轉化。

二、實驗內容及步驟

1．利用imread()函數讀取一幅圖像，假設其名為””，存入一個數組中；

>>i=imread('');2．利用whos命令提取該讀入圖像””的基本信息； >>whos i 3．利用imshow()函數來顯示這幅圖像； >>imshow(i);

4．利用imfinfo函數來獲取圖像文件的壓縮，顏色等等其他的詳細信息；

>>imfinfo('');5．利用imwrite()函數來壓縮這幅圖象，將其保存為一幅壓縮了像素的jpg文件,；語法：imwrite(原圖像，新圖像，‘quality’,q), q取0-100。

>>imwrite(i,'','quality',50)6．同樣利用imwrite()函數將最初讀入的tif圖象另存為一幅bmp圖像，。>>imwrite(i,'');7．用imread()讀入圖像： ； >>b=imread('');>>c=imread('');8．用imfinfo()獲取圖像 的大小； >>imfinfo('');>>imfinfo('');9．用figure,imshow()分別將顯示出來，觀察兩幅圖像的質量。>>figure >>imshow(b);>>figure >>imshow(c);

（圖像截圖）

（圖像截圖）

10．用im2bw將一幅灰度圖像轉化為二值圖像，并且用imshow顯示出來觀察圖像的特征。>> d=im2bw(b);>>figure >>imshow(b);>>figure >>imshow(d);

（二值化截圖）

三、實驗總結

通過實驗matlab軟件的基本使用有了基本的了解，學會了使用matlab軟件來讀取一個特定格式的圖像，并通過相關的命令語句對圖像進行格式轉換、圖像壓縮、二值化等的處理，掌握了利用matlab來獲取圖像的大小、顏色、高度、寬度等等相關信息，掌握在matlab中如何通過imshow()語句來讀取圖像等等。

第二 圖像基本運算

一、實驗目的

1．了解圖像的算術運算在數字圖像處理中的初步應用。2．體會圖像算術運算處理的過程和處理前后圖像的變化。

二、實驗原理

圖像的代數運算是圖像的標準算術操作的實現方法，是兩幅輸入圖像之間進行的點對點的加、減、乘、除運算后得到輸出圖像的過程。如果輸入圖像為a(x,y)和b(x,y)，輸出圖像為c(x,y)，則圖像的代數運算有如下四種形式：

c(x,y)= a(x,y)+ b(x,y)c(x,y)= a(x,y)-b(x,y)c(x,y)= a(x,y)* b(x,y)c(x,y)= a(x,y)/ b(x,y)

三、實驗步驟 1．圖像的加法運算

在matlab中，如果要進行兩幅圖像的加法，或者給一幅圖像加上一個常數，可以調用imadd函數來實現。imadd函數將某一幅輸入圖像的每一個像素值與另一幅圖像相應的像素值相加，返回相應的像素值之和作為輸出圖像。imadd函數的調用格式如下：

z = imadd（x，y）首先讀入兩幅圖像

>>a=imread('');>>b=imread('')通過一個加法操作：>> c=imadd(a,b);

給圖像的每一個像素加上一個常數可以使圖像的亮度增加。如截圖

第一張為原圖，第二張為亮度加50，第三張為亮度減50 2．圖像的減法運算

在matlab中，使用imsubtract函數可以將一幅圖像從另一幅圖像中減去，或者從一幅圖像中減去一個常數。imsubtract函數將一幅輸入圖像的像素值從另一幅輸入圖像相應的像素值中減去，再將這個結果作為輸出圖像相應的像素值。imsubtract函數的調用格式如下：

z = imsubtract(x,y)； 讀入一幅畫后通過減法 >>a3=imsubtract(a,50);

3.圖像的乘法運算

在matlab中，使用immultiply函數實現兩幅圖像的乘法。immultiply函數將兩幅圖像相應的像素值進行元素對元素的乘法操作（matlab點乘），并將乘法的運算結果作為輸出圖形相應的像素值。immulitply函數的調用格式如下：

z = immulitply(x,y)讀入一幅圖后通過乘法操作 >> a=imread('');>> b=immultiply(a,1.5);

