第一篇：数字图像处理读书笔记
数字图像处理读书笔记
本学期的数字图像处理课程已经进行了3周了，通过这3周的学习让我对数字图像处理有了一定的认知和理解。数字图像处理又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。这门课程的前三章主要讲解了数字图像的目的、特点、应用和发展，图像的数字化显示与图像变换。
数字图像处理最早出现于20世纪50年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和图像信息。数字图像处理作为一门学科大约形成于20世纪60年代初期。早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、复原、编码、压缩等。数字图像处理是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。数字图像处理的产生和迅速发展主要受三个因素的影响：一是计算机的发展；二是数学的发展（特别是离散数学理论的创立和完善）;三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的增长。
一般来讲，对图像进行处理（或加工、分析）的主要目的有三个方面：（1）提高图像的视感质量，如进行图像的亮度、彩色变换，增强、抑制某些成分，对图像进行几何变换等，以改善图像的质量。（2）提取图像中所包含的某些特征或特殊信息，这些被提取的特征或信息
往往为计算机分析图像提供便利。提取特征或信息的过程是模式识别或计算机视觉的预处理。提取的特征可以包括很多方面，如频域特征、灰度或颜色特征、边界特征、区域特征、纹理特征、形状特征、拓扑特征和关系结构等。（3）图像数据的变换、编码和压缩，以便于图像的存储和传输。不管是何种目的的图像处理，都需要由计算机和图像专用设备组成的图像处理系统对图像数据进行输入、加工和输出。数字图像处理有以下几点基本特点：（1）目前，数字图像处理的信息大多是二维信息，处理信息量很大。如一幅256×256低分辨率黑白图像，要求约64kbit的数据量；对高分辨率彩色512×512图像，则要求768kbit数据量；如果要处理30帧/秒的电视图像序列，则每秒要求500kbit～22.5Mbit数据量。因此对计算机的计算速度、存储容量等要求较高。（2）数字图像处理占用的频带较宽。与语言信息相比，占用的频带要大几个数量级。如电视图像的带宽约5.6MHz，而语音带宽仅为4kHz左右。所以在成像、传输、存储、处理、显示等各个环节的实现上，技术难度较大，成本亦高，这就对频带压缩技术提出了更高的要求。（3）数字图像中各个像素是不独立的，其相关性大。在图像画面上，经常有很多像素有相同或接近的灰度。就电视画面而言，同一行中相邻两个像素或相邻两行间的像素，其相关系数可达0.9以上，而相邻两帧之间的相关性比帧内相关性一般说还要大些。因此，图像处理中信息压缩的潜力很大。（4）由于图像是三维景物的二维投影，一幅图象本身不具备复现三维景物的全部几何信息的能力，很显然三维景物背后部分信息在二维图像画面上是反映不出来的。因此，要分析和理解三维景物必须作合适的假定或附加新的测量，例如双目图像或多视点图像。在理解三维景物时需要知识导引，这也是人工智能中正在致力解决的知识工程问题。（5）数字图像处理后的图像一般是给人观察和评价的，因此受人的因素影响较大。由于人的视觉系统很复杂，受环境条件、视觉性能、人的情绪爱好以及知识状况影响很大，作为图像质量的评价还有待进一步深入的研究。另一方面，计算机视觉是模仿人的视觉，人的感知机理必然影响着计算机视觉的研究。例如，什么是感知的初始基元，基元是如何组成的，局部与全局感知的关系，优先敏感的结构、属性和时间特征等，这些都是心理学和神经心理学正在着力研究的课题。
在数字图像处理中图像的数字化显示是基础。将模拟图像转化成数字图像的过程就是图形、图像的数字化过程。这个过程主要包含采样、量化和编码三个步骤。
1．采样 采样的实质就是要用多少点来描述一幅图像，采样结果质量的高低就是用前面所说的图像分辨率来衡量。简单来讲，对二维空间上连续的图像在水平和垂直方向上等间距地分割成矩形网状结构，所形成的微小方格称为像素点。一副图像就被采样成有限个像素点构成的集合。采样频率是指一秒钟内采样的次数，它反映了采样点之间的间隔大小。采样频率越高，得到的图像样本越逼真，图像的质量越高，但要求的存储量也越大。在进行采样时，采样点间隔大小的选取很重要，它决定了采样后的图像能真实地反映原图像的程度。一般来说，原图像中的画面越复杂，色彩越丰富，则采样间隔应越小。
由于二维图像的采样是一维的推广，根据信号的采样定理，要从取样样本中精确地复原图像，可得到图像采样的奈奎斯特（Nyquist）定理：图像采样的频率必须大于或等于源图像最高频率分量的两倍。
