2023年数字图像处理实验报告

数字图像解决实验报告学生姓名：学号:专业年级：0９级电子信息工程二班实验一常用MＡTＬAB图像解决命令一、实验内容１、读入一幅RGＢ图像，变换为灰度图像和二值图像，并在同一个窗口内提成三个子窗口来分别显示ＲGＢ图像和灰度图像，注上文字标题。实验结果如右图:代码如下:Subplot（１,3,1)i＝imread（'E:\数字图像解决\2．jｐg＇)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、对两幅不同图像执行加、减、乘、除操作,在同一个窗口内提成五个子窗口来分别显示，注上文字标题。实验结果如右图：代码如下：Subｐlｏｔ(3,2,1）i＝imreａd('E:＼数字图像解决\１6.jpg')x=ｉｍｒesize(i,[250，320］)imｓhｏw(x)title(＇原图x'）Subplot(3,2，2)j＝imread(＇'E:＼数字图像解决\17.jpg')y=imresizｅ(j,[250，320])imｓhｏw(y)tiｔlｅ('原图ｙ')Sｕbplot(3，２,3）ｚ=imadd（x,y)ｉmshow（z）ｔitｌｅ（'相加结果＇)；Suｂplｏt（3,2,４)；z=ｉmsｕbtraｃt（ｘ,y）；iｍshoｗ(z)；ｔitlｅ('相减结果'）Suｂplot(３,2,5)；z=imｍultiｐｌｙ(x,y);iｍshow(ｚ);titlｅ('相乘结果')Ｓｕbplｏt(3,2,6）；z=ｉmdiviｄｅ(x,y）;imshoｗ（z)；titｌe('相除结果'）3、对一幅图像进行灰度变化，实现图像变亮、变暗和负片效果,在同一个窗口内提成四个子窗口来分别显示,注上文字标题。实验结果如右图：代码如下：Subplot(２,2，1)i=imreaｄ('E:\数字图像解决\2３.jpg')iｍshow（i）tｉｔlｅ('原图')Subplｏｔ（2，２，２)J＝imａdｊuｓt(i，[],[],３);imshｏｗ(J)title('变暗＇）Ｓubplot(2,2,3）J＝iｍaｄjust（i,[],［],0.4）imshoｗ（Ｊ)ｔitle（＇变亮'）Subplｏt(2，2,4)Ｊ=255－iIｍshｏｗ(J）titｌe('变负＇)二、实验总结分析图像的代数运算结果,分别陈述图像的加、减、乘、除运算也许的应用领域。解答:图像减运算与图像加运算的原理和用法类似,同样规定两幅图像Ｘ、Y的大小类型相同,但是图像减运算iｍsubtract（)有也许导致结果中出现负数,此时系统将负数统一置为零，即为黑色。乘运算事实上是对两幅原始图像X、Y相应的像素点进行点乘(X.*Ｙ)，将结果输出到矩阵Z中,若乘以一个常数，将改变图像的亮度:若常数值大于1,则乘运算后的图像将会变亮;叵常数值小于是，则图像将会会暗。可用来改变图像的灰度级，实现灰度级变换，也可以用来遮住图像的某些部分，其典型应用是用于获得掩膜图像。除运算操作与乘运算操作互为逆运算，就是对两幅图像的相应像素点进行点(X./Y),ｉmｄiｖｉｄe()同样可以通过除以一个常数来改变原始图像的亮度，可用来改变图像的灰度级,其典型运用是比值图像解决。加法运算的一个重要应用是对同一场景的多幅图像求平均值减法运算常用于检测变化及运动的物体，图像相减运算又称为图像差分运算，差分运算还可以用于消除图像背景，用于混合图像的分离。实验二图像基本操作实验内容1.调试运营8倍减采样程序,分析程序,对每条语句给出注释,并显示最终执行结果。1、调试运营8倍减采样程序,分析程序，对每条语句给出注释,并显示最终执行结果。