图像处理实验任务书2011版

《图像处理》实验指导书

10学时

指导教师：蒋旻、付晓薇

实验报告要求

1、做好实验相关预习工作，了解实验的目的与内容。每次实验报告中，首先

写清实验目的。然后，写出实验内容中的题目、程序清单（加上必要注释）、程序运行结果 (可将图像处理效果图附在实验报告中；对综合应用性较高的题目，要求在给出代码前，绘制算法设计的流程图）。最后，给出100字以内的实验体会或总结。要求必须写在实验报告中，图片效果可以剪贴到报告册上。每次实验报告首页页眉写上实验时间、指导老师姓名。

2、实验报告要求手写在实验报告册中，请勿打印。

实验一Matlab图像显示与图像运算

（2学时）

【实验目的】

1、熟悉Matlab的编程环境及其基本用法；

2、掌握MATLAB语言中图像数据与信息的读取方法；了解m文件的编写与调试方法；

3、熟悉图像点运算和代数运算的实现方法；

4、掌握Matlab图像几何变换的基本函数；

5、了解图像几何运算的简单应用；

【实验内容】

1、Introduction

In the following we give a short overview on a very limited set of basic image processing functions provided by MATLAB. The function descriptions only cover the basic usage, more detailed information can be found in the manual pages by typing doc functionName at the MATLAB command line. MATLAB provides with it’s im age processing toolbox many powerful and very efficient image processing functions (see function list of the image processing toolbox). With this it is very simple to implement complex image processing applications, especially for fast prototyping. On the backside, a lot of understanding how image processing works is hidden within black boxes and temps to make things more complicate than they really are.

2、Image representation

In MATLAB a binary and gray-scale image is represented by one 2-dimensional array, whereas a color image are represented by a 3-dimensional array (one 2-dimensional array for each of the color planes or color channels red, green and blue):

The origin of the image is in the upper left and the size of the image is defined by the parameter width (number of columns of the array) and height (number of rows of the array). Note that the x- and y-coordinates are chosen such that the z-axis points to the front.

A single point within the image is called pixel. A gray-scale or binary pixel consists of one data value, a color pixel consists of 3 data values (each for one of the color channels). The most common data types of the individual pixels are:

uint8 unsigned integer: data range 0..255

double double precision float: data range 0.0 ... 1.0

Bi nary images have pixel values of 0’s and 1’s resp. 0.0 and 1.0. In the case of uint8 images, the logical flag must be turned on, to be recognized as binary image (for details see below).

Be careful with data types in MATLAB. Many of the predefined functions, e.g. imadd(img1, img2) which adds two images, just truncates data values to 255 on uint8-arrays ... make sure if that is what you want.

Hints:

To avoid problems with data types, especially when working with predefined image processing functions, it is advisory to work with type double and make sure that data is scaled to the range 0 ...

1.0.

3、Basic MATLAB functions

3.1 MATLAB manual

doc functionname displays the manual for the MATLAB function functionname

doc images the manual for the image processing toolbox

doc imaq the manual for the image acquisition toolbox

3.2 Image information

imfinfo(’foo.ext’)displays information on image format etc. of the file foo.ext

imformats displays an overview of all MATLAB image formats

whos img displays information about the array img: size, data type, etc.

3.3 Reading, writing and displaying images

myImg = imread(’foo.ext’)reads file foo.ext into array myImg, image format is determined by

the file extension (jpg, tiff, tif, gif, bmp, png, ...)

imwrite(anImg, ’foo.ext’)writes the image anImg to the file foo.ext, where the image format is

chosen according to the extension ext. Valid extensions are: tif, tiff,

jpg, jpeg, gif, png

imshow(myImg) displays the image myImg as gray-scale, binary or color image depending on the data type of myImg

imshow(myImg,[]) the image myImg as gray-scale, binary or color image depending on

the data type of myImg and scales the image properly

figure(n) opens a new window with number n, the next call to imshow()

displays the image within this window

3.4 Basic image processing functions

islogical(binImg) checks whether array binImg has the logical flag set or not

(returns value 1 or 0)

img = uint8(zeros(512,1024)) creates a black image with width 1024 and height 512 of type

uint8

img = uint8(255*ones(512,1024)) creates a white image with width 1024 and height 512 of type

uint8

img = double(zeros(512,1024)) creates a black image with width 1024 and height 512 of

type double

img = double(ones(512,1024)) creates a white image with width 1024 and height 512 of

type double

[height width d] = size(myImg) retrieves height and width and stores the values in

variables height and width, d ist set to the array

dimension.