2．量化 量化是指要使用多大范围的数值来表示图像采样之后的每一个点。量化的结果是图像能够容纳的颜色总数，它反映了采样的质量。例如：如果以4位存储一个点，就表示图像只能有16种颜色；若采用16位存储一个点，则有216=65536种颜色。所以，量化位数越来越大，表示图像可以拥有更多的颜色，自然可以产生更为细致的图像效果。但是，也会占用更大的存储空间。两者的基本问题都是视觉效果和存储空间的取舍。假设有一幅黑白灰度的照片，因为它在水平于垂直方向上的灰度变化都是连续的，都可认为有无数个像素，而且任一点上灰度的取值都是从黑到白可以有无限个可能值。通过沿水平和垂直方向的等间隔采样可将这幅模拟图像分解为近似的有限个像素，每个像素的取值代表该像素的灰度（亮度）。对灰度进行量化，使其取值变为有限个可能值。经过这样采样和量化得到的一幅空间上表现为离散分布的有限个像素，灰度取值上表现为有限个离散的可能值的图像称为数字图像。只要水平和垂直方向采样点数足够多，量化比特数足够大，数字图像的质量就比原始模拟图像毫不逊色。在量化时所确定的离散取值个数称为量化级数。为表示量化的色彩值（或亮度值）所需的二进制位数称为量化字长，一般可用8位、16位、24位或更高的量化字长来表示图像的颜色；量化字长越大，则越能真实第反映原有的图像的颜色，但得到的数字图像的容量也越大。
3．压缩编码数字化后得到的图像数据量十分巨大，必须采用编码技术来压缩其信息量。在一定意义上讲，编码压缩技术是实现图像传输与储存的关键。
数学里的变换，指一个图形（或表达式）到另一个图形（或表达式）的演变。图象变换是函数的一种作图方法。已知一个函数的图象，通过某种或多种连续方式变换，得到另一个与之相关的函数的图象，这样的作图方法叫做图象变换。
在图像变换中傅立叶变换就是应用最广泛的一种变换。数字图像经二维离散傅立叶变换后，其空间域处理可变换为变换域处理，它具有很多明显的优点，最突出的是算法运算次数将大大减少，并可采用二维数字滤波技术进行所需要的各种图像处理。
二位离散余弦变换其去相关性近似于K-L(Karhunen-Loeve)最佳变换,算法复杂度适中,易于硬件实现,且具有抗干扰能力强等优点,因此,DCT及IDCT被广泛应用于H.261、H.263、H.264、JPEG、MPEG等视频压缩标准中。
小波分解可以覆盖整个频域(提供了一个数学上完备的描述)；小波变换通过选取合适的滤波器，可以极大的减小或去除所提取得不同特征之间的相关性； 小波变换具有“变焦”特性，在低频段可用高频率分辨率和低时间分辨率(宽分析窗口)，在高频段，可用低频率分辨率和高时间分辨率(窄分析窗口)；小波变换实现上有快速算法(Mallat小波分解算法)。小波变换是一种信号的时间——尺度分析方法，他具有多分辨率分析的特点，而且在时频两域都具有表征信号
局部特征的能力，是一种窗口大小固定不变但其形状可变，时间窗和频率窗都可变的时频局部化分析方法。即再低频部分具有较高的频率分辨率和时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，很适合探测正常信号中夹带的瞬态反常现象并展示其成分，所以被誉为分析信号的显微镜。
小波变换是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的时间一频率窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，因此，小波变换在许多领域都得到了成功的应用，特别是小波变换的离散数字算法已被广泛用于许多问题的变换研究中。从此，小波变换越来越引起人们的重视，其应用领域来越来越广泛。
第二篇：数字图像处理 读书笔记
《数字图象处理》学士论文读书笔记
运动对象检测是数字图像处理技术的一个重要部分，它是计算机视觉、目标识别与跟踪、运动图像编码、基于内容的检索、安全监控等视频分析和处理应用的关键步骤。解决跟踪算法的计算量与实时性这对矛盾，是提高系统跟踪精度和跟踪稳定性的关键，此即为本文的关键所在。
对于变化很慢的背景图像而言，可把动目标看作目标对背景的扰乱，可以看作Kalman滤波器在零均值白噪声时的退化公式：
WT[IWP(k)WT] K(k1)P(k1)
若认为图像每一个时空点在空间独立，则以上变量均为标量。即： B(k)P(k1)P(k),P(1)1B(k1)
这就是说估值的方差随着测量次数的增加而逐渐减小，结果是收敛的，对于图像，只要系统采样频率足够快，则可以认为背景静止，所以当图像序列通过这个低通滤波器时，图像序列中遂时间缓变的部分就可以分离出来。接着利用图像和背景进行差分运算，即可从图像中提取出变化的目标
式中的D(k+1)是去除背景后的当前帧目标图像。而后，考虑到空间邻接像素之ˆ(k1)D(k1)(k1)ˆ(k1)ˆ(k)K(k1)ˆ(k)(k1)WP(k_1)1[IK(k1)W]P(k)
间的相关性，需要进一步对差分图像数据进行4x4的空间滑动平均滤波以消除输入图像中的噪声影响，然后将以上得到的目标图的D(k+1))中每个像素的灰度数据向行和列方向分别投影并且求和，据此计算目标的质心，得到相对饱满的目标图像。
