数字图像处理实验报告_姜万里

中国科学技术大学数字图像分析实验报告专业年级： 2015级信息与通信工程主讲教师： 谭立湘 学生姓名： 姜万里 学 号： JW15006001 二O一五年零六月图像增强部分实验1 左图为我上课时拍摄的照片，又有像素原因，所以PPT中的字不能分清。因此做了如下实验：因此图尺寸4208X2368，行数过大，所以对其进行了截取，取其1200:2600。1，首先对图像进行了高斯滤波，因为手机拍摄的图像，主要噪声是高斯噪声。2，绘制其直方图，观察其灰度值分布。因为我的目标是使人眼能清晰看到字体，所以我对其进行了二值化。3,为了便于人眼识别，我对第2步得到的图像进行了sobel算子进行了边缘提取，并令其uint8类型显示clear all;clc;close all;%因图像太大，所以选取，主要关心区域I=rgb2gray(imread(D:shutu.jpg);I=I(1200:2600,:);figure();subplot(231);imshow(I);title(原图);%原图看不清PPT中的字%对其进行高斯滤波w=fspecial(gaussian,11,0.02);I2=imfilter(I,w);subplot(232);imshow(I2);title(滤波后);subplot(233);imhist(I2);title(直方图);%绘制其直方图I3=1-im2bw(I2,0.8);%二值化并取反subplot(234);imshow(I3);title(二值化并取反);%对其进行sobel处理w=fspecial(sobel);I4=30*filter2(w,I3)+150*I3;subplot(235);imshow(uint8(I4);title(结果图);运行结果：实验2 subplot(235);m1,x1=imhist(J);imhist(J);ylim(0 3000);title(直方图后的直方图分布);subplot(233);h=0.1 0.5 0.9 1;J1=histeq(I,h);imshow(J1);title(直方图规定化);subplot(236);imhist(J1,4);xlim(-30 300);title(直方图规定化后的直方图);利用直方图对图像进行处理，以及直方图规定化clear all;clc;I=rgb2gray(imread(D:tuxiang.jpg);subplot(231);imshow(I);title(原图); subplot(234)；m,x=imhist(I);imhist(I);ylim(0 3000);title(原图直方图);J=histeq(I);subplot(232);imshow(J);title(直方图后的图像);实验3对图像进行家椒盐噪声及中值滤波滤波后的图像clc;clear all;close all;I=rgb2gray(imread(D:tuxiang.jpg);figure;subplot(1,3,1);imshow(I);title(原始图像);J=imnoise(I,salt & pepper,0.04);%加椒盐噪声subplot(1,3,2);imshow(J);title(加椒盐噪声);K=medfilt2(J,4,4)%进行中值滤波;subplot(1,3,3);imshow(K);title(进行中值滤波);实验4主要代码h=ones(3,3)/9;%多维滤波g=imfilter(I,h);subplot(1,3,3);imshow(g);title(均值滤波);继续实验3，对图像进行均值滤波，图像滤波图中图像边缘被平滑实验5 继续实验4，进行高斯滤波，图像滤波图中存在较少的椒盐点 h=fspecial(gaussian,3,3,0.5);%高斯低通滤波 B4=filter2(h,I); subplot(1,3,3); imshow(uint8(B4); title(高斯低通滤波);实验6 结合实验5，对图像边缘加强 w=1 1 1; 1 -7 1;1 1 1; B4=filter2(w,I); subplot(1,3,3); imshow(uint8(B4);title(边缘加强);实验7 对图像进行分析处理，显示图像在不同位平面，图像所显示的图像信息clear all;clc;close all;I=imread(D:tuxiang.jpg);I=rgb2gray(I);m,n=size(I);J=zeros(size(I);figure(1); subplot(3,3,1);imshow(I); title(原图);for k=1:8 for i=1:m for j=1:n J(i,j)=bitget(I(i,j),k); end end subplot(3,3,10-k);imshow(J);title(位切面);end图像分析实验1 对图像进行阈值处理，采取不同的阈值，得到不同的结果进行比对，本实验先通过自己编程计算不同灰度级所在所在像素的概率然后进行图像阈值分割程序如下：I=imread(D:shutu1.jpg);I1=rgb2gray(I);figure;subplot(2,2,1);imshow(I1);title( 灰度图像)m,n=size(I1); q=zeros(1,256); for k=0:255 q(k+1)=length(find(I1=k)/(m*n); endsubplot(2,2,2),bar(0:255,q,g) title(灰度直方图)I2=im2bw(I,150/255); subplot(2,2,3),imshow(I2);title(阈值150的分割图像)I3=im2bw(I,200/255); subplot(2,2,4),imshow(I3);title(阈值200的分割图像) 实验2主要代码如下：I=imread(D:shutu1.jpg);figure();subplot(1,2,1),imshow(I);title(原始图像)level=graythresh(I); %确定灰度阈值BW=im2bw(I,level);subplot(1,2,2),imshow(BW);title(自适应法阈值分割图像) 