数字图像处理实验报告

重庆邮电大学《数字图像处理》课程上机实验学院生物信息学院专业生物医学工程班级0611302姓名李霞学号2013211957实验一MATLAB数字图像处理初步一、实验目的与要求1．熟悉及掌握在MATLAB中能够处理哪些格式图像。2．熟练掌握在MATLAB中如何读取图像。3．掌握如何利用MATLAB来获取图像的大小、颜色、高度、宽度等等相关信息。4．掌握如何在MATLAB中按照指定要求存储一幅图像的方法。5．图像间如何转化。二、实验原理及知识点1、数字图像的表示和类别一幅图像可以被定义为一个二维函数f(x,y),其中x和y是空间(平面)坐标，f在任何坐标处(x,y)处的振幅称为图像在该点的亮度。灰度是用来表示黑白图像亮度的一个术语，而彩色图像是由单个二维图像组合形成的。例如，在RGB彩色系统中，一幅彩色图像是由三幅独立的分量图像(红、绿、蓝)组成的。因此，许多为黑白图像处理开发的技术适用于彩色图像处理，方法是分别处理三副独立的分量图像即可。图像关于x和y坐标以及振幅连续。要将这样的一幅图像转化为数字形式，就要求数字化坐标和振幅。将坐标值数字化成为取样；将振幅数字化成为量化。采样和量化的过程如图1所示。因此，当f的x、y分量和振幅都是有限且离散的量时，称该图像为数字图像。作为MATLAB基本数据类型的数值数组本身十分适于表达图像，矩阵的元素和图像的像素之间有着十分自然的对应关系。根据图像数据矩阵解释方法的不同，MATLAB把其处理为4类：亮度图像(Intensityimages)二值图像(Binaryimages)索引图像(Indexedimages)RGB图像(RGBimages)(1)亮度图像一幅亮度图像是一个数据矩阵，其归一化的取值表示亮度。若亮度图像的像素都是uint8类或uint16类，则它们的整数值范围分别是[0，255]和[0，65536]。若图像是double类，则像素取值就是浮点数。规定双精度型归一化亮度图像的取值范围是[0，1](2)二值图像一幅二值图像是一个取值只有0和1的逻辑数组。而一幅取值只包含0和1的uint8类数组，在MATLAB中并不认为是二值图像。使用logical函数可以把数值数组转化为二值数组或逻辑数组。创建一个逻辑图像，其语法为：B=logical(A)其中，B是由0和1构成的数值数组。要测试一个数组是否为逻辑数组，可以使用函数:islogical(c)若C是逻辑数组，则该函数返回1；否则，返回0。(3)索引图像索引颜色通常也称为映射颜色，在这种模式下，颜色都是预先定义的，并且可供选用的一组颜色也很有限，索引颜色的图像最多只能显示256种颜色。一幅索引颜色图像在图像文件里定义，当打开该文件时，构成该图像具体颜色的索引值就被读入程序里，然后根据索引值找到最终的颜色。(4)RGB图像一幅RGB图像就是彩色像素的一个M×N×3数组，其中每一个彩色相似点都是在特定空间位置的彩色图像相对应的红、绿、蓝三个分量。按照惯例，形成一幅RGB彩色图像的三个图像常称为红、绿或蓝分量图像。令fR，fG和fB分别代表三种RGB分量图像。一幅RGB图像就利用cat(级联)操作将这些分量图像组合成彩色图像：rgb_image=cat(3,fR,fG,fB)在操作中，图像按顺序放置。三、实验内容及步骤1．利用imread()函数读取一幅图像，假设其名为flower.tif，存入一个数组中；解：读取图像，存入数组I中：I=imread('flower.tif');利用whos命令提取该读入图像flower.tif的基本信息；解：查询数组I的信息：利用imshow()函数来显示这幅图像；解：因为imshow()方法不能直接显示tif图像矩阵，因此要先转换成RGB模式，再调用imshow()显示。代码如下：>>I1=I(:,:,1);>>I2=I(:,:,2);>>I3=I(:,:,3);>>RGB=cat(3,I1,I2,I3);>>imshow(RGB);显示的图像为：利用imfinfo函数来获取图像文件的压缩，颜色等等其他的详细信息；解：代码如下：>>imfinfo('flower.tif')结果截图：利用imwrite()函数来压缩这幅图象，将其保存为一幅压缩了像素的jpg文件,设为flower.jpg；语法：imwrite(原图像，新图像，‘quality’,q),q取0-100。