实验六-图像分割
图像分割处理实验报告
图像分割处理实验报告1. 引言图像分割是计算机视觉中的重要任务之一，其目标是将图像划分成具有相似特征的子区域。
图像分割在很多应用领域中都有着广泛的应用，比如医学影像分析、目标检测和图像编辑等。
本实验旨在探索不同的图像分割算法，并比较它们在不同场景下的效果和性能。
2. 实验方法2.1 实验数据本实验选取了一组包含不同场景的图像作为实验数据集，包括自然景观、人物肖像和城市街景等。
每张图像的分辨率为500x500像素。
2.2 实验算法本实验使用了两种经典的图像分割算法进行比较，分别是基于阈值的分割和基于边缘的分割。
2.2.1 基于阈值的分割基于阈值的分割算法是一种简单而直观的方法，其原理是根据像素值的亮度信息将图像分割成不同的区域。
在本实验中，我们将图像的灰度值与一个事先设定的阈值进行比较，如果大于阈值则设为白色，否则设为黑色，从而得到分割后的图像。
2.2.2 基于边缘的分割基于边缘的分割算法利用图像中的边缘信息进行分割，其原理是检测图像中的边缘并将其作为分割的依据。
在本实验中，我们使用了Canny边缘检测算法来提取图像中的边缘信息，然后根据边缘的位置进行分割。
2.3 实验流程本实验的流程如下：1. 加载图像数据集；2. 对每张图像分别应用基于阈值的分割算法和基于边缘的分割算法；3. 计算分割结果和原始图像之间的相似度，使用结构相似性指标（SSIM）进行评估；4. 分析并比较两种算法在不同场景下的分割效果和性能。
3. 实验结果3.1 分割效果实验结果表明，基于阈值的分割算法在处理简单场景的图像时效果较好，可以比较准确地将图像分割为目标区域和背景。
然而，当图像的复杂度增加时，基于阈值的分割算法的效果明显下降，往往会产生较多的误分割。
相比之下，基于边缘的分割算法在处理复杂场景的图像时表现良好。
通过提取图像的边缘信息，该算法能够较准确地分割出图像中的目标区域，相比于基于阈值的分割算法，其产生的误分割较少。
3.2 性能评估通过计算分割结果和原始图像之间的SSIM指标，我们可以得到两种算法在不同场景下的性能评估。
图像分割 实验报告
图像分割实验报告图像分割实验报告一、引言图像分割是计算机视觉领域中的一个重要研究方向，它旨在将一幅图像分割成具有语义意义的不同区域。
图像分割在许多应用中发挥着关键作用，如目标检测、场景理解和医学图像处理等。
本实验旨在探索不同的图像分割方法，并对其进行比较和评估。
二、实验方法本实验选择了两种常用的图像分割方法：基于阈值的分割和基于边缘的分割。
首先，我们使用Python编程语言和OpenCV库加载图像，并对图像进行预处理，如灰度化和平滑处理。
接下来，我们将详细介绍这两种分割方法的实现步骤。
1. 基于阈值的分割基于阈值的分割是一种简单而常用的分割方法。
它通过将图像像素的灰度值与预先设定的阈值进行比较，将像素分为前景和背景两类。
具体步骤如下：（1）将彩色图像转换为灰度图像。
（2）选择一个适当的阈值，将图像中的像素分为两类。
（3）根据阈值将图像分割，并得到分割结果。
2. 基于边缘的分割基于边缘的分割方法是通过检测图像中的边缘来实现分割的。
边缘是图像中灰度变化剧烈的区域，通常表示物体的边界。
具体步骤如下：（1）将彩色图像转换为灰度图像。
（2）使用边缘检测算法（如Canny算法）检测图像中的边缘。
（3）根据边缘信息将图像分割，并得到分割结果。
三、实验结果与讨论我们选择了一张包含多个物体的彩色图像进行实验。
首先，我们使用基于阈值的分割方法对图像进行分割，选择了适当的阈值进行实验。
实验结果显示，基于阈值的分割方法能够将图像中的物体与背景分离，并得到较好的分割效果。
接下来，我们使用基于边缘的分割方法对同一张图像进行分割。
实验结果显示，基于边缘的分割方法能够准确地检测出图像中的边缘，并将图像分割成多个具有边界的区域。
与基于阈值的分割方法相比，基于边缘的分割方法能够更好地捕捉到物体的形状和边界信息。
通过对比两种分割方法的实验结果，我们发现基于边缘的分割方法相对于基于阈值的分割方法具有更好的效果。
基于边缘的分割方法能够提供更准确的物体边界信息，但也更加复杂和耗时。
图像分割 实验报告
图像分割实验报告《图像分割实验报告》摘要：图像分割是计算机视觉领域的重要研究方向，它在许多领域都有着重要的应用价值。
本实验旨在探究图像分割算法在不同场景下的表现，并对比不同算法的优缺点，为图像分割技术的进一步发展提供参考。
一、实验背景图像分割是指将图像划分成若干个具有独立语义的区域的过程。
图像分割技术在医学影像分析、自动驾驶、图像识别等领域都有着广泛的应用。
因此，对图像分割算法的研究和优化具有重要意义。
