7-图像分割-形态学图像处理.
实验六-图像分割教学文稿
实验六-图像分割
信息工程学院实验报告 课程名称：数字图像处理 实验项目名称：实验六图像分割实验时间：2016.12.16 班级：姓名：学号： 一、实验目的 1. 使用MatLab 软件进行图像的分割。使学生通过实验体会一些主要的分割算子对图像处理的效果，以及各种因素对分割效果的影响。 2. 要求学生能够自行评价各主要算子在无噪声条件下和噪声条件下的分割性能。能够掌握分割条件(阈值等)的选择。完成规定图像的处理并要求正确评价处理结果，能够从理论上作出合理的解释。 二、实验内容与步骤 1.边缘检测 (1)使用Roberts 算子的图像分割实验 调入并显示图像room.tif图像；使用Roberts 算子对图像进行边缘检测处理； Roberts 算子为一对模板： （a）450方向模板（b）1350方向模板 图 1 matlab 2010的Roberts算子模板 相应的矩阵为：rh = [0 1；-1 0]； rv = [1 0；0 -1]；这里的rh 为45度Roberts 算子，rv 为135度Roberts 算子。分别显示处理后的45度方向和135方向的边界检测结果；用“欧几里德距离”和“街区距离”方式计算梯度的模，并显示检测结果；对于检测结果进行二值化处理，并显示处理结果。 提示：先做检测结果的直方图，参考直方图中灰度的分布尝试确定阈值；应反复调节阈值的大小，直至二值化的效果最为满意为止。 (2)使用Prewitt 算子的图像分割实验
（a）水平模型（b）垂直模板 图2. Prewitt算子模板 使用Prewitt 算子进行内容(1)中的全部步骤。 (3)使用Sobel 算子的图像分割实验 使用Sobel （a）水平模型（b）垂直模板 图3. Sobel算子模板 (4)使用LoG (拉普拉斯-高斯)算子的图像分割实验 使用LoG (拉普拉斯-高斯)算子进行内容(1)中的全部步骤。提示1：处理后可以直接显示处理结果，无须另外计算梯度的模。提示2：注意调节噪声的强度以及LoG (拉普拉斯-高斯)算子的参数，观察处理结果。 (5) 打印全部结果并进行讨论。 下面是使用sobel算子对图像进行分割的MATLAB程序 f=imread('room.tif'); [gv,t1]=edge(f,'sobel','vertical');%使用edge函数对图像f提取垂直边缘 imshow(gv) [gb,t2]=edge(f,'sobel','horizontal');%使用edge函数对图像f提取水平边缘 figure,imshow(gb) w45=[-2 -1 0;-1 0 1;0 1 2];%指定模版使用imfilter计算45度方向的边缘 g45=imfilter(double(f),w45,'replicate'); T=0.3*max(abs(g45(:))); %设定阈值 g45=g45>=T; %进行阈值处理 figure,imshow(g45); 在函数中使用'prewitt'和'roberts'的过程，类似于使用sobel边缘检测器的过程。
图像处理实验-图像增强和图像分割
图像处理实验 图像增强和图像分割 一、实验目的： 掌握用空间滤波进行图像增强的基本方法，掌握图像分割的基本方法。 二、 实验要求： 1、测试图像1中同时含有均值为零的均匀分布噪声和椒盐噪声。用大小为5×5的算术均值滤波器和中值滤波器对图像进行处理，在不同窗口中显示原图像及各处理结果图像，并分析哪一种滤波器去噪效果好？ 2、对测试图像2进行图像分割，求出分割测试图像2的最佳阈值。分别显示原图、原图的直方图（标出阈值）、和分割后的二值图。 实验内容： 1. 实验原理 1) 图像增强：流程图： 图像增强可以通过滤波的方式来完成，即消除一部分的噪声。滤波又可以分为均值滤波和中值滤波。 1. 中值滤波原理：中值滤波就是选用一个含有奇数个像素的滑动窗口，将该窗口在图像上扫描，把其中所含像素点按灰度级的升（或降）序排列，取位于中间的灰度值来代替窗口中心点的灰度值。
对于一维序列{N f }： 21,},...,,...,{-=∈=+-m u N i f f f M e d y u i i u i i 对于二维序列{ij F }：为滤波窗口W y ij F Med W ij }{= 2. 均值滤波原理：对于含噪声的原始图像g(s,t)的每一个像素点去一个领 域N ，用N 中所包含的相速的灰度平均值，作为领域平均处理后的图像f(x,y)的像素值，即： ∑∈=xy S t s t s g mn y x f ),(),(1),(? 2) 图像分割： 图像分割：依据图像的灰度、颜色等特征，将一幅图像分为若干个互不重叠的、具有某种同质特征的区域。