4．圖像的除法運算

在matlab中使用imspanide函數進行兩幅圖像的除法。imspanide函數對兩幅輸入圖像的所有相應像素執行元素對元素的除法操作（點除），并將得到的結果作為輸出圖像的相應像素值。imspanide函數的調用格式如下：

z = imspanide(x,y)讀入一幅圖后通過除法操作

四、實驗總結

通過對圖像的四則運算了結圖像的不同變化過程，對軟件的進一步使用也有了更加深刻的認識。

實驗三 圖像增強—空域濾波

一、實驗目的

進一步了解matlab軟件/語言，學會使用matlab對圖像作濾波處理，使學生有機會掌握濾波算法，體會濾波效果。

了解幾種不同濾波方式的使用和使用的場合，培養處理實際圖像的能力，并為課堂教學提供配套的實踐機會。

二、實驗設備與軟件

(1)ibm-pc計算機系統

(2)matlab軟件/語言包括圖像處理工具箱(image processing toolbox)

(3)實驗所需要的圖片

三、實驗內容與步驟

a)調入并顯示原始圖像“”。>>i=imread('');b)利用imnoise命令在圖像“”上加入高斯(gaussian)噪聲

>>j = imnoise(i,'gauss',0.02);

%添加高斯噪聲 c)利用預定義函數fspecial命令產生平均(average)濾波器 d）分別采用3x3和5x5的模板，分別用平均濾波器以及中值濾波器，對加入噪聲的圖像進行處理并觀察不同噪聲水平下，上述濾波器處理的結果；

>>ave1=fspecial('average',3);

%產生3×3的均值模版 >>ave2=fspecial('average',5);

%產生5×5的均值模版 >>k = filter2(ave1,j)/255;

%均值濾波3×3 >>l = filter2(ave2,j)/255;

%均值濾波5×5 e）選擇不同大小的模板，對加入某一固定噪聲水平噪聲的圖像進行處理，觀察上述濾波器處理的結果。

>>m = medfilt2(j,[3 3]);

%中值濾波3×3模板 >>n = medfilt2(j,[4 4]);

%中值濾波4×4模板

f） 上加入椒鹽噪聲(salt & pepper)>>j = imnoise(i,'salt& pepper',0.02);

%添加椒鹽噪聲

四、實驗總結

椒鹽噪聲是由圖像傳感器，傳輸信道，解碼處理等產生的黑白相間的亮暗點噪聲。椒鹽噪聲往往由圖像切割引起，去除脈沖干擾及椒鹽噪聲最常用的算法是中值濾波。椒鹽噪聲是指兩種噪聲，一種是鹽噪聲，另一種是胡椒噪聲。鹽=白色，椒=黑色。前者是高灰度噪聲，后者屬于低灰度噪聲。一般兩種噪聲同時出現，呈現在圖像上就是黑白雜點。這點我們通過實驗結果可以明顯看到。中值濾波對于濾除圖像的椒鹽噪聲非常有效。

實驗四圖像分割

一、實驗目的

使用matlab 軟件進行圖像的分割。使學生通過實驗體會一些主要的分割算子對圖像處理的效果，以及各種因素對分割效果的影響。

二、實驗要求

要求學生能夠自行評價各主要算子在無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。完成規定圖像的處理并要求正確評價處理結果，能夠從理論上作出合理的解釋。

三、實驗內容與步驟

(1)使用roberts 算子的圖像分割實驗，,截圖如下

(2)使用prewitt 算子的圖像分割實驗 截圖如下

(3)使用sobel 算子的圖像分割實驗

(4)使用log(拉普拉斯-高斯)算子的圖像分割實驗

四、實驗結果

對roberts算子、prewitt 算子、sobel 算子、log(拉普拉斯-高斯)算子的運算對圖像的結果有了基本的認識，加深學習效果。

實驗五 形態學運算

1、實驗目的

學習常見的數學形態學運算基本方法，了解腐蝕、膨脹、開運算、閉運算取得的效果，培養處理實際圖像的能力，并為課堂教學提供配套的實踐機會。

2、實驗要求

利用matlab工具箱中關于數學形態學運算的函數，計算本指導書中指定二值圖像進行處理。

3、實驗設備與軟件

-pc計算機系統

軟件/語言包括圖像處理工具箱(image processing toolbox)3.實驗所需要的圖片

4、實驗內容與步驟

1.調入并顯示圖像“”； 2.調入并顯示圖像“”；

3.選取合適的閾值，得到二值化圖像“”； >>bw = im2bw(i,level);

%二值化 4.設置結構元素；

5.對得到的二值圖像“”進行腐蝕運算； >>bw2 = imerode(bw,se1);