该文探讨了渐消记忆递归最小二乘法在图像背景重建中的应用，使用简捷有效的算法结构在复杂背景的条件下分离出了背景和动目标；对图像在空间域做4~4的滑动平均滤波有效地抑制了于扰噪声；在求目标的质心时采用等效灰度投影算法，简化了求质心运算，整体上说算法简洁，操作方便，基本上解决了引文提出的矛盾。文章研究的运动对象检测可应用在计算机视觉、目标识别与跟踪、运动图像编码、基于内容的检索、安全监控等视频分析和处理应用的关键步骤上，如若这种算法得到进一步优化和更新，一定会运用到更多更广的地方。
通信二班 陈阳（10950229）
本文由芬乐网提供
参考文献
1.刘永信等《复杂背景图像中检测动目标的一种方法》 摘自《计算机工程与应用》2002.03
2.曹炬等《从移动背景红外序列图像中检测运动目标》 摘自《电子信息学报》2005.01
3.何卫华等《复杂背景下基于图像融合的运动目标轮廓提取算法》 摘自《计算机应用》2006.01
第三篇：《数字图像处理》
实验五 图像的几何变换
一．实验目的及要求
掌握图像几何变换的基本原理，熟练掌握数字图像的缩放、旋转、平移、镜像和转置的基本原理及其MATLAB编程实现方法。
二、实验内容
（一）研究以下程序，分析程序功能；输入执行各命令行，认真观察命令执行的结果。熟悉程序中所使用函数的调用方法，改变有关参数，观察试验结果。
1.图像缩放 clear all, close all I = imread('cameraman.tif');Scale = 1.35;
% 将图像放大1.35倍
J1 = imresize(I, Scale, 'nearest');
% using the nearest neighbor interpolation J2 = imresize(I, Scale, 'bilinear');
% using the bilinear interpolation imshow(I), title('Original Image');figure, imshow(J1), title('Resized Image--using the nearest neighbor interpolation ');figure, imshow(J2), title('Resized Image--using the bilinear interpolation ');help imresize
% 查看imresize使用帮助
1.95倍
I = imread('cameraman.tif');Scale = 1.96;
% 将图像放大1.96倍
J1 = imresize(I, Scale, 'nearest');
% using the nearest neighbor interpolation J2 = imresize(I, Scale, 'bilinear');
% using the bilinear interpolation imshow(I), title('Original Image');figure, imshow(J1), title('Resized Image--using the nearest neighbor interpolation ');figure, imshow(J2), title('Resized Image--using the bilinear interpolation ');
说明：
注意观察不同插值方法的图像表现； 改变图像缩放因子Scale，重做上述实验。2.图像旋转
clear all, close all I = imread('cameraman.tif');Theta = 45;
% 将图像逆时针旋转45。
J1 = imrotate(I, Theta, 'nearest');
% using the nearest neighbor interpolation Theta =-45;
% 将图像顺时针旋转45。
J2 = imrotate(I, Theta, 'bilinear', 'crop');% using bilinear interpolation and crops the output image imshow(I), title('Original Image');figure, imshow(J1), title('Rotated Image--using the nearest neighbor interpolation ');figure, imshow(J2), title(' Rotated Image--using the bilinear interpolation ');% 查看imrotate使用帮助 help imrotate %-------
图像旋转30顺时针逆时针
clear all, close all I = imread('cameraman.tif');Theta = 30;
% 将图像逆时针旋转30。
J1 = imrotate(I, Theta, 'nearest');
% using the nearest neighbor interpolation Theta =-30;
% 将图像顺时针旋转30。
