数字图像处理实验报告

-

院系：计算机科学学院专业：计算机科学与技术年级： 2012级

课程名称：数字图像处理组号：

姓名(学号)：

指导教师：高志荣

2015年 5月 25日

实验原理（算法流程）2.运行结果

1-1-1图查看2012213500.png图片的基本信息和显示图片过程

1-1-2图将2012213500.png图片保存为2012213500.bmp图片3.实验分析

实验原理（算法流程）

先用imread()函数将2012213500.png存入I数组中，可见1-1-1图右上角的Workspace中的I。然后用imfinfo()函数和ans函数读取该图像的大小、类型等信息，具体在1-1-1图的Command Window中可见。至于图片格式的转换，就是用rgb2gray()函数将保存在I数组中的数据转换成灰度格式保存在原来的数组I中。最后将变换所得到的数据保存于2012213500.bmp文件中。

实验（2）：

1.代码实现

I=imread(2012213500.bmp');%读取灰度图片

subplot(221),imshow(I,[]),title('256*256,256')

I=I(1:2:end,1:2:end);%图片采样

subplot(222),imshow(I,[]),title('128*128,256')

I=I(1:2:end,1:2:end);%图片采样

subplot(223),imshow(I,[]),title('64*64,256')

I=I(1:2:end,1:2:end);%图片采样

subplot(224),imshow(I,[]),title('32*32,256')

2.运行结果

1-2 图图片空间分辨率对图片的影响

3.实验分析

由1-2图可以看出，在保持灰度级数一定的条件下，随着图片空间分辨率的减半，即256*256,128*128,64*64,32*32的图像，图中的各个区域边缘处的棋盘模式越来越明显，并且全图的像素颗粒越来越粗。证明了空间分辨率是影响图片清晰度的因素之一。

实验（3）：

1.代码实现

I=imread('2012213500.bmp');%读取灰度图片

subplot(221),imshow(I,256),title('256*256,256')%灰度级为256

subplot(222),imshow(I,50),title('256*256,50') %灰度级为50

subplot(223),imshow(I,10),title('256*256,10') %灰度级为10

subplot(224),imshow(I,5),title('256*256,5') %灰度级为5

实

验

原

理

（

算

法

流

程

）

2-1图图像求反、线性灰度变换、对数变换效果对比

3.实验分析

上图中的四幅图片从左到右，从上到下分别是原图、图像求反效果图、图像线性灰度变换效果图、图像对数变换效果图。从上图可看出，原图像与求反图像之间存在很大差异，而求反的操作就是I=256-1-I这条语句实现的，图像可以说是由黑变白。线性灰度变换图像的效果和原图最接近，其主要是将图像灰度级拉伸，增强对比度，将不需要的细节灰度级压缩，所以线性变换图像看起来比原图相对清楚、明亮。而对数是对原图像进行动态范围的的压缩，因此图片的细节可见程度相对明显。

实验（2）：

1.代码实现

I=imread('mandi.tif');

subplot(221),imshow(I),title('原图和其直方图');

subplot(222),imhist(I); %显示图像直方图

I1=histeq(I); %对图像进行直方图均衡化处理

subplot(223),imshow(I1),title('直方图均衡化后的图和其直方图');

subplot(224),imhist(I1); %显示直方图均衡化后的图和其直方图

实

验

原

理

（

算

法

流

程

）

2-2图图片直方图均衡处理效果图和直方图

3.实验分析

由2-2图的直方图均衡处理效果图及其直方图的比较我们可以很容易发现。原图的直方图的灰度值相对集中靠左，所以看原图的效果显得相对较暗，而且动态范围偏小，对比度很低。通过直方图均衡化后的，图像的直方图显示相对平均，而且动态范围也变大了。其主要思想就是通过把原来不均衡的直方图变换为均衡的分布形式，来增强灰度的动态范围，从而达到增强图像整体对比度的效果。

