图像处理实验报告

实习记录1常用MATLAB图像处理命令一、实验目的

1、熟悉并掌握MATLAB工具的使用；2、实现图像的读取、显示、代数运算和简单变换。二、实验环境MATLAB2012a版本、WIN7计算机三、常用函数读写图像文件1imreadimread函数用于读入各种图像文件，如：a=imread('e:\w01.tif')2imwriteimwrite函数用于写入图像文件，如：imwrite(a,'e:\w02.tif',’tif’)3imfinfoimfinfo函数用于读取图像文件的有关信息，如：imfinfo('e:\w01.tif')图像的显示1imageimage函数是MATLAB提供的最原始的图像显示函数，如：a=[1,2,3,4;4,5,6,7;8,9,10,11,12];image(a);2imshowimshow函数用于图像文件的显示，如：i=imread('e:\w01.tif');imshow(i);title（‘原图像’）%加上图像标题3colorbarcolorbar函数用显示图像的颜色条，如：i=imread('e:\w01.tif');imshow(i);colorbar;4figurefigure函数用于设定图像显示窗口，如：figure(1)；/figure(2)；5subplot把图形窗口分成多个矩形部分，每个部分可以分别用来进行显示。Subplot（m，n，p）分成m*n个小窗口，在第p个窗口中创建坐标轴为当前坐标轴，用于显示图形。6plot绘制二维图形plot（y）Plot（x，y）xy可以是向量、矩阵。图像类型转换1rgb2gray把真彩图像转换为灰度图像i=rgb2gray（j）2im2bw通过阈值化方法把图像转换为二值图像I=im2bw（j，level）Level表示灰度阈值，取值范围0~1（即0.n），表示阈值取自原图像灰度范围的n%3imresize改变图像的大小I=imresize（j，[mn]）将图像j大小调整为m行n列图像运算1imadd两幅图像相加，要求同样大小，同种数据类型Z=imadd（x，y）表示图像x+y2imsubstract两幅图像相减，要求同样大小，同种数据类型Z=imsubtract（x，y）表示图像x-y3immultiplyZ=immultiply（x，y）表示图像x*y4imdivideZ=imdivide（x，y）表示图像x/y四、心得体会 学习了matlab中基本的图像处理命令，为以后图像处理打下了较好的基础。2、对图像灰度分布的分析和直方图均衡1、实验目的 （1）理解灰度分布直方图、累积灰度分布函数的概念，图像二值化的概念。 （2）学习用matlab编程计算图像直方图，累积分布函数并进行初步分析。 （3）深入理解灰度分布直方图的意义，并根据灰度直方图进行简单图像增强——直方图均衡。 （4）改进直方图均衡算法，进行直方图分段均衡并进行分析。2、编程实现closeall;clear;clc;%%读入图像并转换为灰度图，显示I=imread('E:\photos\109NIKON\e1.JPG');figure(1);imshow(I);J=rgb2gray(I);figure(2);imshow(J);one_or_zero=(J>128);figure(3)imshow(one_or_zero)%%对原始灰度图的分析[m,n]=size(J);%图片的维数note=zeros(1,256);%统计对应某灰度值图像点数fori=1:mforj=1:nnote(J(i,j)+1)=note(J(i,j)+1)+1;%256色是不是0—255？endendfigure(4)stem(note);%灰度分布直方图（imhist函数可实现）sum_note=zeros(1,256);sume_note(1)=note(1);fori=2:256sum_note(i)=sum_note(i-1)+note(i);endfigure(5)plot(sum_note)%累积分布图axis([02560m*n])gridon%%%图像灰度映射关系的确定%fff=zeros(1,256);%fori=1:255%fff(i+1)=note(i+1)*255/m/n+fff(i);%核心！%%fff(i+1)=sum_note(i+1)*255/m/n;%运算量会稍小一些%end%floor(fff);%取整，貌似不取整也不会错%%fff虽然是一个变量，记录了相应的对应关系fff=fenduan();%%图像灰度均衡简单处理K=J;%新建图像fori=1:mforj=1:nK(i,j)=fff(J(i,j)+1);endendfigure(6)imshow(K)%%处理后的图像note_f=zeros(1,256);%%对新图像的灰度分析这块和前边的分析完全相同，以后用考虑变成函数调用fori=1:mforj=1:nnote_f(K(i,j)+1)=note_f(K(i,j)+1)+1;endendfigure(4);holdon;stem(note_f,'r');sum_note_f=zeros(1,256);sume_note_f(1)=