J2 = imrotate(I, Theta, 'bilinear', 'crop');% using bilinear interpolation and crops the output image imshow(I), title('Original Image');figure, imshow(J1), title('Rotated Image--using the nearest neighbor interpolation ');figure, imshow(J2), title(' Rotated Image--using the bilinear interpolation ');7 说明：
注意观察不同插值方法和输出图像后处理方法的图像表现； 改变旋转角度大小和方向，重做上述实验。
3．图像水平镜象
clear all, close all I = imread('cameraman.tif');I1 = flipdim(I,2);
I2 = flipdim(I,1);figure(1), subplot(1,2,1), imshow(I);subplot(1,2,2), imshow(I1);figure(2), subplot(2,1,1), imshow(I);subplot(2,1,2), imshow(I2);%----
(二)用MATLAB编程实现以下图像几何变换（参考自编讲义相关章节）
1．图像扭曲变换 2．球面变换
三、实验设备
1．PIII以上微机； 2．MATLAB6.5；
四、预习与思考
1．预习实验内容，阅读教材熟悉实验原理；
2．查阅资料，熟悉实验中涉及的有关MATLAB函数；
3．利用课余时间，采用MATLAB底层函数编程实现实验内容
（二）中的图像平移、图像转置等几何变换。
五、实验报告要求
1．简述试验的目的和试验原理；
2．叙述各段程序功能，改变有关函数的参数，分析比较实验结果； 3．打印出所编写的实验程序。4．写出本实验的心得体会及意见。
实验六
数字图像处理应用
一．实验目的及要求
1．利用MATLAB提供的图像处理函数实现图像中物体属性的测量； 2．训练综合运用MATLAB图像处理函数的能力； 3．了解数字图像处理基本应用。
二、实验内容
以大米粒特性测量为例，综合应用课程中图像分割、形态学滤波、图像增强、图像特征提取等图像处理方法，实现大米粒特性自动测量。实验过程简述：
1． 读取和显示图像 2． 估计图像背景 3． 获取背景均匀的图像 4． 图像增强 5． 图像二值化分割 6． 区域标记及为彩色处理
7． 测量图像中的区域特性（面积、质心等）
8．统计大米粒的特性分布规律。
（一）研究以下程序，分析程序功能；输入执行各命令行，认真观察命令执行的结 果。熟悉程序中所使用函数的调用方法，改变有关参数，观察试验结果。
% Read and Display an Image clear, close all,close all;I = imread('rice.png');
figure, imshow(I)
% Use Morphological Opening to Estimate the Background
background = imopen(I,strel('disk',15));
figure, imshow(background);
%Display the Background Approximation as a Surface
figure, surf(double(background(1:8:end,1:8:end))),zlim([0 255]);set(gca,'ydir','reverse');% Subtract the Background Image from the Original Image I2 = imsubtract(I,background);figure, imshow(I2)% Adjust the Image Contrast I3 = imadjust(I2, stretchlim(I2), [0 1]);figure, imshow(I3);% Apply Thresholding to the Image level = graythresh(I3);bw = im2bw(I3,level);figure, imshow(bw)% Determine the Number of Objects in the Image [labeled,numObjects] = bwlabel(bw,4);
% Label components.numObjects % Examine the Label Matrix RGB_label = label2rgb(labeled, @spring, 'c', 'shuffle');figure, imshow(RGB_label);% Measure Object Properties in the Image graindata = regionprops(labeled,'basic')allgrains = [graindata.Area];% Compute Statistical Properties of Objects in the Image max(allgrains);biggrain = find(allgrains==695)mean(allgrains);figure, hist(allgrains,20);12
