实验一图像增强和图像分割实验

实验一 图像增强和图像分割实验

（1）分别用图中给出的直线和曲线作为增强函数进行增强，比较它们的效果并讨论其特点。

线性变换 对指数变换

图片1 图片2

实验步骤：

1. 在MATLAB 中编写灰度图像的线性变换点运算程序

图片1处理程序

I=imread('图片1.png'); %读入原图像

I=im2double(I);

%转换数据类型为double [M,N]=size(I);

figure(1);

imshow(I);%显示原图像 title('原图像'); figure(2); I=rgb2gray(I);

E2(s)

E3(s)

E1(s)

L-1 L-1E5(s)

E4(s)

L-1

L-1

%转化为灰度图像

[H,x]=imhist(I,64); stem(x,(H/M/N),'.'); title('原图像');

%tan=30`

a=sqrt(3)/3;b=0;

y=a.*I+b;

figure(3);

imshow(y);

title('tan=30'); figure(4);

[H,x]=imhist(y,64); stem(x,(H/M/N),'.'); title('tan=30');

%tan=45`

a=1;b=0;

y=a.*I+b; figure(5);

imshow(y);

title('tan=45'); figure(6);

[H,x]=imhist(y,64); stem(x,(H/M/N),'.'); title('tan=45');

%tan=60`

a=sqrt(3);b=0;

y=a.*I+b;

figure(7);

imshow(y);

title('tan=60'); figure(8);

[H,x]=imhist(y,64); stem(x,(H/M/N),'.'); title('tan=60');

实验结果如下图所示：

原图像

图片1的原图像

tan=30

图片1的30度线性变换图像

tan=45

图片1的45度线性变换图像

tan=60

图片1的60度线性变换图像

tan=30

tan=60

45度变换后的直方图 60度变换后直方图图片2处理程序参考图片1处理程序。图片2实验结果如图所示：

原图像

图片2原图像

tan=30

30度变换后图像

tan=45

45度变换后图像

tan=60

60度变换后图像

2. 实验结果分析

由实验结果可以看出，当按照30度线性变换后图像变暗，按照45度变换后图像没有任何改变，按照60度变换后图像变亮，由变换后的直方图可以确认像素点的变化。由以上分析可以得出，当线性变换函数的斜率大于1时，图像的对比度将增大；当线性变换的斜率小于时，图像的对比度将减小；当线性变换函数的斜率等于1时，图像的对比度不变，只是像素点整体的移动。虽然线性变换可以改变对比度，但是对图像的细节部分增强有限。

1. 在MATLAB 中编写灰度图像的对指数点运算程序 图片1对数处理程序：

I=imread('图片1.png'); %读入原图像

I=im2double(I); %转换数据类型为double I=rgb2gray(I); figure(1);

imshow(I); %显示原图像

title('原图像'); figure(3);

[H,x]=imhist(I,64);

stem(x,(H/M/N),'.'); title('原图像'); figure(2); y=log(I+1); imshow(I);

title('对数变换'); figure(4);

[H,x]=imhist(y,64); stem(x,(H/M/N),'.'); title('对数变换');

实验结果如下图所示：

原图像

图片1直方图 图片1对数变换直方图

对数变换

对数变换后图像

图片1指数处理程序：

I=imread('图片1.png'); %读入原图像

I=im2double(I); %转换数据类型为double I=rgb2gray(I); [M,N]=size(I); figure(1);

imshow(I); %显示原图像 title('原图像');

figure(3);

[H,x]=imhist(I,64); stem(x,(H/M/N),'.'); title('原图像'); figure(2);

imshow(imadjust(I,[],[],3)); figure(4);

[H,x]=imhist(imadjust(I,[],[],4),64); stem(x,(H/M/N),'.'); title('指数变换');

实验结果如下图所示：

图片1直方图 指数变换后直方图

图片1指数变换后图像

图片2对指数处理程序参考图片1处理程序。对指数处理结果如图所示：

指数变换

图片2指数变换后图像

图片2直方图 指数变换后直方图

对数变换后直方图

对数变换

图片2对数变换后图像

2.实验结果分析

A、对数变换

采用对数变换，当函数自变量为低值时，曲线斜率很高；自变量为高值时，曲线斜率变小。由变换后图像和直方图可以得出，对数变换是增强图像中较暗的细节，从而可用来扩展被压缩的高值图像中较暗的像素。

B、指数变换

对数变换采用的是伽玛变换（γ>1），同理图像的高灰度区域对比度得到增加。因为伽玛变换变换不是线性变换，不仅可以改变图像的对比度，还能够增强细节，从而带来整体图像效果的增强和改善。

（2）分别用Roberts算子、Sobel算子、LoG算子和Canny算子进行边缘检测，比较它们的效果并讨论其特点；

图片3 图片4

实验步骤：

1.在MATLAB中编写检测程序

I=imread('图片3.png');

bw1=edge(I,'roberts');

bw2=edge(I,'sobel');

bw3=edge(I,'log');

bw4=edge(I,'canny');

figure(1);imshow(I);title('原图像');

figure(2);imshow(bw1);title('roberts');

figure(3);imshow(bw2);title('sobel');

figure(4);imshow(bw3);title('log');

figure(5);imshow(bw4);title('canny');

