南邮08级图像实验报告

1、通信与信息2017/2018 学年第一学期实 验实验课程名称 数字图像处理与图像通信实验 专学学指指业号电子信息工程B14011009玉朋图像与广播电视系生生导导学教师日 期：2017 年 10 月 17 日=实验名称：图像的锐化处理一、实验目的：学习用锐化处理技术来加强图像的目标边界和图像细节。对图像进行梯度算子、Roberts算子、Sobel 算子边缘检测处理和 Laplace 算子边缘增强处理，是图像的某些特征(如边缘、轮廓等)得以进一步的增强及突出。二、实验内容：(1)(2)(3)编写梯度算子和 Roberts 算子滤波函数。编写 Sobel 算子滤波函数。编写边缘增强滤波函数。三、实

2、验方法及编程：在实验中，对于这三种算子的算法，都有其各自对应的模板，根据这个模板我们可以方便地编写出程序的主体结构。指导书中也有对应的流程框图可供参考，以下是程序的主体部分：function newbuf=RobFilter(oldbuf,M,N);% *% 函数名称：%RobFilter()% 说明：%Robert 梯度滤波算法。% * for i=1:M-1for j=1:N-1newbuf(i,j)=abs(oldbuf(i,j)-oldbuf(i+1,j+1)+abs(oldbuf(i+1,j)- oldbuf(i,j+1);endend%function newbuf=SobFilt

3、er(oldbuf,M,N);% *% 函数名称：%SobFilter()% 说明：%Sobel滤波算法。% * for i=2:M-1for j=2:N-1sx=oldbuf(i+1,j-1)+2*oldbuf(i+1,j)+oldbuf(i+1,j+1)- oldbuf(i-1,j-1)-2*oldbuf(i-1,j)-oldbuf(i-1,j+1); sy=oldbuf(i-1,j+1)+2*oldbuf(i,j+1)+oldbuf(i+1,j+1)- oldbuf(i-1,j-1)-2*oldbuf(i,j-1)-oldbuf(i+1,j-1);newbuf(i,j)=abs(sx)+

4、abs(sy);endend%function newbuf=LapFilter(oldbuf,M,N);% *% 函数名称：%LapFilter()% 说明：%Laplace滤波算法。% * for i=2:M-1for j=2:N-1newbuf(i,j)=5*oldbuf(i,j)-oldbuf(i-1,j)-oldbuf(i+1,j)- oldbuf(i,j-1)-oldbuf(i,j+1);endend%四、实验结果及分析：（原图像和处理后的图像比较及分析）从上面的图像可以看出：Robert 梯度算子得出的图像能够得出原图的大部分边缘细节，灰度差别越大的地方结果越大，所以显示时较为明

5、亮。一些边缘由于灰度差值较小，在得出的结果图像中不容易分辨出来。Sobel 算子得出的图像则显得明亮而粗壮。所有的边缘细节均被显示出来，特别是人物面部。由于其结果粗壮，面部细节显得非常密集。Laplace 算子则用以将图像的边缘、细节增强，通过结果结果可以看出，图像的细节明显比原来突出。但是这个方法存在的弊端是，在背景区域，结果图像中有一些噪声的图样也被加强了。日 期： 2011 年 9 月 13 日=实验名称：图像信号的数字化一、实验目的：通过本实验了解图像的数字化参数取样频率(像素个数)、量化级数与图像质量的关系。二、实验内容：编写并调试图像数字化程序。要求参数 k，N 可调。其中，k 为

6、亚抽样比例，N 为量化比特数。可选任意图像进行处理，在显示器上观察各种数字化参数组合下的图像效果。三、实验方法及编程：在数字系统中进行处理、传输和图像，必须把代表图像的连续信号转变为离散信号，这种变换过程称为图像信号的数字化。它包括采样和量化两种处理。本实验对数字图像进行再采样和再量化，以人眼对数字图像的分辨率和灰度级的敏感程度。function newbuf=Sle_Quant(oldbuf,k,n)%*函数名称：S参数：le_Quant()图像数字化算法函数oldbuf M Nk nnewbuf说明：原图像数组原图像尺寸取样间隔 量化比特值存放处理后的图像二维数组在水平和垂直方向作 1:k

