2023年数字图像处理综合作业

综合作业二

（春季学期）

一.对XI照片图像增强...............................................3

1.1直方图增强...................................................3

1.1.1直方图拉伸增长对比度..................................3

1.1.2直方图均衡.............................................4

1.2伪彩色增强..................................................5

L2.1等密度分割法...........................................5

1.2.2多波段合成伪彩色显示...................................8

二.对x2照片图像增强.............................................10

2.1滤波.........................................................10

2.1.1多种滤波器............................................11

2.1.2中值滤波..............................................13

2.1.3二阶butterworth滤波..............................15

2.2直方图增强..................................................17

三.边缘提取及增强.................................................19

3.1对xl边缘提取及复合.........................................20

3.1.1对xl边缘提取.........................................20

3.1.2对xl边缘复合.........................................21

3.2对x2边缘提取及复合.........................................22

3.2.1直接对原图x2边缘提取................................22

3.2.2去噪后边缘提取........................................24

3.2.3对x2边缘复合.........................................24

对XI照片图像增强

1.1直方图增强

1.1.1直方图拉伸增长对比度

为了增强图像，观测X1,我们考虑增长图像的对比度，看与否能使图像更

清晰。

详细的编程思绪是，读入xl图像，运用ma:lab自带『、Jimadjust函数，对

比所得成果，详细程序见附录1.1.1(a),试验成果见图1.1.1(1)o

1.1.1(a)

结论：由图1.1.1(a)对比发现，左右两边基本没有区别，基本没有图像增

强效果。我们考虑到运用imadjust函数可以得到原图日勺负片，即将原灰度图白

色的地方变成黑色，黑色的地方变成白色，这种效果也许使XI图像自身对比更

鲜明，起到图像增强日勺作用，详细程序见附录LL1(2),试验成果见图1.1.1

(b)o

1.1.1(b)

结论：由图1.1.1(b)H勺对比发现，从人眼的视觉角度来看，右图比起左图,

在感官上比较舒适，似乎有点图像增强的意思，但总体上，效果还不是很好。

LL2直方图均衡

在第三章的作业习题里，我们已经接触过直方图均衡，它是一种运用图像

直方图对对比度进行调整的措施，也是图像增强常用日勺措施之一。

我们的编程思绪是运用matlab中自带的某些函数对原图进行处理，详细程

序见附录L1.2,试验成果见图1.1.2。

原图像原图像直方图

均衡化后图像

i.1.2

结论：由图1.1.2口勺对比，我们可以发现直方图均衡化后的图像整体变亮，

图片中部分位置变得清晰某些，部分位置灰度值过高，图像有些发白，没有得到

好的图像增强效果，甚至发白部位阻碍医生观测骨骼细节。原因是由于这种措

施对处理的数据不加选择，当原图日勺直方图有高峰时，经处理后对比度会不自然

的过度增强。

1.2伪彩色增强

1.2.1等密度分割法

对图像中各像元亮度值进行记录，确定其最小值和最大值，确定分割的等级

N,计算出分割的间隔再对输入图像的每一种像元进行亮度转换，为像元新值赋

色。

(1)matlab自带函数grayslice(I,n)(源程序：colorl.m)

将灰度图XI均匀量化为n个等级，然后运用jet映射将其转化为伪彩色图

像X。程序见附录1.2.1(1)

1.2.1(a)N二8

四俗皿序处nest*

1.2.1(b)N=64

1.2.1(c)n=256

分析•：由上面三组图像可知，当分割等级越大，所展现欧I效果越好。

(2)自编程序(源程序：color2.in)

将图像XI按灰度分为11份

R=0：256间隔为256/10

G=0到256再到0间隔为256/5

B=256：0间隔为256/10

密度分割法

1.2.1(d)

分析：从上面各图日勺分析我们懂得n越大，效果越好。但对比运用grayslice(I,

n)函数n=8时的效果，自编程序片11时的效果没有很好，也许是颜色映射不恰

当，导致效果不好。

1.2.2多波段合成伪彩色显示

(源程序：color,m)

对同一幅图像在不一样波长获得多幅图像，可采用多种变换方式，最终合成

R、G、B图像进而形成为彩色图像显示。在这里使用分段线性映射法。试验成果

见1.2.2.程序见附录1.2.2.