red = myImg(:,:,1) stores the red component of myImg (rgb-image) in array red green = myImg(:,:,2) stores the red component of myImg in array green

blue = myImg(:,:,3) stores the red component of myImg in array blue

mx = max(myImg(:))) computes the maximum value of an 2-d array

mi = min(myImg(:))) computes the minimum value of an 2-d array

img = double(myImg)/255 converts an uint8 array to a double array (no scaling) img = double(myImg)/double(mx) converts uint8 to double and scales maximum to 1.0

i mg = uint8(anImg*255) converts a double array to an unit8 array and rescales the

array to the proper data range

bw = logical(binImg) sets the logical flag on the unit8 array binImg (data values

0 and 1), array bw is then interpreted as a black and white

image and logical operations can be applied

gray = (+bw)*255 turns the logical flag off and rescales the array bw to be

displayed as unit8 array

3.5 Examples

3.5.1 Scaling images

The following two statements scale a double type image to the range 0.0 ... 1.0. This is important, when the image contains negative pixel values, as e.g. after applying edge detection algorithms.

f = f - min(f(:));

f = f / max(f(:));

3.5.2 Color planes

The green and red color plane of image rgbimage.jpg are swapped:

f = imread(’rgbimage.jpg’);

red = f(:,:,1);

g(:,:,1) = f(:,:,2);

g(:,:,2) = red;

g(:,:,3) = f(:,:,3);

imshow(g);

3.5.3 Individual pixel processing

The intensity of the red color channel of rgbImage.jpg is divided by 2.

f = imread(’rgbImage.jpg’);

[M N d] = size(f);

g = unint8(zeros(M,N,3));

for x = 1:M

for y = 1:N

g(x,y,1) = f(x,y,1) / 2;

g(x,y,2) = f(x,y,2);

g(x,y,3) = f(x,y,3);

end;

end;

imshow(g);

Using the MATLAB array notation, this may be written as:

f = imread(’rgbImage.jpg’);

g = f;

g(:,:,1) = g(:,:,1) / 2;

imshow(g);

The image color image rgbImage.jpg is converted to a grayscale image, by simply computing the mean of the three color channels (one possible method) and then stored in file grayImage.jpg. Note that the quality of the resulting image is set to 100 (no data loss):

f = imread(’rgbImage.jpg’);

[M N d] = size(f);

g = unint8(zeros(M,N));

for x = 1:M

for y = 1:N

g(x,y) = (f(x,y,1) + f(x,y,2) + f(x,y,3)) / 3;

% The line above doesn’t work.

% Overflow occurs, while processing uint8, because

% the value range in the intermediate results are limited to 255

g(x,y) = (f(x,y,1)/3 + f(x,y,2)/3 + f(x,y,3)/3);

end;

end;

imshow(g);

imwrite(g, ’grayImage.jpg’, ’Quality’, 100);

Using the MATLAB array notation, this may be written as:

f = imread(’rgbImage.jpg’);

g = uint8(mean(f,3));

imshow(g);

imwrite(g, ’grayImage.jpg’, ’Quality’, 100);

The image grayImage.jpg is slightly blurred by computing the mean of a 3x3 pixel environment and by setting the resulting center pixel to this mean value:

f = imread(’grayImage.jpg’);

[M N d] = size(f);

g = unint8(zeros(M,N));

for x = 2:M-1

for y = 2:N-1

sum = f(x-1,j-1) + f(x-1,j) + f(x-1,y+1);

sum = sum + f(x,y-1) + f(x,y) + f(x,y+1);

sum = sum + f(x+1,y-1) + f(x+1,y) f(x+1,y+1);

rImg(x,y) = unint8(sum/9);

end;

end;

imshow(g);

The same functionality could be achieved, by using MATLAB’s powerful image processing functions and in addition avoids the boundary problem:

f = imread(’grayImage.jpg’);

h = fspecial(’average’,3)

g = imfilter(f, h, ’replicate’);

imshow(g);

4、上机编程题思考题

4.1 读入图像‘rice.tif’，通过图像点运算改变对比度。

rice=imread('rice.tif');

subplot(131),imshow(rice)

I=double(rice); %转换为双精度类型

J=I*0.43+60;

rice2=uint8(J); %转换为uint8

subplot(132),imshow(rice2)