7、 取样，得到新的取样图像，再根据量化公式对每个像 素分别取 n 比特量化，为了观察显示的需要，再按 k:1 的比例将再取样的图像还原为原图像尺寸。最后放入新的图像数组中并返回该数组。*M,N=size(oldbuf); oldbuf=double(oldbuf); x=1;y=1;while xMwhile yNnew=(round(oldbuf(x,y)/(2(8-n)*(2(8-n); for i=0:k-1for j=0:k-1if(x+iM)&(y+j=Ny=1;end x=x+k;end%四、实验结果及分析：（原图像和处理后的图像比较及分析）由实验结果可以看出，亚抽样比例 k 和量化

8、比特数 N 对都会使图像变得模糊，但两者的影响是不相同的。亚抽样比例 k 的大小决定了数字化图像的方块效应是否明显。当 k 较大时，数字化图像会有较为明显的块状出现，对于图像的视觉效果影响很大。量化比特数 N 则决定了图像的灰度级，量化比特数为 N 时，图像有个 2N 灰度级。所以当 N 较小时，图像会出现不规则的区域有着相同的灰度值的情况，但是这些区域在原图像中却有着差别较小的不同的灰度值。特别是在原图的灰度渐变的区域，这种效应会变得尤为明显。日 期： 2011 年 9 月 20 日=实验名称：图像灰度级修正一、实验目的：掌握常用的图像灰度级修正方法，即图像的灰度变换法和直均衡化法，加深对灰

9、度直的理解。二、实验内容：(1) 编程实现图像的灰度变换。改变图像输入、输出图像处理结果。的灰度参数范围(拉伸和反比)，(2) 修改可选参数 gamma 值，使其大于 1，等于 1 和小于 1，图像处理结果。(3) 对图像直均衡化处理，显示均衡前后的直和图像。实验图像选用 hor256 或vax256。三、实验方法及编程：图像增强常用到三种基本方式，分别为 1 线性 2 对数 3 幂次。线性变换的公式可表示为% 参数：%oldbufnewbuf原图像数组存放处理后的图像二维数组% 说明：% 对 oldbuf 的原图像数据进行灰度统计，然后计算每一个 K 所对应的 S 值，求出对照% 表 S（k

10、），最后以原图像灰度值 K 作为地址，对每一象素进行变换，得出均衡化以后的% 新图像存放在 newbuf 中。% * M,N=size(oldbuf);NN=M*N;sk=0;COUNTS,X=imhist(oldbuf,256); for i=1:Mfor j=1:Nkk=double(oldbuf(i,j); for k=1:kksk=sk+COUNTS(k);end sk=sk/NN*256; newbuf(i,j)=sk;endendnewbuf=u8(newbuf);%四、实验结果及分析：（原图像和处理后的图像比较及分析）由实验结果可以看出，所选的测试图像的灰度值主要分布于低值的部分

11、。经过无gamma值的灰度值变换后，直观地看出：分布于低值部分的直分散开来，分布于几乎所有的灰度值，但是对映于各个灰度值的像素个数分布仍是不均匀的。变换后的图像比原图显得明亮、清晰。经过第二第三幅图像可以进一步看出：gamma值的灰度值变换则明显受gamma值的影响：当gamma值大于1时，直有向灰度为0的一端压缩的趋势，gamma越大，这种趋势越明显。此时的图像比原图清晰，但是原本偏暗的部分更加偏黑，原本较亮的部分则变得发白，总体而言，图像偏暗的部分较多。当gamma值小于1时，其趋势与gamma值大于1相反，故整个图像显得发白。直均衡后的图像也显得较为清晰、均匀。它能尽量将直变得均衡，分布

12、也更为均匀，各个灰度值所对应的像素个数尽可能相同。日 期： 2011 年 9 月 27 日=实验名称：图像的平滑滤波一、实验目的：图像平滑主要目的是减少噪声对图像的影响。噪声有很多种类，不同的噪声有不同的抑制措施。本实验要求用平滑线性滤波和中值滤波两种最典型、最常用的处理算法进行程序设计，学习如何对已被污染的图像进行“净化”。通过平滑处理，对结果图像加以比较，得出自己的实验结论。二、实验内容：编写并调试窗口尺寸为 mn 的平滑滤波函数。编写并调试窗口尺寸为 mn 的中值滤波函数。三、实验方法及编程：在 M*N 的图像 f 上，用 m*n 大小的滤波器模板进行线性滤波由这个公式给出：for i=