实验（3）：

1.代码实现

f=imread('onion.png');

f=rgb2gray(f); %把彩色图像转换为灰度图像

[M,N]=size(f);

ff1=zeros(M,N);

for i=1:18

ff(:,:,i)=imnoise(f,'gaussian',0,0.02);%添加噪声

实验原理（算法流程）

ff1=ff1+double(ff(:,:,i));

if or(or(i==1,i==3),or(i==9,i==18));

figure;

imshow(uint8(ff1/i));

end

end

2.运行结果

2-3图图像相加求平均去噪效果图

3.实验分析

该实验目的主要是验证通过图像加法求平均能否达到减少噪声，即图像增强功能。上图分别先通过随机高斯噪声处理后，再分别进行1,3,9,18的图像相加求平均，最后得到上图结果。上图，从左至右，从上至下，分别为1,3,9,18求平均。通过图像处理后效果的比较，我们可以得出，相加并求平均的图像数越多，图像去噪增强的效果越明显

实验（4）：

1.代码实现

I=imread('eight.tif');

subplot(231),imshow(I);title('原图');

J=imnoise(I,'gaussian',0,0.01);

subplot(232),imshow(J);title('随机噪声图像');

实验原理（算法流程）subplot(232),imshow(J);title('随机噪声图像');

K=medfilt2(I,[9,9]);%进行9X9模板中值滤波

subplot(233),imshow(K);title('9X9模板中值滤波图');

S=fspecial('sobel'); %应用sobel算子锐化图像

I2=filter2(S,I); %sobel算子滤波锐化

subplot(234),imshow(I2);title('sobel算子锐化图像');

H=fspecial('prewitt'); %应用prewitt算子锐化图像

I3=filter2(H,I); %prewitt算子滤波锐化

subplot(235),imshow(I3);title('prewitt算子锐化图像'); %显示prewitt算子锐化图像

2.运行结果

2-4图图像中值滤波、sobel滤波、prewitt滤波效果图

3.实验分析

2-4图通过相对原图加上随机高斯噪声处理后在分别进行中值滤波、sobel滤波、prewitt滤波处理，得到上面相关过效果图。从上图很直观的可以看出中值滤波的效果

最好。而sobel滤波、prewitt滤波处理后，边缘模糊现象很严重。对于中值滤波，其

在一定的条件下可以克服线性滤波带来的图像细节模糊问题。而该实验采用的是9x9的

实验原理（算法流程）gg=ifftshift(gg);

gg=uint8(real(ifft2(gg)));

subplot(224);imshow(gg);title('巴特沃特高通滤波图');%显示巴特沃特高通滤波图

2.运行结果

2-5图图像的理想低通滤波和巴特沃斯高通滤波效果图

3.实验分析

该实验室将理想的低通滤波与巴特沃特高通滤波效果进行对比。正如2-5图所示，上面一行的为真彩色图和其经转换的灰度图，下面为经过滤波的效果图。从效果看，理想的低通滤波要比巴特沃特高通滤波效果好。然而理想的低通滤波在处理过程中产生了比较严重的模糊现象。而经过巴特沃特高通滤波后区域边界有了明显的增强，灰度动态范围变小，但是整个图的暗度变高了很多。

实验原理（算法流程）MF=imfilter(C,PSF,'circular','conv'); %用PSF产生退化图像subplot(232);imshow(MF);title('运动模糊图');%显示模糊后的运动图像MFN=imnoise(MF,'gaussian',0,0.0000001);%加高斯噪声

subplot(233);imshow(MFN);title('加高斯噪声图');%显示高斯噪声图像noise=imnoise(zeros(size(C)),'gaussian',0,0.8);

NSR=sum(noise(:).^2)/sum(MFN(:).^2);%计算信噪比

subplot(234);imshow(deconvwnr(MFN,PSF));title('逆滤波复原图'); subplot(235);imshow(deconvwnr(MFN,PSF,NSR));title('维纳滤波复原图'); subplot(236);imshow(deconvreg(MFN,PSF,4));title('最小二乘方滤波复原图');

