南京邮电大学图像实验.doc

通信与信息工程学院2016/2017学年第一学期实 验 报 告实验课程名称 数字图像处理与图像通信实验 专 业 电子信息工程 学 生 学 号 学 生 姓 名 指 导 教 师 谢世鹏 指 导 单 位 广播工程电视系 实验一 图像信号的数字化一、实验目的通过本实验了解图像的数字化参数取样频率(像素个数)、量化级数与图像质量的关系。二、实验内容1、编写并调试图像数字化程序。要求参数k，N可调。其中，k为亚抽样比例，N为量化比特数。2、可选任意图像进行处理，在显示器上观察各种数字化参数组合下的图像效果。三、实验方法及编程在数字系统中进行处理、传输和存储图像，必须把代表图像的连续信号转变为离散信号，这种变换过程称为图像信号的数字化。它包括采样和量化两种处理。本实验对数字图像进行再采样和再量化，以考察人眼对数字图像的分辨率和灰度级的敏感程度。 程序的主体部分如下： function newbuf=Sample_Quant(oldbuf,k,n)% % 函数名称：Sample_Quant() 图像数字化算法函数 % oldbuf 原图像数组 % M N 原图像尺寸 % k 取样间隔 % n 量化比特值 % newbuf 存放处理后的图像二维数组 M,N=size(oldbuf); oldbuf=double(oldbuf); x=1;y=1; while xM while yN new=(round(oldbuf(x,y)/(2(8-n)*(2(8-n); for i=0:k-1 for j=0:k-1 if(x+iM)&(y+j=N y=1; end x=x+k; end4、 实验结果及分析实验截图如下： 由实验结果可以看出，亚抽样比例k和量化比特数N对都会使图像变得模糊，但两者的影响是不相同的。亚抽样比例k的大小决定了数字化图像的方块效应是否明显。当k较大时，数字化图像会有较为明显的块状出现，对于图像的视觉效果影响很大。量化比特数N则决定了图像的灰度级，量化比特数为N时，图像有个2N灰度级。所以当N较小时，图像会出现不规则的区域有着相同的灰度值的情况，但是这些区域在原图像中却有着差别较小的不同的灰度值。特别是在原图的灰度渐变的区域，这种效应会变得尤为明显。实验二 图像灰度级修正一、实验目的掌握常用的图像灰度级修正方法，即图像的灰度变换法和直方图均衡化法，加深对灰度直方图的理解。二、实验内容1、编程实现图像的灰度变换。改变图像输入、输出映射的灰度参数范围(拉伸和反比)，观看图像处理结果。2、修改可选参数gamma值，使其大于1，等于1和小于1，观看图像处理结果。3、对图像直方图均衡化处理，显示均衡前后的直方图和图像。三、实验方法及编程 灰度级修正是图像空间域上的增强方法图像增强，它以图像的灰度映射变换为基础，直接对图像中的像素进行处理。常用到三种基本方式：线性，对数，幂次。 程序的主体部分如下： Function newbuf=GrayGamma(oldbuf,r) newbuf=imadjust(oldbuf,stretchlim(oldbuf),r); newbuf=uint8(newbuf); function newbuf=GrayEqualize(oldbuf) % 函数名称： % GrayEqualize() 直方图均衡算法函数 % 参数： % oldbuf 原图像数组 % newbuf 存放处理后的图像二维数组 M,N=size(oldbuf); NN=M*N;sk=0; COUNTS,X=imhist(oldbuf,256); for i=1:M for j=1:N kk=double(oldbuf(i,j); for k=1:kk sk=sk+COUNTS(k); end sk=sk/NN*256; newbuf(i,j)=sk; end end newbuf=uint8(newbuf);4、 实验结果及分析实验截图如下： 由实验结果可以看出，所选的测试图像的灰度值主要分布于低值的部分。经过无gamma值的灰度值变换后，直观地看出：分布于低值部分的直方图分散开来，分布于几乎所有的灰度值，但是对映于各个灰度值的像素个数分布仍是不均匀的。变换后的图像比原图显得明亮、清晰。经过第二第三幅图像可以进一步看出：gamma值的灰度值变换则明显受gamma值的影响：当gamma值大于1时，直方图有向灰度为0的一端压缩的趋势，gamma越大，这种趋势越明显。此时的图像比原图清晰，但是原本偏暗的部分更加偏黑，原本较亮的部分则变得发白，总体而言，图像偏暗的部分较多。