二、实验目的本实验旨在通过对比不同图像分割算法在不同场景下的表现，探究其优劣，并为图像分割技术的进一步发展提供参考。
三、实验内容1. 数据准备：收集不同场景下的图像数据，包括自然景观、医学影像、交通场景等。
2. 算法选择：选择常用的图像分割算法，如基于阈值的分割、边缘检测、区域生长等。
3. 实验设计：将不同算法应用于不同场景的图像数据上，对比它们的分割效果和计算速度。
4. 结果分析：对比不同算法的优缺点，并分析其适用场景和改进空间。
四、实验结果通过实验我们发现，在自然景观图像中，基于阈值的分割算法表现较好，能够有效地将图像分割成不同的颜色区域；而在医学影像中，边缘检测算法表现更为出色，能够准确地识别出器官的边缘；在交通场景中，区域生长算法表现较好，能够有效地区分不同的交通标志和车辆。
五、结论不同的图像分割算法在不同场景下有着不同的表现，没有一种算法能够适用于所有场景。
因此，我们需要根据具体的应用场景选择合适的图像分割算法，或者结合多种算法进行优化，以达到更好的分割效果。
六、展望未来，我们将继续探究图像分割算法的优化和改进，以适应不同场景下的需求。
同时，我们还将研究图像分割算法在深度学习和人工智能领域的应用，为图像分割技术的发展贡献力量。
通过本次实验，我们对图像分割算法有了更深入的了解，也为其在实际应用中的选择提供了一定的指导。
希望我们的研究能够为图像分割技术的发展做出一定的贡献。
图像分割处理实验报告
一、实验目的：1.学会对图像进行二值化处理和直方图均衡化处理2.进一步了解数字图像处理的知识以及matlab软件的使用3.掌握基本的查资料方法二、实验内容把这幅图像分成同样大小的10幅人脸图片然后分别对第一行5幅人脸图像的第3 第4 第5 第二行5幅人脸图像的第1 第5 进行如下处理：1.进行大津法阈值分割的二值化处理2.进行直方图均衡化处理三、实验具体代码以及结果1.实验代码%clcclearsrc_path='D:\histogram matching.bmp'; %原始图片路径dst_path='D:\picture\'; %分割图片后保存路径mkdir(dst_path);A = imread(src_path); %读入原始图片[m,n,l] = size(A); %获得尺寸for i = 1:2for j = 1:5m_start=1+(i-1)*fix(m/2);m_end=i*fix(m/2);n_start=1+(j-1)*fix(n/5);n_end=j*fix(n/5);AA=A(m_start:m_end,n_start:n_end,:); %将每块读入矩阵imwrite(AA,[dst_path num2str(i) '-' num2str(j) '.jpg'],'jpg'); %保存每块图片endendcd 'D:\pic'x1=imread('1-3.jpg');%%%%%%%%%目标读取图像x2=imread('1-4.jpg');x3=imread('1-5.jpg');x4=imread('2-1.jpg');x5=imread('2-5.jpg');% matlab 自带的自动确定阈值的方法level1=graythresh(x1);level2=graythresh(x2);level3=graythresh(x3);level4=graythresh(x4);level5=graythresh(x5);%用得到的阈值直接对图像进行二值化处理并显示BW1=im2bw(x1,level1);BW2=im2bw(x2,level2);BW3=im2bw(x3,level3);BW4=im2bw(x4,level4);BW5=im2bw(x5,level5);figure(1),imshow(BW1);figure(2),imshow(BW2);figure(3),imshow(BW3);figure(4),imshow(BW4);figure(5),imshow(BW5);%直方图均衡化处理%%%%%%%%%%调用直方图均衡化函数 histeq（）%%%%%均衡化处理后的灰度级直方图分布figure(6),imhist(histeq(rgb2gray(x1))); figure(7),imhist(histeq(rgb2gray(x2))); figure(8),imhist(histeq(rgb2gray(x3))); figure(9),imhist(histeq(rgb2gray(x4))); figure(10),imhist(histeq(rgb2gray(x5)));%%%均衡化处理后的图像%%%%%%figure(11),imshow(histeq(rgb2gray(x1))); figure(12),imshow(histeq(rgb2gray(x2))); figure(13),imshow(histeq(rgb2gray(x3))); figure(14),imshow(histeq(rgb2gray(x4))); figure(15),imshow(histeq(rgb2gray(x5)));。