解：代码：>>imwrite(RGB,'flower.jpg','quality',80);结果截图：同样利用imwrite()函数将最初读入的tif图象另存为一幅bmp图像，设为flower.bmp。解：代码：>>imwrite(RGB,'flower.bmp');结果截图：用imread()读入图像：Lenna.jpg和camema.jpg；解：代码：>>J=imread('Lenna.jpg');>>K=imread('camema.jpg');用imfinfo()获取图像Lenna.jpg和camema.jpg的大小；解：代码：>>imfinfo('Lenna.jpg')>>imfinfo('camema.jpg')结果截图：用figure,imshow()分别将Lenna.jpg和camema.jpg显示出来，观察两幅图像的质量。解：代码：>>imshow(J);结果截图：>>imshow(K)结果截图：用im2bw将一幅灰度图像转化为二值图像，并且用imshow显示出来观察图像的特征。解：代码：>>gg=im2bw(J);>>imshow(gg);结果截图：四、思考题(1)简述MatLab软件的特点。答：①高效的数值计算及符号计算功能，能使用户从繁杂的数学运算分析中解脱出来；②具有完备的图形处理功能,实现计算结果和编程的可视化;③友好的用户界面及接近数学表达式的自然化语言，使学者易于学习和掌握；④功能丰富的应用工具箱(如信号处理工具箱、通信工具箱等),为用户提供了大量方便实用的处理工具。(2)MatLab软件可以支持哪些图像文件格式？JPEG、JPEG、PCX、TIFF、PNG、GIF、HDF、XWD等等。(3)说明函数imread的用途格式以及各种格式所得到图像的性质。imread函数用于读入各种图像文件，其一般的用法为[X，MAP]=imread(‘filename’,‘fmt’)其中，X，MAP分别为读出的图像数据和颜色表数据，fmt为图像的格式，filename为读取的图像文件（可以加上文件的路径）。(4)为什么用I=imread(‘lena.bmp’)命令得到的图像I不可以进行算术运算？Matlab系统默认的算术运算时针对双精度类型（double）的数据，而上述命令产生的矩阵的数据类型是无符号8位，直接进行运算会溢出。实验二图像的代数运算一、实验目的1．了解图像的算术运算在数字图像处理中的初步应用。2．体会图像算术运算处理的过程和处理前后图像的变化。二、实验原理图像的代数运算是图像的标准算术操作的实现方法，是两幅输入图像之间进行的点对点的加、减、乘、除运算后得到输出图像的过程。如果输入图像为A(x,y)和B(x,y)，输出图像为C(x,y)，则图像的代数运算有如下四种形式：C(x,y)=A(x,y)+B(x,y)C(x,y)=A(x,y)-B(x,y)C(x,y)=A(x,y)*B(x,y)C(x,y)=A(x,y)/B(x,y)图像的代数运算在图像处理中有着广泛的应用，它除了可以实现自身所需的算术操作，还能为许多复杂的图像处理提供准备。例如，图像减法就可以用来检测同一场景或物体生产的两幅或多幅图像的误差。使用MATLAB的基本算术符(+、-、*、/等)可以执行图像的算术操作，但是在此之前必须将图像转换为适合进行基本操作的双精度类型。为了更方便地对图像进行操作，MATLAB图像处理工具箱包含了一个能够实现所有非稀疏数值数据的算术操作的函数集合。三、实验步骤1．图像的加法运算代码如下：>>I=imread('flower2.jpg');>>J=imread('flowerBackground.jpg');>>Z=I+J;%直接矩阵加法运算>>imshow(Z);>>K=imadd(I,J);%用函数进行加法运算>>imshow(K);结果截图：

