圖像上機(jī)實(shí)驗(yàn).doc

《圖像上機(jī)實(shí)驗(yàn).doc》由會(huì)員分享，可在線閱讀，更多相關(guān)《圖像上機(jī)實(shí)驗(yàn).doc（12頁(yè)珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。

實(shí)驗(yàn)一 圖像處理的基本操作 一，實(shí)驗(yàn)?zāi)康? 1．熟悉有關(guān)數(shù)字圖像處理的MATLAB基本操作和編寫； 2．掌握數(shù)字圖像的基本讀寫、顯示與保存； 3．能夠利用MATLAB工具箱完成圖像處理的基本運(yùn)算； 二，實(shí)驗(yàn)內(nèi)容 1．（1）讀取圖像并顯示真彩色圖像house.tiff； （2）讀取圖像并顯示索引色圖像canoe.tif，并轉(zhuǎn)換為灰度圖像； （3）讀取圖像并顯示灰度圖像rice.png，并轉(zhuǎn)換為二進(jìn)制圖像； （4）檢測(cè)內(nèi)存中的圖像和保存圖像； 2．查看不同分辨率下圖像lena.tiff的顯示結(jié)果； 3．對(duì)彩色圖像Peppers.png觀看GRB通道各單通道圖像； 4．實(shí)現(xiàn)馬赫帶效應(yīng)并畫出灰度直方圖。 三，代碼 I=imread(house.tiff); figure(1) imshow(I) [A,map]=imread(canoe.tif); figure(2) subplot(121) imshow(A,map) D=ind2gray(A,map); subplot(122) imshow(D) G=imread(rice.png); figure(3) subplot(121) imshow(G) th=graythresh(G);H=im2bw(G,th); subplot(122) imshow(H) whos;imwrite B=imread(lena.tiff); figure(4), subplot(121) imshow(B) C = imresize(B, 0.2) subplot(122) imshow(C) D=imread(Peppers.png); r=D,r(:,:,[2 3])=0; g=D,g(:,:,[1 3])=0; b=D,b(:,:,[1 2])=0; figure(5), subplot(1,3,1),imshow(r); subplot(1,3,2),imshow(g); subplot(1,3,3),imshow(b); a=zeros(256,256); for i=1:32:256 a(:,i:i+32)=i; end figure(6); subplot(121) imshow(uint8(a)); subplot(122) imhist(uint8(a)); 四，實(shí)驗(yàn)結(jié)果 五，結(jié)果分析 從運(yùn)行結(jié)果可以看出，實(shí)驗(yàn)還是比較成功的。但是在做索引色那個(gè)圖像的時(shí)候，如果索引色和灰度圖像放在同一個(gè)figure里，索引色圖像顯示的也是灰色，因此我只能把索引色圖像和灰度圖像分開放到兩個(gè)figure里。在查看不同分辨率下圖像lena.tiff的顯示結(jié)果時(shí)，必須要對(duì)兩個(gè)圖像進(jìn)行放大查看才能看出不同。 實(shí)驗(yàn)二 圖像變換1 一，實(shí)驗(yàn)?zāi)康? 1．熟悉有關(guān)MATLAB工具箱中提供的圖像變換函數(shù)； 2．掌握傅立葉變換和小波變換等常用的正交變換函數(shù)； 二，實(shí)驗(yàn)內(nèi)容 1．對(duì)圖像lena.png進(jìn)行傅立葉變換和離散余弦變換，并分別求出其逆變換后重構(gòu)圖像的均方誤差； 2．實(shí)現(xiàn)圖像lena.png的兩層小波分解，觀察分解系數(shù)并重構(gòu)，求重構(gòu)圖像誤差值； 3．觀察圖像IM1.BMP經(jīng)小波分解系數(shù)的方向性，實(shí)現(xiàn)三層小波分解，分別把HL,LH,HH子帶置零和重構(gòu)，觀察重構(gòu)圖像跟原始圖像的差異。 三，代碼 %1．對(duì)圖像lena.png進(jìn)行傅立葉變換和離散余弦變換， % 并分別求出其逆變換后重構(gòu)圖像的均方誤差； clear; clc; I=imread(lena.png); %傅里葉變換 figure(1); I1=fft2(I); I1=fftshift(I1); If=ifftshift(I1); If=uint8(real(ifft2(If))); subplot(231); imshow(I); subplot(232); imshow(log(abs(I1)),[]); subplot(233); imshow(If); [m,n]=size(I); %計(jì)算均方誤差 for i=1:m for j=1:n temp(i,j)=(If(i,j)-I(i,j))^2; end end wucha1=sum(sum(temp)) %離散余弦變換 I2=dct2(I); I3=fftshift(I2); Id=idct2(I2); Id=uint8(real(Id)); subplot(234); imshow(I); subplot(235); imshow(log(abs(I3)),[]); subplot(236); imshow(Id); [m,n]=size(I); %計(jì)算均方誤差 for i=1:m for j=1:n temp(i,j)=(If(i,j)-I(i,j))^2; end end wucha2=sum(sum(temp)) %% % 2．