数字图像处理程序.doc

数字图像处理实验图 像 处 理 实 验（一）直 方 图灰度变换是图像增强的一种重要手段，使图像对比度扩展，图像更加清晰，特征更加明显。灰度级的直方图给出了一幅图像概貌的描述，通过修改灰度直方图来得到图像增强。1、 灰度直方图（1） 计算出一幅灰度图像的直方图clearclose allI=imread(004.bmp);imhist(I)title(实验一（1） 直方图);（2） 对灰度图像进行简单的灰度线形变换，figuresubplot(2,2,1)imshow(I);title(试验2-灰度线性变换);subplot(2,2,2)histeq(I);（3） 看其直方图的对应变化和图像对比度的变化。原图像 f(m,n) 的灰度范围 a,b 线形变换为图像 g(m,n),灰度范围a,b公式： g(m,n)=a+(b-a)* f(m,n) /(b-a)figuresubplot(2,2,1)imshow(I)J=imadjust(I,0.3,0.7,0,1,1);title( 实验一（3）用 g(m,n)=a+(b-a)* f(m,n) /(b-a)进行变换 );subplot(2,2,2)imshow(J)subplot(2,2,3)imshow(I)J=imadjust(I,0.5 0.8,0,1,1);subplot(2,2,4)imshow(J)(4) 图像二值化 （选取一个域值，(5) 将图像变为黑白图像）figuresubplot(2,2,1)imshow(I)J=find(I=150);I(J)=255;title( 实验一（4）图像二值化 ( 域值为150 ） );subplot(2,2,2)imshow(I)clc;I=imread(14499.jpg);bw=im2bw(I,0.5);%选取阈值为0.5figure;imshow(bw) %显示二值图象图象处理变换（二）1 傅立叶变换熟悉其概念和原理,实现对一幅灰度图像的快速傅立叶变换,并求其变换后的系数分布.2 离散余弦变换熟悉其概念和原理,实现对一幅灰度和彩色图像作的离散余弦变换,选择适当的DCT系数阈值对其进行DCT反变换.% 图象的FFT变换clc;I=imread(005.bmp);subplot(1,2,1)imshow(I);title(原图);subplot(1,2,2)imhist(I);title(直方图);colorbar;J=fft2(I);figure;subplot(1,2,1)imshow(J);title(FFT变换结果);subplot(1,2,2)K=fftshift(J);imshow(K);title(零点平移);figure;imshow(log(abs(K),),colormap(jet(64),colorbar;title(系数分布图);% 图象的DCT变换RGB=imread(005.bmp);figure;subplot(1,2,1)imshow(RGB);title(彩色原图);a=rgb2gray(RGB);subplot(1,2,2)imshow(a);title(灰度图);figure;b=dct2(a);imshow(log(abs(b),),colormap(jet(64),colorbar;title(DCT变换结果);figure;b(abs(b)10)=0;% idctc=idct2(b)/255;imshow(c);title(IDCT变换结果);图象处理变换（三）小波变换实验内容： 熟悉小波变换的概念和原理,熟悉matlab小波工具箱主要函数的使用.利用二维小波分析对一幅图象作2层小波分解,并在此基础上提取各层的低频信息实现图像的压缩.程序如下：clcclose allcleara=imread(005.bmp);subplot(1,2,1);imshow(a);title(原始图象);I=rgb2gray(a);subplot(1,2,2);imshow(I);title(原始图象的灰度图);% 进行二维小波变换a,b = wavedec2(I, 2, bior3.7);% 提取各层低频信息figure;c = appcoef2( a, b, bior3.7, 1 );subplot(1,2,1);imshow(c, );title(一层小波变换结果);d = appcoef2( a, b, bior3.7, 2 );subplot(1,2,2);imshow(d, );title(二层小波变换结果);图象处理实验（四） 模板运算一、实验内容：（1）平滑：平滑的目的是模糊和消除噪声。平滑是用低通滤波器来完成，在空域中全是正值。（2）锐化：锐化的目的是增强被模糊的细节。锐化是用高通滤波器来完成，在空域中，接近原点处为正，在远离原点处为负。利用模板进行图象增强就是进行模板卷积。1、 利用二个低通邻域平均模板（33和99）对一幅图象进行平滑，验证模板尺寸对图象的模糊效果的影响。