%腐蝕 6.對得到的二值圖像“”進行膨脹運算； >>bw1 = imdilate(bw,se);

%膨脹 7.對得到的二值圖像“”進行開運算；

>>bw3 = bwmorph(bw, 'open');

%開運算 8.對得到的二值圖像“”進行閉運算； >>bw4 = bwmorph(bw, 'close');

%閉運算 9.將兩種處理方法的結果作比較；

五、實驗總結

通過本次實驗，學習了常見的數學形態學運算基本方法，了解腐蝕、膨脹、開運算、閉運算取得的效果，培養處理實際圖像的能力，通過自己動手的實驗，對課本上的知識有了更加深刻的理解。

數字圖像處理基本運算實驗報告篇四

數字圖像處理實驗

學生姓名：專業年級：報告

葉圣紅 學 號： 20097048

09級電子信息工程二班

實驗一 常用matlab圖像處理命令

一、實驗內容

1、讀入一幅rgb圖像，變換為灰度圖像和二值圖像，并在同一個窗口內分成三個子窗口來分別顯示rgb圖像和灰度圖像，注上文字標題。

實驗結果如右圖： 代碼如下： subplot(1,3,1)

i=imread('e:')imshow(i)

title('rgb')subplot(1,3,2)j=rgb2gray(i)imshow(j)title('灰度')subplot(1,3,3)k=im2bw(j,0.5)imshow(k)title('二值')

2、對兩幅不同圖像執行加、減、乘、除操作，在同一個窗口內分成五個子窗口來分別顯示，注上文字標題。

實驗結果如右圖： 代碼如下： subplot(3,2,1)i=imread('e:')x=imresize(i,[250,320])imshow(x)title('原圖x')subplot(3,2,2)j=imread(''e:')y=imresize(j,[250,320])imshow(y)title('原圖y')subplot(3,2,3)z=imadd(x,y)imshow(z)title('相加結果')；subplot(3,2,4)；z=imsubtract(x,y)；imshow(z)；title('相減結果')subplot(3,2,5)；z=immultiply(x,y)；imshow(z)；title('相乘結果')subplot(3,2,6)；z=imspanide(x,y)；imshow(z)；title('相除結果')

3、對一幅圖像進行灰度變化，實現圖像變亮、變暗和負片效果，在同一個窗口內分成四個子窗口來分別顯示，注上文字標題。

實驗結果如右圖：

代碼如下： subplot(2,2,1)i=imread('e:')imshow(i)title('原圖')subplot(2,2,2)j = imadjust(i,[],[],3);imshow(j)title('變暗')subplot(2,2,3)j = imadjust(i,[],[],0.4)imshow(j)title('變亮')subplot(2,2,4)j=255-i imshow(j)title('變負')

二、實驗總結

分析圖像的代數運算結果，分別陳述圖像的加、減、乘、除運算可能的應用領域。

解答：圖像減運算與圖像加運算的原理和用法類似，同樣要求兩幅圖像x、y的大小類型相同，但是圖像減運算imsubtract()有可能導致結果中出現負數，此時系統將負數統一置為零，即為黑色。

乘運算實際上是對兩幅原始圖像x、y對應的像素點進行點乘(x.*y)，將結果輸出到矩陣z中，若乘以一個常數，將改變圖像的亮度：若常數值大于1，則乘運算后的圖像將會變亮；叵常數值小于是，則圖像將會會暗。可用來改變圖像的灰度級，實現灰度級變換，也可以用來遮住圖像的某些部分，其典型應用是用于獲得掩膜圖像。

除運算操作與乘運算操作互為逆運算，就是對兩幅圖像的對應像素點進行點（x./y)，imspanide()同樣可以通過除以一個常數來改變原始圖像的亮度，可用來改變圖像的灰度級，其典型運用是比值圖像處理。

加法運算的一個重要應用是對同一場景的多幅圖像求平均值

減法運算常用于檢測變化及運動的物體，圖像相減運算又稱為圖像差分運算，差分運算還可以用于消除圖像背景，用于混合圖像的分離。

實驗二 圖像基本操作

一、實驗內容

1.調試運行8倍減采樣程序,分析程序,對每條語句給出注釋,并顯示最終執行結果。

1、調試運行8倍減采樣程序,分析程序,對每條語句給出注釋,并顯示最終執行結果。

a=imread(‘e:’);%讀取圖片 b=rgb2gray(a)；%變為灰度圖像

[wid，hei]=size（b）；%改變圖片大小 quartimg=zeros(wid/2+1,hei/2+1);i1=1;j1=1;for i=1:2:wid

for j=1:2:hei

quartimg(i1,j1)=b(i,j);

j1=j1+1;

end

i1=i1+1;j1=1;end figure imshow(uint8(quartimg))%顯示輸出圖像

2、顯示一幅灰度圖像a，改變圖像亮度使其整體變暗得到圖像b，顯示兩幅圖像的直方圖

subplot(1,2,1);a=imread('e:');imshow(a)；title('a')；subplot(1,2,2);b= imadjust(a,[],[],3)；title('b')