J=I*1.5-60;

rice3=uint8(J); %转换为uint8

subplot(133),imshow(rice3)

4.2 读入图像‘ic.tif’，改变图像大小，分别将原图像放大1.5倍和缩小0.5倍。

I=imread('ic.tif');

J=imresize(I,1.25);

K=imresize(I,0.8);

imshow(I)

figure,imshow(J)

figure,imshow(K)

Y=imresize(I,[100,150]);

figure,imshow(Y)

4.3 将上述图像顺时针和逆时针旋转任意角度，观察显示效果。

I=imread('ic.tif');

J=imrotate(I,30,'bilinear');

J1=imrotate(I,30,'bilinear','crop');

imshow(I)

figure,imshow(J)

figure,imshow(J1)

J2=imrotate(I,-15,'bilinear');

figure,imshow(J2)

4.4 通过交互式操作，从一幅图像中剪切一个矩形区域。

I=imread('ic.tif');

imshow(I);

I1=imcrop;

figure,imshow(I1)

I2=imcrop(I,[30 60 120 160]);

figure,imshow(I2)

4.5 读入图像‘tire.tif’，分别使用函数nlfilter和blkproc对图像进行滑动邻域操作和分离邻域操作。

I=imread('tire.tif');

f=inline('max(x(:))'); %构造复合函数

I2=nlfilter(I,[3 3],f); %滑动邻域操作

imshow(I)

figure,imshow(I2)

I=imread('tire.tif');

f=inline('uint8(round(mean2(x)*ones(size(x))))'); %构造复合函数

I2=blkproc(I,[8 8],f); %滑动邻域操作

imshow(I)

figure,imshow(I2)

4.6 对图像rice.tif和cameraman.tif进行图像叠加、旋转运算。

I=imread('rice.tif'); %读取图像

J=imread('cameraman.tif');

K=imadd(I,J,'uint16');％图像的叠加

subplot(1,2,1),imshow(K,[])

J=imrotate(K,-90,'bilinear');％图像顺时针旋转９０度

subplot(1,2,2),imshow(J,[])

4.7 分别显示彩色图像flowers.tif的R、G、B三基色图像。

I=imread('flowers.tif');

R=I(:,:,1);％图像的红色分量

G=I(:,:,2);％图像的绿色分量

B=I(:,:,3); ％图像的蓝色分量

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

subplot(2,2,2),imshow(R);

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

subplot(2,2,4),imshow(B);

备注：例如，在红色分量图像中，白色代表红色数值浓度最高的区域．图像中的黑色区域说明该区域不包含任何红色数值，即R=0.

实验二图像直方图均衡化与图像滤波

（2学时）

【实验目的】

1、了解图像直方图的基本数学原理,会编写相应的m函数文件；

2、掌握matlab图像直方图均衡化、规定化函数.理解图像直方图处理的意义；

3、掌握噪声模拟和图像滤波函数的使用方法；

4、理解图像均值滤波、中值滤波的基本原理,掌握Matlab图像滤波基本函数的使用方法。

【实验内容】

1、直方图变换

1.1 直方图显示

读入图像‘rice.tif’，在一个窗口中显示灰度级n=64，128和256的图像直方图。

I=imread('rice.tif');

imshow(I)

figure,imhist(I,64)

figure,imhist(I,128)

1.2直方图灰度调节

利用函数imadjust调解图像灰度范围，观察变换后的图像及其直方图的变化。

I=imread('rice.tif');

imshow(I)

figure,imhist(I)

J=imadjust(I,[0.15 0.9],[0 1]);

figure,imhist(J)

figure,imshow(J)

I=imread('cameraman.tif');

imshow(I)

figure,imhist(I)

J=imadjust(I,[0 0.2],[0.5 1]);

figure,imhist(J)

figure,imshow(J)

1.3直方图均衡化

分别对图像‘pout.tif’和‘tire.tif’进行直方图均衡化处理，比较处理前后图像及直方图分布的变化。

I=imread('pout.tif');

imshow(I)

figure,imhist(I)

J=histeq(I);

figure,imhist(J)

figure,imshow(J)

I=imread('tire.tif');

imshow(I)

figure,imhist(I)

J=histeq(I);

figure,imshow(J)

figure,imhist(J)

2、空域滤波增强

2.1噪声模拟

利用函数imnoise给图像‘eight.tif’分别添加高斯(gaussian)噪声和椒盐(salt & pepper)噪声。

I=imread('eight.tif');

imshow(I)