图像加亮：代码如下：>>RGB=imread('rose.jpg');>>RGB1=imadd(RGB,50);>>RGB2=imadd(RGB,-50);>>subplot(2,2,1);>>imshow(RGB);>>subplot(2,2,2);>>imshow(RGB1);>>subplot(2,2,3);>>imshow(RGB2);结果截图：图像的减法运算代码如下：>>I=imread('camema.jpg');>>background=imopen(I,strel('disk',15));%提取背景>>I2=imsubtract(I,background);>>subplot(1,2,1);>>imshow(I);>>subplot(1,2,2);>>imshow(I2);结果截图：图像的乘法运算代码如下：>>I=imread('room.tif');>>J=immultiply(I,1.2);>>subplot(1,2,1);>>imshow(I);>>subplot(1,2,2);>>imshow(J);结果截图：4．图像的除法运算代码如下：>>I=imread('camema.jpg');>>J=double(I);>>J=J*0.43+90;>>I2=uint8(J);>>Ip=imdivide(I,I2);>>imshow(Ip,[])结果5．图像的四则代数运算代码如下：Z=imlincomb(A,X,B,Y,C);%Z=A*X+B*Y+C四、思考题1.由图像算术运算的运算结果，思考图像减法运算在什么场合上发挥优势？答：使用背景减法进行运动目标检测可以提取出完整的目标图像．可将所得标用于进一步的图像处理工作中。除去人身体在环境中运动产生的动态区域外．背景减法对其它的动态场景的变化、干扰等特别敏感背景图像获取的理想情况是在场景没有运动因素，最简单背景获取方法是当场景中任何目标时采集一幅图像作为背景图像，但这种固定背景图像的方法．只适合应于外界条件较好的场。实验三图像变换内容一：灰度变换一、实验目的：1、了解图像增强的目的及意义，加深对图像增强的感性认识，巩固所学理论知识。2、学会对图像直方图的分析。3、掌握直接灰度变换的图像增强方法。二、实验原理术语‘空间域’指的是图像平面本身，在空间与内处理图像的方法是直接对图像的像素进行处理。空间域处理方法分为两种：灰度级变换、空间滤波。空间域技术直接对像素进行操作其表达式为g(x,y)=T[f(x,y)]其中f(x,y)为输入图像，g(x,y)为输出图像，T是对图像f进行处理的操作符，定义在点(x,y)的指定领域内。定义点(x,y)的空间邻近区域的主要方法是，使用中心位于(x,y)的正方形或长方形区域，。此区域的中心从原点(如左上角)开始逐像素点移动，在移动的同时，该区域会包含不同的领域。T应用于每个位置(x,y)，以便在该位置得到输出图像g。在计算(x,y)处的g值时，只使用该领域的像素。灰度变换T的最简单形式是使用领域大小为1×1，此时,(x,y)处的g值仅由f在该点处的亮度决定，T也变为一个亮度或灰度级变化函数。当处理单设(灰度)图像时，这两个术语可以互换。由于亮度变换函数仅取决于亮度的值，而与(x,y)无关，所以亮度函数通常可写做如下所示的简单形式：s=T(r)其中，r表示图像f中相应点(x,y)的亮度，s表示图像g中相应点(x,y)的亮度。三、实验内容：1、图像数据读出2、计算并分析图像直方图3、利用直接灰度变换法对图像进行灰度变换代码如下：f=imread('medicine_pic.jpg');g=imhist(f,256);%显示其直方图g1=imadjust(f,[01],[10]);%灰度转换，实现明暗转换(负片图像)figure,imshow(g1)%将0.5到0.75的灰度级扩展到范围[01]g2=imadjust(f,[0.50.75],[01]);figure,imshow(g2)g=imread('point.jpg');h=log(1+double(g));%对输入图像对数映射变换h=mat2gray(h);%将矩阵h转换为灰度图片h=im2uint8(h);%将灰度图转换为8位图figure,imshow(h)结果截图：内容二直方图变换实验目的1．掌握灰度直方图的概念及其计算方法；2．熟练掌握直力图均衡化和直方图规定化的计算过程；3．熟练掌握空域滤波中常用的平滑和锐化滤波器；4．掌握色彩直方图的概念和计算方法5．利用MATLAB程序进行图像增强。实验原理图像增强是指按特定的需要突出一幅图像中的某些信息，同时，消弱或去除某些不需要的信息的处理方法。其主要目的是处理后的图像对某些特定的应用比原来的图像更加有效。图像增强技术主要有直方图修改处理、图像平滑化处理、图像尖锐化处理和彩色处理技术等。