医学图像分割
h3=[-3 -3 5;-3 0 5;-3 -3 5];%垂直
h7=[5 -3 -3;5 0 -3;5 -3 -3];
g3=imfilter(g,h3);
subplot(121),imshow(g3);
title('垂直(1)');
g33=imfilter(g,h7);
subplot(122),imshow(g33);
实验六图像分割（一）实验报告
实验目的：
1.了解图像分割的基本理论和方法；
2.掌握对图像进行点、线和边缘检测的方法；
3.掌握阈值分割的方法和阈值的选择；
实验内容：
1.对图像mask.tif分别用水平、＋45度、垂直和－45度Kirsch算子进行处理，观察效果图，理解不同方向的模板对图像处理的作用。
下面是四个算子
g2=imfilter(g,h2);
subplot(121),imshow(g2);
title('-45度(1)');
g22=imfilter(g,h6);
subplot(122),imshow(g22);
title('-45度(2)');
function kirschTEST2(p);
f=imread(p);
function kirschTEST(p);
f=imread(p);
g=double(f);
h1=[5 5 5;-3 0 -3;-3 -3 -3];%水平
h5=[-3 -3 -3;-3 0 -3;5 5 5];
g1=imfilter(g,h1);
subplot(121),imshow(g1);
title('水平(1)')；
医学图像处理实验报告 ----图像分割
医学图像处理实验报告 ----图像分割医学图像处理实验报告----图像分割一.实验目的：掌握基本的图像分割方法，观察图像分割的结果，加深对边缘检测、模板匹配、区域生长的理解。
二.实验内容：边缘检测、模板匹配、区域生长。
三.实验方法：1.边缘检测：图象Blood边缘检测方法Sobel打开Toolboxes\Image Processing项选Edge Detection并运行选图象Blood边缘检测方法Sobel如图1所示按Apply键观察检测到的边界从上面四幅图像的对比来看，阈值逐渐变大，而满足要求的像素点也逐渐变少，使得图像的边缘提取的效果也越来越差，图像轮廓变得不清楚了。
以下为采用Prewitt方法的边缘提取效果：以下为Roberts方法边缘提取的效果：以下为Laplacian of Gaussian方法边缘提取的效果：以上的各种方法的理论算法有所不同，但总体效果基本一致。
以下是选其他图像重做上面的实验（适当简化）2.模板匹配：在Photoshop中打开一黑白灰度图象文件在滤镜菜单其他子菜单中选自定项在自定界面中输入点模板按好键观察处理后图象。
原始图像：点模板滤镜后的图像：0 0 00 1 00 0 0点模板： -1 -1 -1 -1 8 -1-1 -1 -1线模板： -1 -1 -1 2 2 2-1 -1 -1线模板： -1 2 -1 -1 2 -1-1 2 -1线模板： 2 -1 -1 -1 2 -1-1 -1 2线模板： -1 -1 2 -1 2 -12 -1 -1从上面的四种线模板得比较中可以发现：第一种对检测横向图像更为有效，第二种为竖向，后两种为135和45度。
这是与模板的构成有关的。
方向模板：-1 1 1-1 -2 1-1 1 1可以看出这个方向模板较多地体现出东方向的像素。
方向模板：1 1 -11 -2 -11 1 -1可以看出这个模板较多地体现出西方向的情况。
方向模板：-1 -1 -11 -2 11 1 1这个模板较多地体现了南向的情况。
图像分割实验报告汇总
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：
由图３可得：对于直方图双峰不明显或图像目标和背景比例差异悬殊迭代法所选取的阈值不如最大类间方差法（OTSU）（差异不是很大，很细微）。
但是对于直方图双峰明显谷底较深的图像迭代分割可以较快地获得满意结果。
五、实验程序段（具体见实验框架）
1.迭代图像分割：
void CImageProcessingDoc::Onimagediedaifenge()
msg.Format("分割阈值T=%d",T);
AfxMessageBox(msg);