(详见MATLAB IPT的 帮助文档demo中的Correcting Nonuniform Illumination)
（二）查看MATLAB IPT 帮助文档，研究其它应用演示
三、实验设备 1．PIII以上微机； 2．MATLAB6.5；
四、预习与思考
1．预习实验内容，阅读教材熟悉实验原理； 2．查阅资料，熟悉实验中涉及的有关函数。
3．利用课余时间，采用MATLAB函数编程实现实验内容
（二）。
五、实验报告要求
1．简述试验的目的和试验原理；
2．叙述各段程序功能，改变有关函数的参数，分析比较实验结果； 3．打印出所编写的实验程序。4．写出本实验的心得体会及意见。
第四篇：数字图像处理
中南大学
数字图像处理实验 实验名称：空间滤波和频域滤波
班级：电子信息0802班
姓名：李哲 学号：0909080609 实验日期：2010年12月22日
目录
一，实验目的„„„„„„„„„„„„„„„„„„„„„„„3 二，给图像添加噪声„„„„„„„„„„„„„„„„„„„„4 三，对被噪声污染的图像进行中值滤波和均值滤波„„„„„„„5 四，对图像进行空间域的锐化„„„„„„„„„„„„„„„„6 五，MATLAB以外函数空间滤波和图像锐化„„„„„„„„„„7 六，自带函数傅立叶变换和反变换„„„„„„„„„„„„„„8 七，低通滤波器程序„„„„„„„„„„„„„„„„„„„„9 八，心得体会 „„„„„„„„„„„„„„„„„„„„„„10 九，参考文献 „„„„„„„„„„„„„„„„„„„„„„10
一、实验目的 1，空间滤波：
图像平滑主要目的是减少噪声。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2种最典型、最常用的处理算法进行程序设计，学习如何对已被噪声污染的图像进行“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。学习如何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、拉普拉斯算子，使图像的某些特征（如边缘、轮廓等）得以进一步的增强及突出。本实验锐化处理主要在空间域中进行 2，频域滤波：
掌握傅里叶变换的基本性质； 掌握傅里叶正变换和反变换； 通过实验了解二维频谱的分布特点； 掌握怎样利用傅立叶变换进行频域滤波
利用MATLAB程序数字图像的傅立叶变换并且进行频域滤波
二，给图像添加椒盐噪声或者高斯噪声： 原理：利用MATLAB自带函数添加噪声 程序代码：A=imread('onion.png');I=rgb2gray(A);imshow(I);J = imnoise(I,'salt & pepper',0.05);figure,imshow(J),title('椒盐噪声');%添加椒盐噪声 K = imnoise(I,'gaussian',0,0.03);
figure,imshow(K),title('高斯噪声');%添加高斯噪声
三，对被噪声污染的图像进行中值滤波和均值滤波： 原理：自带函数进行中值滤波和均值滤波 源程序：A=imread('onion.png');I=rgb2gray(A);J = imnoise(I,'salt & pepper',0.05);k2=medfilt2(J,[5 5]);k3=medfilt2(J,[7 7]);imshow(J),title('原图');figure,imshow(k2),title('中值滤波5*5模板');figure,imshow(k3),title('中值滤波7*7模板');
四，对图像进行空间域的锐化： 原理：自带函数进行空间锐化。源程序：I=imread('coins.png');subplot(121),imshow(I),title('原图像');H=fspecial('sobel');I2=filter2(H ,I);subplot(122),imshow(I2),title('sobel算子锐化图像');
五，MATLAB以外函数空间滤波和图像锐化：
源程序：I = imread('eight.tif');J = imnoise(I,'salt & pepper',0.02);K = medfilt2(J);imshow(J);title('噪声干扰图像')figure, imshow(K);title('medfilt2滤波图像')X=J;a=2;b=2;k=floor(a*b/2)+1;[M,N]=size(X);uint8 Y=zeros(M,N);funBox=zeros(a,b);temp=zeros(a*b);