本实验以直方图均衡化增强图像对比度的方法为主要内容，其他方法同学们可以在课后自行联系。直方图是多种空间城处理技术的基础。直方图操作能有效地用于图像增强。除了提供有用的图像统计资料外，直方图固有的信息在其他图像处理应用中也是非常有用的，如图像压缩与分割。直方图在软件中易于计算，也适用于商用硬件设备，因此，它们成为了实时图像处理的一个流行工具。直方图是图像的最基本的统计特征，它反映的是图像的灰度值的分布情况。直方图均衡化的目的是使图像在整个灰度值动态变化范围内的分布均匀化，改善图像的亮度分布状态，增强图像的视觉效果。灰度直方图是图像预处理中涉及最广泛的基本概念之一。图像的直方图事实上就是图像的亮度分布的概率密度函数，是一幅图像的所有象素集合的最基本的统计规律。直方图反映了图像的明暗分布规律，可以通过图像变换进行直方图调整，获得较好的视觉效果。直方图均衡化是通过灰度变换将一幅图像转换为另一幅具有均衡直方图，即在每个灰度级上都具有相同的象素点数的过程。实验步骤1打开计算机，启动MATLAB程序；程序组中“work”文件夹中应有待处理的图像文件；2调入“实验一”中获取的数字图像，并进行计算机均衡化处理；3显示原图像的直方图和经过均衡化处理过的图像直方图。4记录和整理实验报告代码如下：>>I=imread('pollen.jpg');%读入原图像J=histeq(I);%对原图像进行直方图均衡化处理imshow(I);%显示原图像title('原图像');%给原图像加标题名%对原图像进行屏幕控制；显示直方图均衡化后的图像figure;imshow(J);%给直方图均衡化后的图像加标题名title('直方图均衡化后的图像');%对直方图均衡化后图像进行屏幕控制；作一幅子图，并排两幅图的第1幅figure;subplot(1,2,1);imhist(I,64);%将原图像直方图显示为64级灰度title('原图像直方图');%给原图像直方图加标题名subplot(1,2,2);%作第2幅子图imhist(J,64);%将均衡化后图像的直方图显示为64级灰度title('均衡变换后的直方图');%给均衡化后图像直方图加标题名结果截图：思考题1．直方图是什么概念？它反映了图像的什么信息？答：直方图是灰度级数的函数，反映了图像中具有该灰度级数的像素的个数。2．直方图均衡化是什么意思？它的主要用途是什么？均衡化后的图像有什么特点？答：直方图均衡化就是把原图像的灰度直方图从比较集中的某个区间变成在全部灰度范围内的均匀分布。均衡化后图像的像素重新分配，使一定会度范围内的像素数量大致相同。图像的亮度变得更亮了，增强了图像的整体效果。内容三图像的傅立叶变换实验目的1了解图像变换的意义和手段；2熟悉傅立叶变换的基本性质；3熟练掌握FFT变换方法及应用；4通过实验了解二维频谱的分布特点；5通过本实验掌握利用MATLAB编程实现数字图像的傅立叶变换。6评价人眼对图像幅频特性和相频特性的敏感度。实验原理1应用傅立叶变换进行图像处理傅里叶变换是线性系统分析的一个有力工具，它能够定量地分析诸如数字化系统、采样点、电子放大器、卷积滤波器、噪音和显示点等的作用。通过实验培养这项技能，将有助于解决大多数图像处理问题。对任何想在工作中有效应用数字图像处理技术的人来说，把时间用在学习和掌握博里叶变换上是很有必要的。2傅立叶（Fourier）变换的定义对于二维信号，二维Fourier变换定义为：逆变换：二维离散傅立叶变换为：逆变换：图像的傅立叶变换与一维信号的傅立叶变换变换一样，有快速算法，具体参见参考书目，有关傅立叶变换的快速算法的程序不难找到。实际上，现在有实现傅立叶变换的芯片，可以实时实现傅立叶变换。实验步骤将图像内容读入内存；用Fourier变换算法，对图像作二维Fourier变换；将其幅度谱进行搬移，在图像中心显示；用Fourier系数的幅度进行Fourier反变换；用Fourier系数的相位进行Fourier反变换；比较4、5的结果，评价人眼对图像幅频特性和相频特性的敏感度。记录和整理实验报告。代码如下：I=imread('number.tif');%读入原图像文件imshow(I);%显示原图像fftI=fft2(I);%二维离散傅立叶变换sfftI=fftshift(fftI);%直流分量移到频谱中心RR=real(sfftI);%取傅立叶变换的实部II=imag(sfftI);%取傅立叶变换的虚部A=sqrt(RR.