本实验中我们是根据灰度值，将灰度值大于阈值T的像素统一置为255，小于的则置为0。如何求出最合适的分割阈值，则需要用到迭代算法。 迭代法算法步骤： (1) 初始化阈值T (一般为原图像所有像素平均值)。 (2) 用T分割图像成两个集合：G1 和G2，其中G1包含所有灰度值小于T的像素，G2包含所有灰度值大于T的像素。 (3) 计算G1中像素的平均值m1及G2中像素的平均值m2。 (4) 计算新的阈值：T ＝（m1＋m2）/2 。 (5）如果新阈值跟原阈值之间的差值小于一个预先设定的范围，停止循环，否则继续（2）－（4）步。 2.程序代码与分析： 1)图像增强： clear all;clc; %读入图像 I1=imread('Fig5.12(b).jpg'); %均值滤波模板 h1=ones(5,'uint8'); %获取分辨率 [a,b]=size(I1); %创建变量 I2=zeros(a+4,b+4,'uint8'); I3=zeros(a+4,b+4,'uint8'); %复制原始图像 for n=3:a+2 for m=3:b+2 I2(n,m)=I1(n-2,m-2); I3(n,m)=I1(n-2,m-2); end end
数学形态学的基本运算
第二章数学形态学的基本运算 2.1二值腐蚀和膨胀 二值图象是指那些灰度只取两个可能值的图象，这两个灰度值通常取为0和1。习惯上认为取值1的点对应于景物中的点，取值为0的点构成背景。这类图象的集合表示是直接的。考虑所有1值点的集合(即物体)X，则X与图象是一一对应的。我们感兴趣的也恰恰是X集合的性质。 如何对集合X进行分析呢?数学形态学认为，所谓分析，即是对集合进行变换以突出所需要的信息。其采用的是主观“探针”与客观物体相互作用的方法。“探针”也是一个集合，它由我们根据分析的目的来确定。术语上，这个“探针”称为结构元素。选取的结构元素大小及形状不同都会影响图象处理的结果。剩下的问题就是如何选取适当的结构元素以及如何利用结构元素对物体集合进行变换。为此，数学形态学定义了两个最基本的运算，称为腐蚀和膨胀即1。 2.1 .1二值腐蚀运算 腐蚀是表示用某种“探针”(即某种形状的基元或结构元素)对一个图象进行探测，以便找出图象内部可以放下该基元的区域。它是一种消除边界点，使边界向内部收缩的过程。可以用来消除小且无意义的物体。腐蚀的实现同样是基于填充结构元素的概念。利用结构元素填充的过程，取决于一个基本的欧氏空间概念—平移。我们用记号A二表示一个集合A沿矢量x平移了一段距离。即: 集合A被B腐蚀，表示为AΘB，其定义为: 其中A称为输入图象，B称为结构元素。AΘB由将B平移x仍包含在A内的所有点x组成。如果将B看作模板，那么，AΘB则由在将模板平移的过程中，所有可以填入A内部的模板的原点组成。根据原点与结构元素的位置关系，腐蚀后的图象大概可以分为两类: (1)如果原点在结构元素的内部，则腐蚀后的图象为输入图象的子集，如图2.1所示。 (2)如果原点在结构元素的外部，那么，腐蚀后的图象则可能不在输入图象的内部，如图2.2所示。 图2.1腐蚀类似于收缩
基于数学形态学的图像噪声处理.
基于数学形态学的图像噪声处理 摘要 本文首先介绍了数学形态学的发展简史及其现状，紧接着详细的阐述了数学形态学在图像处理和分析中的理论基础。并从二值数学形态 学出发着重研究了数学形态学的膨胀、腐蚀、开运算、闭运算等各种 运算和性质，然后根据已有的运算，接着引入了形态滤波器设计、形态学图像处理的实用算法。由于在图像的获取中存在各种可能的噪声，比 如高斯噪声、瑞利噪声、伽马噪声、指数噪声、均匀噪声以及椒盐等 噪声，由于这些噪声的普遍存在，因此，利用数学形态学的腐蚀、膨胀、开启、闭合设计出了一种比较理想的（闭和开）形态学滤波器，并且用MATLAB语言编写程序，反复的使用这种开闭、闭开来处理图像中存在的噪声，其效果比较满意。 关键词:数学形态学图像处理腐蚀膨胀滤波Studies on Mathematical Morphology for Image Processing ABSTRACT In this paper ,we first introduced the brief history and development of mathematical morphology some general theory of mathematical morphology analysis and many experiment results are https://www.360docs.net/doc/2b5476708.html,ter ,from the aspect of morphology of dual value, special emphasis on various operations and properties including dilation, erosion,open operation and close operation etc.In addition, morphology analysis method of the dual value image is also discussed and the practical and improved operations of the morphological image processing such as electric filter design, marginal pattern testing are introduced. As the image of the acquisition in the range of possible noise, such as Gaussian