1、实验一 图像增强和图像分割实验实验一 图像增强和图像分割实验（1）分别用图中给出的直线和曲线作为增强函数进行增强，比较它们的效果并讨论其特点。线性变换 对指数变换 图片1 图片2实验步骤：1. 在MATLAB中编写灰度图像的线性变换点运算程序图片1处理程序I=imread(图片1.png); %读入原图像I=im2double(I); %转换数据类型为doubleM,N=size(I);figure(1);imshow(I);%显示原图像title(原图像);figure(2);I=rgb2gray(I);%转化为灰度图像H,x=imhist(I,64);stem(x,(H/M/N),.);t
2、itle(原图像);%tan=30a=sqrt(3)/3;b=0;y=a.*I+b;figure(3);imshow(y);title(tan=30);figure(4);H,x=imhist(y,64);stem(x,(H/M/N),.);title(tan=30);%tan=45a=1;b=0;y=a.*I+b;figure(5);imshow(y);title(tan=45);figure(6);H,x=imhist(y,64);stem(x,(H/M/N),.);title(tan=45);%tan=60a=sqrt(3);b=0;y=a.*I+b;figure(7);imshow(y
3、);title(tan=60);figure(8);H,x=imhist(y,64);stem(x,(H/M/N),.);title(tan=60);实验结果如下图所示：图片1的原图像图片1的30度线性变换图像图片1的45度线性变换图像图片1的60度线性变换图像原图像的直方图 30度变换后直方图45度变换后的直方图 60度变换后直方图图片2处理程序参考图片1处理程序。图片2实验结果如图所示：图片2原图像30度变换后图像45度变换后图像60度变换后图像2. 实验结果分析由实验结果可以看出，当按照30度线性变换后图像变暗，按照45度变换后图像没有任何改变，按照60度变换后图像变亮，由变换后的直方图
4、可以确认像素点的变化。由以上分析可以得出，当线性变换函数的斜率大于1时，图像的对比度将增大；当线性变换的斜率小于时，图像的对比度将减小；当线性变换函数的斜率等于1时，图像的对比度不变，只是像素点整体的移动。虽然线性变换可以改变对比度，但是对图像的细节部分增强有限。1. 在MATLAB中编写灰度图像的对指数点运算程序 图片1对数处理程序：I=imread(图片1.png); %读入原图像I=im2double(I); %转换数据类型为doubleI=rgb2gray(I);figure(1);imshow(I); %显示原图像title(原图像);figure(3);H,x=imhist(I,6
5、4);stem(x,(H/M/N),.);title(原图像);figure(2);y=log(I+1);imshow(I);title(对数变换);figure(4);H,x=imhist(y,64);stem(x,(H/M/N),.);title(对数变换);实验结果如下图所示：图片1直方图 图片1对数变换直方图对数变换后图像图片1指数处理程序：I=imread(图片1.png); %读入原图像I=im2double(I); %转换数据类型为doubleI=rgb2gray(I);M,N=size(I);figure(1);imshow(I); %显示原图像title(原图像);figur
6、e(3);H,x=imhist(I,64);stem(x,(H/M/N),.);title(原图像);figure(2);imshow(imadjust(I,3);figure(4);H,x=imhist(imadjust(I,4),64);stem(x,(H/M/N),.);title(指数变换);实验结果如下图所示：图片1直方图 指数变换后直方图图片1指数变换后图像图片2对指数处理程序参考图片1处理程序。对指数处理结果如图所示：图片2指数变换后图像图片2直方图 指数变换后直方图对数变换后直方图图片2对数变换后图像2. 实验结果分析A、对数变换采用对数变换，当函数自变量为低值时，曲线斜率很高
7、；自变量为高值时，曲线斜率变小。由变换后图像和直方图可以得出，对数变换是增强图像中较暗的细节，从而可用来扩展被压缩的高值图像中较暗的像素。B、指数变换对数变换采用的是伽玛变换（1），同理图像的高灰度区域对比度得到增加。因为伽玛变换变换不是线性变换，不仅可以改变图像的对比度，还能够增强细节，从而带来整体图像效果的增强和改善。 （2）分别用Roberts算子、Sobel算子、LoG算子和Canny算子进行边缘检测，比较它们的效果并讨论其特点；图片3 图片4实验步骤：1. 在MATLAB中编写检测程序I=imread(图片3.png);bw1=edge(I,roberts);bw2=edge(I,s