^2+II.^2);%计算频谱幅值A=(A-min(min(A)))/(max(max(A))-min(min(A)))*225;%归一化figure;%设定窗口imshow(A);%显示原图像的频谱结果截图：原图：傅立叶频谱图：思考题傅里叶变换有哪些重要的性质答：①线性性②对称性③折叠型④尺度变换性⑤时移性⑥频移性⑦时域微分性2．图像的二维频谱在显示和处理时应注意什么答：我在做实验的时候，把彩色图像用傅里叶变换后发现出不了结果，但是黑白图像或者彩色图像经过灰度处理就出来了图像，这些细节要在以后的实验中多多注意。傅立叶频谱图上看到的明暗不一的亮点，实际上图像上某一点与邻域点差异的强弱，即梯度的大小，也即该点的频率的大小（可以这么理解，图像中的低频部分指低梯度的点，高频部分相反）。一般来讲，梯度大则该点的亮度强，否则该点亮度弱。这样通过观察傅立叶变换后的频谱图，也叫功率图，我们首先就可以看出，图像的能量分布，如果频谱图中暗的点数更多，则实际图像是比较柔和的（因为各点与邻域差异都不大，梯度相对较小），反之，如果频谱图中亮的点数多，则实际图像一定是尖锐的，边界分明且边界两边像素差异较大的。对频谱移频到原点以后，可以看出图像的频率分布是以原点为圆心，对称分布的。实验四图像增强—空域滤波一、实验目的进一步了解MatLab软件/语言，学会使用MatLab对图像作滤波处理，使学生有机会掌握滤波算法，体会滤波效果。了解几种不同滤波方式的使用和使用的场合，培养处理实际图像的能力，并为课堂教学提供配套的实践机会。二、实验内容与步骤a)调入并显示原始图像Sample2-1.jpg。b)利用imnoise命令在图像Sample2-1.jpg上加入高斯(gaussian)噪声c)利用预定义函数fspecial命令产生平均(average)滤波器d）分别采用3x3和5x5的模板，分别用平均滤波器以及中值滤波器，对加入噪声的图像进行处理并观察不同噪声水平下，上述滤波器处理的结果；e）选择不同大小的模板，对加入某一固定噪声水平噪声的图像进行处理，观察上述滤波器处理的结果。f）利用imnoise命令在图像Sample2-1.jpg上加入椒盐噪声(salt&pepper)g）重复c)~e）的步骤h）输出全部结果并进行讨论。解：代码如下：>>I=imread('electric.tif');>>J=imnoise(I,'gauss',0.02);%添加高斯噪声>>J=imnoise(I,'salt&pepper',0.02);(注意空格)%添加椒盐噪声>>ave1=fspecial('average',3);%产生3×3的均值模版>>ave2=fspecial('average',5);%产生5×5的均值模版>>K=filter2(ave1,J)/255;%均值滤波3×3>>L=filter2(ave2,J)/255;%均值滤波5×5>>M=medfilt2(J,[33]);%中值滤波3×3模板>>N=medfilt2(J,[44]);%中值滤波4×4模板>>subplot(2,3,1);imshow(I);>>subplot(2,3,2);imshow(J);>>subplot(2,3,3);imshow(K);>>subplot(2,3,4);imshow(L);>>subplot(2,3,5);imshow(M);>>subplot(2,3,6);imshow(N);结果截图：三、思考题/问答题(1)简述高斯噪声和椒盐噪声的特点。答：高斯噪声特点是它主要由阻性元器件内部产生，它的概率密度函数服从高斯分布（即正态分布）。椒盐噪声特点：主要由图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声等，其噪声的灰度值与邻域像素点具有明显不同，在图像中造成过亮或过暗的像素点，严重影响图像质量。(2)结合实验内容，定性评价平均滤波器/中值滤波器对高斯噪声和椒盐噪声的去噪效果？答：使用均值滤波器对高斯噪声进行去噪效果比较好，虽然对椒盐也有效果，但是不如对高斯噪声的处理效果好。中值滤波对于去除椒盐噪声效果好，而对高斯噪声不是很理想。中值滤波器对于去除椒盐噪声效果明显。