for(j=0;j<m_Height;j++)
{
for(i=0;i<m_Width;i++)
{
if (m_pDibInit->m_pDibBits[j*m_SaveWidth + i]>=T)
m_pDibInit->m_pDibBits[j*m_SaveWidth + i]=255;
1.计算初始化阈值 = ；
2.根据 ，将图像分为两部分，分别计算灰度值期望，取其平均值为g1；
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、实验目得1、 使用Ｍat Ｌa ｂ 软件进行图像得分割。
使学生通过实验体会一些主要得分割算子对图像处理得效果，以及各种因素对分割效果得影响。
２、 要求学生能够自行评价各主要算子在无噪声条件下与噪声条件下得分割性能。
能够掌握分割条件(阈值等)得选择。
完成规定图像得处理并要求正确评价处理结果，能够从理论上作出合理得解释。
二、实验内容与步骤1、边缘检测(１）使用Roberts 算子得图像分割实验调入并显示图像r ｏｏｍ、tif 图像；使用Ro ｂerts 算子对图像进行边缘检测处理； Ｒo ｂer ｔs 算子为一对模板:（a)45０方向模板 (b)１350方向模板图 1 mat ｌab ２0１０得Ro ｂerts 算子模板相应得矩阵为:ｒh = ［０ １;—1 ０］； rv = [1 ０;0 -１］；这里得rh 为45度Ｒob ｅrts 算子，ｒv 为１35度Robert ｓ 算子。
分别显示处理后得4５度方向与1３5方向得边界检测结果；用“欧几里德距离”与“街区距离”方式计算梯度得模,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：先做检测结果得直方图,参考直方图中灰度得分布尝试确定阈值；应反复调节阈值得大小，直至二值化得效果最为满意为止。
(2)使用Ｐrewitt 算子得图像分割实验（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）中得全部步骤。
（3）使用Ｓoｂel 算子得图像分割实验使用Sobeｌ算子进行内容（１)中得全部步骤。
(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)算子得图像分割实验使用LoG （拉普拉斯—高斯）算子进行内容（1）中得全部步骤。
提示1：处理后可以直接显示处理结果,无须另外计算梯度得模。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
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。
三、实验结果及结果分析1.边缘检测(1)使用Roberts 算子的图像分割实验实验结果：g45g135(1)欧几里得距离计算梯度模(1)欧几里得距离计算梯度模二值化(2)街区距离计算梯度模(2)街区距离计算梯度模二值化图4. Roberts 算子的图像分割实验结果分析：Roberts 算子利用局部差分算子寻找边缘，边缘定位精度比较高，但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能力。
该算子对具有陡峭边缘且噪声少的图像效果较好。
(2)使用Prewitt 算子的图像分割实验实验结果：g45g135(1)欧几里得距离计算梯度模(1)欧几里得距离计算梯度模二值化(2)街区距离计算梯度模(2)街区距离计算梯度模二值化图5 .Prewitt 算子的图像分割实验结果分析：Prewitt 算子先对图像做加权平滑处理，然后再做微分运算，所不同的是平滑部分的权值有些差异，因此它们对噪声有一定的抑制能力。
(3)使用Sobel 算子的图像分割实验实验结果：g45g135(1)欧几里得距离计算梯度模(1)欧几里得距离计算梯度模二值化(1)欧几里得距离计算梯度模(1)欧几里得距离计算梯度模二值化(2)街区距离计算梯度模(2)街区距离计算梯度模二值化图6. Sobel 算子的图像分割实验结果分析：Sobel 算子和Prewitt 算子一样，都是先对图像做加权平滑处理，然后再做微分运算，因此它们对噪声有一定的抑制能力。
比较实验结果可以发现，Sobel 算子比Prewitt 算子在噪声抑制方面略胜一筹，但不能排除检测结果中出现的虚假边缘。
虽然这两个算子边缘定位效果不错，但检测出的边缘容易出现多像素的宽度。
(4)使用LoG (拉普拉斯-高斯)算子的图像分割实验实验结果：gv gb g45图7. LoG (拉普拉斯-高斯)算子的图像分割实验结果分析：拉普拉斯算子，它是无方向的二阶微分算子，对图像中的阶跃型边缘定位准确，该算子对噪声非常敏感，它使噪声成分得到加强。