顯示直方圖程序：

subplot(1,2,1);imhist(a);title('a的直方圖')subplot(1,2,2);imhist(b);title('b的直方圖')

3、對圖像b進行直方圖均衡化，顯示結果圖像和對應直方圖。

subplot(1,2,1);j=histeq(b);imshow(j);title('b均衡化');subplot(1,2,2);imhist(j);title('b均衡化后的直方圖')均衡化的圖像和直方圖：

4、讀入圖像c，執行直方圖規定化，使圖像a的灰度分布與c大致相同，顯示變換后圖像及對應直方圖。

[counts,x]=imhist(c)；subplot(2,2,1)；imshow(a);title('圖a');subplot(2,2,2);c=imread('e:');imshow(c);title('圖c');subplot(2,2,3);j=histeq(a,counts);imshow(j);subplot(2,2,4);imhist(j)

實驗三 圖像變換

一、實驗內容

1、對一幅圖像進行縮小，顯示原始圖像與處理后圖像，分別對其進行傅里葉變換，顯示變換后結果，分析原圖的傅里葉譜與平移后傅里葉頻譜的對應關系。i=imread('f:');y=rgb2gray(i);subplot(2,2,1);imshow(y);title('原圖')j=imresize(y,0.5);subplot(2,2,2);imshow(j);title('縮小圖')m=fft2(y);subplot(2,2,3);imshow(abs(log(m)),[]);title('原圖傅里葉變化')n=fft2(j);subplot(2,2,4);imshow(abs(log(n)),[]);title('縮小圖傅里葉變化')

2、對一幅圖像進行旋轉，顯示原始圖像與處理后圖像，分別對其進行傅里葉變換，顯示變換后結果，分析原圖的傅里葉譜與旋轉后傅里葉頻譜的對應關系。

i=imread('e:');j=rgb2gray(i);subplot(2,2,1);imshow(j);title('原圖')m=imrotate(j,45,'bilinear');subplot(2,2,2);imshow(m);title('旋轉圖')p=fftshift(fft2(j));subplot(2,2,3);imshow(abs(log(p)),[]);title('原圖傅里葉變化')q=fftshift(fft2(m));subplot(2,2,4);imshow(abs(log(q)),[]);title('旋轉圖傅里葉變化')

實驗四 常用圖像增強方法

一、實驗內容

1、采用二維中值濾波函數medfilt2對受椒鹽噪聲干擾的圖像濾波，窗口分別采用3*3,5*5,7*7 subplot(2,2,1);

a=imread('e:');j=imnoise(a,'salt & pepper',0.04);imshow(j);

title('椒鹽噪聲圖像');subplot(2,2,2);i_filter1=medfilt2(j,[3 3]);

imshow(i_filter1);title('3x3');subplot(2,2,3);i_filter2=medfilt2(j,[5 5]);

imshow(i_filter2);title('5x5');subplot(2,2,4);i_filter3=medfilt2(j,[7 7]);

imshow(i_filter3);title('7x7');

2、采用matlab中的函數filter2對受噪聲干擾的圖像進行均值濾波 subplot(1,2,1);a=imread('e:');j=imnoise(a,'salt & pepper',0.04);imshow(j);title('椒鹽噪聲圖像');subplot(1,2,2);h=fspecial('average');m=filter2(h,j);imshow(m);title('均值濾波')

3、采用三種不同算子對圖像進行銳化處理。

subplot(1,4,1);i=imread('f:數字圖像處理');i1=rgb2gray(i);imshow(i1);title('原圖像');subplot(1,4,2);h=fspecial('laplacian');i2=filter2(h,i1);imshow(i2);title('拉式算子')；subplot(1,4,3)h=fspecial('prewitt');i3=filter2(h,i1);imshow(i3);title('prewitt算子')subplot(1,4,4)h=fspecial('sobel');i4=filter2(h,i1)imshow(i4);title('sobel算子')