for i=1:M-a
for j=1:N-b
funBox=X(i:i+a,j:j+b);
temp=funBox(:);
tempSort=sort(temp);
Y(i,j)=tempSort(k);
end;end;figure, imshow(Y);title('滤波图像')
六，利用Matlab的图像处理工具箱中提供的函数实现图像的傅立叶变换和反变换： 源程序：
A=imread('onion.png');f=rgb2gray(A);subplot(131),imshow(f),title('原图');F=fft2(f);% 快速傅立叶变换
subplot(132),imshow(F),title('傅里叶变换')Fabs=abs(F);% 求幅频绝对值 Fc=fftshift(Fabs);% 中心移位 SFc=log(1+Fc);% 对数变换
iFc1=ifftshift(Fc);% 中心移位的逆变换，绝对值 iF2=ifft2(iFc1);% 快速傅立叶变换的逆变换
subplot(133),imshow(iF2),title('快速傅立叶变换的逆变换')
七，低通滤波器程序：
I=imread('testpat1.png');subplot(221),imshow(I);title('原始图像')J1=imnoise(I,'gaussian',0.02);% 叠加高斯白噪声
subplot(222),imshow(J1);title('添加高斯白噪声的图像')f=double(J1);
% 数据类型转换 g=fft2(f);
% 傅立叶变换 g=fftshift(g);
[M,N]=size(g);nn=2;
% 二阶巴特沃斯(Butterworth)低通滤波器 d0=50;
% 设置截止频率 m=fix(M/2);n=fix(N/2);for i=1:M for j=1:N
d=sqrt((i-m)^2+(j-n)^2);
h=1/(1+0.414*(d/d0)^(2*nn));% 计算低通滤波器传递函数
result(i,j)=h*g(i,j);end end result=ifftshift(result);J2=ifft2(result);J3=uint8(real(J2));subplot(223),imshow(J3);title('低通滤波后图像')
心得体会
1，进一步熟悉了Matlab软件、编程以及图像处理工具箱 2，学会利用自带函数对图像做简单的处理，例如：均值化等。3，熟练了一些基本函数的运用，例如fspecial，imfilter等。4，加深了对MATLAB编程的理解。
5，对于试验中的出现的一些问题，懂得怎样去处理。6，通过实际操作，增强了自己的动手能力，把理论用于实践。
参考文献：数字图像处理第二版
MATLAB教程
第五篇：数字图像处理实验报告
实 验 报 告 书
系部学生专业班
实验
名称姓名名称 级时间：
： ： ：
：
实验一 直方图均衡
一、实验目的
在学习图像直方图的概念、计算方法、性质和相关应用基础上，生成、绘制图像的直方图，并应用MATLAB编程实现图像直方图均衡化程序。
二、实验内容
（1）计算并绘制图像直方图；
（2）编程实现图像的直方图均衡化处理，显示均衡前后的直方图和图像；
三、实验运行结果
四、实验中遇到的问题及解决方法
1、显示无法找到图像文件，应将图片与xx.m文件置于同一文件夹；
2、编程过程中应注意标点的输入法，应该用英文输入，否则会报错。
3、编程完成后运行时输入文件名与保存时文件名相同，区分大小写。
五、思考题
（1）、灰度直方图可以反映一幅图像的哪些特征？ 答：
1、表征了图像的一维信息。只反映图像中像素不同灰度值出现的次数（或频数）而未反映像素所在位置。
2、与图像之间的关系是多对一的映射关系。一幅图像唯一确定出与之对应的直方图，但不同图像可能有相同的直方图。
3、子图直方图之和为整图的直方图。(2)均衡化后的直方图有何特点？
答：经直方图均衡化处理后，可以得到一副改善了质量的新图像。这幅图像的灰度层次将不再是呈黑暗色调的图像，而是一副灰度层次较为适中的、比原始图像清晰、明快得多的图像。处理的结果使图像更适合与人的视觉特征或机器的识别系统。
六、实验心得体会
本次实验中，因为初学这个软件，我学习到了在程序中关于图像的运用，以及也复习了课本上的许多知识，加深了对直方图均衡化的理解。
七、程序清单
clear all;I=imread('lena_gray_256.tif');%打开一幅灰度图像 [m,n]=size(I);p=m*n;J=imhist(I)./p;
%计算图像的归一化直方图 subplot(1,3,1),imshow(I)； subplot(1,3,2),imhist(I,64)； subplot(1,3,3),plot(J)；
（2）直方图均衡化