8、obel);bw3=edge(I,log);bw4=edge(I,canny);figure(1);imshow(I);title(原图像);figure(2);imshow(bw1);title(roberts);figure(3);imshow(bw2);title(sobel);figure(4);imshow(bw3);title(log);figure(5);imshow(bw4);title(canny);实验结果如图所示：图片3经过roberts算子检测的图像图片3经过sobel算子检测的图像图片3经过LoG算子检测的图像图片3经过canny算子检测的图像 图片4处理程序参考图片
9、3处理程序。实验结果如下图所示：roberts处理后图像 sobel处理后图像 LoG处理后图像 canny处理后图像2. 实验结果分析由实验结果可以看出：Roberts利用局部差分算子寻找边缘，边缘定位精度较高，但是容易丢失一部分边缘，同时由于图像没经过平滑处理，因此不具备抑制噪声的能力，所以对含噪声少的图像的处理效果较好；Sobel算子考虑了邻域信息，相当于对图像先做加权平滑处理，然后再做微分运算，虽然能够对噪声有抑制效果，但不能完全排除检测结果中出现的虚假边缘。对边缘定位准确，但检测出的边缘容易出现多像素宽度；LoG算子即高斯-拉普拉斯算子，克服了拉普拉斯抗噪声比较差的缺点，但在抑制噪声
10、的同时也可能将原有的比较尖锐的边缘也平滑掉，造成这些尖锐的边缘无法被检测到，但是相对于Roberts算子和Sobel算子处理结果稍好;Canny算子：在图像边缘检测中，抑制噪声和边缘精确定位是无法同时瞒足的，Canny算子在力图在抗干扰和精确定位之间寻求最佳的折中方案。由图像处理结果可以看出，效果较前三者边缘更细腻、清楚。从边缘定位的精度看：Roberts算子和LoG算子定位精度更高。从对不同方向边缘的敏感性而言：Sobel算子检测斜向阶跃边缘效果较好；Roberts算子检测水平和垂直边缘效果较好；LoG算子不具备边缘方向检测能力；Soberl算子可以提供最精确的边缘方向估计。从去噪能力看：R
11、oberts算子和LoG算子虽然定位精度较高，但受噪声影响大。从总体效果来衡量，Canny算子给出了一种边缘定位精确性和抗噪声干扰性的较好折中。（3）采用不同阈值化方法（固定阈值、迭代阈值、Otsu阈值等）对图像进行分割，比较它们的效果并讨论其特点；图片5 图片6实验步骤：1. 固定阈值： I=imread(图片5.png);figure(1);imshow(I);title(原图像);figure(2);imhist(I);title(直方图);i=1;j=1;for i=1:1:256 for j=1:1:256 if (I(i,j)=TK) iForeground=iForeground
12、+1; ForegroundSum=ForegroundSum+double(tmp); %前景灰度值 else iBackground=iBackground+1; BackgroundSum=BackgroundSum+double(tmp); end end endZO=ForegroundSum/iForeground; %计算前景和背景的平均值 ZB=BackgroundSum/iBackground; TKTmp=uint8(ZO+ZB)/2; if(TKTmp=TK ) bcal=0; else TK=TKTmp;end %当阈值不再变化的时候，说明迭代结束enddisp(str
13、cat(迭代后的阀值：,num2str(double(TK); %显示最终阈值newI=im2bw(I,double(TK)/255);figure(1);imshow(I);title(原始图像);figure(2);imshow(newI);title(迭代法分割) 实验结果：迭代后的阀值：128图片5迭代分割 图片6处理过程同上，实验结果如图所示：迭代后的阀值：104图片6迭代分割3. Otsu阈值：I = imread(图片5.png);level = graythresh(I);BW = im2bw(I,level);figure(1);imshow(I);title(原图像);fi