二、實驗總結

1、比較不同平滑濾波器的處理效果，分析其優缺點

中值濾波比低通濾波消除噪聲更有效。因為噪聲多為尖峰狀干擾，若用低通濾波雖能去除噪聲但陡峭的邊緣將被模糊。中值濾波能去除點狀尖峰干擾而邊緣不會變壞。理想低通濾波器平滑處理的概念是清晰的，但在處理過程中會產生較嚴重的模糊和振鈴現象。這種現象正是由于傅里葉變換的性質決定的。

2、比較不同銳化濾波器的處理效果，分析其優缺點

梯度算子: 梯度對應的是一階導數，梯度算子是一階導數算子。梯度方向:在圖像灰度最大變化率上，反映出圖像邊緣上的灰度變化。梯度處理經常用于工業檢測、輔助人工檢測缺陷，或者是更為通用的自動檢測的預處理。拉普拉斯微分算子強調圖像中灰度的突變,弱化灰度慢變化的區域。這將產生一幅把淺灰色邊線、突變點疊加到暗背景中的圖像。

實驗五 圖像恢復和圖像分割

一、實驗內容

1、產生運動模糊圖像，運用維納濾波進行圖像恢復，顯示結果。

i=imread('f:');i1=rbg2gray(i)；i= im2double(i1);subplot(1,3,1)imshow(i)；title(‘原圖像’)len = 21;theta = 11;

psf = fspecial('motion', len, theta);

blurred = imfilter(i, psf, 'conv', 'circular');subplot(1,3,2);imshow(blurred);title('模擬運動模糊圖像')wnr2=deconvwnr(blurred,psf);subplot(1,3,3);imshow(wnr2);title('維納濾波恢復后圖像')

2、采用三種不同算子檢測圖像邊緣，顯示結果

i = imread('f:');i=rgb2gray(i);subplot(2,2,1);imshow(i);title('原圖像')bw1 = edge(i,'prewitt');subplot(2,2,2);imshow(bw1);title('prewit算子邊緣檢測')bw2=edge(i,'zerocross');subplot(2,2,3);imshow(bw2);title('zerocross算子邊緣檢測')bw3=edge(i,'log');subplot(2,2,4);imshow(bw3);title('log算子邊緣檢測')

3、對二值圖像分別進行方形模板3*3和5*5的膨脹和腐蝕操作，顯示結果。

i= imread('f:');i=im2bw(i,0.5);subplot(2,3,1);imshow(i);title('二值圖像')se=strel('square',3);se1= strel('square',5);i1 = imdilate(i,se);subplot(2,3,2);imshow(i1);title('3*3膨脹圖像')i2 = imdilate(i,se1);subplot(2,3,3);imshow(i2);title('5*5膨脹圖像')subplot(2,3,4);imshow(i);title('二值圖像')erodedbw=imerode(i,se);subplot(2,3,5);imshow(erodedbw);title('3*3腐蝕圖像')erodedbw1=imerode(i,se1);subplot(2,3,6);imshow(erodedbw1);title('5*5腐蝕圖像')

實驗六 圖像處理實際應用

一、實驗內容

1、調試運行下列程序,分析程序,對每條語句給出注釋,并顯示最終執行結果。總結算法思想及優缺點

總結：對于特定位置的車牌識別算法非常高效，但對于含有噪聲等其他因素的車牌分割處理，相對來說算法還有待完善。

三、實驗內容

調試運行下列程序,分析程序,對每條語句給出注釋,并顯示最終執行結果。總結算法思想及優缺點.i=imread('');%讀取圖片

[y,x,z]=size(i);% 返回i各維的尺寸，并存儲在變量y、x、z中 myi=double(i);%換成雙精度數值

%%%%%%%%%%% rgb to hsi %%%%%%%% %begin橫向掃描

tic

%計算tic與toc之間程序的運行時間

%%%%%%%% y 方向 %%%%%%%%%% 分割字符按行積累量

blue_y=zeros(y,1);%產生y*1的全0矩陣 for i=1:y

%給定i的范圍

for j=1:x

:x%給定j的范圍

if((myi(i,j,1)<=30)&&((myi(i,j,2)<=62)&&(myi(i,j,2)>=51))&&((myi(i,j,3)<=142)&&(myi(i,j,3)>=119)))% 藍色rgb的灰度范圍

blue_y(i,1)= blue_y(i,1)+1;

