机器视觉与智能检测相关课题创新实践-实验报告

《机器视觉与智能检测相关创新实践》课外实验报告实验一、图像融合实验内容：对同一场景的红外图像和可见光图像进行融合，采用图1中的参考图形，以及自己的手掌图像〔可见光图像和红外光图像〕，并对结果进行简要分析，融合方法可采用以下方法中的一种或多种：直接加权融合方法，傅里叶变换融合方法，小波变换融合方法；实验目标：1〕.了解融合的概念；2〕.比拟融合方法中不同参数的效果〔如直接加权融合中权值的分配〕参考图像：〔a〕红外图像〔b〕可见光图像图1待融合图像实验内容直接加权融合方法：线性混合操作也是一种典型的二元〔两个输入〕的像素操作：通过在范围内改变。核心代码：image((Y1+Y2)/2);%权值相等图2直接融合图像1图3直接融合图像2改变参数的影响：那个图的参数比例高，那个图在融合图像中的影响就越高。傅里叶变换融合：对一张图像使用傅立叶变换就是将它分解成正弦和余弦两局部。也就是将图像从空间域(spatialdomain)转换到频域(frequencydomain)。然后通过在频域的处理来实现融合。图4傅里叶变换融合图像1图5傅里叶变换融合2小波融合：小波变换〔WaveletTransform〕是一种新型的工程数学工具，由于其具备的独特数学性质与视觉模型相近，因此，小波变换在图像处理领域也得到了广泛的运用。用在图像融合领域的小波变换，可以说是金字塔方法的直接拓展。图6小波融合1图7小波融合25．实验完整代码1．直接融合addpath('E:\学习\课件\机器视觉创新实践\曾东明')Y1=imread('1.PNG');subplot(1,3,1);imshow(Y1);title('直接融合1.PNG');Y2=imread('2.PNG');subplot(1,3,2);imshow(Y2);subplot(1,3,3);image((Y1+Y2)/2);Y1=imread('057_L_VL.bmp');subplot(1,3,1);imshow(Y1);title('直接融合图像1');Y2=imread('057_L_IR.bmp');subplot(1,3,2);imshow(Y2);title('图像2');subplot(1,3,3);Y1=rgb2gray(Y1);image((Y1+Y2)/2);2.傅里叶变换Y1=imread('1.PNG');subplot(1,3,1);imshow(Y1);title('傅里叶变换融合1.PNG');Y2=imread('2.PNG');subplot(1,3,2);imshow(Y2);title('2.PNG');F1=fft2(Y1);F2=fft2(Y2);X=abs(ifft2(F1+F2)/2);subplot(1,3,3);image(X);Y1=imread('057_L_VL.bmp');subplot(1,3,1);imshow(Y1);title('傅里叶变换融合图像1');Y2=imread('057_L_IR.bmp');subplot(1,3,2);imshow(Y2);title('图像2');Y1=rgb2gray(Y1);F1=fft2(Y1);F2=fft2(Y2);X=abs(ifft2(F1+F2)/2);subplot(1,3,3);image(X);3．小波融合addpath('E:\学习\课件\机器视觉创新实践\曾东明')Y1=imread('1.PNG');subplot(1,3,1);imshow(Y1);title('db4小波变换1.PNG');Y2=imread('2.PNG');subplot(1,3,2);imshow(Y2);title('2.PNG');Y1=double(Y1);Y2=double(Y2);[c3,L1]=wavedec2(Y1,2,'db4');[c4,L2]=wavedec2(Y2,2,'db4');W=c3+c4;YY=waverec2(W,L1,'db4');subplot(1,3,3);YY=double(YY);image(YY);Y1=imread('057_L_VL.bmp');subplot(1,3,1);imshow(Y1);title('db4小波融合图像1');Y2=imread('057_L_IR.bmp');subplot(1,3,2);imshow(Y2);title('图像2');Y1=rgb2gray(Y1);Y1=double(Y1);Y2=double(Y2);[c3,L1]=wavedec2(Y1,2,'db4');[c4,L2]=wavedec2(Y2,2,'db4');W=c3+c4;YY=waverec2(W,L1,'db4');subplot(1,3,3);YY=double(YY);image(YY);实验二、图像分割实验内容：.