a=iｍread（‘F:＼3.ｊｐg’);%读取图片ｂ=rｇｂ2ｇray(a);%变为灰度图像[ｗiｄ,hei］=ｓiｚe（b）；%改变图片大小qｕartimg＝zeros(wid／2+1,hei/2+１);i1=１；j1＝１；ｆorｉ=1:2：wｉdfｏｒj=1:2:ｈeｉｑuartimg（ｉ1,j1)=b(ｉ，ｊ);j1=j１+１;endi1=i1+１;j１=１;endfigureimshow(uｉnt8(quartimg))%显示输出图像2、显示一幅灰度图像ａ,改变图像亮度使其整体变暗得到图像ｂ,显示两幅图像的直方图Suｂploｔ(1,2,1);a=iｍreａd(＇E:\数字图像解决实验＼数字图像解决\2０.ｊpg＇)；iｍshow(a）；titlｅ(＇ａ')；Sｕbpｌot(１,2,2);b=imadjust(ａ,[],[]，３);tiｔｌｅ('b'）显示直方图程序：Suｂploｔ(1,２,1）;imhist（a);tｉtｌｅ（'ａ的直方图')Sｕbploｔ（1，2，2)；imhist(ｂ);title(＇b的直方图') ３、对图像ｂ进行直方图均衡化，显示结果图像和相应直方图。Ｓubplot(1,２,1);j=hｉｓｔｅｑ（ｂ);imsｈow(j);tｉｔle（'b均衡化'）；Ｓubplot(1,2,２);iｍhist(j）;ｔiｔle（'ｂ均衡化后的直方图')均衡化的图像和直方图:４、读入图像c,执行直方图规定化,使图像ａ的灰度分布与c大体相同,显示变换后图像及相应直方图。[cｏｕｎts,x]=ｉmｈist(c)；Suｂplot(2,２，１)；imｓhow（a);titｌｅ(＇图a＇);Subpｌot(２,2,2);c=imreａd('E:\数字图像解决\13．ｊpg');imshｏw(c);titｌe('图ｃ'）;Subpｌｏｔ(２,２,３);j=histｅq(a,counts);imshow(ｊ);Suｂpｌot（２,2,4);imhisｔ(j）实验三图像变换一、实验内容1、对一幅图像进行缩小，显示原始图像与解决后图像,分别对其进行傅里叶变换,显示变换后结果,分析原图的傅里叶谱与平移后傅里叶频谱的相应关系。ｉ=iｍrｅad('F:\数字图象解决\1７.jpg');ｙ=rｇb2gｒay（i)；ｓuｂpｌot(2,２,1);imsｈow(y）;title('原图')j＝imｒesize(ｙ，０.５);subｐloｔ(２,２,2);iｍsｈow(j)；ｔｉtle(＇缩小图')m=fｆt２（y）;suｂｐloｔ(2,2，3）;imshow(ａbｓ(log(m)),[]）；title（'原图傅里叶变化')n=fft2(ｊ）；subplot(２,2,４);imsｈow(abｓ(log(ｎ））,[］）；tｉｔlｅ('缩小图傅里叶变化')2、对一幅图像进行旋转，显示原始图像与解决后图像，分别对其进行傅里叶变换,显示变换后结果，分析原图的傅里叶谱与旋转后傅里叶频谱的相应关系。i=ｉmreａd('Ｆ:＼数字图象解决\1７.jpg');j＝rｇb２gｒay(ｉ）;subplot（２，2，１);ｉmsｈow(j）;tiｔle(＇原图')m=ｉmrｏtａte(j,４5,'biｌiｎeａr');sｕbplot（2,2,２);imshow(m）;ｔｉtle('旋转图'）p＝fftｓhiｆt(fft2（j));subｐlｏｔ(2,2,3)；iｍshow（abs（log(p))，[]);ｔitle(＇原图傅里叶变化')q=fftshift(ｆｆt2(ｍ）);sｕbplot(2,２,4);ｉmshow（aｂs(lｏg（q）)，[]);tiｔle('旋转图傅里叶变化')实验四常用图像增强方法一、实验内容1、采用二维中值滤波函数medfilt2对受椒盐噪声干扰的图像滤波，窗口分别采用3*3,5*5,7*7ｓubｐｌot(2,2,1)；a=ｉmread('F:\数字图像解决\24．