数字图像处理

数字图像处理论文 学生姓名： 学号： 学院：信息学部 专业：计算机技术2016年11月

前言本论文的编写围绕四个工程：图像空域/时域变换、图像增强、染色体计数与提取Mnist链码组成。工程的编写基于Windows7操作系统，使用VS2013作为开发环境，以OpenCV作为内部核心处理算法库。工程的最终组成结构为：在此，我们不再说明OpenCV的配置环境的搭建，而是直接展示工程的核心代码以及所使用到的知识。

题目一将宽为2n的正方形图像，用FFT算法从空域变换到频域，并用频域图像的模来进行显示。使图像能量中心，对应到几何中心，并用频域图像的模来进行显示。将频域图象，通过FFT逆变换到空域，并显示。解决方案：我们在一个工程中完成以上三个步骤。#include<opencv2/imgproc.hpp>#include<opencv2/highgui.hpp>#include<iostream>usingnamespacecv;usingnamespacestd;intmain(){//以灰度模式读取原始图像并显示MatsrcImage=imread("lena.png",0);if(srcImage.empty()){cout<<"翻开图像失败！"<<endl;return-1;}imshow("原始图像",srcImage);//将输入图像延扩到最正确的尺寸，边界用0补充intm=getOptimalDFTSize(srcImage.rows);intn=getOptimalDFTSize(srcImage.cols);//将添加的像素初始化为0.Matpadded;copyMakeBorder(srcImage,padded,0,m-srcImage.rows,0,n-srcImage.cols,BORDER_CONSTANT,Scalar::all(0));//为傅立叶变换的结果(实部和虚部)分配存储空间。//将planes数组组合合并成一个多通道的数组complexIMatplanes[]={Mat_<float>(padded),Mat::zeros(padded.size(),CV_32F)};MatcomplexI;merge(planes,2,complexI);//进行就地离散傅里叶变换dft(complexI,complexI);//将复数转换为幅值，即=>log(1+sqrt(Re(DFT(I))^2+Im(DFT(I))^2))split(complexI,planes);//将多通道数组complexI别离成几个单通道数组，planes[0]=Re(DFT(I),planes[1]=Im(DFT(I))magnitude(planes[0],planes[1],planes[0]);//planes[0]=magnitudeMatmagnitudeImage=planes[0];//进行对数尺度(logarithmicscale)缩放magnitudeImage+=Scalar::all(1);log(magnitudeImage,magnitudeImage);//求自然对数//剪切和重分布幅度图象限//假设有奇数行或奇数列，进行频谱裁剪magnitudeImage=magnitudeImage(Rect(0,0,magnitudeImage.cols&-2,magnitudeImage.rows&-2));//重新排列傅立叶图像中的象限，使得原点位于图像中心intcx=magnitudeImage.cols/2;intcy=magnitudeImage.rows/2;Matq0(magnitudeImage,Rect(0,0,cx,cy));//ROI区域的左上Matq1(magnitudeImage,Rect(cx,0,cx,cy));//ROI区域的右上Matq2(magnitudeImage,Rect(0,cy,cx,cy));//ROI区域的左下Matq3(magnitudeImage,Rect(cx,cy,cx,cy));//ROI区域的右下//交换象限〔左上与右下进行交换〕Mattmp;q0.copyTo(tmp);q3.copyTo(q0);tmp.copyTo(q3);//交换象限〔右上与左下进行交换〕q1.copyTo(tmp);q2.copyTo(q1);tmp.copyTo(q2);//归一化，用0到1之间的浮点值将矩阵变换为可视的图像格式normalize(magnitudeImage,magnitudeImage,0,1,CV_MINMAX);//显示效果图imshow("频域",magnitudeImage);//〔3〕频域-->空域Matinversed;dft(complexI,inversed,DFT_INVERSE|DFT_REAL_OUTPUT);normalize(inversed,inversed,0,1,CV_MINMAX);imshow("空域",inversed);waitKey();return0;}效果图：