13、(m+1)/2:M-(m+1)/2 for j=(m+1)/2:N-(m+1)/2k=1;for x=-(m-1)/2:(m-1)/2;for y=-(m-1)/2:(m-1)/2; winbuf(k)=oldbuf(i+x,j+y); k=k+1;endend newbuf(i,j)=SeekMid(winbuf,m);endend%function mid=SeekMid(winbuf,m)%*函数名称：SeekMid()参数：winbuf mmid说明：排序函数滑动窗口滑动窗口尺寸存放排序后中间位置的像素值将 winbuf 窗口中的m*m 个像素进行排序，将排序队列中间的像素值赋给变量

14、mid。*winsize=length(winbuf); for i=1:winsizefor j=1:winsize-i%取窗口尺寸%编写排序函数if(winbuf(i)winbuf(j+i) t=winbuf(i); winbuf(i)=winbuf(j+i); winbuf(j+i)=t;endendendmid=winbuf(ceil(m*m/2);% ceil 函数朝正无穷大方向取整，总能取到中间位置%四、实验结果及分析：（原图像和处理后的图像比较及分析）由实验结果可以看出，对于处理椒盐噪声，中值滤波比均值滤波要好很多。当窗口大小为 33 时，均值滤波能一定程度上降低噪声的污染，但是

15、，仍能看出在噪声点，并没有完全消除噪声，只是将噪声与周围的图像进行了平均，噪声点只是显得模糊了，并没有完全消除。相比之下，中值滤波则效果明显，同为 33 的窗口，几乎能把所有的噪声点消除，效果非常显著。当窗口大小变大时，也能将大部分噪声点消除，但是会带来严重的模糊。同时可以看出，两种方法都使得处理后的图像比原图要模糊，并且随着窗口的变大，图像变得越来越模糊。通过两种方法之间的比较则可以看出，同等窗口下中值滤波带来的模糊比均值滤波要轻一些。日 期： 2011 年 10 月 11 日=实验名称：图像方块编码(BTC)一、实验目的：通过编程实验，掌握方块编码的基本方法及压缩性能。二、实验内容：编程实

16、现子块为 nn 的方块编码基本方法，分别取 n=2,4,8 方块尺寸进行方块编码实验，计算编码后的均方误差和压缩比。三、实验方法及编程：本实验采用的方案为：（1）end xt=temp/m; for i=1:nfor j=1:nif (inbuf(i,j)=xt)+1;temp1=temp1+inbuf(i,j); elsetemp0=temp0+inbuf(i,j);endendendif q=ma0=round(temp0/(m-q);endif q=0a1=round(temp1/q);endfor i=1:nfor j=1:nif (inbuf(i,j)1if i=1,j=1DPCM:

17、xi,j=128xi,j-1xi,j=1282_DDPCM:x i,j-1xi-1,j 1/2x i,j-11/8xi-1,j-11/4xi-1,j 1/8xi-1,j+1of predictionif i=1,j1if i1,j=1 or N if i1,j1(Pirschs predictor)Dim RowCOL:Dimenvertical coordinate of current pixel to be predictedhorizontal coordinate of current pixel to be predicted*global newbuf; switch dimca

18、se 1if col=1Pvalue=128; elsePvalue=newbuf(row,col-1);endcase 2if (row=1&col=1) Pvalue=128;endif (row=1&col1) Pvalue=newbuf(row,col-1);endif (row1&col=1)|(row1&col=N) Pvalue=newbuf(row-1,col);endif (row1&col1&colN)Pvalue=(1/2)*newbuf(row,col-1)+(1/4)*newbuf(row-1,col-1)+ (1/4)*newbuf(row-1,col+1);end

19、end%function Qvalue=Quant_Value(err);%*This function is used as linearzer.Thezer has totally15zation level :0,5,10,17,28,39,52,67*if (abs(err)=2.5)elselev=0;if(abs(err)=7.5)elselev=5;if(abs(err)=13.5)elselev=10;if(abs(err)=22.5)elselev=17;if(abs(err)=33.5)elselev=28;if(abs(err)=45.5)elselev=39;if(ab