多波段合成为彩色显示

1.2.2

分析：对比运用密度分割法产生的效果，多波段合成伪彩色显示法H勺效果不是很

好，反而将图像变得愈加模糊。

结论：通过对图像进行伪彩色处理，重要得出如下两点。

(1)对图像进行伪彩色处理时，不一样的伪彩色处理措施有不一样的效果，要

选择合适MJ处理措施C

(2)不一样H勺颜色映射法也有不一样H勺效果，根据图像选择合适日勺颜色映射法。

二.对x2照片图像增强

2.1滤波

首先我们先分别观测一下X2H勺在MATI.AR中H勺原始图像和频谱分布状况由

于我们观测到X2是彩色图，因此我们需要运用rgb2gray函数将它转换成灰度图

再进行处理X2日勺原始图像和频谱分布图如下图2.1所示：

2.1

我们观测到X2的灰度图存在较严重的椒盐噪声，其频谱图也存在一种十字

又日勺亮线，不过围绕中间亮点又有一种矩型噪声。

综上，X2存在明显口勺噪声近似于椒盐噪声，因此我们先采用“广撒网，捞

大鱼”口勺措施进行筛选，尝试使用不一样类型的滤波器对X2进行滤波处理，分

析对比哪种滤波器日勺滤波效果最佳，然后再选择淀波效果最佳的滤波器进行多种

参数设置，使其滤波效果最佳。

2.1.1多种滤波器

在这里我们使用了高斯低通滤波器，均值滤波器，中值滤波器，自适应滤波

器，二维记录次序滤波器，二阶Butterworth滤波器分别对X2图像进行滤波。

程序见附录2.1.1

多种滤波成果如下图2.1.1所示:

高斯低通滤波均值滤波

中值滤波自适应滤波

二维记录次序滤波二阶butterworth滤波

2.1.1

结论：对比分析后我们发现，中值滤波对于清除噪声效果最佳，第二好日勺是

二阶butterworth滤波，而自适应滤波清除效果则较差。因此接下来我们针对中

值滤波器和二阶butterworth滤波器进行详细的参数设置，通过多次试验使其到

达最佳日勺效果。

2.1.2中值滤波

由于观测X2的原始图像和频谱分布图，我们发现X2存在很明显口勺椒盐噪

声，因此我们可以预见到使用中值滤波对X2进行处理后会有明显的改善。基本

思绪是先读入待处理图像，由于我们到观测X2是彩色图，因此我们需要运用

rgb2gray函数先将它转换成灰度图，再运用中值滤波器对其进行平滑滤波，分

别使用3*3窗口，5*5窗口，7*7窗口，11*11窗口进行处理，分析比较处理成

果。程序见附录2.1.2

d，k♦、、C&♦；4・&□S■□

加后的中值4波图像

X2的处理成果如下图2.1.2所示：I

3*3窗口中值滤波7*7窗口中值滤波

11*11窗口中值滤波13*13窗口中值滤波

2.1.2

结论：正如预想的那样，中值滤波对X2会产生明显的效果。中值滤波对于

清除椒盐噪声效果明显，是由于椒盐噪声只在画面上的部分点出现，而中值滤波

根据数据排序，将未被污染日勺点替代噪声点日勺值日勺概率较大，因此克制效果好。

不过当我们选择口勺窗口较小时噪声仍然比较严重，当我们把窗口加到11*11时只

存在少数噪声，当我们把窗口加到13*13时，噪声基本消除，虽然某些细节也模

糊了，不过效果最佳。

2.1.3二阶butterworth滤波

基本环节与中值滤波相似，这里不再赘述。不过，我们认为二阶butterworth

滤波应当达不到中值滤波的效果。此外，二阶bullerwurlh滤波需耍修改与原点

的距离dO,来实现最优效果，下图2.1.3分别展示了在d0=10,12,14,16,18,20

时日勺状况。程序见附录2.1.3

d0=10d0=12

d0=14d0=16

d0=18d0=20

2.1.3

结论：显而易见，无论我们怎么修改参数dO,其成果一直没有中值滤波好。

同步，我们发现就X2图像而言，当d0=14左右时，二阶butterworlh滤波器的

效果是最佳日勺。因此，为了到达对X2图像最佳的处理效果，我们选择了中值滤

波器进行滤波处理。

2.2直方图增强

由于在之前L1的(1)中，我们发现通过直方图拉伸来增长对比度日勺措施

几乎没有任何作用，因此对X2不再反复。

由于x2明显存在噪声，因此我们对2.1中去噪后H勺图进行直方图均衡化处

理，详细程序见附录2.2,试验成果见图2.2。

原图百万图

原图

13x13窗的中值滤波去噪后的图像去嗓后图像直方图

去噪图像均衡化后图像去嗓图像均衡化后图像直方图

2.2

结论：观测并充比图2.2,我们发现，中值滤波去噪后的图像再做均衡化

处理，泛白状况非常严重，严重损害了图像质量，因此直方图均衡口勺措施不能用

于x2图像的增强。

三.边缘提取及增强

图像的边缘部分走应图像上灰度变化剧烈的区域。

图像的边缘提取有多种措施，可以采用一阶微分算子，如sobel算子，

Roberts算子，Prewitt算子，Canny算子。也可以采用二阶微分算子，如

Laplacian算子。

多种算子均有对应的优缺陷，Sobel算子检测措施对灰度渐变和噪声较多的

图像处理效果很好，但Sobel算子对边缘定位不是很精确，图像的边缘不止一

种像素。Roberts算子检测措施对具有陡峭日勺低噪声的图像处理效果很好，不过

运用roberts算子提取边缘日勺成果是边缘比较粗，因此边缘的I定位不是很精确。

Prewitt算子检测措施对灰度渐变和噪声较多的图像处理效果很好。但边缘较宽，

并且间断点多。Laplacian算子法对噪声比较敏感，因此很少用该算子检测边缘,

而是用来判断边缘像素视为与图像的明区还是暗区。Canny措施不轻易受噪声

干扰，可以检测到真正的弱边缘。长处在于，使用两种不一样的阈值分别检测强

动缘和弱边缘,并口当弱功缘和强边缘相连时，才将弱边缘包括在输出图像,它

是目前边缘检测最常用的I算法，效果也是最理想日勺。

3.1对xl边缘提取及复合

3.1.1对xl边缘提取

根据上述对边缘提取的分析，我们编写了各个边缘提取口勺程序，但愿找到一

种最佳H勺边缘提取函数，进而得到最佳的图像增强效果。XI的详细程序见附录

3.1.1,试验成果见图3.L1。

PrewittEdgeLaplasianofGaussianEdgeCannyEdge

3.1.1

观测对比图3.1.1,可以很明显地发现Canny措施提取日勺边缘效果最佳，这

个成果符合我们之前日勺分析，因此接下来日勺复合边缘，我们都采用Canny措施。

3.1.2对xl边缘复合

由于对xl做直方图均衡化后，部分图像由于对比度过高而泛白，不仅没有

增强图像，还损害了图像的部分细节，因此复合时不再考虑叠加均衡化后H勺图，

因此我们的思绪是将canny边缘提取图叠加在原图上，进行边缘复合。详纤程

序见附录3.1.2,试验成果见图3.1.2。

原图原图cann也缘提取

原图与canny边缘提取图复合

3.1.2