note_f(1);fori=2:256sum_note_f(i)=sum_note_f(i-1)+note_f(i);endfigure(5);holdon;plot(sum_note_f,'r')axis([02560m*n])gridon%%分段均衡时调用的函数：%%图像灰度映射关系的确定functionfff=fenduan()fff=zeros(1,256);fff(1:100)=0;fori=100:150fff(i+1)=(i-100)*3;endfff(152:199)=150;fori=200:250fff(i)=(i-200)*2+150;endfori=251:256fff(i)=i;endfloor(fff);%取整，貌似不取整也不会错figure(8)plot(fff)%fff虽然是一个变量，记录了相应的对应关系f3.实验结果与分析3.1直方图均衡结果与分析（a）原始彩色图像（b）灰度图（c）图像二值化结果（128为界）（d）直方图均衡效果图图2.2灰度分布直方图，蓝色对应原始图像，红色对应均衡后图像图2.3均衡前后累积分布函数（未归一化）结论：直方图均衡后，灰度分布均匀，图像较处理前细节表现有所改善3.2直方图分段均衡（a）原始彩色图像（b）灰度图（c）图像二值化结果（128为界）（d）分段均衡效果图图2.5分段均衡映射曲线图2.6灰度分布直方图，蓝色对应原始图像，红色对应分段均衡后图像图2.7分段均衡前后累积分布函数（未归一化）说明与分析：（1）首先说明分段映射曲线的选取。从图像的灰度分布直方图中可以看到，灰度区间100-150以及200-250内像素点分布校多而其余区间基本没有像素点分布，所以要压缩像素分布点较少的区间，而在这两段进行扩张。100—150区间进行了3倍扩展，200-250区间进行了2倍扩展。当然这并不是最优的映射方案，但在处理此图像时有效果，能说明问题。由图像以及直方图、累积分布曲线可以看出图像有所改善。（3）分段法对于不同的图像需要采取不同的曲线。要注意到此方法的局限性。而直接的整个区间内的均衡不存在这个问题。（4）注意到有失真现象。而且原本灰度在0-100，以及150-200的像素点归为0和150，仔细观察会发现这使图像质量有所下降。当然，这是某些区间扩展所必然引起的。我们要做的，根本上来说就是寻求某种更好的折中方法。3QDHE算法的实现实验目的（1）、跟踪学术前沿，深入理解直方图均衡算法（2）、实现QDHE(QuadrantsDynamicHistogramEqualizationforContrastEnhancement,基于动态象限直方图均衡的对比度增强)算法。2、QDHE算法说明（1）、QDHE算法是基于HE、PHE、BBHE、DPHE改善算法。（2）、算法计算过程第一步：直方图分割，按照像素点分布直方图将所以像素点等量分布在四个区间中。第二步：ClippingProcessThereasonbehindtheclippingprocessistocontroltheenhancementrateofHEinordertoovercomeunnaturalandover-enhancementoftheprocessedimagetooccur.ClippingthresholdisreplacedbytheaverageofthenumberoftheintensityintheproposedQDHE.第三步：灰度区间重分配第四部：子区间内进行直方图均衡3、编程实现%Quadtantsdynamichistogramequalization动态象限对比度均衡实现代码closeall;clear;clc;L=256;%%读入图像并转换为灰度图，显示I=imread('E:\photos\study\IMG_20130903_211732340.JPG');J=rgb2gray(I);figure(20);imshow(J);[m,n]=size(J);%图片的维数%%图像灰度做预处理fori=1:mforj=1:nifJ(i,j)>100J(i,j)=round(100*rand(1,1));endendendfigure(2)imshow(J)%处理后的图像%%对原始灰度图的分析note=zeros(1,256);%统计对应某灰度值图像点数fori=1:mforj=1:nnote(J(i,j)+1)=note(J(i,j)+1)+1;%256色是不是0—255？