20、s(err)=59.5)lev=52;elseendlev=67;endendendendendendQvalue=lev; if (err=0)Qvalue=lev*(err/abs(err);end%function Rvalue=Restor_Value(quan_err,pre_val)%*This function is used to get restored value of DPCMx=_Error*Rvalue=quan_err+pre_val;%function Cvalue=Clip_Value(res_val)%*Thisfunction is 0 x=255xused

21、 to clip to restored value to 8_bit value if x255otherwise*if (res_val255) Cvalue=255; elseCvalue=res_val;endend%四、实验结果及分析：（原图像和处理后的图像比较及分析）由实验结果可以看出，一维和二维编码图像与原图均十分接近，两者的差别难以察觉。而从误码图像中可以看出，当在某一位置出现误码后，一维编码会将误差延续至整个行，显得很明显。二维编码则与之不同，其将误码延续至其后的斜后方，并且随着距离的增加迅速优势。，总体而言，影响要小一些。两相比较，可以体现出二维编码的一些日 期： 2011

22、 年 10 月 25 日=实验名称：JPEG 压缩编码一、实验目的：(1) 掌握nn子块的DCT图像变换及频谱特点。(2) 熟悉JPEG基本系统的图像编二、实验内容：方法。(1) 编程实现nn子块DCT变换的图像频谱显示，88子块DCT变换系数按“Z”(Zig-Zag)扫描图像重建，计算图像的均误差RMSE，显示误差图像和误差直。(2) 编程实现JPEG压缩编码，进行88子块的DCT图像变换，JPEG量化矩阵的量化与反量化，88子块DCT的图像重建，计算图像的均。三、实验方法及编程：误差RMSE，显示误差图像和误差直DCT 频谱系数在方块中的分布有如下规律：直流系数位于左上角第一个的位置，且值

23、较大。余下的为交流系数，越向右下角系数的值一般越小，属于高频分量。在细节较多的区域，DCT 频谱系数整体显得较亮，而在背景区，除了直流系数和少数低频系数，其余都为 0或很小的值，故而显示为黑色。对 DCT 系数做反 DCT 变换则可复原出原图。若反变换前对 DCT 系数进行取舍则可以降低码率，但是，会对图像质量带来一定的影响。JPEG 压缩编码的算法主要计算步骤如下：通过前向离散余弦变换减少图像数据相关性。利用人眼的视觉特性对 DCT 系数进行量化。使用差分脉冲编码调制对直流系数进行编码。对交流系数进行“Z”形扫描，使用行程长度编码对交流系数进行编码。（5）熵编对上述描述符进行熵编码，可以采用

24、编码，也可以采用算数编码。function newbuf=DctBlock(oldbuf,Block)%*函数名称：DctBlock()DCT n*n 块频谱函数参数： oldbuf Blocknewbuf原图像数组DCT n*n 当前块选择值存放处理后的图像二维数组说明：根据 Block 块的当前选择值，计算原图像的 n*n 块 DCT 变换，并转换为可有利于频谱的观察。谱图，*oldbuf=double(oldbuf); H=dctmtx(Block);newbuf=blkproc(oldbuf,Block Block,P1*x*P2,H,H);newbuf=log(abs(newbuf)

25、;subplot(2,2,2);imshow(newbuf,);%function newbuf=DctCode(oldbuf,DCTch)%*函数名称：DctCode()DCT 8*8 块系数“Z”字扫描图像压缩函数参数： oldbuf DCTchnewbuf原图像数组DCT 8*8 块“Z”扫描当前系数选择值存放处理后的图像二维数组说明：计算图像的 88 子块 DCT 变换，按“Z”字扫描顺序，根据 DCTch 参数，只保留 64 个% DCT 系数中的前 DCTch 个系数，对修改后的 DCT 系数用逆 DCT 变换重建图像，得到 DCT% 变换的压缩图像。计算重建图像的均误差 RMSE ；显示误差图像和误差直。% *zigzag=1 2 6 7 15 16 28 293 5 89 13 18 26 31 42 44%设置 Z 扫描顺序101