(3)结合实验内容，定性评价滤波窗口对去噪效果的影响？答：1、线性滤波：对一些图像进行线性滤波可以去除图像中某些类型的噪声，如采用邻域平均法的均值滤波器就非常适应于去除通过扫描得到的图像中的颗粒噪声。2、中值滤波：其是一种典型的低通滤波器，主要目的是保护图像边缘，同时也能去除噪声。3、自适应滤波：其能够根据图像的局部方差来调整滤波器的输出，其滤波效果要优于线性滤波，同时可以更好的保存图像的边缘和高频细节信息。实验五图像增强—频域滤波实验目的1．掌握怎样利用傅立叶变换进行频域滤波2．掌握频域滤波的概念及方法3．熟练掌握频域空间的各类滤波器4．利用MATLAB程序进行频域滤波实验原理及知识点频域滤波分为低通滤波和高通滤波两类，对应的滤波器分别为低通滤波器和高通滤波器。频域低通过滤的基本思想： G(u,v)=F(u,v)H(u,v)F(u,v)是需要钝化图像的傅立叶变换形式，H(u,v)是选取的一个低通过滤器变换函数，G(u,v)是通过H(u,v)减少F(u,v)的高频部分来得到的结果，运用傅立叶逆变换得到钝化后的图像。理想地通滤波器(ILPF)具有传递函数：其中，为指定的非负数，为(u,v)到滤波器的中心的距离。的点的轨迹为一个圆。n阶巴特沃兹低通滤波器(BLPF)(在距离原点处出现截至频率)的传递函数为与理想地通滤波器不同的是，巴特沃兹率通滤波器的传递函数并不是在处突然不连续。高斯低通滤波器(GLPF)的传递函数为其中，为标准差。相应的高通滤波器也包括：理想高通滤波器、n阶巴特沃兹高通滤波器、高斯高通滤波器。给定一个低通滤波器的传递函数，通过使用如下的简单关系，可以获得相应高通滤波器的传递函数：实验步骤：1．调入并显示所需的图片；2．利用MATLAB提供的低通滤波器实现图像信号的滤波运算，并与空间滤波进行比较。3．利用MATLAB提供的高通滤波器对图像进行处理。4．记录和整理实验报告。解：代码如下：f=imread('room.tif');F=fft2(f);%对图像进行傅立叶变换%对变换后图像进行队数变化，并对其坐标平移，使其中心化S=fftshift(log(1+abs(F)));%S=gscale(S);%将频谱图像标度在0-256的范围内imshow(S)%显示频谱图像h=fspecial('sobel');%产生空间‘sobel’模版freqz2(h)%查看相应频域滤波器的图像PQ=paddedsize(size(f));%产生滤波时所需大小的矩阵H=freqz2(h,PQ(1),PQ(2));%产生频域中的‘sobel’滤波器H1=ifftshift(H);%重排数据序列，使得原点位于频率矩阵的左上角imshow(abs(H),[])%以图形形式显示滤波器figure,imshow(abs(H1),[])gs=imfilter(double(f),h);%用模版h进行空域滤波gf=dftfilt(f,H1);%用滤波器对图像进行频域滤波figure,imshow(gs,[])figure,imshow(gf,[])figure,imshow(abs(gs),[])figure,imshow(abs(gf),[])f=imread('number.tif');%读取图片PQ=paddedsize(size(f));%产生滤波时所需大小的矩阵D0=0.05*PQ(1);%设定高斯高通滤波器的阈值H=hpfilter('gaussian',PQ(1),PQ(2),D0);%产生高斯高通滤波器g=dftfilt(f,H);%对图像进行滤波figure,imshow(f)%显示原图像figure,imshow(g,[])%显示滤波后图像结果截图：原图：Room.tif1.频域处理：注：第一个为图像room的频域傅里叶频谱。2、空域滤波与频域滤波的对比：注：图a为在空间域使用垂直Soble掩膜对图room滤波后的结果。3、高通滤波：七、思考题1.结合实验，评价频域滤波有哪些优点？答：在频域中分析图像的频域成分与图像的视觉效果间的对应关系比较直观。有些空间域比较难以表达和分析的图像增强任务可以比较简单的在频域中表达和分析。