noise, Rayleigh noise, Gamma noise, Uniform noise Salt and Pepper noise and so on. As the prevalence of such noise, so using mathematical morphology of erosion,dilation, opening, closing designed a more ideal (open and closed morphological filter, And repeated to use opening and closing, closing and opening handle image processing in the noise. It is satisfied with its results.And the simulation results is more satisfactory after the use of MATLAB language programming. Keyword：mathematical morphology image processing erosion dilation
图像分割算法开题报告
图像分割算法开题报告 摘要：图像分割是图像处理中的一项关键技术，自20世纪70年代起一直受到人们的高度重视，并在医学、工业、军事等领域得到了广泛应用。近年来具有代表性的图像分割方法有：基于区域的分割、基于边缘的分割和基于特定理论的分割方法等。本文主要对基于自动阈值选择思想的迭代法、Otsu法、一维最大熵法、二维最大熵法、简单统计法进行研究，选取一系列运算出的阈值数据和对应的图像效果做一个分析性实验。 关键字：图像分割，阈值法，迭代法，Otsu法，最大熵值法 1 研究背景 1．1图像分割技术的机理 图像分割是将图像划分为若干互不相交的小区域的过程。小区域是某种意义下具有共同属性的像素连通集合，如物体所占的图像区域、天空区域、草地等。连通是指集合中任意两个点之间都存在着完全属于该集合的连通路径。对于离散图像而言，连通有4连通和8连通之分。图像分割有3种不同的方法，其一是将各像素划归到相应物体或区域的像素聚类方法，即区域法，其二是通过直接确定区域间的边界来实现分割的边界方法，其三是首先检测边缘像素，然后再将边缘像素连接起来构成边界的方法。 图像分割是图像理解的基础，而在理论上图像分割又依赖图像理解，两者是紧密关联的。图像分割在一般意义下十分困难的，目前的图像分割处于图像的前期处理阶段，主要针对分割对象的技术，是与问题相关的，如最常用到的利用阈值化处理进行的图像分割。 1．2数字图像分割技术存在的问题
虽然近年来对数字图像处理的研究成果越来越多,但由于图像分割本身所具有的难度,使研究没有大突破性的进展,仍然存在以下几个方面的问题。 现有的许多种算法都是针对不同的数字图像,没有一种普遍适用的分割算法。 缺乏通用的分割评价标准。对分割效果进行评判的标准尚不统一,如何对分割结果做出量化的评价是一个值得研究的问题,该量化测度应有助于视觉系统中的自动决策及评价算法的优劣,同时应考虑到均质性、对比度、紧致性、连续性、心理视觉感知等因素。 与人类视觉机理相脱节。随着对人类视觉机理的研究,人们逐渐认识到,已有方法大都与人类视觉机理相脱节,难以进行更精确的分割。寻找到具有较强的鲁棒性、实时性以及可并行性的分割方法必须充分利用人类视觉特性。 知识的利用问题。仅利用图像中表现出来的灰度和空间信息来对图像进行分割,往往会产生和人类的视觉分割不一致的情况。人类视觉分割中应用了许多图像以外的知识,在很多视觉任务中,人们往往对获得的图像已具有某种先验知识,这对于改善图像分割性能是非常重要的。试图寻找可以分割任何图像的算法目前是不现实,也是不可能的。人们的工作应放在那些实用的、特定图像分割算法的研究上,并且应充分利用某些特定图像的先验知识,力图在实际应用中达到和人类视觉分割更接近的水平。 1．3数字图像分割技术的发展趋势 从图像分割研究的历史来看,可以看到对图像分割的研究有以下几个明显的趋势。 对原有算法的不断改进。人们在大量的实验下，发现一些算法的效
图像分割 实验报告
实验报告 课程名称医学图像处理 实验名称图像分割 专业班级 姓名 学号 实验日期 实验地点 2015—2016学年度第 2 学期
050100150200250 图1 原图 3 阈值分割后的二值图像分析：手动阈值分割的阈值是取直方图中双峰的谷底的灰度值作为阈值，若有多个双峰谷底，则取第一个作为阈值。本题的阈值取