2.运行结果

3-1图图像的逆滤波、维纳滤波、最小二乘方滤波图

实验原理（算法流程）3.实验分析

实验前，现将一副灰度图片进行运动模糊处理，然后加上随机高斯噪声。随后进行逆滤波、维纳滤波、最小二乘方滤波处理。由上面各个图的效果可以看出，维纳滤波和最小二乘方滤波对噪声和运动模糊有相当的好的过滤效果。而逆滤波则出现较多的杂色。

实验（2）：

1.代码实现

C=imread('2012213500.png');

C=rgb2gray(C);

subplot(231);imshow(C);title('灰度原图');%运动模糊处理

LEN=30; %设置运动位移为30像素

THETA=45; %设置运动角度

PSF=fspecial('motion',LEN,THETA); %建立二维仿真线性运动滤波器PSF

MF=imfilter(C,PSF,'circular','conv'); %用PSF产生退化图像

subplot(232);imshow(MF);title('运动模糊图');%显示模糊后的运动图像

MFN=imnoise(MF,'gaussian',0,0.001);%加高斯噪声

subplot(233);imshow(MFN);title('加高斯噪声图');%显示高斯噪声图像

noise=imnoise(zeros(size(C)),'gaussian',0,0.3);

NSR=sum(noise(:).^2)/sum(MFN(:).^2);%计算信噪比

subplot(234);imshow(deconvwnr(MFN,PSF));title('逆滤波复原图');

subplot(235);imshow(deconvwnr(MFN,PSF,NSR));title('维纳滤波复原图');

subplot(236);imshow(deconvreg(MFN,PSF,4));title('最小二乘方滤波复原图');

2.运行结果

3-2-1图高斯参数的设置（0.001,0.3）

实

验

原

理

（

算

法

流

程

）

3-2-1图高斯参数的设置（0.000001,0.9）

3.实验分析

由上面的两个高斯参数可以看出，噪声对以上三种滤波的方式影响很大。高斯噪声参数越大，逆滤波的去噪效果就越差，而维纳滤波和最小二乘方滤波去噪效果就越好。

实验（3）：

1.代码实现

rgb=imread('2012213500.jpg');

subplot(231);imshow(rgb);title('RGB原图');

R=rgb(:,:,1);%提取图像的R、G、B

G=rgb(:,:,2);

B=rgb(:,:,3);

subplot(234);imshow(R);title('图像的R分量图');%显示图像的R、G、B分量图subplot(235);imshow(G);title('图像的G分量图');

subplot(236);imshow(B);title('图像的B分量图');

实验原理（算法流程）R_filt=medfilt2(R,'symmetric'); %对R、G、B分量分别进行中值滤波

G_filt=medfilt2(G,'symmetric');

B_filt=medfilt2(B,'symmetric');

rgb_filtered=cat(3,R_filt,G_filt,B_filt);%将图像合并

subplot(233);imshow(rgb_filtered);title('进行RGB中值滤波后的图'); 2.运行结果

3-3图图像RGB三通道中值滤波效果

3.实验分析

由上面3-3图中的R、G、B分量图可以看出针对自己的通道，分别滤去其他两种颜色，所以结果呈黑色。至于重叠的部分，因为有自己的通道颜色在其中，所以不为黑色。将三个通道分别做中值滤波后在进行组合，得到中值滤波组合图像。从图像的整体上看，和原图像没有太大的区别。

实验原理（算法流程）3.实验分析

由3-4图狠一很清楚的了解到该图像色调、饱和度、强度之间的信息。根据H分量图，可以看出哪个区域最接近那种光的波长；根据S分量图，可以了解颜色的深浅程度，饱和度越高，颜色越深；根据I分量图，可以了解该区域亮度。

实验（5）：

1.代码实现

I=imread('2012213500.png');

subplot(221);imshow(I);title('原图');

%密度分层法

G2C=grayslice(I,128);

subplot(222);imshow(G2C,gray(128));title('密度分层法效果图');

%colormap方法

subplot(223);imshow(I); title('colormap-hot图');

colormap hot;

subplot(224);imshow(I);title('colormap-gray图');

colormap gray;

2.运行结果

3-5图密度分层法转换索引图像