I1=imnoise(I,'gaussian',0,0.01);

figure,imshow(I1)

I2=imnoise(I,'salt & pepper');

figure,imshow(I2)

2.2空域滤波

对上述噪声图像进行均值滤波和中值滤波，比较滤波效果。

I=imread('eight.tif');

J=imnoise(I,'salt & pepper',0.02);

imshow(J)

K1=medfilt2(J,[3 3]); % 3*3中值滤波

figure,imshow(K1)

K2=filter2(fspecial('average',5),J)/255;

figure,imshow(K2)

均值滤波和中值滤波的特点及使用场合

均值滤波器是一种最常用的线性低通平滑滤波器。可抑制图像中的噪声,但同时也使图像变得模糊；中值滤波器是一种最常用的非线性平滑滤波器。可消除图像中孤立的噪声点，又可产生较少的模糊。

3、自己编写m文件代码，实现求灰度图像的灰度直方图，并与imhist函数的结果比较。

4、先对图像rice.tif进行直方图均衡化处理，并绘制直方图均衡化的转移函数的变换曲线.然后对图像rice.tif均衡化成32个灰度级的直方图作为原始图像得期望直方图.并说明图像处理的效果差别。

I=imread('rice.tif');

J=histeq(I);

subplot(2,2,1),imshow(I),title('原是图像')

subplot(2,2,2),imshow(J),title('直方图均衡化图像')

subplot(2,2,3),imhist(I),title('原是图像直方图')

subplot(2,2,4),imhist(J),title('直方图均衡化图像直方图')

I=imread('rice.tif');

[J,T]=histeq(I);%进行直方图均衡化

figure,plot((0:1/255:1),T) %绘制转移函数的变换曲线

由处理效果图可见图像经过直方图均衡化图像的细节更加清楚了，均衡化图像的动态范围扩大了。但是由于直方图的均衡化没有考虑图像的内容,只是简单地将图像进行直方图均衡,使图像看起来亮度过高,也就是说直方图的方法不够灵活,于是又提出了其他的图像增强的方法。

下面是用将图像rice.tif均衡化成32个灰度级的直方图作为原始图像的期望直方图，对图像rice.tif进行直方图规定化的程序清单：

I=imread('rice.tif');

J=histeq(I,32);

[counts x]=imhist(J);

figure(2)

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

subplot(2,2,2),imhist(I)

M=histeq(I,counts);

subplot(2,2,3),imshow(M)

subplot(2,2,4),imhist(M)

5、对一个图像进行不同大小模板的均值滤波，并比较结果。

I=imread('eight.tif');

J=imnoise(I,'salt & pepper',0.02); %对指定的图像加入椒盐噪声

subplot(2,2,1),imshow(J);title('含噪声的图像');

K1=filter2(fspecial('average',3),J)/255; %进行3*3模板的均值滤波

K2=filter2(fspecial('average',5),J)/255; %进行5*5模板的均值滤波

K3=filter2(fspecial('average',7),J)/255; %进行7*7模板的均值滤波

subplot(2,2,2),imshow(K1);title('3*3模板的均值滤波后的图像');

subplot(2,2,3),imshow(K2);title('5*5模板的均值滤波后的图像');

subplot(2,2,4),imshow(K3);title('7*7模板的均值滤波后的图像');

结果分析：

对以上用不同尺寸的滤波器模板进行滤波操作的图像进行比较，可以看到：

随着所使用的滤波器尺寸的增大，消除噪声的效果得到了增强；但是，图像的细节锐化程度相应降低，图像变得模糊起来。

6、对一个图像进行不同大小模板的中值滤波，并比较结果。

I=imread('eight.tif');

J=imnoise(I,'salt & pepper',0.02); %对指定的图像加入椒盐噪声

subplot(2,2,1),imshow(J);title('含噪声的图像');

K1=medfilt2(J,[3 3]) %进行3*3模板的中值滤波

K2=medfilt2(J,[5 5]) %进行5*5模板的中值滤波

K3=medfilt2(J,[7 7]) %进行7*7模板的中值滤波

subplot(2,2,2),imshow(K1);title('3*3模板的中值滤波后的图像');

subplot(2,2,3),imshow(K2);title('5*5模板的中值滤波后的图像');

subplot(2,2,4),imshow(K3);title('7*7模板的中值滤波后的图像');