结论：观测并分析3.1.2,运用canny算子提取边缘后的图像与原图进行

叠加，复合后的图像轮廓愈加清晰，对比度明显增强，到达了图像增强的效果。

不过提取的边缘过多，诸多细节被模糊了，总体效果不是很理想，这是我们需要

处理的问题，不过目前还没找到更好的措施。

3.2对x2边缘提取及复合

3.2.1直接对原图x2边缘提取

由于x2是彩色图，因此要对其进行灰度转化，其他操作思绪同xl。x2日勺详

细程序见附录3.2.1,试验成果见图3.2.1。

LapiasianofGaussianEdgeCannyEdge

3.2.1

结论：观测对比图3.2.1,同图3.1.1同样，也可以很明显地发现Canny

措施提取的边缘效果最佳，因此接下来的复合边缘，我们也就只采用Canny措

施进行图像增强。

此外，我们还发现，在提取边缘的同步，我们把噪声也当边缘提取了。这是

由于原图X2有明显欧I噪声存在，我们在提取边缘时，是提取图像上灰度变化剧

烈的I区域，自然就会把噪声也提取出来，这是我们不但愿看到时，因此在提取边

缘之前需要对输入图像X2进行消除噪声的处理。

3.2.2去噪后边缘提取

详细的思绪是：前面我们已经对x2滤波进行去噪处理，发现13*13的中值

滤波器具有最佳的效果，并且canny算子具有最佳口勺边缘提取效果。因此我们

将采用该尺寸的I中值滤波器，对滤波后所得日勺图，进行canny边缘提取。详细

程序见附录3.2.2,试验成果见图3.2.2。

原图原氮canny边缘提取

13x13窗的中值滤波后的图像13x13窗的中值滤波后再canny边缘提取

3.2.2

观测对比图322,很明显，去噪后得到的边缘图就是我们所需要日勺。

3.2.3对x2边缘复合

由于直方图均衡不仅不能增强x2,反而由于对比度过高，损害了图像细节，

因此复合时，不再考虑叠加直方均衡图。在前面，我们成功日勺得到了中值滤波去

噪后的图和去噪后的边缘提取图，接下来我们的思绪是将这两幅图叠加，来增强

图像。详细程序见附录3.2.3,试验成果见图3.2.3。

丰值浣注京cannyi±缘提取而*施谑茨笛的与与csrnyii缘提冢田复合

3.2.3

结论：观测对比图323,运用canny算子提取边缘后的图像与原图进行

叠加，复合后口勺图像轮廓愈加清晰，诸多本来模糊的细节可被肉眼直接观测，例

如复合后的图像中指甲也清晰可见。不过手腕关节处的骨骼由于过多的细节提取

被掩盖。不过总体效果比较理想，图像的对比度明显增强。

作业合作阐明

我们三个（厉宏兰，徐节速，李倩）都来自南京天光所，不过之

前从未接触过MATLAB编程以及图像处理的有关内容，因此本次作业

我们选择了一起合作探讨，互相学习。徐节速同学重要做了直方图增

强以及边缘函数提取复合，李倩同学重要做了图像的伪彩色增强，厉

宏兰同学重要做了图像滤波去噪工作。最终一起讨论了处理成果，运

用了各自的最优算法对图像进行了最终H勺综合处理。

附录：

1.1.1(1)

f=imread('C:\Users\Administrator\Desktop\XL.tif*);

fl=imadjust(f,stretchlim(f)z[]);

subplot(1,2,1);imshow(f)

title。原始图像，)

subplot(1,2,2);imshow(fl)

title「增长对比度后图像,)

f=imread(*C:\Users\Administrator\Desktop\XL.tif');

fl=imadjust(f,[0,1],[1,0]);

subplot(1,2,1);imshow(f)

title；「原始图像，)

subplot(1,2,2);imshow(fl)

title「负片，)

1.1.2

f=imread(*C:\Users\Administrator\Desktop\XL.tif*);

subplot(2,2,1),imshow(f);

titled原图像,）；

subplot(2,2,2),imhist(f);

title。原图像直方图,)

subplot(2,2,3),fl=histeq(f);

imshow(fl);

title。均衡化后图像,)

subplot(2,2,4),imhist(f1);

title(，均衡化后图像直方图，)

1.2.1(1)

I=imread(，C:\Users\lenovo\Desktop\综合作业2_V3\X光图像\X1.tif，)；

X=gray31ice(I,64);

figure;imshow(X);titIe(，索弓I图像，);

figure;imshow(X,jet(64))/title('matlab自带程序处理图像,);

1.2.1(2)

I=imread(，C:\Users\lenovo\Desktop\综合作业2_V3\X光图像\X1.tif，)；

figure;imshow(I)；title('原始图像，);

[m,n]=size(I);

Imax=max(max(I));

Imin=min(min(I));

a=(Imax-Imin)/IO;

fori=l:m

forj=l:n

ifImin<=I(i,j)&&工(i,j)<=(Imin+a)

R(i,j)=0;

G(i/j)=0;