jpg');j=imｎoise(ａ，'salt＆peｐｐeｒ＇,０.０4);imshow(j）;ｔitlｅ(＇椒盐噪声图像'）；suｂplｏｔ(2,２,2);I_Filｔeｒ1=ｍedｆilt２（j,[３3])；imｓhow(I＿Ｆiltｅr1）;titｌe('3Ｘ3'）;suｂplot（2,２,3)；I_Filter2=medfilt2（ｊ,［55］)；imshow(Ｉ_Ｆilteｒ２）;title（'５Ｘ5＇）;ｓuｂpｌoｔ(２,2,4）；Ｉ_Ｆilｔer3=meｄfｉlt2（j,[77]）;imｓｈow(I_Filtｅｒ3);titｌｅ(＇7X７');2、采用MATLAB中的函数fiｌter2对受噪声干扰的图像进行均值滤波sｕbplｏt(１，２,1);a=imrｅad('F:\数字图像解决\２4．jｐg'）;ｊ=imｎoise(a,'ｓａｌt&pepｐｅr＇,0.04）;imshｏw（j);title('椒盐噪声图像');suｂpｌot（1,2,2）;h=ｆspｅcial(＇average'）;m＝filter２(h,j);imshow（m);tiｔｌe('均值滤波＇)3、采用三种不同算子对图像进行锐化解决。subpｌot(1，4,1);i=imread(＇F：\数字图像解决\1６.jpg')；i1=rｇb2graｙ(ｉ);iｍsｈow(i１)；titｌe（'原图像');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、实验总结1、比较不同平滑滤波器的解决效果,分析其优缺陷中值滤波比低通滤波消除噪声更有效。由于噪声多为尖峰状干扰,若用低通滤波虽能去除噪声但陡峭的边沿将被模糊。中值滤波能去除点状尖峰干扰而边沿不会变坏。抱负低通滤波器平滑解决的概念是清楚的,但在解决过程中会产生较严重的模糊和振铃现象。这种现象正是由于傅里叶变换的性质决定的。２、比较不同锐化滤波器的解决效果，分析其优缺陷梯度算子:梯度相应的是一阶导数,梯度算子是一阶导数算子。梯度方向:在图像灰度最大变化率上，反映出图像边沿上的灰度变化。梯度解决经常用于工业检测、辅助人工检测缺陷,或者是更为通用的自动检测的预解决。拉普拉斯微分算子强调图像中灰度的突变,弱化灰度慢变化的区域。这将产生一幅把浅灰色边线、突变点叠加到暗背景中的图像。实验五图像恢复和图像分割一、实验内容1、产生运动模糊图像，运用维纳滤波进行图像恢复,显示结果。i＝imreaｄ('Ｆ:\ｃar.jｐg'）；Ｉ1=rｂg２ｇrａy（i);I＝ｉm２dｏｕble(I1);suｂplot(1,3，１)ｉmshow（I);ｔiｔｌe(‘原图像’)LEN＝21;ＴHETA=11；PSF=ｆspeｃiaｌ('ｍotion'，LEN,THETA);bｌurred＝iｍｆilter(I,PSF，'ｃonv'，'cｉｒcｕlaｒ'）;subplot(１，3,2);imｓhoｗ（ｂlurred)；title(＇模拟运动模糊图像'）ｗnr2=deconｖwｎr(bｌｕrred，ＰSF);sｕｂplot(1,３,3);imshｏw(wnｒ2);tiｔｌｅ(＇维纳滤波恢复后图像')2、采用三种不同算子检测图像边沿，显示结果i=ｉmread(＇F:\ｃar.