2、 利用一个低通模板对一幅有噪图象（GAUSS白噪声）进行滤波，检验两种滤波模板（分别使用一个55的线性邻域平均模板和一个非线性模板：35中值滤波器）对噪声的滤波效果。3、 选择一个经过低通滤波器滤波的模糊图象，利用sobel和prewitt水平边缘增强高通滤波器（模板）对其进行高通滤波图象边缘增强，验证模板的滤波效果。4、 选择一幅灰度图象分别利用 一阶Sobel算子和二阶Laplacian算子对其进行边缘检测，验证检测效果。二、实验步骤：1、利用低通邻域平均模板进行平滑：I=imread(girl.bmp);subplot(1,3,1);imshow(I);title(原图);J=fspecial(average);J1=filter2(J,I)/255;subplot(1,3,2);imshow(J1);title(3*3滤波);K=fspecial(average,9);K1=filter2(K,I)/255;subplot(1,3,3);imshow(K1);title(9*9滤波);2、中值滤波和平均滤波I=imread(girl.bmp);J=imnoise(I,gaussian,0,0.01);subplot(2,2,1);imshow(I);title(原图);subplot(2,2,2);imshow(J);title(noise);K=fspecial(average,5);K1=filter2(K,J)/255;subplot(2,2,3);imshow(K1);title(average);L=medfilt2(J,3 5);subplot(2,2,4);imshow(L);title(medium);3、高通滤波边缘增强I=imread(girl.bmp);subplot(2,2,1);imshow(I);title(original pic);J=fspecial(average,3);J1=conv2(I,J)/255;%J1=filter2(J,I)/255;subplot(2,2,2);imshow(J1);title(3*3lowpass);K=fspecial(prewitt);K1=filter2(K,J1)*5;subplot(2,2,3);imshow(K1);title(prewitt);L=fspecial(sobel);L1=filter2(L,J1)*5;subplot(2,2,4);imshow(L1);title(sibel);4、边缘检测分别用sobel和laplacian算子来进行，程序如下：I=imread(girl.bmp);subplot(1,3,1);imshow(I);title(original pic);K=fspecial(laplacian,0.7);K1=filter2(K,I)/100;subplot(1,3,2);imshow(K1);title(laplacian);L=fspecial(sobel);L1=filter2(L,I)/200;subplot(1,3,3);imshow(L1);title(sibel);图像处理实验（五）图像分割实验目的：1、 学习边缘检测2、 学习灰度阀值分割实验内容：1、分别用sobel、Laplacian-Gaussian方法对一幅灰度图像进行边缘提取，2、给出对比结果i=imread(eight.tif);figure;subplot(2,2,1);imshow(i);title(原始图像);subplot(2,2,3);imshow(i);title(原始图像);i1=edge(i,sobel);subplot(2,2,2);imshow(i1);title(sober方法提取的边缘);i2=edge(i,log);subplot(2,2,4);imshow(i2);title(Laplacian-Gaussian方法提取的边缘);比较提取边缘的效果可以看出，sober算子是一种微分算子，对边缘的定位较精确，但是会漏去一些边缘细节。而Laplacian-Gaussian算子是一种二阶边缘检测方法，它通过寻找图象灰度值中二阶过零点来检测边缘并将边缘提取出来，边缘的细节比较丰富。通过比较可以看出Laplacian-Gaussian算子比sober算子边缘更完整，效果更好。3、利用双峰法对一幅灰度图像进行灰度分割处理i=imread(eight.tif);subplot(1,2,1);imhist(i);title(原始图像直方图);thread=130/255;subplot(1,2,2);i3=im2bw(i,thread);imshow(i3);title(分割结果);根据原图像的直方图，发现背景和目标的分割值大约在130左右，并将灰度图像转为二值图像，分割效果比较理想。图像处理实验（六）图像压缩与编码实验目的： 学习JPEG压缩编码实验内容：一实现基本JPEG的压缩和编码分三个步骤：1 首先通过DCT变换去除数据冗余；2 使用量化表对DCT系数进行量化；3 对量化后的系数进行Huffman编码。