这两个特性使得该算子容易丢失一部分边缘的方向信息，造成一些不连续的检测边缘。
LoG算子，该算子克服了拉普拉斯算子抗噪声性能比较差的缺点，但是在抑制噪声的同时也可能将原有的比较尖锐的边缘平滑掉了。
(5) 打印全部结果并进行讨论。
使用sobel、prewitt和roberts算子对图像进行分割实验。
sobel(gv)sobel(gb)sobel(g45)prewitt(gv)prewitt(gb)prewitt(g45)roberts(gv)roberts(gb)roberts(g45)图8. 全部结果四、实验中遇到问题及解决方法1. 评价一下Roberts 算子、Prewitt 算子、Sobel 算子对于噪声条件下边界检测的性能。
答：Roberts算子采用对角线方向相邻两像素之差近似梯度幅值检测边缘。
检测水平和垂直边缘的效果好于斜向边缘，定位精度高，对噪声敏感。
Sobel算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。
对噪声具有平滑作用，提供较为精确的边缘方向信息，边缘定位精度不够高。
当对精度要求不是很高时，是一种较为常用的边缘检测方法。
Prewitt算子利用像素点上下、左右邻点灰度差，在边缘处达到极值检测边缘。
对噪声具有平滑作用，定位精度不够高。
2.实验中所使用的四种算子所得到的边界有什么异同？答：算子的存在就是对这种导数分割原理进行的实例化计算，是为了在计算过程中直接使用的一种计算单位。
Roberts算子：边缘定位准，但是对噪声敏感。
适用于边缘明显且噪声较少的图像分割。
Roberts边缘检测算子是一种利用局部差分算子寻找边缘的算子,Robert算子图像处理后结果边缘不是很平滑。
经分析，由于Robert算子通常会在图像边缘附近的区域内产生较宽的响应，故采用上述算子检测的边缘图像常需做细化处理，边缘定位的精度不是很高。
Prewitt算子：对噪声有抑制作用，抑制噪声的原理是通过像素平均，但是像素平均相当于对图像的低通滤波，所以Prewitt算子对边缘的定位不如Roberts算子。
Sobel算子：Sobel算子和Prewitt算子都是加权平均，但是Sobel算子认为，邻域的像素对当前像素产生的影响不是等价的，所以距离不同的像素具有不同的权值，对算子结果产生的影响也不同。
一般来说，距离越远，产生的影响越小。
Isotropic Sobel算子：加权平均算子，权值反比于邻点与中心点的距离，当沿不同方向检测边缘时梯度幅度一致，就是通常所说的各向同性。
Laplacian算子：这是二阶微分算子。
其具有各向同性，即与坐标轴方向无关，坐标轴旋转后梯度结果不变。
但是，其对噪声比较敏感，所以，图像一般先经过平滑处理，因为平滑处理也是用模板进行的，所以，通常的分割算法都是把Laplacian算子和平滑算子结合起来生成一个新的模板。
Laplacian算子一般不以其原始形式用于边缘检测，因为其作为一个二阶导数，Laplacian 算子对噪声具有无法接受的敏感性；同时其幅值产生算边缘，这是复杂的分割不希望有的结果；最后Laplacian算子不能检测边缘的方向；所以Laplacian在分割中所起的作用包括：（1）利用它的零交叉性质进行边缘定位；（2）确定一个像素是在一条边缘暗的一面还是亮的一面；一般使用的是高斯型拉普拉斯算子（Laplacian of a Gaussian,LoG)，由于二阶导数是线性运算，利用LoG卷积一幅图像与首先使用高斯型平滑函数卷积改图像，然后计算所得结果的拉普拉斯是一样的。
所以在LoG公式中使用高斯函数的目的就是对图像进行平滑处理，使用Laplacian算子的目的是提供一幅用零交叉确定边缘位置的图像；图像的平滑处理减少了噪声的影响并且它的主要作用还是抵消由Laplacian算子的二阶导数引起的逐渐增加的噪声影响。
五、实验心得体会通过这个实验，我熟练学会了利用MatLab 软件进行图像的分割。
在通过实验体会到了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。
在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下，掌握分割条件(阈值等)的选择。
完成规定图像的处理并评价处理结果。