%例2 迭代阈值分割 f=imread('cameraman.tif'); %读入图像 subplot(1,2,1);imshow(f); %创建一个一行二列的窗口，在第一个窗口显示图像title('原始图像'); %标注标题 f=double(f); %转换位双精度 T=(min(f(:))+max(f(:)))/2; %设定初始阈值 done=false; %定义开关变量，用于控制循环次数 i=0; %迭代，初始值i=0 while~done %while ~done 是循环条件，~ 是“非”的意思，此 处done = 0; 说明是无限循环，循环体里面应该还 有循环退出条件，否则就循环到死了; r1=find(f<=T); %按前次结果对t进行二次分 r2=find(f>T); %按前次结果重新对t进行二次分 Tnew=(mean(f(r1))+mean(f(r2)))/2; %新阈值两个范围内像素平均值和的一半done=abs(Tnew-T)<1; %设定两次阈值的比较，当满足小于1时，停止循环， 1是自己指定的参数 T=Tnew; %把Tnw的值赋给T i=i+1; %执行循坏，每次都加1 end f(r1)=0; %把小于初始阈值的变成黑的 f(r2)=1; %把大于初始阈值的变成白的 subplot(1,2,2); %创建一个一行二列的窗口，在第二个窗口显示图像imshow(f); %显示图像 title('迭代阈值二值化图像'); %标注标题 图4原始图像图5迭代阈值二值化图像 分析：本题是迭代阈值二值化分割，步骤是：1.选定初始阈值，即原图大小取平均；2.用初阈值进行二值分割；3.目标灰度值平均背景都取平均；4.迭代生成阈值，直到两次阈值的灰 度变化不超过1，则稳定；5.输出迭代结果。
形态学图像处理小结
一．形态学基础知识理解 形态学图像处理基本的运算包括：二值腐蚀和膨胀、二值开闭运算、骨架抽取、极限 腐蚀、击中击不中变换、形态学梯度、Top-hat变换、颗粒分析、流域变换、灰值腐蚀和膨胀、灰值开闭运算、灰值形态学梯度等。 1.膨胀与腐蚀 最基本的形态学操作有二种：膨胀与腐蚀(Dilation与Erosion)。膨胀是在二值图像中“加长”和“变粗”的操作。这种方式和变粗的程度由一个结构元素组成的集合来控制。 腐蚀是“收缩”或“细化”二值图像中的对象。同样，收缩的方式和程度由一个结构元素 控制。腐蚀和膨胀是对白色部分（高亮部分）而言的，不是黑色部分。膨胀就是图像中的 高亮部分进行膨胀，“领域扩张”，效果图拥有比原图更大的高亮区域。腐蚀就是原图中 的高亮部分被腐蚀，“领域被蚕食”，效果图拥有比原图更小的高亮区域。 常用的三种膨胀与腐蚀的组合：开运算、闭运算、击中或击不中变换。（1）开运算 和闭运算: A被B的形态学开运算是A被B腐蚀后再用B来膨胀腐蚀结果。其几何解释为：B在A内完全匹配的平移的并集。形态学开运算完全删除了不能包含结构元素的对象区域，平滑了对象的轮廓，断开了狭窄的连接，去掉了细小的突出部分；（2）闭运算: A被B的形态学闭运算是先膨胀再腐蚀的结果，其几何解释为：所有不与A重叠的B的平移的并集。形态学闭运算会平滑对象的轮廓，与开运算不同的是，闭运算一般会将狭窄的缺口连接起 来形成细长的弯口，并填充比结构元素小的洞。（3）击中击不中变换: 击中与击不中变换先对目标图像进行目标结构元素的腐蚀操作；后对目标图像的对偶进行背景结构元素的腐 蚀操作；最后取两次结果的交集。 2.重构 重构是一种涉及到两幅图像和一个结构元素的形态学变换。一幅图像，即标记（marker），是变换的开始点。另一幅图像是掩模（mask），用来约束变换过程。结构 元素用于定义连接性。 3.灰度图像形态学
数字图像处理实验 图像分割
实验报告 实验名称实验四图像分割 课程名称数字图像处理A 姓名成绩 班级学号 日期地点 1.实验目的 （1）了解并掌握图像分割的基本原理； （2）编写程序使用Hough变换处理图像，进行线检测；
（3）编写程序使用阈值处理方法进行图像分割，根据实验结果分析效果； （4）总结实验过程（实验报告，左侧装订）：方案、编程、调试、结果、分析、结论。 2.实验环境（软件条件） Windws2000/XP MATLAB 7.0 3.实验方法 对256级灰度的数字图像camera.bmp（如图4.1所示）和car.bmp（如图4.2所示）进行如下处理： （1）对图像camera.bmp进行Hough变换进行线检测，显示处理前、后图像： 思考如何利用Hough变换进行圆检测； （2）对图像car.bmp分别利用不同的阈值处理方法进行图像中汽车及车牌的分割，显示处理前、后图像；思考不同的阈值处理算法对分割效果的影响？ 4.实验分析 实验原理 Hough变换是最常用的直线提取方法，它的基本思想是：将直线上每一个数据点变换为参数平面中的一条直线或曲线，利用共线的数据点对应的参数曲线相交于参数空间中一点的关系，使直线的提取问题转化为计数问题。Hough变换提取直线的主要优点是受直线中的间隙和噪声影响较小。 思考： Hough变换对圆的检测： Hough变换的基本原理在于，利用点与线的对偶性，将图像空间的线条变为参数空间的聚集点，从而检测给定图像是否存在给定性质的曲线。 圆的方程为：222 ()() x a y b r -+-=，通过Hough变换，将图像空间(,) x y对应到参数空间(,,) a b r。 第一题结果图 图4.1 实验图像camera.bmp 图4.2 实验图像car.bmp
基于灰度图像的阈值分割改进方法 开 题 报 告
毕业设计开题报告基于灰度图像的阈值分割改进方法 系别： 班级： 学生姓名： 指导教师： 2011 年 11 月22日
毕业设计开题报告 附页：