14、gure(2); imshow(BW);title(otsu); 实验结果：Level=0.5137Otsu阈值分割 图片6处理过程同上，实验结果如下：Level=0.4039；Otsu阈值分割4. 实验结果分析固定阈值：由图片5和图片6的处理结果看出，固定阈值适合具有明显双峰的图像，但是当两个峰值相差很远时不适用，而且容易受到噪声的干扰，进而导致阈值的选取误差。又因为直方图是各灰度的像素统计，其峰值和谷底并不一定代表目标和背景，所以没有图像其他方面的知识，只靠直方图进行图像分割是不一定准确的。迭代阈值：基本思想是：开始选择一个阈值作为初始值，然后按照某种方法不断更新这个阈值，直到满足给定的条
15、件为止。由处理结果可以看出，迭代阈值法不需要再依靠直方图或其他方法给出分割阈值，就能够很好的分割图像。对于图片6效果不是很好。Otsu阈值：Otsu阈值又称最大类间方差法，函数Graythresh可以自适应地确定变换所用的最优阈值。由图像处理结果可以看出，对于简单图像处理效果稍好，但是对于复杂图像的处理效果不好，常常给物体的边缘带来误差。（4）对于2幅不同的纹理图像，计算其灰度共生矩阵及相关的二次统计量（能量、惯性、相关性、熵等），并比较有何不同？从这些统计量中可以看出纹理图像有何特点？图片7 图片8实验步骤：1. 实验程序%基于共生矩阵纹理特征提取，d=1,=0,45,90,135共四个矩阵
16、%所用图像灰度级均为256Gray = imread(图片7.png);M,N = size(Gray);I= zeros(M, N);I= ( Gray - rem(Gray, 8) ) / 8;figure(1); imshow(Gray, ); title(256 * 256);figure(3);imhist(Gray);figure(2); imshow(I, ); title(8 * 8);figure(4);imhist(I);%-%计算四个共生矩阵P,取距离为1，角度分别为0,45,90,135%-P = zeros(8,8,4);for m = 1:8 for n = 1:8
17、 for i = 1:M for j = 1:N if j1&jN&I(i,j)=m-1&I(i-1,j+1)=n-1 P(m,n,2) = P(m,n,2)+1; P(n,m,2) = P(m,n,2); end if iM&I(i,j)=m-1&I(i+1,j)=n-1 P(m,n,3) = P(m,n,3)+1; P(n,m,3) = P(m,n,3); end if iM&jN&I(i,j)=m-1&I(i+1,j+1)=n-1 P(m,n,4) = P(m,n,4)+1; P(n,m,4) = P(m,n,4); end end end if m=n P(m,n,:) = P(m,n
18、,:)*2; end endend%-% 对共生矩阵归一化%-for n = 1:4 P(:,:,n) = P(:,:,n)/sum(sum(P(:,:,n);end %-%4.对共生矩阵计算能量、熵、惯性矩、相关4个纹理参数%-H = zeros(1,4);I = H;Ux = H; Uy = H;deltaX= H; deltaY = H;C =H;for n = 1:4 E(n) = sum(sum(P(:,:,n).2); %能量 for i = 1:8 for j = 1:8 if P(i,j,n)=0 H(n) = -P(i,j,n)*log(P(i,j,n)+H(n); %熵 e
19、nd I(n) = (i-j)2*P(i,j,n)+I(n); %惯性矩 Ux(n) = i*P(i,j,n)+Ux(n); %相关性中x Uy(n) = j*P(i,j,n)+Uy(n); %相关性中y end endendfor n = 1:4 for i = 1:8 for j = 1:8 deltaX(n) = (i-Ux(n)2*P(i,j,n)+deltaX(n); %相关性中x deltaY(n) = (j-Uy(n)2*P(i,j,n)+deltaY(n); %相关性中y C(n) = i*j*P(i,j,n)+C(n); end end C(n) = (C(n)-Ux(n)*
20、Uy(n)/deltaX(n)/deltaY(n); %相关性 end%-%求能量、熵、惯性矩、相关的均值和标准差作为最终8维纹理特征%-b1 = sqrt(cov(E); a1 = mean(E) ;b2 = sqrt(cov(H); a2 = mean(H) ;b3 = sqrt(cov(I); a3 = mean(I);b4 = sqrt(cov(C) ;a4 = mean(C);sprintf(0,45,90,135方向上的能量依次为： %f, %f, %f, %f,E(1),E(2),E(3),E(4) % 输出数据;sprintf(0,45,90,135方向上的熵依次为： %f,