六、源程序清单%%%1.使用Roberts 算子的图像分割实验I=imread('room.tif');rh=[-1 0; 0 1];rv=[0 -1; 1 0];g45=imfilter(double(I),rh,'replicate');g135=imfilter(double(I),rv,'replicate');subplot(3,2,1);imshow(g45,[]);title('g45');subplot(322);imshow(g135,[]);title('g135');%计算梯度模%(1)欧几里得距离计算梯度模OD=sqrt(g45.^2+g135.^2);subplot(323);imshow(OD,[]);title('(1)欧几里得距离计算梯度模');T=0.1*max(OD(:)); BWOD=OD>T;subplot(324);imshow(BWOD);title('(1)欧几里得距离计算梯度模二值化');%(2)街区距离计算梯度摸JD=abs(g45)+abs(g135);subplot(325);imshow(JD,[]);title('(2)街区距离计算梯度模');T=0.1*max(JD(:));BWOD=OD>T;subplot(326);imshow(BWOD);title('(2)街区距离计算梯度模二值化');%%%2.使用Prewitt 算子的图像分割实验I=imread('room.tif');rh=[-1 -1 -1;0 0 0;1 1 1];rv=[-1 0 1 ;-1 0 1;-1 0 1];g45=imfilter(double(I),rh,'replicate');g135=imfilter(double(I),rv,'replicate');subplot(3,2,1);imshow(g45,[]);title('g45');subplot(322);imshow(g135,[]);title('g135');%计算梯度模%（1）欧几里得距离计算梯度模OD=sqrt(g45.^2+g135.^2);subplot(323);imshow(OD,[]);title('(1)欧几里得距离计算梯度模');T=0.1*max(OD(:)); BWOD=OD>T;subplot(324);imshow(BWOD);title('(1)欧几里得距离计算梯度模二值化');%(2)街区距离计算梯度模JD=abs(g45)+abs(g135);subplot(325);imshow(JD,[]);title('(2)街区距离计算梯度模');T=0.1*max(JD(:));BWOD=OD>T;subplot(326);imshow(BWOD);title('(2)街区距离计算梯度模二值化');%%%3.使用Sobel 算子的图像分割实验I=imread('room.tif');rh=[-1 -2 -1;0 0 0;1 2 1];rv=[-1 0 1 ;-2 0 2;-1 0 1];g45=imfilter(double(I),rh,'replicate');g135=imfilter(double(I),rv,'replicate');subplot(3,2,1);imshow(g45,[]);title('g45');subplot(322);imshow(g135,[]);title('g135');%计算梯度模%(1)欧几里得距离计算梯度模OD=sqrt(g45.^2+g135.^2);subplot(323);imshow(OD,[]);title('(1)欧几里得距离计算梯度模');T=0.1*max(OD(:)); BWOD=OD>T;subplot(324);imshow(BWOD);title('(1)欧几里得距离计算梯度模二值化');%(2)街区距离计算梯度摸JD=abs(g45)+abs(g135);subplot(325);imshow(JD,[]);title('(2)街区距离计算梯度模');T=0.1*max(JD(:));BWOD=OD>T;subplot(326);imshow(BWOD);title('(2)街区距离计算梯度模二值化');%%%4.使用LoG (拉普拉斯-高斯)算子的图像分割实验f=imread('room.tif');[gv,t1]=edge(f,'log','vertical');%使用edge函数对图像f提取垂直边缘subplot(1,3,1);imshow(gv);title('gv');[gb,t2]=edge(f,'log','horizontal');%使用edge函数对图像f提取水平边缘subplot(1,3,2);imshow(gb);title('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subplot(1,3,3);imshow(g45);title('g45');%%%5打印全部结果并进行讨论。