基于灰度图像的阈值分割改进方法 一、研究的目的 通常人们只对图像的某个部位感兴趣，为了能够把感兴趣的部分提取出来，就得对图像进行分割。图像分割就是把图像分成一些具有不同特征而有意义的区域，以便进一步的图像分析和理解。图像增强就是突出人们感兴趣有用的部分，或者是改善图像的质量，使它尽可能的逼近原图像。本论文分析了传统的灰度阈值图像分割，即双峰法、迭代法和最大类间方差法在细节部分分割上的缺点，然后，结合图像增强中的微分梯度，对原有图像的细节进行锐化增强，然后在使用这三种方法进行分割，得到的分割结果和传统的分割方法得到的结果进行比较，该算法确实达到了改善分割后图像细节的效果。 本算法在matlab2008环境下进行了实现，实验结果表明，与传统的阈值分割方法相比，本文算法不仅克服了传统阈值分割方法的不足，而且还对复杂灰度图像的细节部分具有较好的分割效果，为图像分割方法的改进提供了技术支持。 二、研究背景与意义 数字图像处理的基础是图像分割，图像分割同时也是进行计算机自动识别和人工智能的桥梁，长期以来图像分割一直都是数字图像处理领域的一个经典难题。经典的图像分割算法，诸如：直方图分割与阈值分割的方法具有实现简单、计算量小、性能较稳定等特点。通常，它们是利用图像的灰度直方图的分布特征,找出灰度直方图分布的两波峰之间的波谷，选定恰当的阈值将图像分割开，然而这种分割方法依赖于图像灰度的分布，对灰度分布不呈双峰特征或复杂背景的图像,这种方法往往会造成错误，并且有些细节不能很好的显示出来。 所以论文提出了一种改进方法—图像增强的分割改进方法，通过图像增强中的微分梯度，对原有图像的细节进行锐化增强，从而达到改善分割后图像细节的效果。这对我们使用灰度阈值分割方法分割图像提供了技术支持，并且能很好地克服灰度阈值分割方法的缺点。 三.基于灰度图像的阈值分割方法 阈值处理是一种区域分割技术，将灰度根据主观愿望分成两个或多个等间隔或不等间隔灰度区间，它主要是利用图像中要提取的目标物体和背景在灰度上的差异，选择一个合适的阈值，通过判断图像中的每一个像素点的特征属性是否满足阈值的要求来确定图像中该像素点属于目标区还是应该属于背景区域，从而产生二值图像。
北航数字图象处理实验报告
数字图像处理实验报告 实验二图像变换实验 1．实验目的 学会对图像进行傅立叶等变换，在频谱上对图像进行分析，增进对图像频域上的感性认识，并用图像变换进行压缩。 2．实验内容 对Lena或cameraman图像进行傅立叶、离散余弦、哈达玛变换。在频域，对比他们的变换后系数矩阵的频谱情况，进一步，通过逆变换观察不同变换下的图像重建质量情况。 3. 实验要求 实验采用获取的图像，为灰度图像，该图像每象素由8比特表示。具体要求如下： （1）输入图像采用实验1所获取的图像（Lena、Cameraman）； （2）对图像进行傅立叶变换、获得变换后的系数矩阵； （3）将傅立叶变换后系数矩阵的频谱用图像输出，观察频谱； （4）通过设定门限，将系数矩阵中95%的（小值）系数置为0，对图像进行反变换，获得逆变换后图像； （5）观察逆变换后图像质量，并比较原始图像与逆变后的峰值信噪比（PSNR）。 （6）对输入图像进行离散余弦、哈达玛变换，重复步骤1-5； （7）比较三种变换的频谱情况、以及逆变换后图像的质量（PSNR）。 4. 实验结果 1. DFT的源程序及结果 J=imread('10021033.bmp'); P=fft2(J); for i=0:size(P,1)-1 for j=1:size(P,2) G(i*size(P,2)+j)=P(i+1,j); end end Q=sort(G); for i=1:size(Q,2) if (i 文献综述 课题：基于数学形态学的图像边缘检测方法研究 边缘检测是图像分割的核心容，而图像分割是由图像处理到图像分析的关键步骤，在图像工程中占据重要的位置，对图象的特征测量有重要的影响。图像分割及基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象更紧凑的形式，使得更高层的图像分析和理解成为可能。从而边缘检测在图像工程中占有重要的地位和作用。因此对边缘检测的研究一直是图像技术研究中热点，人们对其的关注和研究也是日益深入。 首先，边缘在边界检测、图像分割、模式识别、机器视觉等中有很重要的作用。边缘是边界检测的重要基础，也是外形检测的基础。同时，边缘也广泛存在于物体与背景之间、物体与物体之间,基元与基元之间，是图像分割所依赖的重要特征。其次，边缘检测对于物体的识别也是很重要的。第一，人眼通过追踪未知物体的轮廓而扫视一个未知的物体。第二，如果我们能成功地得到图像的边缘，那么图像分析就会大大简化，图像识别就会容易得多。第三，很多图像并没有具体的物体，对这些图像的理解取决于它们的纹理性质，而提取这些纹理性质与边缘检测有极其密切的关系。 理想的边缘检测是能够正确解决边缘的有无、真假、和定向定位。长期以来，人们一直关心这一问题的研究，除了常用的局 部算子及以后在此基础上发展起来的种种改进方法外，又提出了许多新的技术，其中，比较经典的边缘检测算子有 Roberts cross算子、Sobel算子、Laplacian算子、Canny算子等，近年来又有学者提出了广义模糊算子，形态学边缘算子等。这些边缘检测的方法各有其特点，但同时也都存在着各自的局限性和不足之处。 