clear all;Im=imread('region.jpg');J=histeq(Im);%均衡化 subplot(2,2,1);imshow(Im);title('原图');%显示原图 subplot(2,2,2);imhist(Im);title('原图直方图');%显示原图的直方图 subplot(2,2,3);imshow(J);title('均衡化结果');%显示均衡化后的图像 subplot(2,2,4);imhist(J);title('均衡化结果的直方图');%显示均衡化后的直方图
实验二 频域图像增强
一、实验目的
1、频域图像增强
2、掌握基于频域的图像增强方法。
二、实验内容
（1）编程实现图像的理想低通和高通滤波；（2）编程实现图像的巴特沃斯低通和高通滤波。
三、实验运行结果
四、实验中遇到的问题及解决方法
显示图像无法打开，最终查出来时图像格式弄错了。
五、思考题
分析为什么图像通过低通滤波器后变得模糊？为什么通过高通滤波器后得到锐化结果？
答：图像的精细结构及突变部分主要由高频成分起作用，故经低通滤波后图像的精细结构消失，变得模糊；经高通滤波后图像得到锐化。
六、实验心得体会
本实验中遇到很多问题及错误，例如图像打不开、处理后图像模糊等，都是经常容易发生的错误，最后实验几次，就能够逐一自己解决了。使自己对数字图像处理课程中的许多问题有了更实际和确切的深入了解。
七、程序清单
clc;clear;data4=imread('lena.gif');subplot(3,2,1);imshow(data4);title('原图');i=fft2(data4);subplot(3,2,2);i=fftshift(i);z=log(abs(i));x=0:1:255;y=0:1:255;[x,y]=meshgrid(x,y);mesh(z);%以三维坐标显示该图像频谱图title('原图频谱');[n,m]=size(i);%for k=1:1:n for l=1:1:m if(k^2+l^2)>=190^2 % result(k,l)=0;else result(k,l)=i(k,l);end end end subplot(3,2,4);
对该图进行低通滤波 选取D=190
z=log(abs(result));%三维方式显示低通滤波后的频谱图 x=0:1:255;y=0:1:255;[x,y]=meshgrid(x,y);mesh(z);title('理想低通滤波后的频谱');subplot(3,2,3);%新建图像显示窗口 result=fftshift(result);%滤波后的数据去中心化 b=ifft2(result);%逆傅里叶变换 imshow(uint8(abs(b)));title('理想低通滤波后的图像');subplot(3,2,6);%新建图像显示窗口 % [n,m]=size(c);%对原图进行高通滤波 for k=1:1:n for l=1:1:m if(k^2+l^2)<=190^2 %选取D=190 result(k,l)=0;else result(k,l)=i(k,l);end end end z=log(abs(result));x=0:1:255;%三维方式显示高通滤波前的频谱图 y=0:1:255;[x,y]=meshgrid(x,y);mesh(z);title('理想高通滤波后的频谱');subplot(3,2,5);result=fftshift(result);%滤波后的数据去中心化 d=ifft2(result);%逆傅里叶变换
imshow(uint8(abs(d)));title('理想高通滤波后的图像');%频域增强（巴特沃斯原型）
%二阶巴特沃斯（Butterworth）低通滤波器 %clc;%clear;Figure;J1=imread('lena.gif');subplot(3,2,1);imshow(J1);title('原图');f=double(J1);g=fft2(f);% 傅立叶变换 g=fftshift(g);% 转换数据矩阵 subplot(3,2,2);x=0:1:255;y=0:1:255;[x,y]=meshgrid(x,y);z=log(abs(g));%取幅度 mesh(z);%以三维坐标显示该图像频谱图 title('原图频谱');[M,N]=size(g);nn=2;% 二阶巴特沃斯(Butterworth)低通滤波器 d0=20;m=fix(M/2);n=fix(N/2);for i=1:M for j=1:N d=sqrt((i-m)^2+(j-n)^2);h=1/(1+0.414*(d/d0)^(2*nn));% 计算低通滤波器传递函数 result(i,j)=h*g(i,j);
end end subplot(3,2,4);x=0:1:255;y=0:1:255;[x,y]=meshgrid(x,y);z=log(abs(result));%取幅度 mesh(z);%以三维坐标显示该图像频谱图 title('低通滤波后的频谱');result=ifftshift(result);J2=ifft2(result);J3=uint8(abs(J2));subplot(3,2,3);imshow(J3);title('低通滤波后的图像');