%藍色像素點統計

end

end

end [temp maxy]=max(blue_y);

% y方向車牌區域確定

%temp為向量white_y的元素中的最大值，maxy為該值的索引（在向量中的位置）

py1=maxy;

%y矩陣的最大元素

while((blue_y(py1,1)>=5)&&(py1>1))

確定藍色rgb blue_y所在位置

py1=py1-1;

%對車牌區域的修正，向上調整 end

py2=maxy;

while((blue_y(py2,1)>=5)&&(py2

py2=py2+1;end iy=i(py1:py2,:,:);%iy為原始圖像i中截取的縱坐標在py1：py2之間的部分 %end橫向掃描

%begin縱向掃描

%%%%%%%% x 方向 %%%%%%%%%%

blue_x=zeros(1,x);

%產生y*1的全0矩陣

for j=1:x

for i=py1:py2

if((myi(i,j,1)<=30)&&((myi(i,j,2)<=62)&&(myi(i,j,2)>=51))&&((myi(i,j,3)<=142)&&(myi(i,j,3)>=119)))

blue_x(1,j)= blue_x(1,j)+1;% blue_x 的矩陣加一

end

end

end

px1=1;while((blue_x(1,px1)<3)&&(px1

px1=px1+1;%對車牌區域的修正向下調整 end

px2=x;while((blue_x(1,px2)<3)&&(px2>px1))%確定藍色rgb blue_x的位置

px2=px2-1;%對車牌區域的修正向下調整 end %end縱向掃描

px1=px1-2;% 對車牌區域的修正 px2=px2+2;

plate=i(py1:py2,px1-2:px2,:);t=toc % 讀取計時

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% figure,imshow(i);% 原始圖像'

figure,plot(blue_y);grid %創建圖像窗口，繪制blue_y圖像，畫出網格線' figure,plot(blue_x);grid%創建圖像窗口，繪制blue_x圖像，畫出網格線'figure,imshow(plate);

% 車牌截取結果'

數字圖像處理基本運算實驗報告篇五

實 驗 報 告 書

系部學生專業班

實驗

名稱姓名名稱 級時間：

： ： ：

：

實驗一 直方圖均衡

一、實驗目的

在學習圖像直方圖的概念、計算方法、性質和相關應用基礎上，生成、繪制圖像的直方圖，并應用matlab編程實現圖像直方圖均衡化程序。

二、實驗內容

（1）計算并繪制圖像直方圖；

（2）編程實現圖像的直方圖均衡化處理，顯示均衡前后的直方圖和圖像；

三、實驗運行結果

四、實驗中遇到的問題及解決方法

1、顯示無法找到圖像文件，應將圖片與xx.m文件置于同一文件夾；

2、編程過程中應注意標點的輸入法，應該用英文輸入，否則會報錯。

3、編程完成后運行時輸入文件名與保存時文件名相同，區分大小寫。

五、思考題

（1）、灰度直方圖可以反映一幅圖像的哪些特征？ 答：

1、表征了圖像的一維信息。只反映圖像中像素不同灰度值出現的次數（或頻數）而未反映像素所在位置。

2、與圖像之間的關系是多對一的映射關系。一幅圖像唯一確定出與之對應的直方圖，但不同圖像可能有相同的直方圖。

3、子圖直方圖之和為整圖的直方圖。(2)均衡化后的直方圖有何特點？

答：經直方圖均衡化處理后，可以得到一副改善了質量的新圖像。這幅圖像的灰度層次將不再是呈黑暗色調的圖像，而是一副灰度層次較為適中的、比原始圖像清晰、明快得多的圖像。處理的結果使圖像更適合與人的視覺特征或機器的識別系統。

六、實驗心得體會

本次實驗中，因為初學這個軟件，我學習到了在程序中關于圖像的運用，以及也復習了課本上的許多知識，加深了對直方圖均衡化的理解。

七、程序清單

clear all;i=imread('');%打開一幅灰度圖像 [m,n]=size(i);p=m*n;j=imhist(i)./p;

%計算圖像的歸一化直方圖 subplot(1,3,1),imshow(i)； subplot(1,3,2),imhist(i,64)； subplot(1,3,3),plot(j)；