21、%f, %f, %f,H(1),H(2),H(3),H(4) % 输出数据;sprintf(0,45,90,135方向上的惯性矩依次为： %f, %f, %f, %f,I(1),I(2),I(3),I(4) % 输出数据;sprintf(0,45,90,135方向上的相关性依次为： %f, %f, %f, %f,C(1),C(2),C(3),C(4) %输出数据;2. 实验结果如下所示：图片7的结果：ans =0,45,90,135方向上的能量依次为： 0.170495, 0.143078, 0.164191, 0.141377ans =0,45,90,135方向上的熵依次为： 2.22383
22、7, 2.366822, 2.239749, 2.389057ans =0,45,90,135方向上的惯性矩依次为： 0.671650, 0.907801, 0.640556, 0.982820ans =0,45,90,135方向上的相关性依次为： 0.672787, 0.543289, 0.677332, 0.507081共生矩阵：P(:,:,1) = 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.0017 0.0036 0.0017 0.0003 0.0006 0 0 0 0.0036 0.0221 0.0293 0.010
23、2 0.0019 0 0 0 0.0017 0.0293 0.0781 0.0537 0.0197 0 0 0 0.0003 0.0102 0.0537 0.1152 0.0941 0 0 0 0.0006 0.0019 0.0197 0.0941 0.3527P(:,:,2) = 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.0035 0.0039 0.0007 0.0007 0 0 0 0.0035 0.0184 0.0326 0.0160 0.0064 0 0 0 0.0039 0.0326 0.0801 0.0564
24、 0.0262 0 0 0 0.0007 0.0160 0.0564 0.0950 0.1018 0 0 0 0.0007 0.0064 0.0262 0.1018 0.3099P(:,:,3) = 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.0019 0.0044 0.0019 0.0006 0.0003 0 0 0 0.0044 0.0246 0.0325 0.0079 0.0022 0 0 0 0.0019 0.0325 0.0840 0.0581 0.0148 0 0 0 0.0006 0.0079 0.0581 0.
25、1105 0.0960 0 0 0 0.0003 0.0022 0.0148 0.0960 0.3411P(:,:,4) = 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.0029 0.0039 0.0021 0.0007 0 0 0 0.0029 0.0150 0.0358 0.0172 0.0057 0 0 0 0.0039 0.0358 0.0744 0.0576 0.0326 0 0 0 0.0021 0.0172 0.0576 0.0859 0.0981 0 0 0 0.0007 0.0057 0.0326 0.0
26、981 0.3114 图片8的结果：ans =0,45,90,135方向上的能量依次为： 0.375000, 1.000000, 0.375000, NaNans =0,45,90,135方向上的熵依次为： 1.039721, 0.000000, 1.039721, NaNans =0,45,90,135方向上的惯性矩依次为： 0.500000, 0.000000, 4.500000, NaNans =0,45,90,135方向上的相关性依次为： -1.777778, NaN, -0.197531, NaN共生矩阵：P(:,:,1) = 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.2500 0 0 0 0 0 0 0.2500 0.5000P(:,:,2) = 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