由于频域滤波的方式可以对图像进行低通和高通滤波进行处理，低通滤波是要保留图像中的低频分量而除去高频分量，由于图像中的边缘和噪声都对应图像傅里叶频谱中的高频部分，所以低通滤波可以去除或减弱噪声的影响并模糊边缘轮廓；高通滤波是要保留图像中的高频分量而除去低频分量，所以高通滤波可以保留较多的边缘轮廓信息，这些作用都彰显了频域滤波的优点。在频域滤波过程中需要注意哪些事项？答：频域滤波一般都是将信号变换到频域，再同所设计的窗函数项乘，然后反变换到时域，而窗函数又是根据所需滤除的频率分量所决定的。实验六图像复原1、实验目的掌握噪声模拟和图像滤波函数的使用方法了解图像复原的Matlab实现方法2、实验要求利用MatLab工具箱中关于数学形态学运算的函数，计算本指导书中指定二值图像进行处理。2、实验过程及步骤对图像‘flowers.tif’分别采用运动PSF和均值滤波PSF进行模糊。I=imread('E:/flowers.tif');I=I(10+[1:256],222+[1:256],:); %剪切图像imshow(I)len=30; %运动位移theta=10; %运动角度PSF=fspecial('motion',len,theta);blurred=imfilter(I,PSF,'circular','conv');figure,imshow(blurred)I=imread('E:/flowers.tif');imshow(I)H=fspecial('motion',50,45); %运动PSPmotionblur=imfilter(I,H);figure,imshow(motionblur)H=fspecial(‘disk’,10); %均值滤波PSPaverageblur=imfilter(I,H);figure,imshow(averageblur)B 在上述模糊图像上再添加噪声I=imread('flowers.tif');I=I(10+[1:256],222+[1:256],:); %剪切图像imshow(I)len=30; %运动位移theta=10; %运动角度PSF=fspecial('motion',len,theta);blurred=imfilter(I,PSF,'circular','conv');figure,imshow(blurred)I=imread('flowers.tif');imshow(I)H=fspecial('motion',50,45); %运动PSPmotionblur=imfilter(I,H);figure,imshow(motionblur)H=fspecial(‘disk’,10); %均值滤波PSPaverageblur=imfilter(I,H);figure,imshow(averageblur)在上述模糊图像上再添加噪声J=imnoise(motionblur,'salt&pepper');figure,imshow(J)(2)维纳滤波复原使用维纳滤波复原函数deconvwnr复原无噪声模糊图像。len=30;theta=10;PSF=fspecial('motion',len,theta);blurred=imfilter(I,PSF,'circular','conv');figure,imshow(blurred)wnr1=deconvwnr(blurred,PSF); %真实PSFfigure,imshow(wnr1)%非真实PSFwnr2=deconvwnr(blurred,fspecial('motion',2*len,theta));figure,imshow(wnr2)%非真实PSFwnr3=deconvwnr(blurred,fspecial('motion',len,2*theta));figure,imshow(wnr3)*使用维纳滤波复原函数deconvwnr复原模糊噪声图像。PSF=fspecial('motion',len,theta);blurred=imfilter(I,PSF,'circular','conv');noise=0.1*randn(size(I));BlurredNoisy=imadd(blurred,im2uint8(noise));figure,imshow(BlurredNoisy)wnr4=deconvwnr(BlurredNoisy,PSF);figure,imshow(wnr4)*设置信噪比和相关函数的维纳滤波复原。