频域滤波与图像恢复.doc

1、 实验目的1.1 学习如何根据观察使用一个启发式方法选择一个阈值。1.2 探究函数graythresh以进行自动阈值选取。1.3 学习如何实现自适应阈值化。二、实验内容2.1 使用prewitt算子进行边缘检测2.1.1 对lena.tif进行分别使用imfilter函数和edge函数进行三种算子的边缘检测Imfilter函数实现代码：clc,clear all,close allroberts1=1,0;0,-1;roberts2=0,1;-1,0;prewitt1=-1,0,1;-1,0,1;-1,0,1;prewitt2=1,1,1;0,0,0;-1,-1,-1;sobel1=-1,0,1;-2,0,2;-1,0,1;sobel2=1,2,1;0,0,0;-1,-2,-1;g=imread(C:Documents and SettingsAdministrator桌面imagesLena.tif);f=double(g);f1=imfilter(f,roberts1);f2=imfilter(f,roberts2);roberts_f=max(abs(f1),abs(f2);f1=imfilter(f,prewitt1);f2=imfilter(f,prewitt2);prewitt_f=max(abs(f1),abs(f2);f1=imfilter(f,sobel1);f2=imfilter(f,sobel2);sobel_f=max(abs(f1),abs(f2);figure,subplot(2,2,1),imshow(g),title(原图像);subplot(2,2,2),imshow(roberts_f,),title(Roberts 边缘检测图像);subplot(2,2,3),imshow(prewitt_f,),title(Prewitt 边缘检测图像);subplot(2,2,4),imshow(sobel_f,),title(Sobel 边缘检测图像);Imfilter函数操作结果显示如下：Edge函数代码如下：clc,clear all,close all;f=imread(C:Documents and SettingsAdministrator桌面imageslena.tif);sobel_f=edge(f,sobel);roberts_f=edge(f,roberts);prewitt_f=edge(f,prewitt);figure,subplot(2,2,1),imshow(f),title(原图像);subplot(2,2,2),imshow(roberts_f),title(Roberts边缘图像);subplot(2,2,3),imshow(prewitt_f),title(Prewitt边缘图像);subplot(2,2,4),imshow(sobel_f),title(Sobel边缘图像);Edge函数实现结果如下：思考：I_prw1,t1=edge(I,prewitt);中t1表示什么？ 答：t1表示阈值，可如下使用：I_prw1,t1=edge(I,prewitt);t1=prewitt边缘检测，阈值=num2str(t1);imshow(I_prw1);title(t1);2.1.2加高斯噪声并提取边缘代码如下：prewitt1=-1,0,1;-1,0,1;-1,0,1;prewitt2=1,1,1;0,0,0;-1,-1,-1;f=imread(C:Documents and SettingsAdministrator桌面imageslena.tif);noisy=imnoise(f,gaussian,0.07);noise=double(noisy);g=double(f);f1=imfilter(g,prewitt1);f2=imfilter(g,prewitt2);prewitt_g=max(abs(f1),abs(f2);f1=imfilter(noise,prewitt1);f2=imfilter(noise,prewitt2);prewitt_f=max(abs(f1),abs(f2);figure,subplot(2,2,1),imshow(f),title(原图像);subplot(2,2,2),imshow(noisy),title(含高斯噪声图像);subplot(2,2,3),imshow(prewitt_g,),title(原图边缘检测图像);subplot(2,2,4),imshow(prewitt_f,),title(含高斯噪声边缘检测图像);思考：Matlab对噪声图像使用同样的阈值吗？ 答：不应使用同样的阈值。2.1.3 尝试使用不同的阈值prewitt1=-1,0,1;-1,0,1;-1,0,1;prewitt2=2,1,2;0,0,0;-2,-1,-2;prewitt1=-2,0,2;-2,0,2;-2,0,2;prewitt2=2,1,2;0,0,0;-2,-1,-2;prewitt1=-0.5,0,0.5;-0.5,0,0.5;-0.5,0,0.5;prewitt2=0.5,0.5,0.5;0,0,0;-0.5,-0.5,-0.5;prewitt1=-0.1,0,0.1;-0.1,0,0.1;-0.1,0,0.1;prewitt2=0.1,0.1,0.1;0,0,0;-0.1,-0.1,-0.1;思考：阈值影响算子对噪声的响应吗？ 如何影响目标的边缘？ 答：阈值的选择直接影响分割效果。阈值影响算子对噪声的响应，2.2使用sobel算子、roberts算子进行边缘检测2.2.1 对cameraman.tif进行边缘检测 实现代码：clc,clear all,close allroberts1=1,0;0,-1;roberts2=0,1;-1,0;sobel1=-1,0,1;-2,0,2;-1,0,1;sobel2=1,2,1;0,0,0;-1,-2,-1;prewitt1=-1,0,1;-1,0,1;-1,0,1;prewitt2=1,1,1;0,0,0;-1,-1,-1;g=imread(cameraman.tif);noisy=imnoise(g,gaussian,0.07);noise=double(noisy);f=double(g); f1=imfilter(f,roberts1);f2=imfilter(f,roberts2);roberts_f=max(abs(f1),abs(f2);f1=imfilter(f,sobel1);f2=imfilter(f,sobel2);sobel_f=max(abs(f1),abs(f2);f1=imfilter(f,prewitt1);f2=imfilter(f,prewitt2);prewitt_f=max(abs(f1),abs(f2); figure,subplot(2,2,1),imshow(g),title(原图像);subplot(2,2,2),imshow(roberts_f,),title(Roberts 边缘检测图像);subplot(2,2,3),imshow(sobel_f,),title(Sobel 