B(i,j)=256;

elseif(Imin+a)<1(izj)&&I(i/j)<=(Imin+2*a)

R(i,j)=25;

G(i,j)=50;

B(izj)=225;

elseif(Imin+2*a)<1(i,j)&&I(izj)<=(Imin+3*a)

R(i,j)=50;

G(i,j)=100;

B(izj)=200;

elseif(Imin+3*a)<=(Imin+4*a)

R(i/j)=75;

G(i,j)=150;

B(i,j)=175;

elseif(Imin+4*a)<I(izj)&&I(izj)<=(Inin+5*a)

R(i,j)=100;

G(i,j)=200;

B(i,j)=150;

elseif(Imir)+5*a)<=(Imin+6*

R(i,j)=125;

G(i,j)=256;

B(izj)=125;

elseif(Imin+6*a)(Inin+7*a)

R(i,j)=150;

G(i,j)=200;

B(izj)=100;

elseif(Imin+7*a)<=(Imin+8*a)

R(i,j)=175;

G(i,j)=150;

B(i,j)=75;

elseif(Imin+8*a)<I(izj)&&I(izj)<=(Inin+9*a)

R(i,j)=200;

G(izj)=100;

B(i,j)=50;

elseif(Imin+9*a)<1(i,j)&&I(izj)<=(Imin+10*a)

R(i,j)=225;

G(i,j)=50;

B(i,j)=25;

else

R(izj)=256;

G(izj)=0;

B(i,j)=0;

end

end

end

end

end

end

end

end

end

end

end

end

fori=l:m

forj=l:n

xl(i,j,l)=R(i,j);

xl(i,j,2)=G(i,j);

xl(i,j,3)=B(i,j);

end

end

xl=xl/256;

figure;

imshow(xl);title(,密度分割法,);

1.2.2

I=imread「C:\Users\二enovo'Desktop'综合作业2_V3\X光图像\X1.tif1);

figure;imshow(I)；title('原始图《象');

I=double(I);

[m,n]=size(I);

L=256;

fori=l:m

forj=l:n

ifI(i,j)<L/4

R(i,j)=0;

G(izj)=4*I(i,j);

B(i,j)=L;

elseifI(i,j)<=L/2

R(i,j)=0;

G(i,j)=L;

B(i,j)=-4*I(i,j)+2*L;

elseifI(i,j)<=3*L/4

R(i,j)=4*I(i,j)-2*L;

G(i,j)=L;

B(i,j)=0；

else

R(i,j)=L;

G(i,j)=-4*I(i,j)+4*L;

B(i,j)=0;

end

end

end

end

end

fori=l:m

forj=l:n

xl(i,j,l)=R(i,j);

xl(i,j,2)=G(i,j);

xl(i,j,3)=B(i,j);

end

end

xl=xl/256;

figure;

imshow(xl);title(,多波段合成为彩色显示,);

2.1.1

Il=imread(•D:\MATLAB图像处理程序\X光图像\X2.tif');

I2=rgb2gray(II);

figure;imshow(12);

title('X2灰图像1)%显示原始图像

G=fspecial('gaussian',[1212],1);%这里的gaussian滤波窗口可选任意尺寸和原

则差

A=fspecial(*average',12);带这里B9average滤波窗口可选任意尺寸

fl=fi1tpr?(C,T?);使用G矩阵中B勺ga11s.qian滤波器对图像滤波

f2=filter2(A,12);宠使用A矩阵中的average滤波器对图像滤波

f3=medfilt2(l2z[12[2]);%使用中值滤波器对图像滤波

f4=wiener2(I2z[1212]);%使用自适应滤波器对图像滤波

f5=ordfilt2(12,5,ones(12,12));%使用二维记录次序过滤

figure;imshow(f1,[]);

title('高斯低通滤波器处理成果');

figure;imshow(f2,[]);

title(，均值滤波器处理成果，)；

figure;imshow(f3,[]);

title（，中值滤波器处理成果，）；

figure;imshow(f4,(]);

title(，自适应滤波器处理成果•);

figure;imshow(f5,[]);

title(，二维记录次序滤波处理成果1);

J=double(12);

f=fft2(J);

g=fftshift(f);