实验结果如图所示：

roberts

图片3经过roberts算子检测的图像

sobel

图片3经过sobel算子检测的图像

log

图片3经过LoG算子检测的图像

canny

图片3经过canny算子检测的图像

图片4处理程序参考图片3处理程序。实验结果如下图所示：

roberts sobel

roberts处理后图像 sobel处理后图像

log

canny

LoG处理后图像 canny处理后图像

2.实验结果分析

由实验结果可以看出：

Roberts利用局部差分算子寻找边缘，边缘定位精度较高，但是容易丢失一部分边缘，同时由于图像没经过平滑处理，因此不具备抑制噪声的能力，所以对含噪声少的图像的处理效果较好；

Sobel算子考虑了邻域信息，相当于对图像先做加权平滑处理，然后再做微分运算，虽然能够对噪声有抑制效果，但不能完全排除检测结果中出现的虚假边缘。对

边缘定位准确，但检测出的边缘容易出现多像素宽度；

LoG算子即高斯-拉普拉斯算子，克服了拉普拉斯抗噪声比较差的缺点，但在抑制噪声的同时也可能将原有的比较尖锐的边缘也平滑掉，造成这些尖锐的边缘无法被检测到，但是相对于Roberts算子和Sobel算子处理结果稍好;

Canny算子：在图像边缘检测中，抑制噪声和边缘精确定位是无法同时瞒足的，Canny算子在力图在抗干扰和精确定位之间寻求最佳的折中方案。由图像处理结果可以看出，效果较前三者边缘更细腻、清楚。

从边缘定位的精度看：Roberts算子和LoG算子定位精度更高。

从对不同方向边缘的敏感性而言：Sobel算子检测斜向阶跃边缘效果较好；Roberts算子检测水平和垂直边缘效果较好；LoG算子不具备边缘方向检测能力；Soberl算子可以提供最精确的边缘方向估计。

从去噪能力看：Roberts算子和LoG算子虽然定位精度较高，但受噪声影响大。

从总体效果来衡量，Canny算子给出了一种边缘定位精确性和抗噪声干扰性的较好折中。

（3）采用不同阈值化方法（固定阈值、迭代阈值、Otsu阈值等）对图像进行分割，比较它们的效果并讨论其特点；

图片5 图片6

实验步骤：

1.固定阈值：

I=imread('图片5.png');

figure(1);imshow(I);title('原图像');

figure(2);imhist(I);title('直方图');

i=1;j=1;

for i=1:1:256

for j=1:1:256

if (I(i,j)<=129)

I(i,j)=0;

else I(i,j)=255;

end

end

end

figure(3);imshow(I);title('129阈值');

100

200

300

400

500

600

700

800

900

1000

直方图

050100150200250

129阈值

图片5直方图取129阈值分割

图片6处理过程参考图片5。实验结果如图所示：

直方图

050100150200250

83

图片6直方图取83阈值分割

2.迭代阈值：

I=imread('图片5.png');

ZMAX=max(max(I)); %取出最大灰度值

ZMIN=min(min(I)); %取出最小灰度值

TK=(ZMAX+ZMIN)/2;

bcal=1;

ISIZE=size(I); %读出图像大小

while(bcal)

iForeground=0; %定义前景和背景数

iBackground=0;

ForegroundSum=0;

%定义前景和背景灰度总和

BackgroundSum=0;

for i=1:ISIZE(1)

for j=1:ISIZE(2)

tmp=I(i,j);

if(tmp>=TK)

iForeground=iForeground+1;

ForegroundSum=ForegroundSum+double(tmp);

%前景灰度值

else

iBackground=iBackground+1;

BackgroundSum=BackgroundSum+double(tmp);

end

end

end

ZO=ForegroundSum/iForeground;

%计算前景和背景的平均值

ZB=BackgroundSum/iBackground;

TKTmp=uint8(ZO+ZB)/2;

if(TKTmp==TK )

bcal=0;

else

TK=TKTmp;

end

%当阈值不再变化的时候，说明迭代结束

end

disp(strcat('迭代后的阀值：

',num2str(double(TK))));

%显示最终阈值

newI=im2bw(I,double(TK)/255);

figure(1);imshow(I);title('原始图像');

figure(2);imshow(newI);title('迭代法分割') 实验结果：

迭代后的阀值：128

迭代法分割

图片5迭代分割图片6处理过程同上，实验结果如图所示：迭代后的阀值：104

迭代法分割

图片6迭代分割

3. Otsu 阈值：

I = imread('图片5.png'); level = graythresh(I); BW = im2bw(I,level);

figure(1);imshow(I);title('原图像'); figure(2); imshow(BW);title('otsu');

实验结果：

Level=0.5137

otsu

Otsu 阈值分割

图片6处理过程同上，实验结果如下： Level=0.4039；

otsu

Otsu 阈值分割