endendfigure(3)stem(note);figure(4)imhist(J)%灰度分布直方图（imhist函数可实现）sum_note=zeros(1,256);sum_note(1)=note(1);fori=2:256sum_note(i)=sum_note(i-1)+note(i);endfigure(5)plot(sum_note)%累积分布图axis([02560m*n])gridon%%A区间划分%这里只实现均衡算法，累积分布函数在别处实现，额可是我还要求分割点，先copy一下吧[note,sum_note,m,n]=hist_mine(J);%区间分割点mm_huidu=[00000];fori=1:256ifnote(i)~=0;break;endendmm_huidu(1)=i-1;m1=m*n/4;m2=m*n*0.5;m3=m*n*0.75;fori=256:-1:1ifnote(i)~=0;break;endendmm_huidu(5)=i-1mm=[0,m1,m2,m3,m*n];%找到区间分割点对应的灰度值forj=2:4fori=2:256ifsum_note(i-1)<mm(j)&&sum_note(i)>=mm(j)mm_huidu(j)=i;break;endendend%分别以mm_huidu为分割点,分割点无论是归前还是归后都有误差，但不大，忽略之，归后%%BClippingprocess%我认为Tc是所有灰度值对应的像素(不为零)的的平均值,先确定阀值Tcsum_note_you=0;fori=mm_huidu(1):mm_huidu(5)sum_note_you=note(i+1)+sum_note_you;endTc=sum_note_you/(mm_huidu(5)-mm_huidu(1));%clippingfori=1:256ifnote(i)>Tcnote(i)=Tc;endend%%C灰度区间重分配%这里的理解可能有错误fori=1:4span(i)=mm_huidu(i+1)-mm_huidu(i);range(i)=(L-1)*span(i)/(mm_huidu(5)-mm_huidu(1));endI_start(1)=0;I_end(4)=255;fori=1:3I_start(i+1)=range(i)+I_start(i);endfori=1:4I_end(i)=I_start(i)+range(i);end%%D直方图均衡%在单个直方图内进行直方图均衡%%注意这个直方图均衡是在clipping之后的单个直方图中进行均衡，努力写个函数……%%像往常一样，先建立映射关系,这个要在四个区间内映射，复杂度稍高%fori=1:4%sum_note_sub(i,:)=zeros(1,mm_huidu(i+1)-mm_huidu(i))%end%sum_note_sub=[sum_note_subsum_note_subsum_note_subsum_note_sub];%fork=1:4%fori=mm_huidu(k):mm_huidu(k+1)%i=i+1;%sum_note_sub(k,i)=note(i)+sum_note_sub(k,i)%end%figure%plot(sume_note_sub(k))%end%%%forii=1:4%ifJ(i,j)>mm_huidu(i)&&J(i,j)<=mm_huidu(i+1)%break%end%end%sum_note(J(i,j))*range(ii)+I_start(ii)sum_clip=fendu_cdf(note,mm_huidu);fff=fenduan_yingshe(sum_clip,mm_huidu,I_start,I_end);%%图像灰度均衡简单处理K=J;%新建图像fori=1:mforj=1:nK(i,j)=fff(J(i,j)+1);endendfigure(6)imshow(K)%处理后的图像note_f=zeros(1,256);%%对新图像的灰度分析这块和前边的分析完全相同，以后用考虑变成函数调用fori=1:mforj=1:nnote_f(K(i,j)+1)=note_f(K(i,j)+1)+1;endendfigure(3);holdon;stem(note_f,'r');sum_note_f=zeros(1,256);sume_note_f(1)=note_f(1);fori=2:256sum_note_f(i)=sum_note_f(i-1)+note_f(i);endfigure(5);holdon;plot(sum_note_f,'r')axis([02560m*n])gridonclc;clear;调用的分段累积分布函数如下：functionsum_clip=fendu_cdf(note,mm_huidu)sum_clip={};fori=1:4m1=mm_huidu(i);m2=mm_huidu(i+1);%m2,bigeronem1smallonesum_note=zeros(1,m2-m1);%%%m2不计入，前几段正确，最后一段最后一个灰度值没有录入，对此细节暂不处理%此问题已通过最后的加一解决%fori=256:-1:1%ifnote(i)~=0;%break;%end%end%mm_huidu(5)=i+1;sum_note(1)=note(m1+1);forj=m1+1:m2-1sum_note(j-m1+1)=sum_note(j-m1)+note(j);endsum_clip{i}=sum_note/sum_note(m2-m1);end映射关系生成函数如下：functionfff=fenduan_yingshe(sum_clip,mm_huidu,I_start,I_end)fff=zeros(1,256);mm_huidu=round(mm_huidu)fori=1:4forj=mm_huidu(i)+1:mm_huidu(i+1)fff(j)=sum_clip{i}(j-mm_huidu(i))*(I_end(i)-I_start(i))+I_start(i);endend3.