本次研究正是在已有的算法基础上初步进行改进特别是形 态学边缘算子，以期找到一个更加简单而又实用的算子，相信能对图像处理中的边缘检测方法研究以及应用有一定的参考价值。 一、课题背景和研究意义： 伴随着计算机技术的高速发展，数字图像处理成为了一门新兴学科，并且在生活中的各个领域得以广泛应用。图像边缘检测技术则是数字图像处理和计算机视觉等领域最重要的技术之一。在实际图像处理中，图像边缘作为图像的一种基本特征，经常被用到较高层次的图像处理中去。边缘检测技术是图像测量、图像分割、图像压缩以及模式识别等图像处理技术的基础，是数字图像处理重要的研究课题之一。 边缘检测是图像理解、分析和识别领域中的一个基础又重要的课题, 边缘是图像中重要的特征之一，是计算机视觉、模式识别等研究领域的重要基础。图像的大部分主要信息都存在于图像的边缘中，主要表现为图像局部特征的不连续性，是图像中灰度变化比较强烈的地方，也即通常所说的信号发生奇异变化的地 实验报告 课程名称数字图像处理导论 专业班级 _______________ 姓名 _______________ 学号 _______________ 电气与信息学院 和谐勤奋创新 实验题目图像分割实验 实验室 DSP室&信号室实验时间 实验类别设计同组人数 2 成绩指导教师签字： 一．实验目的 1.理解图像分割的基本概念； 2.理解图像边缘提取的基本概念； 3.掌握进行边缘提取的基本方法； 4.掌握用阈值法进行图像分割的基本方法。 二．实验容 1.分别用Roberts,Sobel和拉普拉斯高斯算子对图像进行边缘检测。比较三种算子处理的不同之 处； 2.设计一个检测图1中边缘的程序，要求结果类似图2，并附原理说明。 3.任选一种阈值法进行图像分割. 图1 图2 三．实验具体实现 1.分别用Roberts,Sobel和拉普拉斯高斯算子对图像进行边缘检测。比较三种算子处理的不同之 处； I=imread('mri.tif'); imshow(I) BW1=edge(I,'roberts'); figure ,imshow(BW1),title('用Roberts算子') BW2=edge(I,'sobel'); figure,imshow(BW2),title('用Sobel算子 ') BW3=edge(I,'log'); figure,imshow(BW3),title('用拉普拉斯高斯算子') 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。 2.设计一个检测图1中边缘的程序，要求结果类似图2，并附原理说明。 i=imread('m83.tif'); subplot(1,2,1); imhist(i); 图像分割实验报告 一、实验目的 1. 掌握图像分割的基本思想，了解其分割技术及其计算策略； 2. 学会从图像处理到分析的关键步骤，掌握图像分割过程； 3. 了解图像分割的意义，进一步加深对图像分析和理解； 4. 掌握基本分割方法：迭代分割和OTSU图像分割，并编程实现。 二、实验原理 （一）迭代阈值分割选取的基本思路是:首先根据图像中物体的灰度分布情况，选取一个近似阈值作为初始阈值，一个较好的方法就是将图像的灰度均值作为初始阈值，然后通过分割图像和修改阈值的迭代过程获得认可的最佳阈值。迭代式阈值选取过程可描述如下： 1. 计算初始化阈值g0=(g max+g min) ； 2 2. 根据g0，将图像分为两部分，分别计算灰度值期望，取其平均值为g1； 3. 如此反复迭代，当|g n-g n?1|足够小时，停止迭代，取T=g n即为最终阈值。 （二）OTSU图像分割（最大类间方差法）是一种自适应的阈值确定的方法，是按图像的灰度特性,将图像分成背景和目标两部分。背景和目标之间的类间方差越大,说明构成图像的两部分的差别 越大, 当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。以最佳门限将图像灰度直方图分割成两部分，使两部分类间方差取最大值，即分离性最大。OTSU阈值选取过程可描述如下： 1.记T为目标与背景的分割阈值，目标点数占图像比例为w1，平均灰度为u1；背景点数占图像比例为w2，平均灰度为u1； 2.图像的总平均灰度为：u=w1*u1+w2*u2； 3.目标和背景图象的方差：g=w1*(u1-u)*(u1-u)+w1*(u2-u)*(u2-u)=w1*w2*(u1-u2)*(u1-u2)； 4.当方差g最大时，可以认为此时前景和背景差异最大，此时的灰度T是最佳阈值。 二、实验内容 1. 利用C++编程实现迭代阈值图像分割算法； 2. 利用C++编程实现OTSU动态阈值图像分割算法。 三、实验框图 数字图像处理实验报告 学生姓名王真颖 学生学号L0902150101 指导教师梁毅雄 专业班级计算机科学与技术1501 完成日期2017年11月06日 计算机科学与技术系信息科学与工程学院 目录 实验一.................................................................................................. 错误!未定义书签。 