当gamma值小于1时，其趋势与gamma值大于1相反，故整个图像显得发白。直方图均衡后的图像也显得较为清晰、均匀。它能尽量将直方图变得均衡，分布也更为均匀，各个灰度值所对应的像素个数尽可能相同。实验三 图像的平滑滤波一、实验目的图像平滑主要目的是减少噪声对图像的影响。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两种最典型、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。2、 实验内容 1、编写并调试窗口尺寸为mn的平滑滤波函数。2、编写并调试窗口尺寸为mn的中值滤波函数。三、实验方法及编程 在M*N的图像f上，用m*n大小的滤波器模板进行线性滤波由这个公式给出： 程序如下： function newbuf=AverageFilter(oldbuf,M,N,m) % 函数名称： % AverageFilter() 均值滤波算法函数 % 参数： % oldbuf 噪声图像数组 % M N 噪声图像尺寸 % m 矩形平滑窗口尺寸 % newbuf 存放处理后的图像二维数组 oldbuf=double(oldbuf); newbuf=zeros(M,N); for i=(m+1)/2:M-(m+1)/2 for j=(m+1)/2:N-(m+1)/2 for x=-(m-1)/2:(m-1)/2; for y=-(m-1)/2:(m-1)/2; newbuf(i,j)=newbuf(i,j)+oldbuf(i+x,j+y)/(m*m); end end end end function newbuf=MedianFilter(oldbuf,M,N,m) % 函数名称： % MedianFilter() 中值滤波算法函数 % 参数： % oldbuf 原图像数组 % M N 原图像尺度 % m 滑动窗口尺寸 % newbuf 存放处理后的图像数组 for i=(m+1)/2:M-(m+1)/2 for j=(m+1)/2:N-(m+1)/2 k=1; for x=-(m-1)/2:(m-1)/2; for y=-(m-1)/2:(m-1)/2; winbuf(k)=oldbuf(i+x,j+y); k=k+1; end end newbuf(i,j)=SeekMid(winbuf,m); end end winsize=length(winbuf); %取窗口尺寸 for i=1:winsize %编写排序函数 for j=1:winsize-i if(winbuf(i)winbuf(j+i) t=winbuf(i); winbuf(i)=winbuf(j+i); winbuf(j+i)=t; end end end mid=winbuf(ceil(m*m/2);4、 实验结果及分析实验截图如下： 由实验结果可以看出，对于处理椒盐噪声，中值滤波比均值滤波要好很多。当窗口大小为33时，均值滤波能一定程度上降低噪声的污染，但是，仍能看出在噪声点，并没有完全消除噪声，只是将噪声与周围的图像进行了平均，噪声点只是显得模糊了，并没有完全消除。相比之下，中值滤波则效果明显，同为33的窗口，几乎能把所有的噪声点消除，效果非常显著。当窗口大小变大时，也能将大部分噪声点消除，但是会带来严重的模糊。同时我们可以看出，两种方法都使得处理后的图像比原图要模糊，并且随着窗口的变大，图像变得越来越模糊。通过两种方法之间的比较则可以看出，同等窗口下中值滤波带来的模糊比均值滤波要轻一些。实验四名称：图像的锐化处理一、实验目的学习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、Roberts算子、Sobel算子边缘检测处理和Laplace算子边缘增强处理，是图像的某些特征(如边缘、轮廓等)得以进一步的增强及突出。二、实验内容1、编写梯度算子和Roberts算子滤波函数。2、编写Sobel算子滤波函数。3、编写拉普拉斯边缘增强滤波函数。三、实验方法及编程 在实验中，我们对于这三种算子的算法，都有其各自对应的模板，根据这个模板我们可以方便地编写出程序的主体结构。指导书中也有对应的流程框图可供参考。 