实验结果与分析3.1直方图均衡结果与分析图3.1预处理之后、处理之前的图片图3.2处理后图片图3.3处理前后直方图，蓝色对应处理前，红色对应处理后图3.3处理前后累积分布函数，蓝色对应处理前，红色对应处理后说明与分析：（1）、对比两图像可以发现，经过处理，总体来看对比度得到了增强；从细节观察，发现乌龟右前脚脚趾变得清晰。说明此算法对图像质量起到了改善作用。（2）、对预处理的说明：从原理上分析，QDHE算法对图像的改善作用来自两方面：一方面是图像灰度区间的扩展，另一方面是区间内进行直方图均衡。原图像灰度值大于100的像素点很少，但有分布，如此相应灰度区间被占用则灰度空间扩展的效果将不明显，所以进行预处理。（3）、从直方图和累积分布函数的图像也可发现有改善作用。（4）、此处理方法适用于光照不足时获得的图像的处理，由于像素点的灰度值分布在零到几十的范围内，经过灰度区间重新分配并进行区间内均衡会有较好的效果；对于灰度值分配不均，但分布范围较大的图片，处理效果不明显。4简单的目标跟踪算法的实现实验目的（1）、理解目标跟踪的概念（2）、掌握初步的目标跟踪算法，如相关算法、差值平方法、差值绝对值法（3）、实现算法后，进行简单的改进并观察对性能的影响2、目标跟踪的编程实现closeall;clear;clc;%%模板信息M=rgb2gray(imread('E:\photos\study\feiji\pic436.bmp'));%T_cai=imread('E:\photos\study\feiji\plane_zuolun.bmp');%T=zeros(100,200);%T=M(171:310,201:500);%飞机主体第一种比较好用的T=M(120:310,201:550);%飞机主体，大的，第二种方法%%熊杰模板M=rgb2gray(imread('E:\photos\study\feiji\pic435.bmp'));%T_cai=imread('E:\photos\study\feiji\plane_zuolun.bmp');%T=zeros(100,200);%T=M(171:310,201:500);%飞机主体第一种比较好用的T=M(107:300,215:500);%飞机主体，大的，第二种方法%%%T=M(100:200,490:550);%飞机尾%T=M(100:200,500:540);%飞机尾，另一个%T=M(190:260,290:440);[m_T,n_T]=size(T);%fori=1:m_T%forj=1:n_T%ifT(i,j)>100%T(i,j)=200;%end%end%endfigure(2);imshow(T);T_ave=sum(sum(T))/m_T/n_T;Fangcha_T=sum(sum((T-T_ave).^2));%%打开图像forpic=12:57%36:36%12:13%:57I=imread(['E:\photos\study\feiji\pic4',num2str(pic),'.bmp']);J=rgb2gray(I);[m_J,n_J]=size(J);%%求相关fori=1:10:m_J-m_T+1%行遍历forj=1:10:n_J-n_T+1%列遍历%%第一种算法%Ave_J_ij=sum(sum(J(i:m_T+i-1,j:n_T+j-1)))/m_T/n_T;%Fangcha_J_ij=sum(sum((T-T_ave).^2));%R(i,j)=sum(sum(((J(i:m_T+i-1,j:n_T+j-1)-Ave_J_ij).*(T-T_ave))))/...%Fangcha_T.^(1/2)/Fangcha_J_ij.^(1/2);%%第二种算法R(i,j)=sum(sum((J(i:m_T+i-1,j:n_T+j-1)-T).^2));%R((i-1)/10+1,(j-1)/10+1)%10跨步%%第三种算法%R(i,j)=sum(sum((abs(J(i:m_T+i-1,j:n_T+j-1)-T))));endend%%发现位置并标记%[row,colum]=find(R==max(max(R)));%第一种算法，求最大相关值[row,colum]=find(R==min(min(R(R~=0))));%第二种算法，求最小值K=zeros(m_T-10,n_T-10);K=I(row+5:row+m_T-1-5,colum+5:n_T+colum-1-5);I(row:row+m_T-1,colum:n_T+colum-1)=255;%-J(row:m_T+row-1,colum:n_T+colum-1);I(row+5:row+m_T-1-5,colum+5:n_T+colum-1-5)=K;imshow(I);pause(0.01);%max(max(R))