题目二对于下面这幅图像，请问可以通过那些图像增强的手段，到达改善视觉效果的目的？请显示处理结果，并附简要处理流程说明。该图像存在的主要问题：存在椒盐噪声曝光不够导致光线昏暗解决方案：采用中值滤波去噪增加亮度，调整比照度详细代码：#include<opencv2/opencv.hpp>#include<opencv2/imgproc.hpp>#include<opencv2/highgui.hpp>#include<iostream>usingnamespacestd;usingnamespacecv;intContrastValue;//比照度值intBrightValue;//亮度值Matsrc,dst;//改变图像比照度和亮度值的回调函数staticvoidContrastAndBright(int,void*){//创立窗口namedWindow("【原始图窗口】",WINDOW_AUTOSIZE);//更改图像亮度与比照度for(inty=0;y<src.rows;y++){for(intx=0;x<src.cols;x++){for(intc=0;c<3;c++){dst.at<Vec3b>(y,x)[c]=saturate_cast<uchar>((ContrastValue*0.01)*(src.at<Vec3b>(y,x)[c])+BrightValue);}}}//显示图像imshow("【原始图窗口】",src);imshow("【效果图窗口】",dst);}intmain(intargc,char*argv[]){//翻开图像src=imread("two.png");if(src.empty()){cout<<"翻开图像失败！"<<endl;return-1;}//中值滤波去噪medianBlur(src,src,Size(5,5));dst=Mat::zeros(src.size(),src.type());//设定比照度和亮度的初值ContrastValue=80;BrightValue=80;//创立窗口namedWindow("【效果图窗口】",WINDOW_AUTOSIZE);//创立轨迹条createTrackbar("比照度：","【效果图窗口】",&ContrastValue,300,ContrastAndBright);createTrackbar("亮度：","【效果图窗口】",&BrightValue,200,ContrastAndBright);//调用回调函数ContrastAndBright(ContrastValue,0);ContrastAndBright(BrightValue,0);//等待用户按键，起到暂停的作用waitKey();return0;}

题目三对于下面这幅图像，编程实现染色体计数，并附简要处理流程说明。解决方案：图像存在椒盐噪声，所以先利用中值滤波对图像进行去噪处理。进行二值化。因为图像中染色体内、染色体间存在空白点，所以要进行腐蚀操作。接下来就是要求以上图像存在的染色体的个数了。抛开数字图像处理的专业性知识，利用我们以往掌握的知识，该怎么去做呢？在数据结构中，我们学到过连通区域、深度优先遍历等知识。那么，我们是不是把上图看做是由一个个染色体组成的连通区域呢？没错，求染色体的个数转化为求连通区域〔黑色区域〕的个数。一次DFS〔深度优先遍历〕便可以求得一个连通区域，也就是求得存在一个染色体。我们都知道DFS最简单的实现方式是使用递归函数。递归调用是个很美的函数，但是递归函数调用也会带来开栈、清栈性能上的损失。虽然以上算法性能上不是最优的，但是也不失为一种解决方法。以下是利用数字图像处理里的相关知识：利用OpenCV里的findContours函数检测染色体边缘，然后统计染色体个数。根据我们观察，以上图像含有46个染色体，但是我们求出来的是47条。根据我的个人理解：整个图像的边缘构成了一个最大的轮廓线，所以正确的染色体个数应为46，而不是47。=.=口说无凭，还是拿代码来说话。我们可以把轮廓的坐标打印出来：for(inti=0;i<contours.size();i++){for(intj=0;j<contours[i].size();j++){cout<<contours[i][j]<<"";}cout<<";"<<endl;}打印出：[1,1][1,410][523,410][523,1]。而我们的染色体这幅图片的大小为：525*412。虽然略有偏差，但是足可以证明以上假设。详细代码：#include<opencv2/opencv.hpp>#include<opencv2/imgproc.hpp>#include<opencv2/highgui.hpp>#include<iostream>#include<vector>usingnamespacestd;usingnamespacecv;intmain(intargc,char**argv){Matgray,src,dst;//翻开图像src=imread("image.png");if(src.empty()){cout<<"翻开图像失败！"<<endl;return-1;}cout<<"rows="<<src.rows<<endl;cout<<"cols="<<src.cols<<endl;//转换为灰度图cvtColor(src,gray,CV_BGR2GRAY);//中值滤波medianBlur(gray,gray,7);//图像二值化threshold(gray,dst,170,255,THRESH_BINARY);//腐蚀,默认内核3*3erode(dst,dst,Mat());//erode(dst,dst,Mat());Matcanny_output;vector<vector<Point>>contours;vector<Vec4i>hierarchy;//画轮廓线Canny(dst,canny_output,100,100*2,3);//检测轮廓findContours(dst,contours,hierarchy,CV_RETR_TREE,CV_CHAIN_APPROX_SIMPLE,Point(0,0));cout<<"一共检测到染色体数目："<<contours.size()-1<<endl;//显示图片imshow("src",src);imshow("canny_output",canny_output);//将图片保存到文件imwrite("dst.png",canny_output);//等待用户输入waitKey();return0;}