采用不同的分割方法〔查阅书籍，文献资料和专业论坛〕对采集的掌静脉图像进行前景和背景的别离，获得二值化手形图像，例如见图2；图8手形分割例如实验目标：1〕.了解图像分割方法的概念和效果2〕.分析和比拟不同分割方法的优劣参考图像：自己的掌纹和掌脉图像实验内容：1、用graythread函数获取阈值后分割图9迭代法迭代法的的设计思想是，开始时选择一个阈值作为初始估计值，然后按某种策略不断的改良这一估计值，直到满足给定的准那么为止。步骤如下：1)选择T的初始估计值2)用T分割图像，生成两组像素：G1：所有灰度值大于T的像素G2：所有灰度值大于T的像素3)计算G1和G2中的所有像素平均灰度值u1和u24)计算新的阈值T=〔u1+u2〕/25)重复2-4直到逐次迭代获得的T值之差<T0图10类间最大距离法:所谓聚类算法，是采用模式识别中的聚类思想，以类内保持最大相似性以及类内保持最大距离为目标，通过迭代优化获得最正确的图像分割阈值。图114、均匀性度量法图12实验完整代码：1、addpath('E:\学习\课件\机器视觉创新实践\曾东明');I=imread('057_L_VL.bmp');subplot(1,2,1);imshow(I);I1=rgb2gray(I);I2=im2double(I1);a=graythresh(I2);g=im2bw(I2,a);subplot(1,2,2);imshow(g);2、clc;clearall;addpath('E:\学习\课件\机器视觉创新实践\曾东明');f0=imread('057_L_VL.bmp');f=rgb2gray(f0);f=im2double(f);T=0.5*(min(f(:))+max(f(:)));done=false;while~doneg=f>=T;Tn=0.5*(mean(f(g))+mean(f(~g)));done=abs(T-Tn)<0.1;T=Tn;endTr=im2bw(f,T);subplot(1,2,1),imshow(f0),title('原图');subplot(1,2,2),imshow(r),title('迭代法');3、clc;clearall;addpath('E:\学习\课件\机器视觉创新实践\曾东明');I0=imread('057_L_VL.bmp');I=rgb2gray(I0);I=double(I);[m,n]=size(I);Smax=0;forT=0:255sum1=0;num1=0;sum2=0;num2=0;fori=1:mforj=1:nifI(i,j)>=Tsum2=sum2+I(i,j);num2=num2+1;elsesum1=sum1+I(i,j);num1=num1+1;endendendave1=sum1/num1;ave2=sum2/num2;S=((ave2-T)*(T-ave1))/(ave2-ave1)^2;if(S>Smax)Smax=S;Th=T;endendThfigure,imshow(uint8(I)),title('原图');fori=1:mforj=1:nifI(i,j)>=ThI(i,j)=255;elseI(i,j)=0;endendendsubplot(1,2,1),imshow(I0),title('原图');subplot(1,2,2),imshow(I),title('类间最大距离法');4、clc;clearall;addpath('E:\学习\课件\机器视觉创新实践\曾东明');I0=imread('057_L_VL.bmp');I=rgb2gray(I0);I=double(I);[m,n]=size(I);Smax=-1;forT=0:255sum1=0;num1=0;sum2=0;num2=0;fori=1:mforj=1:nifI(i,j)>=Tsum2=sum2+I(i,j);num2=num2+1;elsesum1=sum1+I(i,j);num1=num1+1;endendendave1=sum1/num1;ave2=sum2/num2;ave=(sum1+sum2)/(m*n);d1=-1;d2=-1;fori=1:mforj=1:nifI(i,j)>=Td=(I(i,j)-ave2)^2;ifd2==-1d2=d;elsed2=d2+d;endelsed=(I(i,j)-ave1)^2;ifd1==-1d1=d;elsed1=d1+d;endendendendp1=num1/(m*n);p2=num2/(m*n);S1=p1*(ave1-ave)^2+p2*(ave2-ave)^2;S2=p1*d1+p2*d