程序的主体部分如下： function newbuf=RobFilter(oldbuf,M,N); % RobFilter() for i=1:M-1 for j=1:N-1 newbuf(i,j)=abs(oldbuf(i,j)-oldbuf(i+1,j+1)+abs(oldbuf(i+1,j)-oldbuf(i,j+1); end end function newbuf=SobFilter(oldbuf,M,N); % SobFilter() for i=2:M-1 for j=2:N-1 sx=oldbuf(i+1,j-1)+2*oldbuf(i+1,j)+oldbuf(i+1,j+1)-oldbuf(i-1,j-1)- 2*oldbuf(i-1,j)-oldbuf(i-1,j+1; sy=oldbuf(i-1,j+1)+2*oldbuf(i,j+1)+oldbuf(i+1,j+1)-oldbuf(i-1,j-1)- 2*oldbuf(i,j-1)-oldbuf(i+1,j-1; newbuf(i,j)=abs(sx)+abs(sy); end end function newbuf=LapFilter(oldbuf,M,N); % LapFilter() for i=2:M-1 for j=2:N-1 newbuf(i,j)=5*oldbuf(i,j)-oldbuf(i-1,j)-oldbuf(i+1,j)-oldbuf(i,j-1)-oldbuf(i,j+1); end end4、 实验结果及分析实验截图如下：从上面的图像可以看出：Robert梯度算子得出的图像能够得出原图的大部分边缘细节，灰度差别越大的地方结果越大，所以显示时较为明亮。一些边缘由于灰度差值较小，在得出的结果图像中不容易分辨出来。Sobel算子得出的图像则显得明亮而粗壮。所有的边缘细节均被显示出来，特别是人物面部。由于其结果粗壮，面部细节显得非常密集。Laplace算子则用以将图像的边缘、细节增强，通过结果结果可以看出，图像的细节明显比原来突出。但是这个方法存在的弊端是，在背景区域，结果图像中有一些噪声的图样也被加强了。实验五 图像方块编码(BTC)一、实验目的通过编程实验，掌握方块编码的基本方法及压缩性能。二、实验内容编程实现子块为nn的方块编码基本方法，分别取n=2,4,8方块尺寸进行方块编码实验，计算编码后的均方误差和压缩比。3、 实验方法及编程本实验采用的方案为：（1）（2） （3） 程序的主体部分如下： function outbuf=BtcBlock(inbuf,n) % btcblock() 方块编码算法函数 % inbuf 方块数组 % n 方块尺寸 % outbuf 存放处理后的方块图像 temp=0; temp0=0; temp1=0; q=0; m=n*n; inbuf=double(inbuf); for i=1:n for j=1:n temp=temp+inbuf(i,j); end end xt=temp/m; for i=1:n for j=1:n if (inbuf(i,j)=xt) q=q+1; temp1=temp1+inbuf(i,j); else temp0=temp0+inbuf(i,j); end end end if q=m a0=round(temp0/(m-q); end if q=0 a1=round(temp1/q); end for i=1:n for j=1:n if (inbuf(i,j)1% 2_D DPCM: xi,j=128 if i=1,j=1% x i,j-1 if i=1,j1% xi-1,j if i1,j=1 or N% 1/2x i,j-1 if i1,j1% 1/8xi-1,j-1 (Pirschs predictor)% 1/4xi-1,j % 1/8xi-1,j+1global newbuf;switch dim case 1 if col=1 Pvalue=128; else Pvalue=newbuf(row,col-1); end case 2 if (row=1&col=1) Pvalue=128; end if (row=1&col1) Pvalue=newbuf(row,col-1); end if (row1&col=1)|(row1&col=N) Pvalue=newbuf(row-1,col); end if (row1&col1&colN) Pvalue=(1/2)*newbuf(row,col-1)+(1/4)*newbuf(row-1,col-1)+(1/4)*newbuf(row-1,col+1); endendfunction Qvalue=Quant_Value(err);% This function is used as linear quantizer.The quantizer has totally% 