一、实验目的.................................................................................................... 错误!未定义书签。 二、实验基本原理 ........................................................................................... 错误!未定义书签。 三、实验内容与要求....................................................................................... 错误!未定义书签。 四、实验结果与分析....................................................................................... 错误!未定义书签。实验总结............................................................................................... 错误!未定义书签。参考资料.. (3) 实验一图像分割与边缘检测 一．实验目的 1. 理解图像分割的基本概念； 2. 理解图像边缘提取的基本概念； 3. 掌握进行边缘提取的基本方法； 数字图像处理实验报告——图像分割实验课程名称数字图像处理导论专业班级 _______________ 姓名 _______________ 学号 _______________ 电气与信息学院 和谐勤奋求是创新 实验题目图像分割实验 DSP室&信号室实验室实验时间实验类别设计同组人数 2 成绩指导教师签字: 一(实验目的 1. 理解图像分割的基本概念; 2. 理解图像边缘提取的基本概念; 3. 掌握进行边缘提取的基本方法; 4. 掌握用阈值法进行图像分割的基本方法。 二(实验内容 1. 分别用Roberts,Sobel和拉普拉斯高斯算子对图像进行边缘检测。比较三种算子处理的不同之 处; 2. 设计一个检测图1中边缘的程序，要求结果类似图2，并附原理说明。 3. 任选一种阈值法进行图像分割. 图1 图2 三(实验具体实现 1. 分别用Roberts,Sobel和拉普拉斯高斯算子对图像进行边缘检测。比较三种算子处理的不同之 处; I=imread('mri.tif'); imshow(I) BW1=edge(I,'roberts'); figure ,imshow(BW1),title('用Roberts算子') BW2=edge(I,'sobel'); figure,imshow(BW2),title('用Sobel算子 ') BW3=edge(I,'log'); figure,imshow(BW3),title('用拉普拉斯高斯算子') 1 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。 2. 设计一个检测图1中边缘的程序，要求结果类似图2，并附原理说明。 i=imread('m83.tif'); 数学形态学图像处理的基本运算实现及分析 一、基本原理 数学形态学是一种应用于图像处理和模式识别领域的新的方法。它的基本思想是用具有一定形态的结构元素去度量和提取图像中的对应形状以达到对图像进行分析和识别的目的。数学形态学的数学基础和所用语言是集合论。数学形态学的应用可以简化图像数据，保持它们基本的形状特性，并除去不相干的结构。另一方面，数学形态学的算法具有天然的并行实现的结构。 1、基本运算 数学形态学的基本运算有四个：膨胀、腐蚀、开启和关。 如用A 表示图像集合，B 表示结构元素，形态学运算就是用B 对A 进行操 作。 A 被 B 膨胀，记为A ⊕B ，⊕为膨胀算子，膨胀的定义为 A B ⊕?{|[()]}x x B A =≠? 该式表明的膨胀过程是B 首先做关于原点的映射，然后平移x 。A 被B 的膨胀是 B 被所有x 平移后与A 至少有一个非零公共元素。 A 被 B 腐蚀，记为A ⊙B ，⊙为腐蚀算子，腐蚀的定义为 A B Θ?{|[()]}x x B A =≠? 也就是说，A 被B 的腐蚀的结果为所有使B 被x 平移后包含于A 的点x 的集合。 换句话说，用B 来腐蚀A 得到的集合是B 完全包括在A 中时B 的原点位置的集合。 膨胀和腐蚀并不互为逆运算，所以它们可以级连结合使用。例如，利用同一个结构元素B ，先对图像腐蚀然后膨胀其结果，或先对图像膨胀然后瘸蚀其结果，前一种运算称为开运算，后一种运算称为关运算。它们也是数学形态学中的重要运算。 开启的运算符为o ，A 用B 来开启写作AoB ，其定义为: A o ()B A B B =Θ⊕ 关的运算符为·，A 用B 来关写作A ·B ，其定义为: A ·()B A B B =⊕Θ 开和关两种运算都可以去除比结构元素小的特定图像细节，同时保证不产生全局的几何失真。开运算可以把比结构元素小的椒盐噪声滤除，切断细长搭接而起到分离作用。关运算可使比结构元素小的缺口或孔填补上，搭接短的间断而起到连通作用。 2、实际应用 近年来，数学形态学在图像处理方面得到了日益广泛的应用。下面主要就数学形态学在边缘检测、骨架提取等方面的应用做简要介绍。 