MATLAB数字图像处理实验.doc

MATLAB数字图像处理实验 作者： 日期：13 个人收集整理 勿做商业用途数字图像处理实验图 像 处 理 实 验(一）直 方 图灰度变换是图像增强的一种重要手段，使图像对比度扩展，图像更加清晰，特征更加明显。灰度级的直方图给出了一幅图像概貌的描述，通过修改灰度直方图来得到图像增强。1、 灰度直方图（1） 计算出一幅灰度图像的直方图clearclose allI=imread(004.bmp）；imhist（I)title（实验一(1) 直方图);(2) 对灰度图像进行简单的灰度线形变换,figuresubplot（2,2，1）imshow(I）;title（试验2灰度线性变换);subplot(2，2，2）histeq（I）；(3） 看其直方图的对应变化和图像对比度的变化。原图像 f(m,n) 的灰度范围 a，b 线形变换为图像 g（m，n)，灰度范围a,b公式： g（m，n）=a+（ba) f(m,n) /（ba）figuresubplot（2，2,1)imshow(I)J=imadjust（I,0。3，0。7,0,1，1）；title（ 实验一（3）用 g(m，n）=a+(b-a) f（m,n) /（ba)进行变换 );subplot（2,2,2）imshow(J）subplot(2，2,3)imshow（I)J=imadjust(I，0.5 0.8,0,1，1）；subplot（2,2，4）imshow（J）（4) 图像二值化 (选取一个域值，(5） 将图像变为黑白图像）figuresubplot(2，2，1)imshow(I）J=find（I=150);I（J)=255；title（ 实验一（4）图像二值化 （ 域值为150 ) ）;subplot(2，2，2）imshow（I)clc;I=imread（14499.jpg);bw=im2bw（I，0。5)；%选取阈值为0.5figure；imshow(bw） 显示二值图象图象处理变换（二）1 傅立叶变换熟悉其概念和原理,实现对一幅灰度图像的快速傅立叶变换，并求其变换后的系数分布。2 离散余弦变换熟悉其概念和原理,实现对一幅灰度和彩色图像作的离散余弦变换,选择适当的DCT系数阈值对其进行DCT反变换。 图象的FFT变换clc；I=imread（005.bmp）；subplot（1,2，1)imshow（I）;title（原图）；subplot(1,2,2）imhist(I)；title(直方图)；colorbar;J=fft2(I);figure；subplot(1,2，1)imshow（J）；title(FFT变换结果)；subplot(1,2，2)K=fftshift（J);imshow(K）；title(零点平移）;figure；imshow(log(abs（K)，),colormap(jet(64）),colorbar;title(系数分布图）;% 图象的DCT变换RGB=imread（005。bmp)；figure;subplot(1,2,1）imshow(RGB）;title(彩色原图)；a=rgb2gray(RGB);subplot（1,2，2)imshow（a)；title（灰度图);figure;b=dct2(a);imshow(log(abs(b），)，colormap(jet(64）)，colorbar;title(DCT变换结果）；figure；b(abs（b）10）=0；% idctc=idct2（b)/255;imshow（c);title（IDCT变换结果）；图象处理变换(三）小波变换实验内容： 熟悉小波变换的概念和原理，熟悉matlab小波工具箱主要函数的使用。利用二维小波分析对一幅图象作2层小波分解，并在此基础上提取各层的低频信息实现图像的压缩。程序如下：clcclose allcleara=imread（005。bmp）;subplot（1，2，1）；imshow(a);title（原始图象)；I=rgb2gray（a);subplot(1,2,2);imshow(I）；title(原始图象的灰度图）; 进行二维小波变换a，b = wavedec2(I, 2, bior3.7)；% 提取各层低频信息figure;c = appcoef2( a， b， bior3。7, 1 )；subplot（1，2,1)；imshow（c， )；title(一层小波变换结果）;d = appcoef2（ a, b， bior3.7, 2 );subplot(1，2,2）；imshow（d, ）;title(二层小波变换结果)；图象处理实验（四） 模板运算一、实验内容：（1）平滑：平滑的目的是模糊和消除噪声。平滑是用低通滤波器来完成，在空域中全是正值。（2)锐化:锐化的目的是增强被模糊的细节。锐化是用高通滤波器来完成，在空域中，接近原点处为正,在远离原点处为负。利用模板进行图象增强就是进行模板卷积。1、 利用二个低通邻域平均模板(33和99）对一幅图象进行平滑，验证模板尺寸对图象的模糊效果的影响。2、 利用一个低通模板对一幅有噪图象（GAUSS白噪声）进行滤波，检验两种滤波模板（分别使用一个55的线性邻域平均模板和一个非线性模板:35中值滤波器)对噪声的滤波效果。3、 选择一个经过低通滤波器滤波的模糊图象，利用sobel和prewitt水平边缘增强高通滤波器（模板)对其进行高通滤波图象边缘增强，验证模板的滤波效果。4、 选择一幅灰度图象分别利用 一阶Sobel算子和二阶Laplacian算子对其进行边缘检测，验证检测效果。二、实验步骤：1、利用低通邻域平均模板进行平滑:I=imread(girl.bmp）；subplot（1，3，1)；imshow(I);title(原图)；J=fspecial(average）；J1=filter2(J,I)/255;subplot（1，3，2）;imshow（J1)；title（33滤波)；K=fspecial（average，9);K1=filter2（K,I）/255；subplot(1，3,3）；imshow(K1）；title（99滤波)；2、中值滤波和平均滤波I=imread(girl。