结果分析：

可以看到，中值滤波不像均值滤波器那样使图像的边界模糊，它在衰减噪声的同时，使图像的细节清楚。

7、自己编写m文件代码，实现某幅图像的3*3的均值滤波。

实验三图像频域变换及应用

（2学时）

【实验目的】

1、了解傅立叶变换、离散余弦变换及Radon变换在图像处理中的应用；

2、掌握Matlab图像频域变换的基本函数的使用；

3、理解图像频域变换的意义；

【实验内容】

1、傅立叶变换

1.1 绘制一个二值图像矩阵,并将其傅立叶函数可视化。

f=zeros(30,30);

f(5:24,13:17)=1;

imshow(f,'notruesize')

F=fft2(f);

F2=log(abs(F));

figure,imshow(F2,[-1 5],'notruesize');colormap(jet);

F=fft2(f,256,256); %零填充为256×256矩阵

figure,imshow(log(abs(F)),[-1 5],'notruesize');colormap(jet);

F2=fftshift(F); %将图像频谱中心由矩阵原点移至矩阵中心

figure,imshow(log(abs(F2)),[-1 5],'notruesize');colormap(jet);

1.2 利用傅立叶变换分析两幅图像的相关性，定位图像特征。读入图像‘text.tif’，抽取其中的字母‘a’。

bw=imread('text.tif');

a=bw(59:71,81:91);

imshow(bw);

figure,imshow(a);

C=real(ifft2(fft2(bw).*fft2(rot90(a,2),256,256)));%求相关性

figure,imshow(C,[]);

thresh=max(C(:));

figure,imshow(C>thresh-10)

figure,imshow(C>thresh-15)

2、离散余弦变换(DCT)

2.1 使用dct2对图像‘autumn.tif’进行DCT变换。

RGB=imread('autumn.tif');

imshow(RGB)

I=rgb2gray(RGB); %转换为灰度图像

figure,imshow(I)

J=dct2(I);

figure,imshow(log(abs(J)),[]),colormap(jet(64));colorbar;

2.2 将上述DCT变换结果中绝对值小于10的系数舍弃，使用idct2重构图像并与原图像比较。

RGB=imread('autumn.tif');

I=rgb2gray(RGB); %转换为灰度图像

J=dct2(I);

figure,imshow(I)

K=idct2(J);

figure,imshow(K,[0 255])

J(abs(J)<10)=0; %舍弃系数

K2=idct2(J);

figure,imshow(K2,[0 255])

2.3 利用DCT变换进行图像压缩。

I=imread('cameraman.tif');

I=im2double(I);

T=dctmtx(8);

B=blkproc(I,[8,8],'P1*x*P2',T,T');

mask=[1 1 1 1 0 0 0 0

1 1 1 0 0 0 0 0

1 1 0 0 0 0 0 0

1 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0];

B2=blkproc(B,[8 8],'P1.*x',mask);

I2=blkproc(B2,[8 8],'P1*x*P2',T',T);

imshow(I)

figure,imshow(I2)

3、Radon变换

3.1 使用Radon逆变换重建图像。

P=phantom(256); %创建256灰度级大脑图

imshow(P)

theta1=0:10:170;[R1,xp]=radon(P,theta1); %18个投影

theta2=0:5:175; [R2,xp]=radon(P,theta2); %36个投影

theta3=0:2:178; [R3,xp]=radon(P,theta3); %90个投影

figure,imagesc(theta3,xp,R3);colormap(hot);colorbar

% 使用逆变换重构图像

I1=iradon(R1,10); %用R1重构图像

I2=iradon(R2,5); %用R2重构图像

I3=iradon(R3,2); %用R3重构图像

figure,imshow(I1)

figure,imshow(I2)

figure,imshow(I3)

4、上机编程题思考题

4.1 绘制一个二值图像矩阵，并将其傅里叶函数可视化。

说明：这个例子将创建一个矩阵，然后用一个二进制图像显示。再对这个图像矩阵做傅里叶变换，显示其幅值。

%创建矩阵

f=zeros(40,40);

f(5:24,13:17)=1;

subplot(1,2,1),imshow(f);title('矩阵的显示');

%进行图像f的傅里叶变换

F=fft2(f);

%对幅值取对数

F2=log(abs(F));

subplot(1,2,2),imshow(F2,[-1 5],'notruesize');title('傅里叶变换显示');