%利用二阶巴特沃斯（Butterworth）高通滤波器
nn=2;% 二阶巴特沃斯(Butterworth)高通滤波器 d0=5;m=fix(M/2);n=fix(N/2);for i=1:M for j=1:N d=sqrt((i-m)^2+(j-n)^2);if(d==0)h=0;else h=1/(1+0.414*(d0/d)^(2*nn));% 计算传递函数 end result(i,j)=h*g(i,j);
end end subplot(3,2,6);x=0:1:255;y=0:1:255;[x,y]=meshgrid(x,y);z=log(abs(result));%取幅度 mesh(z);%以三维坐标显示该图像频谱图 title('高通滤波后的频谱');result=ifftshift(result);J2=ifft2(result);J3=uint8(abs(J2));subplot(3,2,5);imshow(J3);title('高通滤波后的图像');
实验三 图像边缘检测与连接
一、实验目的
图像边缘检测与连接
二、实验内容
（1）编程实现一阶差分边缘检测算法，包括Robert梯度算子、Prewitt算子、Sobel算子等；（2）编程实现二阶差分拉普拉斯边缘检测算法以及LoG检测法和Canny检测法；（3）分析与比较各种边缘检测算法的性能；
（4）编程实现Hough变换提取直线
（5）分析Hough变换检测性能；
三、实验运行结果
四、实验中遇到的问题及解决方法
拷贝文件后没改文件名，直接执行时出现错误，最后重新修改后重新编译，使之成功。
五、思考题
（1）边缘的方向是什么意思？为什么要考虑边缘的方向？
答：边缘常常意味着一个区域的终结和另一个区域的开始，图像的边缘也包含了物体的形状的重要信息，他不仅在分析图像时大幅度的减少了要处理的信息量，而且还保护了目标的边界结构。所以考虑边缘的方向很重要。
（2）Hough变换原理是什么？
答：Hough变换的基本原理在于利用点与线的对偶性，将原始图像空间的给定的曲线通过曲线表达形式变为参数空间的一个点。这样就把原始图像中给定曲线的检测问题转化为准找参数空间的峰值问题。也即把检测整体特性转化为检测局部特性。比如直线、椭圆、圆、弧线等。
六、实验心得体会
对于一些图像处理的函数不是很了解，只能够按课本的参照函数拷贝做实验，对于其中的一些函数问题理解不是很透彻，有些甚至完全不懂。还得继续努力。
七、程序清单
1、边缘检测
由edge函数实现各算子对图像的边缘检测
clear all;I = imread('d:office.bmp');I=rgb2gray(I);BW1 = edge(I,'sobel');
%利用Sobel算子进行边缘检测 BW2 = edge(I,'roberts');%利用roberts算子进行边缘检测 BW3 = edge(I,'prewitt');%利用prewitt算子进行边缘检测 BW4 = edge(I,'log');
%利用log算子进行边缘检测 BW5 = edge(I,'canny');
%利用canny算子进行边缘检测 subplot(2,3,1),imshow(I)subplot(2,3,2),imshow(BW1)subplot(2,3,3),imshow(BW2)subplot(2,3,4),imshow(BW3)
subplot(2,3,5),imshow(BW4)subplot(2,3,6),imshow(BW5)
2、边缘连接
使用Hough变换作线检测和连接
clear all;
RGB = imread('d:M_M.bmp');I=RGB;%I = rgb2gray(RGB);BW = edge(I,'canny');
% 利用Canny算子提取图像边缘 [H,T,R] = hough(BW,'RhoResolution',0.5,'ThetaResolution',0.5);figure(1), imshow(T,R,H,[],'notruesize'), axis on, axis normal xlabel('T'), ylabel('R')p = houghpeaks(H,5,'threshold',ceil(0.3*max(H(:))));
%找到5个较明显的Hough变换峰值
hold on plot(T(p(:,2)),R(p(:,1)),'s','color','white');lines = houghlines(BW,T,R,p,'FillGap',10,'MinLength',10);
%查找并链接线段
figure, imshow(BW), hold on %在二值图中叠加显示这些线段 for k = 1:length(lines)
xy = [lines(k).point1;lines(k).point2];
plot(xy(:,1),xy(:,2),'LineWidth',2,'Color','green');end
点击咨询 