2025年现代数字图像处理技术实验指导与报告汇编

浙江工崇大学试验一数字图像处理编程基础型间的转换。title('图像1');M=imread('pout.tif')title('图像2');title('图像3');V=imread('circuit.tiftitle('图像4');I=ind2gary(XI=imread('C:\Users\dell\Desktop\111.jpg'title('原图');四、试验效果原图试验二图像几何变换试验1.学习几种常见的图像几何变换，并通过试验体会几何变换的效果；2.掌握图像平移、剪切、缩放、旋转、镜像等几何变换的算法原理及编程实现；1.初始坐标为(x,y)的点通过平移(x₀,yo),坐标变为(x',y'),两点之间的关系为：2.图像的镜像变换是以图象垂直中轴线或水平中轴线互换图像的变换，分为垂直镜像变换和水平镜3.图像缩小和放大变换矩阵相似：4.图像旋转定义为以图像中某一点为原点以逆时针或顺时针方向旋转一定角度。其变换矩阵为：2.运行图像处理程序，并保留处理成果图像。四、源代码及试验效果N=size(I);A(1:M(1),1:M(2))=I(M(1):-1:1,1:MB(1:M(1),1:M(2))=I(1:M(1),M(2)subplot(132),imshowtitle('竖直');title('水平');3.缩放I=imread('pout.tif'forj=1:njl=round(j*y);j2=round(j*y2);if(j1>=0)&&(i1>=0)&&(i1<=m)&&(j1<=n)if(j2>=0)&&(i2>=0)&&(i2<=m)&&(j2<=n)title('small'文件(F编辑(E)查看(V插入(①工具D桌面(D)窗口W帮助(H)y4.旋转jiao=50;rot=[cos(theta)-sin(theta)0;sin(theta)cos(theta)0;001];号建立变换矩阵pix1=[111]*rot;8变后左上pix2=[1w1]*rot;pix3=[h11]*rot;pix4=[hw1]*rot;8变后右下height=round(max([abs(pix1(1)-pix4(1))+0.5abs(pix2(1)-pix3(1))+0.5]));width=round(max([abs(pix1(2)-pix4(2))+0.5abs(pix2(2)-新高N=zeros(height,width);chao_y=abs(min([pix1(1)pix2(1)pix3(1)pichao_x=abs(min([pix1(2)pix2(2)pix3(2)pifori=1-chao_y:height-chao_yforj=1-chao_x:width-chao_x8y负轴超量float_Y=pix(1)-floor(pix(1));ifpix(1)>=1&&pix(2)>=1&&pix(1)<=h&&pix(2)<=Wpix_up_left=[floor(pix(1))floor(pix(2)pix_up_right=[floor(pix(1))ceil(pix(2)pix_down_left=[ceil(pix(1))floor(pix(2pix_down_right=[ceil(pix(1))ceil(pix(2)value_up_left=(1-float_X)*(1-flovalue_up_right=float_x*(1-flovalue_down_left=(1-float_X)*flvalue_down_right=float_X*flN(i+chao_y,j+chao_x)=value_up_left*M(pix_up_left(1),pix_up_left(2))+...value_up_right*M(pix_up_right(1),pix_up_right(2))+...value_down_left*M(pix_down_left(1),pixvalue_down_right*M(pix_down_right(1),pix_down_righ×试验三图像增强试验1.掌握基本的图像增强措施，观测图像增强的效果，加深对灰度直方图的理解。2.掌握对数和和指数增强，直方图均衡化措施，重点掌握图像直方图增强的原理和程序设计。理后灰度范围变大，对比度变大，清晰度变大，因此能有五、源代码及试验效果I=imread('circuit.tif'forj=1:N 3.直方图均衡化增强graydis=zeros(1,256);new_graydis=zeros(1,2new_graydispro=zeros(1,2N=zeros(h,w);graydis(1,I(x,y))=graydis(1,I(graydispro=graydis./sum(gtitle('灰度直方图');xlabel('灰度值);ylabel('像素的概率密度');graydispro(1,i)=graydispro(1,i)+graydispr号计算和原始灰度对应的新的灰度t[],t(1,i)=floor(254*graydispro(1,i)+new_graydis(1,t(1,i)+1)=new_graydis(1,t(1,i)+1)+graydis(new_graydispro=new_graydis./sum(new_grayplot(new_graydisprotitle('均衡化后的灰度直方图');xlabel('灰度值);ylabel('像素的概率密度');N(x,y)=t(1,I(x,y));title('原图');title('直方图均衡化后的图');均衡化后的灰度直方图灰度直方图均衡化后的灰度直方图00000灰度值直方图均衡化后的图灰度值原图的实质是图像受到平均或者积分运算的影响，因此对其进行逆运算(如微分运算)就可以使图像清晰。将其与1个传递函数相乘。1.选择测试图像分别添加高斯、椒盐、泊松噪声，2.选择测试图像实现两种常用梯度算子(Sobel算子、Prewitt算子);3.选择测试图像实现理想低通滤波；4.选择测试图像实现巴特沃斯高通滤波。