15 quantization level :% 0,5,10,17,28,39,52,67if (abs(err)=2.5) lev=0; else if(abs(err)=7.5) lev=5; else if(abs(err)=13.5) lev=10; else if(abs(err)=22.5) lev=17; else if(abs(err)=33.5) lev=28; else if(abs(err)=45.5) lev=39; else if(abs(err)=59.5) lev=52; else lev=67;Qvalue=lev;if (err=0) Qvalue=lev*(err/abs(err);endfunction Rvalue=Restor_Value(quan_err,pre_val)% This function is used to get restored value of DPCM% x=x+Quant_ErrorRvalue=quan_err+pre_val;function Cvalue=Clip_Value(res_val)% This function is used to clip to restored value to 8_bit value% 0 if x255% x otherwiseif (res_val255) Cvalue=255; else Cvalue=res_val; endend4、 实验结果及分析 由实验结果可以看出，一维和二维预测编码图像与原图均十分接近，两者的差别难以察觉。而从误码图像中可以看出，当在某一位置出现误码后，一维预测编码会将误差延续至整个行，显得很明显。二维预测编码则与之不同，其将误码延续至其后的斜后方，并且随着距离的增加迅速消失，总体而言，影响要小一些。两相比较，可以体现出二维预测编码的一些优势。实验七名称：JPEG压缩编码一、实验目的(1) 掌握nn子块的DCT图像变换及频谱特点。(2) 熟悉JPEG基本系统的图像编解码方法。二、实验内容1、编程实现nn子块DCT变换的图像频谱显示，88子块DCT变换系数按“Z”(Zig-Zag)扫描图像重建，计算图像的均方根误差RMSE，显示误差图像和误差直方图。2、编程实现JPEG压缩编码，进行88子块的DCT图像变换，JPEG量化矩阵的量化与反量化，88子块DCT的图像重建，计算图像的均方根误差RMSE，显示误差图像和误差直方图。三、实验方法及编程： DCT频谱系数在方块中的分布有如下规律：直流系数位于左上角第一个的位置，且值较大。余下的为交流系数，越向右下角系数的值一般越小，属于高频分量。在细节较多的区域，DCT频谱系数整体显得较亮，而在背景区，除了直流系数和少数低频系数，其余都为0或很小的值，故而显示为黑色。对DCT系数做反DCT变换则可复原出原图。若反变换前对DCT系数进行取舍则可以降低码率，但是，会对图像质量带来一定的影响。 JPEG压缩编码的算法主要计算步骤如下： （1）通过前向离散余弦变换减少图像数据相关性。 （2）利用人眼的视觉特性对DCT系数进行量化。 （3）使用差分脉冲编码调制对直流系数进行编码。 （4）对交流系数进行“Z”形扫描，使用行程长度编码对交流系数进行编码。 （5）熵编码器对上述描述符进行熵编码，可以采用霍夫曼编码，也可以采用算数编码。程序的主体部分如下： function newbuf=DctBlock(oldbuf,Block) % DctBlock() DCT n*n块频谱函数% oldbuf 原图像数组% Block DCT n*n当前块选择值% newbuf 存放处理后的图像二维数组 oldbuf=double(oldbuf);H=dctmtx(Block);newbuf=blkproc(oldbuf,Block Block,P1*x*P2,H,H);newbuf=log(abs(newbuf);subplot(2,2,2);imshow(newbuf,); function newbuf=DctCode(oldbuf,DCTch) % DctCode() DCT 8*8 块系数“Z”字扫描图像压缩函数% oldbuf 原图像数组% DCTch DCT 8*8 块“Z”扫描当前系数选择值% newbuf 存放处理后的图像二维数组zigzag=1 2 6 7 15 16 28 29 %设置Z扫描顺序 3 5 8 14 17 27 30 43 4 9 13 18 26 31 42 44 10 12 19 25 32 41 45 54