4.2 调试如下程序。分析该程序的功能，写上必要注释。

figure(1);

f=imread('f:\双语教学\2007双语课件\图片\room.bmp');

f=rgb2gray(f);

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

F=fft2(f);

S=fftshift(log(1+abs(F)));

S=gscale(S);

subplot(2,2,2),imshow(S)

h=fspecial('sobel')';

PQ=paddedsize(size(f));

H=freqz2(h,PQ(1),PQ(2));

H1=double(ifftshift(H));

subplot(2,2,3),imshow(abs(H),[])

subplot(2,2,4),imshow(abs(H1),[])

gs=imfilter(double(f),h); %generate the filtered images in the spatial domain. gf=dftfilt(f,H1); %generate the filtered images in the spatial domain.

figure(2);

subplot(3,2,1),imshow(gs,[])

subplot(3,2,2),imshow(gf,[])

subplot(3,2,3),imshow(abs(gs),[])

subplot(3,2,4),imshow(abs(gf),[])

subplot(3,2,5),imshow(abs(gs)>0.2*abs(max(gs(:))))

subplot(3,2,6),imshow(abs(gf)>0.2*abs(max(gs(:))))

4.3 对图像autumn.tif进行离散余弦变换,并对处理后图像进行简单分析。

RGB=imread('autumn.tif');

%将彩色图像转换为灰度图像

I=rgb2gray(RGB);

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

title('原始图像')

%进行离散余弦变换

J=dct2(I);

subplot(1,2,2),imshow(log(abs(J)),[]);

title('DCT结果')

从显示结果可以看出，图像的能量很大一部分在变换矩阵的左上角。

实验四图像形态学操作及其应用

（2学时）

【实验目的】

1、掌握图像二值形态学基本运算；

2、掌握MATLAB图像膨胀、腐蚀、开启、闭合等形态学操作函数的使用；

3、了解二进制图像的形态学应用；

4、了解空间变换函数及图像匹配方法；

5、理解图像对象标记的原理，理解图像形态学操作在目标特征提取中的意义；

【实验内容】

1、图像膨胀

1.1 对包含矩形对象的二进制图像进行膨胀操作。

BW=zeros(9,10);

BW(4:6,4:7)=1;

imshow(BW,'notruesize')

se=strel('square',3); %正方形结构元素

BW2=imdilate(BW,se);

figure,imshow(BW2,'notruesize')

1.2 改变上述结构元素类型(如：line, diamond, disk等)，重新进行膨胀操作。对图像‘text.tif’进行上述操作，观察不同结构元素膨胀的效果。

BW3=imread('text.tif');

imshow(BW3)

se2=strel('line',11,90); %线型结构元素

BW4=imdilate(BW3,se2);

figure,imshow(BW4)

2、图像腐蚀

2.1 对图像‘circbw.tif’进行腐蚀操作。

BW1=imread('circbw.tif');

se=strel('arbitrary',eye(5));

BW2=imerode(BW1,se);

imshow(BW1)

figure,imshow(BW2)

2.2 对图像‘text.tif’进行腐蚀操作。

BW=imread('text.tif');

se=strel('line',11,90);

BW2=imerode(BW3,se);

imshow(BW)

figure,imshow(BW2)

3、膨胀与腐蚀的综合使用

3.1 从原始图像‘circbw.tif’中删除电流线,仅保留芯片对象。

方法一：先腐蚀(imerode)，再膨胀(imdilate)；

BW1=imread('circbw.tif');

imshow(BW1)

se=strel('rectangle',[40 30]); %选择适当大小的矩形结构元素

BW2=imerode(BW1,se); %先腐蚀,删除较细的直线

figure,imshow(BW2)

BW3=imdilate(BW2,se); %再膨胀,恢复矩形的大小

figure,imshow(BW3)

方法二：使用形态开启函数(imopen)。

BW1=imread('circbw.tif');

imshow(BW1)

se=strel('rectangle',[40 30]);

BW2=imopen(BW1,se); %开启操作

figure,imshow(BW2)

3.2 改变结构元素的大小，重新进行开启操作，观察处理结果。

se=strel(‘rectangle’,[20 10]);

se=strel(‘rectangle’,[50 40]);

3.3 置结构元素大小为[4 3],同时观察形态开启(imopen)与闭合(imclose)的效果，总结形态开启与闭合在图像处理中的作用。

I=imread('circbw.tif');

imshow(I)

se=strel('rectangle',[4 3]);