五、源代码及试验效果I=imnoise(I,'saltforj=3:wide-2M(i,j)=median([I(i-2,j-2)I(i-2,j-1)I(i-2,j)I(i-2,j+1)I(i-2,j+2)I(i-1,j-1)I(i-1,j)I(i-1,j+1)I(i-1,j+2)I(i,j-2)I(i,j-1)I(i,jI(i,j+2)I(i+1,j-2)I(i+1,j-1)I(i+1,j)I(i+1,j+1)I(i+1,jI(i+2,j-1)I(i+2,j)I(i+2,j+1)I(subplot(121),imshow(subplot(122),imshow(2.高斯噪声AFigure23.泊松噪声I=imread('cameraman.tif');forj=2:W-1J(i,j)=abs(M(i-1,j+1)-M(i-1,j-1)+2*M(i,j+1)-2*M(i,j-1)+M(i+1,j+1)-)+abs(M(i-1,j-1)-M(i+1,j-1)+2*M(i-1,j)-2*M(i+1,j)+M(i-1,j+1)-Msubplot(1,2,1);imshow(I);titlesubplot(1,2,2);imshow(uint8(J));title('Sobel处理后');forj=2:W-1J(i,j)=abs(M(i-1,j+1)-M(i-1,j-1)+M(i,j+1)-M(i,j-1)+M(i+1,j+1)-M(i+s(M(i-1,j-1)-M(i+1,j-1)+M(i-1,j)-M(i+1,j)+M(i-subplot(1,2,1);imshow(I);title('原subplot(1,2,2);imshow(uint8(J));title(考xJ=imnoise(G,'salt&pepper',0.02);subplot(121),imshow采用矩阵平衡forj=1:Nifd<=d0添加椒盐噪声图像理想低通滤波后图像forj=1:Nifd==0h1=1/(1+(d0/d)^(2*nh2=1/(1+(d0/d)^(2*n))+gg1=uint8(real(ifft2title(巴特沃斯高通滤波成果');title('巴特沃斯高通加强滤波成果');×巴特沃斯高通滤波结果巴特沃斯高通加强滤波结果试验五图像分割试验掌握梯度边缘检测算子，理解拉普拉斯边缘检测算子和Canny边缘检测算子；掌握边界跟踪措施及其原理；掌握自动阈值法和分水岭法。图像分割是按照一定的规则把图像划提成若干个互不相交、具有一定性质的区域，把人们关注的部分从图像中提取出来，深入加以研究分析和处理。图像分割的成果是图像特性提取和识别等图像理解的基础，对图像分割的研究一直是数字图像处理技术研究中的热点和焦点。图像分割使得其后的图像分析，识别等高级处理阶段所要处理的数据量大大减少，同步又保留有关图像构造特性的信息。图像分割在不一样的领域也有其他名称，如目的轮廓技术、目的检测技术、阈值化技术、目的跟踪技术等，这些技术自身或其关键实际上也就是图像分割技术。边缘是图像上灰度变化最剧烈的地方，老式的边缘检测就是运用了这个特点，对图像各个像素点进行微分或求二阶微分来确定边缘像素点。一阶微分图像的峰值处对应着图像的边缘点；二阶微分图像的过零点处对应着图像的边缘点。根据数字图像的特点，处理图像过程中常采用差分来替代导数运算，对于图像的简朴一阶导数运算，由于具有固定的方向性，只能检测特定方向的边缘，因此不具有普遍性。为了克服一阶导数的缺陷，我们定义图像的梯度为梯度算子，它是图像处理中最常用的一阶微分算法。图像梯度的最重要性质是梯度的方向是在图像灰度最大变化率上，它恰好可以反应出图像边缘上的灰度变化。1.实现三种梯度算子(Roberts、Sobel、Prewitt)的边缘检测。2.实现对一张二值图像的边界跟踪。3.实现分水岭算法。怎样实现彩色图像的边缘检测?梯度算子和拉普拉斯算子、Canny算子本质区别。答：可以先将彩色图像灰度化然后进行检测。分析比较：Roberts算子：边缘定位精度高，但轻易丢失部分边缘，由于没有通过平滑处理，故不具有克制噪声的能力，适合于具有陡峭边缘且含噪声少的图像。Sobel算子：由于有对图像作加权平滑处理，因此对噪声具有一定克制能力，但不能完全排除检测成果中出现的虚假边缘，因此边缘轻易出现多像素宽度。拉氏算子：由于不依赖于边缘方向，因此对图像中的阶跃型边缘点定位精确。由于它对噪声非常敏感，能使噪声成分得到加强，导致了算子轻易丢失一部分边缘的方向信息，导致了某些不持续的检测边缘，可以说抗噪能力较差。Canny算子：该算子采用高斯函数对图像做平滑处理，故具有较强的抑噪能力，同步运用双阈值检测和连接边缘，在多尺度检测和方向性搜索方面很好。五、源代码及效果I=imread('cameraman.tif'title('原图');robertsNum=0;经roberts算子计算得到的每个像素的值robertsNum=abs(I(j,k)-I(j+1,k+1))+abs(I(j+1,k)-I(j,k+1));if(robertsNum>robertThreshold)×I=imread('cameraman.tif');读取原图像1))+abs(I(j-1,k-1)+2*I(j-1,k)+I(j-1,k+1)-IAFigureI=imread('cameraman.tif');读取原图像PrewittNum=abs(I(j-1,k+1)-I(j+1,k+1)+I(j-1,k)-I(j+1,k)+I(j-1,k-1)-I()+abs(I(j-1,k+1)+I(j,k+1)+I(j+1,k+1)-I(j-1,k-1)-I(j,k-1)-I(if(PrewittNum>PrewittThreshold)title('Pr文件(日编辑(E)查看(V插入①工forj=2:n-1jj=j+ed(k,2);ifimg(ii,jj)==05.分水岭f=rgb2gray(imread(hh=hv';号计算梯度图gv=abs(imfilter(f,hv,'replicate'gh=abs(imfilter(f,hh,'replicate'));试验六运动目的检测试验其中取值为1和0的像素点分别对应于前景(运动目的