边缘检测图像);subplot(2,2,4),imshow(prewitt_f,),title(Prewitt 边缘检测图像);实现结果图：2.2.2 加高斯噪声并提取边缘 实现代码：clc,clear all,close allroberts1=1,0;0,-1;roberts2=0,1;-1,0;sobel1=-1,0,1;-2,0,2;-1,0,1;sobel2=1,2,1;0,0,0;-1,-2,-1;prewitt1=-1,0,1;-1,0,1;-1,0,1;prewitt2=1,1,1;0,0,0;-1,-1,-1;g=imread(cameraman.tif);noisy=imnoise(g,gaussian,0.07);noise=double(noisy);f=double(g); f1=imfilter(f,roberts1);f2=imfilter(f,roberts2);roberts_f=max(abs(f1),abs(f2);f1=imfilter(f,sobel1);f2=imfilter(f,sobel2);sobel_f=max(abs(f1),abs(f2);f1=imfilter(f,prewitt1);f2=imfilter(f,prewitt2);prewitt_f=max(abs(f1),abs(f2); g1=imfilter(noise,roberts1);g2=imfilter(noise,roberts2);roberts_g=max(abs(g1),abs(g2);g1=imfilter(noise,sobel1);g2=imfilter(noise,sobel2);sobel_g=max(abs(g1),abs(g2);g1=imfilter(noise,prewitt1);g2=imfilter(noise,prewitt2);prewitt_g=max(abs(g1),abs(g2); figure,subplot(4,2,1),imshow(g),title(原图像);subplot(4,2,2),imshow(noisy),title(含高斯噪声图像);subplot(4,2,3),imshow(roberts_f,),title(Roberts 边缘检测图像);subplot(4,2,4),imshow(roberts_g,),title(含噪声Roberts边缘检测图像);subplot(4,2,5),imshow(sobel_f,),title(Sobel 边缘检测图像);subplot(4,2,6),imshow(sobel_g,),title(含噪声Sobel边缘检测图像);subplot(4,2,7),imshow(prewitt_f,),title(Prewitt 边缘检测图像);subplot(4,2,8),imshow(prewitt_g,),title(含噪声prewitt边缘检测图像);实现结果：思考：在有噪声和无噪声的情况下，sobel算子和prewitt算子、roberts算子比较如何？ 答：在上图中，为原图cameraman.tif叠加了高斯噪声，形成了一副含噪声的图像。通过运行的结果图可以清晰的看出，在对没有叠加噪声的图像进行处理的时候Prewitt边缘检测的效果最好，人物的轮廓基本清晰，而Robert算子进行检测时，图像轮廓还不完整，部分边缘丢失。在对有噪声的图像进行处理时，prewitt算子和Sobel算子都能较清晰的提取出图像的轮廓，而robert算子提取得轮廓就较为模糊，人物边缘线都不能很好的提出，说明Robel算子不具备抑制噪声的效果。2.3实验内容32.3.1 观察分析coins.tif的直方图，以确定合适的阈值Tclc,clear all,close allf=imread(F:imagescoins.png);figure,subplot(1,2,1),imshow(f),title(原图像);subplot(1,2,2),imhist(uint8(f),title(直方图);问题：直方图的哪个峰表示背景像素；哪个峰对应硬币的像素？ 答：高峰为背景像素，低峰为硬币像素，选择双峰谷底处为阈值，观察直方图得到T大约为95.clc,clear all,close allf=imread(F:imagescoins.png);figure(1),subplot(2,2,1),imshow(f),title(原图像);subplot(2,2,2),imhist(uint8(f),title(直方图);s=input(目标物为？,s); T=input(请输入适当的阙值);m,n=size(f);for i=1:m for j=1:n g(i,j)=f(i,j)T; endendsubplot(2,2,3),imshow(g,),title(阙值分割图);subplot(2,2,4), axis offtext(0,0.6,阙值T=,num2str(T);text(0,0.8,目标物为,s);figure(1);3.2设定阈值T=85并生成新图像。使用im2bw（I，T/255）；clc,clear all,close allf=imread(F:imagescoins.png);figure(1),subplot(2,2,1),imshow(f),title(原图像);subplot(2,2,2),imhist(uint8(f),title(直方图);T=85;subplot(2,2,3),im2bw(f,T/255),title(阙值分割图);subplot(2,2,4), axis offtext(0,0.6,阙值T=85);问题：问题：函数im2bw的作用是什么；为什么要除以255 答：函数im2bw的作用是使用阈值（threshold）变换法把灰度图像（grayscale image）转换成二值图像。除以255是为了把阈值化成0到1之间的数，对于图像上阈值大于该值的画成黑色，小于该值的就画成白色。3.3 调用graythresh()函数自动生成阙值clc,clear all,close allf=imread(F:imagescoins.png);figure(1),subplot(2,2,1),imshow(f),title(原图像);subplot(2,2,2),imhist(uint8(f),title(直方图);T=graythresh(f);subplot(2,2,3),im2bw(f,T),title(阙值分割图);subplot(2,2,4), axis offtext(0,0.6,阙值T=,num2str(T);问题：效果有什么不同， graythresh有什么优势？ 答：（1）使用graythresh函数后产生的新图像更加圆了，边缘比较上两幅图更加平滑。（2）自己选择的阈值不一定是最佳的，需要不停地调整取值，才能选择合适的阈值。而greythresh函数会根据背景的不同，自动调整阈值，达到最佳的效果。3.4 采用不同的图像，并叠加不同程度的噪声，重复上述操作代码实现：clc,clear all,close allf=imread(F:imagesblood.tif);noisy=imnoise(f,ga