實(shí)現(xiàn)圖像lena.png的兩層小波分解，觀察分解系數(shù)并重構(gòu)，求重構(gòu)圖像誤差值； X=imread(lena.png); [c,s]=wavedec2(X,2,bior3.7); 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]; c1=uint8(c1); Xr=waverec2(c,s,bior3.7); figure(2); subplot(131); imshow(X); subplot(132); imshow(c1); subplot(133); imshow(uint8(Xr)); [m,n]=size(X); %計(jì)算均方誤差 for i=1:m for j=1:n temp(i,j)=(Xr(i,j)-I(i,j))^2; end end wucha3=sum(sum(temp)) %% % 3．觀察圖像IM1.BMP經(jīng)小波分解系數(shù)的方向性，實(shí)現(xiàn)三層小波分解， % 分別把HL,LH,HH子帶置零和重構(gòu)，觀察重構(gòu)圖像跟原始圖像的差異。 P=imread(C:\shiyan2\IM1.BMP); [c,s]=wavedec2(P,3,bior3.7); 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]; c1=uint8(c1); figure(3); subplot(131); imshow(P); subplot(132); imshow(c1); subplot(133); imshow(uint8(a1)); 四，實(shí)驗(yàn)結(jié)果 五，實(shí)驗(yàn)結(jié)果 從運(yùn)行結(jié)果可以看出，實(shí)驗(yàn)還是比較成功的。上圖分別是1.對(duì)圖像lena.png進(jìn)行傅立葉變換和離散余弦變換，并分別求出其逆變換后重構(gòu)圖像的均方誤差；2．實(shí)現(xiàn)圖像lena.png的兩層小波分解，觀察分解系數(shù)并重構(gòu)，求重構(gòu)圖像誤差值；3．觀察圖像IM1.BMP經(jīng)小波分解系數(shù)的方向性，實(shí)現(xiàn)三層小波分解，分別把HL,LH,HH子帶置零和重構(gòu)，觀察重構(gòu)圖像跟原始圖像的差異。最后求得誤差均為零，我認(rèn)為這可能是重構(gòu)方法均是使用matlab自帶函數(shù)的原因，使得重構(gòu)圖像與原圖幾乎一樣。 實(shí)驗(yàn)三 圖像變換2 一，實(shí)驗(yàn)?zāi)康? 1．熟悉有關(guān)圖像增強(qiáng)的直方圖方法； 2．掌握傅立葉變換和離散余弦變換等常用的正交變換函數(shù)； 二，實(shí)驗(yàn)內(nèi)容 1．實(shí)現(xiàn)對(duì)圖像IM2.BMP進(jìn)行直方圖均衡化，從而達(dá)到增強(qiáng)圖像的目的，觀察圖像直方圖的前后變化； 2．實(shí)現(xiàn)對(duì)圖像IM3.BMP加入某種噪聲（如椒鹽噪聲等），運(yùn)用低通濾波和中值濾波分別進(jìn)行圖像平滑； 3．實(shí)現(xiàn)對(duì)圖像IM4.BMP的同態(tài)增強(qiáng)：對(duì)照明分量和反射分量進(jìn)行同態(tài)濾波。 三，代碼 clear; clc; % 實(shí)現(xiàn)對(duì)圖像IM2.BMP進(jìn)行直方圖均衡化，從而達(dá)到增強(qiáng)圖像的目的， % 觀察圖像直方圖的前后變化 i=imread(IM2.BMP); j=histeq(i); figure(1); subplot(221); imshow(i); title(原始圖像); subplot(222); imshow(j); title(均衡化圖像); subplot(223); imhist(i,64); title(原始直方圖); subplot(224); imhist(j,64); title(均衡化直方圖); % 實(shí)現(xiàn)對(duì)圖像IM3.BMP加入某種噪聲（如椒鹽噪聲等）， % 運(yùn)用低通濾波和中值濾波分別進(jìn)行圖像平滑 k=imread(IM3.BMP); l=imnoise(k,salt & pepper,0.02); figure(2); subplot(221); imshow(k); title(原始圖像); subplot(222); imshow(l); title(噪聲圖像); p=medfilt2(l); subplot(223); imshow(p); title(中值濾波圖像); f=double(l); g=fftshift(fft2(f)); [N1,N2]=size(g); n=2; %butterworth濾波器的參數(shù)n=2 d0=50; %d0為截止頻率（與原點(diǎn)的距離） n1=fix(N1/2); n2=fix(N2/2); for i=1:N1 for j=2:N2 d=sqrt((i-n1)^2+(j-n2)^2); h=1/(1+0.414*(d/d0)^2*n); result(i,j)=h*g(i,j); end end result=ifftshift(result); x2=ifft2(result); x3=uint8(real(x2)); subplot(224); imshow(x3); title(butterworth低通濾波圖像); %實(shí)現(xiàn)對(duì)圖像IM4.BMP的同態(tài)增強(qiáng)：對(duì)照明分量和反射分量進(jìn)行同態(tài)濾波 %圖像的動(dòng)態(tài)范圍壓縮，圖像的對(duì)比度增強(qiáng)，類似于高通濾波 clear; figure; I=imread(IM4.BMP); I1=log(double(I)+1); I2=fft2(I1); n=3; d0=5; rh=0.1; rl=0.05; [row,col]=size(I2); for i=1:row for j=1:col d1(i,j)=sqrt(i^2+j^2); h(i,j)=rl+(rh/(1+(d0/d1(i,j)^(2*n)))); end end I3=I2.