西安邮电大学 毕业设计(论文)开题报告自动化学院专业级02班 课题名称：基于SUSAN算子的图像分割 学生姓名：学号： 指导教师： 报告日期： 2014年3月21日 1．本课题所涉及的问题及应用现状综述 图像分割就是指把图像分成各具特性的区域并提取感兴趣目标的技术和过程。它是图像处理、模式识别和人工智能等多个领域中的重要课题，也是计算机视觉技术中首要的、重要的关键步骤。图像分割的目的在于根据某些特征（如灰度级、频谱、纹理等）将一幅图像分成若干有意义的区域，使得这些特征在某一区域内表现一致或相似，而在不同区域间表现出明显的不同。图像分割的应用非常广泛，几乎出现在有关图像处理的所有领域，如：工业自动化、在线产品检验、生产过程控制、文档图像处理、图像编码、遥感和生物医学图像分析、保安监视，以及军事、体育、农业工程等方面。在各种图像应用中，只需对图像目标行提取、测量等都离不开图像分割。虽然人们对图像分割已经进行了大量的研究，但还没一种适合于所有图像的通用的分割算法。所以，图像分割一直以来都是图像技术中的研究热点。 图像边缘是是图像的最基本的特征之一, 边缘是由灰度的不连续性所反映的，有方向和幅度两个特性。边缘中包含着有价值的目标边界信息, 这些信息可以用作图像分析、目标识别。边缘检测基本思想是先检测图像中的边缘点, 在按照某种策略将边缘点连接成轮廓,构成分割域。SUSAN算子是一种基于灰度的特征点获取方法, 适用于图像中边缘和角点的检测, 可以去除图像中的噪声, 它具有简单、有效、抗噪声能力强、计算速度快的特点。SUSAN 算子的模板与常规卷积算法的正方形模板不同, 它采用一种近似圆形的模板, 用圆形模板在图像上移动, 模板内部每个图像像素点的灰度值都和模板中心像素的灰度值作比较, 若模板内某个像素的灰度与模板中心像素(核)灰度的差值小于一定值, 则认为该点与核具有相同(或相近)的灰度。 本课题对基于SUSAN算子的图像分割进行研究，并进行仿真验证。 实验五图像形态学处理 一、实验目的： 1、进一步了解MATLAB关于图像处理的相关指令。 2、了解图像腐蚀、膨胀、开启、闭合及细化的目的及意义，加深对其的感性认 识，巩固所学理论知识。 3、能够编程实现图像的各种形态学处理。 4、观察并比较图像处理结果。 二、实验内容： 图像腐蚀、图像膨胀、开启、闭合、细化 三、实验仪器 PC一台，MATLAB软件。 四、实验报告要求： 1、写出程序 2、附上处理前后的图像 3、写出对处理前后图像的分析（即：说明图像的变化） 有关结构元素说明： se1 = strel('square',11) % 结构元素为边长11的正方形 se2 = strel('line',10,45) % 倾角为45度长为10的线性结构 se3 = strel('disk',15) % 半径为15的圆盘 se4 = strel('ball',15,5) %半径为15高为5的球形结构 一、图像的膨胀运算（在右图中任选一幅图像处理） 函数说明： se=strel('ball',8,8); %设定直径为8的球形结构元素 I2=imdilate(I,se); %膨胀函数，I：原图像，se：结构元素，I2：输出图像 二、任选题（一）中一幅图像根据膨胀程序编写腐蚀程序，实现 腐蚀处理，保存处理前后图像（图像要标明'title'），并分析处理 结果。 yuan.bmp 函数： se=strel('ball',8,8); %设定球形结构元素 I2=imerode(I,se); %腐蚀函数 三、编写程序对gujia.bmp 图像实现开启闭合处理，保存处理前后图像（图像要标明'title'），并分析处理结果。 %开启闭合 函数说明： se=strel('disk',5,4); %先生成圆形结构元素 I1=imopen(I,se); %开启操作I ：原图像，se ：结构元素，I1： 输出图像 I2=imclose(I,se); %闭合操作 四、对“Hello Word ” 图像进行一次或多次细化，观察效果，并细化到一个元素 函数说明： I1=bwmorph(I,'thin',n); % I 为输入的二值图像，'thin'：进行的操作，此处为细化，n ：执行操作的次数，I1：输出图像 % 细化 I=imread(' Hello World .bmp'); I=I(:,:,1); subplot(221);imshow(I); title('原图像'); I1=bwmorph(I,'thin',1); %细化1次，'thin'为细化处理，将thin 改为skel 可以提取骨架 subplot(222);imshow(I1); title('细化1次的结果'); I2=bwmorph(I,'thin',inf); %细化到目标只有一个元素 subplot(223);imshow(I2); title(' 细化到只有一个元素'); kong.bmp gujia.bmp Hello World.bmp基于数学形态学的图像边缘检测方法研究文献综述
数字图像处理实验报告——图像分割实验
图像分割实验报告汇总
实验三图像分割与边缘检测
数字图像处理实验报告——图像分割实验
数学形态学图像处理的基本运算实现及分析
susan算子图像分割开题报告
实验五 图像形态学处理