根据实验1继续对图像进行阈值分割，本次实验，采用自适应的方法对图像进行阈值分割实验3 提取图像二维码，本实验选的照片是冈萨雷斯的书后的二维码，我对其进行了梯度处理，滤波处理，腐蚀膨胀，最后得到结果如下：clear all;clc;close all;I=imread(D:erweima_gangsa1.jpg);I1=rgb2gray(I);figure(8);subplot(221);imshow(I);%二维码的梯度h=0 0 0 0 0 0 0;0 0 0 0 0 0 0;0 0 0 0 0 0 0;1 1 1 -6 1 1 1;0 0 0 0 0 0 0;0 0 0 0 0 0 0;0 0 0 0 0 0 0;I2_x=conv2(I1,h,same);h=0 0 0 1 0 0 0;0 0 0 1 0 0 0;0 0 0 1 0 0 0;0 0 0 -6 0 0 0;0 0 0 1 0 0 0;0 0 0 1 0 0 0;0 0 0 1 0 0 0;I2_y=conv2(I1,h,same);I2=uint8(sqrt(double(I2_x).2+double(I2_y).2);figure(1);subplot(311);imshow(I1); subplot(312);imshow(I2);%二维码的均值滤波h=fspecial(average,9);I2=uint8(conv2(I2,h,same);subplot(313);imshow(I2); I2=im2bw(I2,0.5);subplot(313);imshow(I2);%对其进行2次腐蚀se=strel(square,7);I2=imerode(I2,se);subplot(313);imshow(I2);I2=imerode(I2,se);subplot(313);imshow(I2);I2=imerode(I2,se);subplot(313);imshow(I2);%对其进行膨胀se=strel(square,7);I2=imdilate(I2,se);subplot(313);imshow(I2);I2=imdilate(I2,se);subplot(313);imshow(I2);se=strel(square,15);I2=imdilate(I2,se); subplot(313);imshow(I2);实验4主要代码如下：%进行霍夫变换I3=edge(I2,canny);H,T,R=hough(I3);figure();imshow(H,XData,T,YData,R,InitialMagnification,fit);axis on ;axis normal,hold on;P=houghpeaks(H,3,threshold,ceil(0.3*max(H(:);disp(P);x=T(P(:,2);y=R(P(:,1);plot(x,y,s,color,white);lines=houghlines(I3,T,R,P,FillGap,5,MinLength,7);figure();imshow(I_bian);hold on;max_len=0;for k=1:length(lines) xy=lines(k).point1;lines(k).point2; plot(xy(:,1),xy(:,2),LineWidth,2,Color,green); plot(xy(1,1),xy(1,2),LineWidth,2,Color,yellow); plot(xy(2,1),xy(2,2),LineWidth,2,Color,red);len=norm(lines(k).point1-lines(k).point2);if(lenmax_len) max_len=len; xy_long=xy;endend plot(xy_long(:,1),xy_long(:,2),LineWidth,2,Color,r);jiaodu1=atan2(xy_long(1,2)-xy_long(2,2),xy_long(1,1)-xy_long(2,1)+0.0000001)*180/pi;disp(jiaodu1);jiaodu_bian=-jiaodu+jiaodu1;disp(jiaodu_bian);I5=imrotate(I_bian,jiaodu_bian+180,nearest);figure(8);subplot(223);imshow(I5); 结合实验3，对实验3得到的图像进行霍夫变换，并对另外一幅图像进行相同的操作，然后利用霍夫变换求出的直线的角度，可以得出图像的旋转角度，一实验3的为标准，对其进行纠正，得到的结果如下：实验5 基于实验4的基础上对算法进行改善，利用图像在频域的变换关系，即相位相关法得出图像的旋转角度。具体过程是经过实验4相同的过程，但是对图像进行了极坐标变换、傅里叶变换，然后利用相位相关法求出图像的旋转角度。（本实验图像采用的是网上下载的，因自己拍摄的图像总有很多问题，所以就用网上的替代了，但是程序是自己编的）。主要程序：%进行极坐标变换 m n=size(I113);yo=round(m/2);xo=round(n/2);radius=round(sqrt(yo2+xo2);I112=zeros(round(m/2),n);for i=1:round(m/2) for j=1:n h=yo+round(i*radius*sin(j*pi*2/n)/(yo); w=xo+round(i*radius*cos(j*pi*2/n)/(yo); if h0&w0&h=m&w=n I112(i,j)=I113(h,w); end endend%傅里叶变换I1_F=fft2(I112);figure()subplot(211);imshow(I112);subplot(212)imshow(uint8(I1_F);相位相关程序：%相位相关算法I_F=I1_F.*I2_f1./abs(I1_F.*I2_f1