ｊpg');Ｉ=rgb2gray(i)；ｓubplot(2，2，1);imｓhow(I)；tiｔle（＇原图像＇)BW1＝eｄge（I,＇prewiｔt');subplｏt(2,2,2）;ｉmshow（BW1);title(＇ｐrewit算子边沿检测')BＷ2=edｇｅ(I，'zｅrｏcross＇);ｓubploｔ(2,2,3)；iｍsｈｏw(BW2);tｉtle('zerocrosｓ算子边沿检测')BW3=edge(I，'log');suｂｐloｔ（2,2，4）;imshow(BW3);ｔitｌe（'lｏg算子边沿检测＇)3、对二值图像分别进行方形模板３*3和５＊5的膨胀和腐蚀操作,显示结果。i＝ｉmread(＇F：\16.ｊｐg');Ｉ=im2bw(i，０.５）;ｓubplot(2,3,１);imshow(I);title('二值图像')se=stｒｅl('square',３）;ｓe１=stｒｅl('squａre＇,5）;Ｉ1＝imdilate(I,ｓｅ）；subpｌot（2,3,2);imshow（I１)；title(＇3*3膨胀图像')I２=iｍdilate(I，se１)；ｓubｐlｏｔ(２,３,3);imshow(I2);titｌe（'5*5膨胀图像')subploｔ(2,3,4）;imshoｗ(I）;title(＇二值图像')erｏｄedBW=imｅrodｅ(I,se);ｓuｂplot(２，3,5);iｍｓhow（erodedＢW）;title('3＊3腐蚀图像'）erｏｄｅｄBＷ1=imｅrode(I,ｓe１)；sｕbpｌｏt(2，3,６）；imｓhow(ｅｒodedBＷ1);ｔitｌｅ(＇5*５腐蚀图像')实验六图像解决实际应用一、实验内容1、调试运营下列程序，分析程序,对每条语句给出注释,并显示最终执行结果。总结算法思想及优缺陷总结：对于特定位置的车牌辨认算法非常高效,但对于具有噪声等其他因素的车牌分割解决,相对来说算法尚有待完善。三、实验内容调试运营下列程序，分析程序,对每条语句给出注释，并显示最终执行结果。总结算法思想及优缺陷.Ｉ=imread('Caｒ．ｊpｇ')；％读取图片[ｙ,ｘ,z]＝size(Ｉ）；%返回I各维的尺寸,并存储在变量ｙ、x、z中myI=ｄｏuble(Ｉ)；%换成双精度数值%％%%%％%%%％％ＲGBtoHSI%%%%%%％%％begｉｎ横向扫描ｔｉc%计算tic与toc之间程序的运营时间%％%％%%%%Y方向％%％%%％%％%%分割字符按行积累量Blue_y=ｚｅroｓ(y,1）；％产生y*1的全０矩阵fｏrｉ=1:y％给定i的范围ｆorj=1：x:x％给定j的范围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)))%蓝色RGＢ的灰度范围Blｕe_y(i,1)＝Blue＿y(i，1）+1；%蓝色像素点记录endendend［tempＭaxY］=max（Ｂlｕe_ｙ）;%Y方向车牌区域拟定%ｔｅmp为向量wｈｉｔe＿y的元素中的最大值，MaxＹ为该值的索引（在向量中的位置）PY1=ＭaxY;%y矩阵的最大元素while((Bluｅ_y（ＰY1,１)>=5)&＆(PＹ1>1))拟定蓝色RGBBlue＿y所在位置PY1=PY１-1;%对车牌区域的修正，向上调整eｎdPY2=MaｘY;whｉｌe((Ｂlue＿ｙ（PY2，1)>=５）&＆(PY2<y))PＹ2=PY2＋1;endＩY=I(PＹ1:PＹ2，：,：);%ＩY为原始图像I中截取的纵坐标在PY1：ＰY2之间的部分％ｅnd横向扫描%begiｎ纵向扫描％%％%％%％%X方向%％%％％％%%