bmp)；J=imnoise(I,gaussian,0,0.01);subplot（2,2,1)；imshow（I);title(原图);subplot(2,2,2);imshow（J）；title(noise)；K=fspecial（average，5);K1=filter2（K,J）/255;subplot(2，2，3);imshow(K1）;title（average）；L=medfilt2（J,3 5);subplot(2,2,4);imshow（L）；title(medium）；3、高通滤波边缘增强I=imread（girl。bmp）；subplot（2，2，1);imshow(I）;title(original pic)；J=fspecial（average，3）;J1=conv2（I，J）/255；J1=filter2（J,I)/255；subplot（2，2，2）;imshow(J1）;title（3*3lowpass）;K=fspecial（prewitt）;K1=filter2（K，J1)*5;subplot（2,2，3)；imshow（K1);title(prewitt);L=fspecial(sobel）;L1=filter2（L,J1）*5;subplot（2，2，4）；imshow(L1）；title(sibel）；4、边缘检测分别用sobel和laplacian算子来进行，程序如下：I=imread(girl。bmp）;subplot(1,3,1）；imshow（I);title（original pic)；K=fspecial(laplacian,0.7）；K1=filter2（K，I）/100；subplot(1，3,2）；imshow(K1);title(laplacian);L=fspecial（sobel)；L1=filter2（L,I)/200；subplot（1,3，3)；imshow(L1）；title（sibel）；图像处理实验（五)图像分割实验目的：1、 学习边缘检测2、 学习灰度阀值分割实验内容:1、分别用sobel、LaplacianGaussian方法对一幅灰度图像进行边缘提取，2、给出对比结果i=imread(eight.tif)；figure;subplot(2，2,1)；imshow(i）;title(原始图像）；subplot（2，2,3)；imshow(i)；title（原始图像);i1=edge(i,sobel)；subplot(2,2，2);imshow(i1)；title（sober方法提取的边缘)；i2=edge（i,log)；subplot(2，2,4）;imshow(i2）；title（LaplacianGaussian方法提取的边缘）；比较提取边缘的效果可以看出，sober算子是一种微分算子，对边缘的定位较精确，但是会漏去一些边缘细节。而LaplacianGaussian算子是一种二阶边缘检测方法,它通过寻找图象灰度值中二阶过零点来检测边缘并将边缘提取出来，边缘的细节比较丰富。通过比较可以看出Laplacian-Gaussian算子比sober算子边缘更完整，效果更好。3、利用双峰法对一幅灰度图像进行灰度分割处理i=imread(eight。tif)；subplot(1,2,1);imhist（i）；title（原始图像直方图）;thread=130/255；subplot（1,2,2）；i3=im2bw(i，thread）;imshow（i3）;title(分割结果)；根据原图像的直方图，发现背景和目标的分割值大约在130左右，并将灰度图像转为二值图像,分割效果比较理想.图像处理实验（六）图像压缩与编码实验目的： 学习JPEG压缩编码实验内容：一实现基本JPEG的压缩和编码分三个步骤:1 首先通过DCT变换去除数据冗余；2 使用量化表对DCT系数进行量化；3 对量化后的系数进行Huffman编码.具体源程序由主程序及两个子程序（DCT量化、Huffman编码）组成：1主程序I=imread(autumn.tif）;yiq=rgb2ntsc（I)；my=16 11 10 16 24 40 51 61；12 12 14 19 26 58 60 55；14 13 16 24 40 57 69 56；14 17 22 29 51 87 80 62；18 22 37 56 68 109 103 77；24 35 55 64 81 104 113 92；49 64 78 87 103 121 120 101;72 92 95 98 112 100 103 99；miq=17 18 24 47 99 99 99 99；18 21 26 66 99 99 99 99;24 26 56 99 99 99 99 99；47 66 99 99 99 99 99 99；99 99 99 99 99 99 99 99；99 99 99 99 99 99 99 99;99 99 99 99 99 99 99 99;99 99 99 99 99 99 99 99；I1=yiq（：,:,1);I2=(：，：,2)；m n=size（I1）；t1=8;ti1=1；while(t1t1=t1+8;ti1=ti1+1;endt2=8；ti2=1；while(t2t2=t2+8;ti2=ti2+1;endtimes=0;for k=0:ti12for j=0:ti2-2dct8x8（I1（k*8+1:k*8+8,j8+1:j8+8），my,times64+1）;dct8x8(I2(k*8+1：k8+8,j*8+1:j*8+8),miq，times*64+1)；times=times+1;endblock(I2（k*8+1:k*8+8,j*8+1：t2），8 8, dctmtx(8）；endfor j=0:ti22dct8x8（I1（k*8+1:t1，j8+1：j8+8)，times64+1）；times=times+1;enddct8x8(I1(k8+1：t1,j*8+1：t2)，times*64+1）;2function dct8x8（I，m，s) %定义DCT量化子程序T=inline(dctmtx（8）)；y=blkproc(I,8 8,T)；y=round(y。