题目四对MNIST手写数字数据库〔可在网上搜索下载〕，编程实现来提取其链码。解决方案：将Mnist字库读取到以OpenCV里的Mat为储存单元的vector中。使用findContours将链码保存在vector中。输出链码。#include<opencv2/opencv.hpp>#include<opencv2/imgproc.hpp>#include<opencv2/highgui.hpp>#include<iostream>#include<vector>#include<string>#include<fstream>usingnamespacestd;usingnamespacecv;//格式转换intReverseInt(inti){unsignedcharch1,ch2,ch3,ch4;ch1=i&255;ch2=(i>>8)&255;ch3=(i>>16)&255;ch4=(i>>24)&255;return((int)ch1<<24)+((int)ch2<<16)+((int)ch3<<8)+ch4;}/***将Mnist数据库读取到OpenCV::Mat格式中*格式：*magicnumber*numberofimages*rows*cols*averyverylongvectorcontainsalldigits*/voidread_Mnist(stringfilename,vector<Mat>&vec){ifstreamfile(filename,ios::binary);if(file.is_open()){intmagic_number=0;intnumber_of_images=0;intn_rows=0;intn_cols=0;file.read((char*)&magic_number,sizeof(magic_number));magic_number=ReverseInt(magic_number);file.read((char*)&number_of_images,sizeof(number_of_images));number_of_images=ReverseInt(number_of_images);file.read((char*)&n_rows,sizeof(n_rows));n_rows=ReverseInt(n_rows);file.read((char*)&n_cols,sizeof(n_cols));n_cols=ReverseInt(n_cols);for(inti=0;i<number_of_images;++i){cv::Mattp=Mat::zeros(n_rows,n_cols,CV_8UC1);for(intr=0;r<n_rows;++r){for(intc=0;c<n_cols;++c){unsignedchartemp=0;file.read((char*)&temp,sizeof(temp));tp.at<uchar>(r,c)=(int)temp;}}vec.push_back(tp);}}//if}intmain(intargc,char**argv){intcount=1;//存储Mnist字库vector<Mat>vec;//将Mnist字库读取到vector中read_Mnist("t10k-images.idx3-ubyte",vec);cout<<"共含有："<<vec.size()<<"幅图片"<<endl;for(autoiter=vec.begin();iter!=vec.end();iter++){cout<<"第"<<count++<<"幅图片..."<<endl;//显示Mnist字库imshow("Mnist",*iter);vector<vector<Point>>contours;//读取轮廓findContours(*iter,contours,CV_RETR_EXTERNAL,CV_CHAIN_CODE);//输出链码for(inti=0;i<contours.size();i++){for(intj=0;j<contours[i].size();j++){cout<<contours[i][j];}cout<<endl;}waitKey(1000);}waitKey();return0;}效果图：从以上输出看到，我们所得到的链码并不是我们所熟悉的4方向和8方向的链码。无论是在StackOverFlow还是知乎、Google均没有找到相关资料。不得不说是一个遗憾。

总结以下是自己完本钱次论文所学