[M,N]=size(f);

n=2;dO=l6;

nl=floor(M/2);n2=floor(N/2);

fori=l:M;

forj=l:N;

d=sqrt((i-nl)八2+(j-n2)A2);

h=l/(1+0.414*(d/dO)A(2*n));

g(i,j)=h*g(i,j);

end

end

g=ifftshift(g);

f6=uint8(real(ifft2(g)));

figure;imshow(f6)

title(1一阶Butterworth滤波图像,)

2.1.2

Il=imread(•D:\MATLAB图像必理程序\X光图像\X2.tif');

I2=rgb2gray(II);

figure;imshow(12);

title(1X2灰图像，)％显示原始图像

filteredl=medfilt2iI2,[33]);务使用3*3滤波窗口

figure;imshovz(filteredl);

title('3x3窗8勺中值滤波图像，)

filtered2=medfilt2112,(77));会使用7*7滤波窗口

figure;imshovz(filtered2);

title（'7x7窗曰勺中值滤波图像，）

filtered2=medfilt2iI2z[1111]);金使用11*11波波窗口

figure;imshovz(filtered2);

title('11x11窗的中值滤波图像，)

filtered2=medfilt2112,[1313]);为使用13*13滤波窗口

figure;imshow(filtered2);

title(113x13窗的)中值滤波图像,)

2.1.3

Il=imreadD:\MATLAB图像必理程序\X光图像\X2.tif*);

I2=rgb2gray(II);

J=double(12);

f=fft2(J);

g=fftshift(f);

[M,N]=size(f);

n=2;d0=16;%这里的dO可任意修改

nl=floor(M/2);n2=floor(N/2);

fori=l:M;

forj=l:N;

d=sqrt((i-nl)A2+(j-n2)A2);

h=l/(1+0.414*(d/dO)A(2*n));

g(izj)=h*g(i,j);

end

end

g=ifftshift(g);

g=uint8(real(ifft2ig)));

figure;imshow(g)

title(1一阶Butterworth滤波图像1)

2.2

clear;clc;

I=imread(*C:\Users\Administrator\Desktop\x2.tif');

I=rgb2gray(I);

figure;

subplot(1,2,1),imshow(I);

title。原图，)；

subplot(1,2,2),imhist(I);

titled原图直方图，)

filtered2=medfilt2(I,(1313]);%使用13*13滤波窗口

figure;

subplot(221),imshow(filtered2);

title(113x13窗的中值滤波去噪后H勺图像()

subplot(2,2,2),imhist(filtered2);

title(,去喙后图像直方图，)

subplot(2,2,3),fl=histeq(filtered2);

imshow(fl);

title('去噪图像均衡化后图像，)

subplot(2,2,4),imhist(f1);

title（'去噪图像均衡化后图像直方图，）

3.1.1

clear;clc;

i=imreacl('(J:\users\Administrator\Desktop\Al.tit');

subplot(321),imshow(I,[]);

title/原始图像，)；

%sobel

sobelBW=edge(工，'sobel');

subplot(322),imshow(sobelBW);

title(*SobelEdge1);

%roberts

robertsBW=edge(I,'roberts');

subplot(323),imshow(robertsBW);

title(,RobertsEdge');

%prewitt

prewittBW=edge(I,'prewitt');

subplot(324),imshow(prewittBW);

title(*PrewittEdge');

%low

logBW=edge(I,1log');

subplot(325),imshow(logBW);

title(*LaplasianofGaussianEdge*);

%canny

cannyBW=edge(I,'canny');

subplot(326),imshow(cannyBW);

title('CannyEdge');

3.1.2

clear;clc;

I=imread('C:\Users\Administrator\Desktop\Xl.tif');

subplot(2,2,1),imshow(I);

title。原图，)；

%canny

BWl=edge(I,*canny*);

subplot(2,2,2),imshow(BW1);

title(1原图canny边缘提取,);

%cannyaugmented

cannyBWl=im2uint8(BW1)+1;

subplot(2,2,3),imshow(cannyBWl);

title(1原图与canny边缘提取图复合,);

3.2.1

clear;clc;

I=imread(*C:\U3ers\Administrator\Desktop\x2.tif');

I=rgb2gray(I);

subplot(321),i