I1=imopen(I,se); %开启操作

I2=imclose(I,se); %闭合操作

figure,imshow(I1)

figure,imshow(I2)

4、高帽与低帽变换

读入图像‘pearlite.tif’，分别显示其高帽变换与低帽变换结果，并与原图像比较。（设se=strel('disk',5);）。

I=imread('pearlite.tif');

subplot(221),imshow(I)

se=strel('disk',5);

J=imtophat(I,se);

subplot(222),imshow(J)

K=imbothat(I,se);

subplot(223),imshow(K)

L=imsubtract(imadd(J,I),K);

subplot(224),imshow(L)

5、图像极值的处理方法

5.1 对于下图所示的图像矩阵A，利用函数imregionalmax寻找其局部极大值

A=[10 10 10 10 10 10 10 10 10 10;

10 13 13 13 10 10 11 10 11 10;

10 13 13 13 10 10 10 11 10 10;

10 13 13 13 10 10 11 10 11 10;

10 10 10 10 10 10 10 10 10 10;

10 11 10 10 10 18 18 18 10 10;

10 10 10 11 10 18 18 18 10 10;

10 10 11 10 10 18 18 18 10 10;

10 11 10 11 10 10 10 10 10 10;

10 10 10 10 10 10 11 10 10 10];

B=imregionalmax(A)

5.2 利用函数imextendedmax寻找像素值大于其邻域像素值2个单位的局部极大值。C=imextendedmax(A,2)

*创建一幅图像,求其距离矩阵。

bw=zeros(5,5);

bw(2,2)=1;bw(4,4)=1;

D=bwdist(bw)

center1=-10;

center2=-center1;

dist=sqrt(2*(2*center1)^2);

radius=dist/2*1.4;

lims=[floor(center1-1.2*radius) ceil(center2+1.2*radius)];

[x,y]=meshgrid(lims(1):lims(2));

bw1=sqrt((x-center1).^2+(y-center2).^2)<=radius;

bw2=sqrt((x-center2).^2+(y-center2).^2)<=radius;

bw1=sqrt((x-center1).^2+(y-center1).^2)<=radius;

bw=bw1|bw2;

imshow(bw)

D=bwdist(bw);

figure,imshow(D,[ ])

D1=bwdist(~bw);

figure,imshow(D1,[ ])

6、使用伪彩色显示标记矩阵

BW=[0 0 0 0 0 0 0 0;

0 1 1 0 0 1 1 1;

0 1 1 0 0 0 1 1;

0 1 1 0 0 0 0 0;

0 0 0 1 1 0 0 0;

0 0 0 1 1 0 0 0;

0 0 0 1 1 0 0 0;

0 0 0 0 0 0 0 0]

X=bwlabel(BW,4)

RGB=label2rgb(X,@jet,'k');

imshow(RGB,'notruesize')

7、利用选择控制点实现图像匹配

Matlab图像匹配的步骤：

将标准图像和待匹配图像读入Matlab；指定图像中的控制点对并保存；使用互相关性进一步协调控制点对（可选）；制定所需变换类型并根据控制点对推断变换参数；变换未匹配的图像。%读入待匹配图像和标准图像

unr = imread('westconcordaerial.png');

imshow(unr)

orthophoto = imread('westconcordorthophoto.png');

figure,imshow(orthophoto)

%选择图像中对应的控制点

cpselect(unr(:,:,1),orthophoto)

%保存控制点对

input_points

base_points

%使用相关性进一步协调控制点对

input_points_corr=cpcorr(input_points,base_points,unr(:,:,1),orthophoto);

input_points_corr

%根据控制点对推断空间变换参数

mytform=cp2tform(input_points,base_points,'projective');

%变换未匹配的图像

registered=imtransform(unr,mytform);

figure,imshow(registered)

8、上机编程题思考题

8.1 用形态学算子去掉图像circles.tif的内点，抽取骨架和细化。

BW1=imread('D:\MATLAB6p5\toolbox\images\imdemos\circles.tif');

imshow(BW1);

%用形态学算子去除图像的内点

BW2=bwmorph(BW1,'remove');

%用形态学算子抽取图像的骨架

BW3=bwmorph(BW1,'skel',Inf);

%用形态学算子细化图像

BW4=bwmorph(BW1,'thin',Inf);

subplot(2,2,1);

imshow(BW1);title('原图像');

subplot(2,2,2);