/m)；p=1；te=1；while(p=64)for q=1：tey1（s+p)=y（te-q+1,q);p=p+1；endfor q=te:-1：1y1（s+p）=y（teq+1,q);p=p+1；endendf=haffman（y1）;c（s：s+64，1）=f（:，1）;c（s：s+64,2）=f（:,2)；c（s:s+64，3）=f(：,3）3function c=haffman(I） %定义Huffman编码子程序m,n=size(I）;p1=1;s=mn;for k=1:mfor h=1：nf=0;for b=1:p1-1if（c(b,1）=I(k，h) f=1;break；endendif（f=0) c（p1,1）=I(k，h）；p1=p1+1;endendendfor g=1:p1-1p(g）=0；c（g,2）=0；for k=1:mfor h=1:nif(c（g，1）=I（k,h) p（g）=p（g）+1；endendendp（g）=p（g）/s;endpn=0；po=1；while(1）if(pn=1.0） break;elsepm p2=min(p(1:p1-1）；p(p2)=1.1;pm2，p3=min(p(1:p1-1)；p(p3)=1.1；pn=pm+pm2；p（p1）=pn;tree(po,1）=p2;tree(po，2）=p3；po=po+1;p1=p1+1；endendfor k=1：po1tt=k；m1=1；if（or（tree（k,1）9，tree（k,2)9)if(tree(k,1)9)c（tree(k，1),2）=c（tree（k,1）,2）+m1;m2=1;while(ttm1=m1*2；for h=tt:po1if(tree（h，1)=tt+g）c(tree（k，1）,2)=c(tree(k,1)，2)+m1;m2=m2+1;tt=h;break；elseif（tree（h,2)=tt+g)m2=m2+1；tt=h;break；endendendc（tree(k，1）,3）=m2;endtt=k;m1=1;if（tree(k，2）9）m2=1；while(ttm1=m12；for h=tt:po1if（tree（h,1）=tt+g）c（tree（k，2)，2)=c（tree（k,2)，2)+m1；m2=m2+1；tt=h；break;elseif(tree(l，2）=tt+g)m2=m2+1,tt=h；break；endendendc（tree（k,2),3）=m2;endendend二JPEG2000采用小波变换编码，小波变换压缩编码实现程序为load wbarb；subplot（2,2,1),image(X)；colormap（map)title(原始图象)；c,s=wavedec2（X,2, bior3.7）；thr=20；ca1=appcoed2(c，s， bior3.7,1)；ch1=detcoef2（h，c，s，1);cv1=detcoef2(v,c，s，1）;cd1=detcoef2(d，c,s,1）；a1=wrcoef2（a,c,s， bior3。7,1）；h1=wrcoef2(h，c，s， bior3。7，1)；v1=wrcoef2（v,c,s， bior3。7，1);d1=wrcoef2(d,c，s, bior3.7，1);c1=a1,h1,v1，d1;ca1=appcoed2（c，s， bior3。7,1）；ca1=wcodemat(ca1,440, mat,0）;ca1=0.5ca1subplot(2,2,2),image(ca1）title（压缩图象一)ca2=appcoed2（c，s, bior3。7，2）；ca2=wcodemat(ca2，440, mat，0)；ca2=0.5*ca2;subplot(2,2,3),image(ca2）title(压缩图象二）图象处理实验(七）应用KL变换进行图象的特征提取一、实验要求：应用KL变换进行图象的特征提取。熟悉MATLAB的相关命令。二、实验目的：掌握如何应用KL变换进行图象的特征提取.三、实验内容：选择一幅稍大的灰度图象（最好用纹理图象)，按下面步骤进行实验：（1）应用99的窗口对上述图象进行随机抽样，共抽样200块子图象;（2）将所有子图象按列相接变成一个81维的行向量；（3）对所有200个行向量进行KL变换，求出其对应的协方差矩阵的特征向量和特征值，按降序排列特征值以及所对应的特征向量；（4)选择前40个最大特征值所对应的特征向量作为主元，将原图象块向这40个特征向量上投影，所获得的投影系数就是这个子块的特征向量。（5)求出所有子块的特征向量。四、实验结果：源程序如下：clearclose allclcM=rand（200,200）；I=imread（a。bmp）;mx，my=size（I）;imshow(I）；title（原始图象）;for i=1:200for j=1:199if(ceil（M（i，j）*mx)x(i)=ceil(M（i,j)*mx）;y(i)=ceil（M（i，j+1)my);endendendfor i=1：200I1(：,：,i）=imcrop(I,x（i）,y(i），8,8）;I2（:,i）=reshape（I1（:,:,i),1，81);endI2=double(I2）；C=I2I2/200;a,s=eig(C）；A=a(161：200，：）;U=A*I2；figure;imshow（U);title(特征向量)；