具体源程序由主程序及两个子程序（DCT量化、Huffman编码）组成：1主程序I=imread(autumn.tif);yiq=rgb2ntsc(I);my=16 11 10 16 24 40 51 61;12 12 14 19 26 58 60 55;14 13 16 24 40 57 69 56;14 17 22 29 51 87 80 62;18 22 37 56 68 109 103 77;24 35 55 64 81 104 113 92;49 64 78 87 103 121 120 101;72 92 95 98 112 100 103 99;miq=17 18 24 47 99 99 99 99;18 21 26 66 99 99 99 99;24 26 56 99 99 99 99 99;47 66 99 99 99 99 99 99;99 99 99 99 99 99 99 99;99 99 99 99 99 99 99 99;99 99 99 99 99 99 99 99;99 99 99 99 99 99 99 99;I1=yiq(:,:,1);I2=(:,:,2);m n=size(I1);t1=8;ti1=1;while(t1t1=t1+8;ti1=ti1+1;endt2=8;ti2=1;while(t2t2=t2+8;ti2=ti2+1;endtimes=0;for k=0:ti1-2for j=0:ti2-2dct8x8(I1(k*8+1:k*8+8,j*8+1:j*8+8),my,times*64+1);dct8x8(I2(k*8+1:k*8+8,j*8+1:j*8+8),miq,times*64+1);times=times+1;endblock(I2(k*8+1:k*8+8,j*8+1:t2),8 8, dctmtx(8);endfor j=0:ti2-2dct8x8(I1(k*8+1:t1,j*8+1:j*8+8),times*64+1);times=times+1;enddct8x8(I1(k*8+1:t1,j*8+1:t2),times*64+1);2function dct8x8(I,m,s) %定义DCT量化子程序T=inline(dctmtx(8);y=blkproc(I,8 8,T);y=round(y./m);p=1;te=1;while(p=1.0) break;elsepm p2=min(p(1:p1-1);p(p2)=1.1;pm2,p3=min(p(1:p1-1);p(p3)=1.1;pn=pm+pm2;p(p1)=pn;tree(po,1)=p2;tree(po,2)=p3;po=po+1;p1=p1+1;endendfor k=1:po-1tt=k;m1=1;if(or(tree(k,1)9,tree(k,2)9)if(tree(k,1)9)c(tree(k,1),2)=c(tree(k,1),2)+m1;m2=1;while(ttm1=m1*2;for h=tt:po-1if(tree(h,1)=tt+g)c(tree(k,1),2)=c(tree(k,1),2)+m1;m2=m2+1;tt=h;break;elseif(tree(h,2)=tt+g)m2=m2+1;tt=h;break;endendendc(tree(k,1),3)=m2;endtt=k;m1=1;if(tree(k,2)9)m2=1;while(ttm1=m1*2;for h=tt:po-1if(tree(h,1)=tt+g)c(tree(k,2),2)=c(tree(k,2),2)+m1;m2=m2+1;tt=h;break;elseif(tree(l,2)=tt+g)m2=m2+1,tt=h;break;endendendc(tree(k,2),3)=m2;endendend二JPEG2000采用小波变换编码，小波变换压缩编码实现程序为load wbarb;subplot(2,2,1),image(X);colormap(map)title(原始图象);c,s=wavedec2(X,2, bior3.7);thr=20;ca1=appcoed2(c,s, bior3.7,1);ch1=detcoef2(h,c,s,1);cv1=detcoef2(v,c,s,1);cd1=detcoef2(d,c,s,1);a1=wrcoef2(a,c,s, bior3.7,1);h1=wrcoef2(h,c,s, bior3.7,1);v1=wrcoef2(v,c,s, bior3.7,1);d1=wrcoef2(d,c,s, bior3.7,1);c1=a1,h1,v1,d1;ca1=appcoed2(c,s, bior3.7,1);ca1=wcodemat(ca1,440, mat,0);ca1=0.5*ca1subplot(2,2,2),image(ca1)title(压缩图象一)ca2=appcoed2(c,s, bior3.7,2);ca2=wcodemat(ca2,440, mat,0);ca2=0.5*ca2;subplot