NSR=sum(noise(:).^2)/sum(im2double(I(:)).^2); %计算信噪比wnr5=deconvwnr(BlurredNoisy,PSF,NSR);figure,imshow(wnr5) %设置信噪比的复原结果NP=abs(fftn(noise)).^2; %噪声能量谱密度NCORR=fftshift(real(ifftn(NP))); %噪声自相关函数IP=abs(fftn(im2double(I))).^2; %图像能量谱密度ICORR=fftshift(real(ifftn(IP))); %图像自相关函数wnr6=deconvwnr(BlurredNoisy,PSF,NCORR,ICORR);figure,imshow(wnr6) %设置自相关函数的复原结果5、思考题常见的图像退化模型有哪些种类？答:运动模糊退化模型，离焦模糊退化模型不同的PSF对复原效果有什么影响？ 答:用维纳滤波的方法进行图像复原，不同的PSF参数值对复原效果影响较大。模糊函数可能是高斯函数或运动模糊函数等。教材中以运动模糊为例，对不同的PSF参数值产生的复原效果进行比较。实际应用过程中，真实的PSF通常是未知的，需要根据一定的先验知识对它进行估计，再将估计值作为参数进行图像复原。实验七图像分割一、实验目的使用MatLab软件进行图像的分割。使学生通过实验体会一些主要的分割算子对图像处理的效果，以及各种因素对分割效果的影响。二、实验要求要求学生能够自行评价各主要算子在无噪声条件下和噪声条件下的分割性能。能够掌握分割条件(阈值等)的选择。完成规定图像的处理并要求正确评价处理结果，能够从理论上作出合理的解释。三、实验内容与步骤(1)使用Roberts算子的图像分割实验调入并显示图像room.tif中图像；使用Roberts算子对图像进行边缘检测处理；Roberts算子为一对模板：相应的矩阵为：rh=[01；-10]；rv=[10；0-1]；这里的rh为水平Roberts算子，rv为垂直Roberts算子。分别显示处理后的水平边界和垂直边界检测结果；用“欧几里德距离”和“街区距离”方式计算梯度的模，并显示检测结果；对于检测结果进行二值化处理，并显示处理结果；提示：先做检测结果的直方图，参考直方图中灰度的分布尝试确定阈值；应反复调节阈值的大小，直至二值化的效果最为满意为止。分别显示处理后的水平边界和垂直边界检测结果；将处理结果转化为“白底黑线条”的方式；给图像加上零均值的高斯噪声；对于噪声图像重复步骤b~f。(2)使用Prewitt算子的图像分割实验使用Prewitt算子进行内容(1)中的全部步骤。(3)使用Sobel算子的图像分割实验使用Sobel算子进行内容(1)中的全部步骤。(4)使用LoG(拉普拉斯-高斯)算子的图像分割实验使用LoG(拉普拉斯-高斯)算子进行内容(1)中的全部步骤。提示1：处理后可以直接显示处理结果，无须另外计算梯度的模。提示2：注意调节噪声的强度以及LoG(拉普拉斯-高斯)算子的参数，观察处理结果。根据上面的要求，打开matlab后输入f=imread('room.tif');结果如下图：后来发现路径不对，更正路径后，输入[gv,t1]=edge(f,'sobel','vertical');又有错误，截图如下：于是根据提示，将彩色图像转化为灰度图像g=rgb2gray(f);再输入imshow(gv)结果如下：输入：[gb,t2]=edge(g,'sobel','horizontal');%使用edge函数对图像f提取垂直的边缘figure,imshow(gb)结果如下：输入：w45=[-2-10;-101;012];%指定模版使用imfilter计算45度方向的边缘g45=imfilter(double(g),w45,'replicate');T=0.3*max(abs(g45(:)));%设定阈值g45=g45>=T;%进行阈值处理figure,imshow(g45);结果如下：六、思考题/问答题1.评价一下Roberts算子、Prewitt算子、Sobel算子对于噪声条件下边界检测的性能。答：Roberts算子边缘定位精度较高，但易丢失一部分边缘，同时由于没经过图像平滑计算，因此不能抑制噪声。该算子对具有陡峭的低噪声图像响应最好。Sobel算子很容易在