（2）直方圖均衡化

clear all;im=imread('');j=histeq(im);%均衡化 subplot(2,2,1);imshow(im);title('原圖');%顯示原圖 subplot(2,2,2);imhist(im);title('原圖直方圖');%顯示原圖的直方圖 subplot(2,2,3);imshow(j);title('均衡化結果');%顯示均衡化后的圖像 subplot(2,2,4);imhist(j);title('均衡化結果的直方圖');%顯示均衡化后的直方圖

實驗二 頻域圖像增強

一、實驗目的

1、頻域圖像增強

2、掌握基于頻域的圖像增強方法。

二、實驗內容

（1）編程實現圖像的理想低通和高通濾波；（2）編程實現圖像的巴特沃斯低通和高通濾波。

三、實驗運行結果

四、實驗中遇到的問題及解決方法

顯示圖像無法打開，最終查出來時圖像格式弄錯了。

五、思考題

分析為什么圖像通過低通濾波器后變得模糊？為什么通過高通濾波器后得到銳化結果？

答：圖像的精細結構及突變部分主要由高頻成分起作用，故經低通濾波后圖像的精細結構消失，變得模糊；經高通濾波后圖像得到銳化。

六、實驗心得體會

本實驗中遇到很多問題及錯誤，例如圖像打不開、處理后圖像模糊等，都是經常容易發生的錯誤，最后實驗幾次，就能夠逐一自己解決了。使自己對數字圖像處理課程中的許多問題有了更實際和確切的深入了解。

七、程序清單

clc;clear;data4=imread('');subplot(3,2,1);imshow(data4);title('原圖');i=fft2(data4);subplot(3,2,2);i=fftshift(i);z=log(abs(i));x=0:1:255;y=0:1:255;[x,y]=meshgrid(x,y);mesh(z);%以三維坐標顯示該圖像頻譜圖title('原圖頻譜');[n,m]=size(i);%for k=1:1:n for l=1:1:m if(k^2+l^2)>=190^2 % result(k,l)=0;else result(k,l)=i(k,l);end end end subplot(3,2,4);

對該圖進行低通濾波 選取d=190

z=log(abs(result));%三維方式顯示低通濾波后的頻譜圖 x=0:1:255;y=0:1:255;[x,y]=meshgrid(x,y);mesh(z);title('理想低通濾波后的頻譜');subplot(3,2,3);%新建圖像顯示窗口 result=fftshift(result);%濾波后的數據去中心化 b=ifft2(result);%逆傅里葉變換 imshow(uint8(abs(b)));title('理想低通濾波后的圖像');subplot(3,2,6);%新建圖像顯示窗口 % [n,m]=size(c);%對原圖進行高通濾波 for k=1:1:n for l=1:1:m if(k^2+l^2)<=190^2 %選取d=190 result(k,l)=0;else result(k,l)=i(k,l);end end end z=log(abs(result));x=0:1:255;%三維方式顯示高通濾波前的頻譜圖 y=0:1:255;[x,y]=meshgrid(x,y);mesh(z);title('理想高通濾波后的頻譜');subplot(3,2,5);result=fftshift(result);%濾波后的數據去中心化 d=ifft2(result);%逆傅里葉變換

imshow(uint8(abs(d)));title('理想高通濾波后的圖像');%頻域增強（巴特沃斯原型）

%二階巴特沃斯（butterworth）低通濾波器 %clc;%clear;figure;j1=imread('');subplot(3,2,1);imshow(j1);title('原圖');f=double(j1);g=fft2(f);% 傅立葉變換 g=fftshift(g);% 轉換數據矩陣 subplot(3,2,2);x=0:1:255;y=0:1:255;[x,y]=meshgrid(x,y);z=log(abs(g));%取幅度 mesh(z);%以三維坐標顯示該圖像頻譜圖 title('原圖頻譜');[m,n]=size(g);nn=2;% 二階巴特沃斯(butterworth)低通濾波器 d0=20;m=fix(m/2);n=fix(n/2);for i=1:m for j=1:n d=sqrt((i-m)^2+(j-n)^2);h=1/(1+0.414*(d/d0)^(2*nn));% 計算低通濾波器傳遞函數 result(i,j)=h*g(i,j);

end end subplot(3,2,4);x=0:1:255;y=0:1:255;[x,y]=meshgrid(x,y);z=log(abs(result));%取幅度 mesh(z);%以三維坐標顯示該圖像頻譜圖 title('低通濾波后的頻譜');result=ifftshift(result);j2=ifft2(result);j3=uint8(abs(j2));subplot(3,2,3);imshow(j3);title('低通濾波后的圖像');