*h; I4=ifft2(I3); I5=exp(I4)-1; subplot(121); imshow(I); title(原始圖像); subplot(122); imshow(I5); title(同態(tài)濾波); 四，實(shí)驗(yàn)結(jié)果 五，結(jié)果分析 從運(yùn)行結(jié)果可以看出，實(shí)驗(yàn)還是比較成功的。但在加入椒鹽噪聲后進(jìn)行高斯低通濾波的實(shí)驗(yàn)中，高斯低通濾波并不能完美的把噪聲濾掉，圖像中依然存在噪聲，雖然變得不明顯了。我想可能是算子取得不好，導(dǎo)致了高斯低通濾波的失敗。 實(shí)驗(yàn)四 圖像處理 一、實(shí)驗(yàn)?zāi)康? 1．掌握?qǐng)D像分割中的四叉樹區(qū)域分割與合并法； 2．掌握?qǐng)D像分割中的閾值分割法； 3．了解圖像紋理分析和特征提取方法； 4．了解圖像目標(biāo)識(shí)別方法及其應(yīng)用； 二、實(shí)驗(yàn)內(nèi)容 1．使用四叉樹(quadtree)的方法，找出圖像IM5.BMP中物體的輪廓； 2．選擇一個(gè)合適的初始閾值，將圖像IM5.BMP分為兩個(gè)區(qū)域； 3．選作題目：選擇合適的位置算子，計(jì)算出圖像的共生矩陣，然后計(jì)算熵和能量來(lái) 描述紋理特征； 4．選作實(shí)驗(yàn)五 特征提取 一、實(shí)驗(yàn)?zāi)康? 1．了解圖像紋理分析和特征提取方法； 二、實(shí)驗(yàn)內(nèi)容 1．選擇合適的位置算子，計(jì)算出圖像的共生矩陣，然后計(jì)算熵和能量來(lái)描述紋理特征； 題目：汽車牌照定位與字符識(shí)別。 三，代碼 %使用四叉樹(quadtree)的方法，找出圖像IM5.BMP中物體的輪廓 h=imread(L8_2.BMP); s = qtdecomp(h, 0.2); figure(1); subplot(221); imshow(full(s)); title(參數(shù)為0.2); s = qtdecomp(h, 0.4); subplot(222); imshow(full(s)); title(參數(shù)為0.4); s = qtdecomp(h, 0.6); subplot(223); imshow(full(s)); title(參數(shù)為0.6); s = qtdecomp(h, 0.8); subplot(224); imshow(full(s)); title(參數(shù)為0.8); %% % 選擇一個(gè)合適的初始閾值，將圖像IM5.BMP分為兩個(gè)區(qū)域 h=imread(L8_2.BMP); h1=im2bw(h,40/255); h2=im2bw(h,100/255); h3=im2bw(h,150/255); h4=im2bw(h,180/255); figure(2); subplot(221); imshow(h); title(原圖像); subplot(222); imshow(h2); title(t=100); subplot(223); imshow(h3); title(t=150); subplot(224); imshow(h4); title(t=180); 四，實(shí)驗(yàn)結(jié)果 五，結(jié)果分析 通過(guò)上圖可以看出，實(shí)驗(yàn)還是比較成功的，在進(jìn)行使用四叉樹進(jìn)行輪廓分析和閾值分割圖像時(shí)，我分別使用了不同的參數(shù)來(lái)進(jìn)行實(shí)驗(yàn)，得到的效果是完全不同的。 實(shí)驗(yàn)五 特征提取 一、實(shí)驗(yàn)?zāi)康? 1．了解圖像紋理分析和特征提取方法； 二、實(shí)驗(yàn)內(nèi)容 1．選擇合適的位置算子，計(jì)算出圖像的共生矩陣，然后計(jì)算熵和能量來(lái)描述紋理特征； 三，代碼 clc; clear; [I,M]=imread(L8_2.BMP); % imhist(I); imshow(I,M); glcm = graycomatrix(I,Offset,[0 60],NumLevels,8); energy=graycoprops(glcm,energy); entropy=0; [row,col]=size(glcm); for i=1:row for j=1:col entropy=entropy+glcm(i,j)*log10(glcm(i,j)); end end % display(glcm); display(energy); display(entropy); 四，實(shí)驗(yàn)結(jié)果 五，結(jié)果分析 給定不不同的向量和灰度壓縮成不同個(gè)數(shù)會(huì)得到不同不同的值，原因是沒(méi)有對(duì)圖像進(jìn)行歸一化，導(dǎo)致有多值。