%利用二階巴特沃斯（butterworth）高通濾波器

nn=2;% 二階巴特沃斯(butterworth)高通濾波器 d0=5;m=fix(m/2);n=fix(n/2);for i=1:m for j=1:n d=sqrt((i-m)^2+(j-n)^2);if(d==0)h=0;else h=1/(1+0.414*(d0/d)^(2*nn));% 計算傳遞函數 end result(i,j)=h*g(i,j);

end end subplot(3,2,6);x=0:1:255;y=0:1:255;[x,y]=meshgrid(x,y);z=log(abs(result));%取幅度 mesh(z);%以三維坐標顯示該圖像頻譜圖 title('高通濾波后的頻譜');result=ifftshift(result);j2=ifft2(result);j3=uint8(abs(j2));subplot(3,2,5);imshow(j3);title('高通濾波后的圖像');

實驗三 圖像邊緣檢測與連接

一、實驗目的

圖像邊緣檢測與連接

二、實驗內容

（1）編程實現一階差分邊緣檢測算法，包括robert梯度算子、prewitt算子、sobel算子等；（2）編程實現二階差分拉普拉斯邊緣檢測算法以及log檢測法和canny檢測法；（3）分析與比較各種邊緣檢測算法的性能；

（4）編程實現hough變換提取直線

（5）分析hough變換檢測性能；

三、實驗運行結果

四、實驗中遇到的問題及解決方法

拷貝文件后沒改文件名，直接執行時出現錯誤，最后重新修改后重新編譯，使之成功。

五、思考題

（1）邊緣的方向是什么意思？為什么要考慮邊緣的方向？

答：邊緣常常意味著一個區域的終結和另一個區域的開始，圖像的邊緣也包含了物體的形狀的重要信息，他不僅在分析圖像時大幅度的減少了要處理的信息量，而且還保護了目標的邊界結構。所以考慮邊緣的方向很重要。

（2）hough變換原理是什么？

答：hough變換的基本原理在于利用點與線的對偶性，將原始圖像空間的給定的曲線通過曲線表達形式變為參數空間的一個點。這樣就把原始圖像中給定曲線的檢測問題轉化為準找參數空間的峰值問題。也即把檢測整體特性轉化為檢測局部特性。比如直線、橢圓、圓、弧線等。

六、實驗心得體會

對于一些圖像處理的函數不是很了解，只能夠按課本的參照函數拷貝做實驗，對于其中的一些函數問題理解不是很透徹，有些甚至完全不懂。還得繼續努力。

七、程序清單

1、邊緣檢測

由edge函數實現各算子對圖像的邊緣檢測

clear all;i = imread('d:');i=rgb2gray(i);bw1 = edge(i,'sobel');

%利用sobel算子進行邊緣檢測 bw2 = edge(i,'roberts');%利用roberts算子進行邊緣檢測 bw3 = edge(i,'prewitt');%利用prewitt算子進行邊緣檢測 bw4 = edge(i,'log');

%利用log算子進行邊緣檢測 bw5 = edge(i,'canny');

%利用canny算子進行邊緣檢測 subplot(2,3,1),imshow(i)subplot(2,3,2),imshow(bw1)subplot(2,3,3),imshow(bw2)subplot(2,3,4),imshow(bw3)

subplot(2,3,5),imshow(bw4)subplot(2,3,6),imshow(bw5)

2、邊緣連接

使用hough變換作線檢測和連接

clear all;

rgb = imread('d:');i=rgb;%i = rgb2gray(rgb);bw = edge(i,'canny');

% 利用canny算子提取圖像邊緣 [h,t,r] = hough(bw,'rhoresolution',0.5,'thetaresolution',0.5);figure(1), imshow(t,r,h,[],'notruesize'), axis on, axis normal xlabel('t'), ylabel('r')p = houghpeaks(h,5,'threshold',ceil(0.3*max(h(:))));

%找到5個較明顯的hough變換峰值

hold on plot(t(p(:,2)),r(p(:,1)),'s','color','white');lines = houghlines(bw,t,r,p,'fillgap',10,'minlength',10);

%查找并鏈接線段

figure, imshow(bw), hold on %在二值圖中疊加顯示這些線段 for k = 1:length(lines)

xy = [lines(k).point1;lines(k).point2];

plot(xy(:,1),xy(:,2),'linewidth',2,'color','green');end