实验2 图像分割
数字图像处理实验报告——图像分割实验
实验报告课程名称数字图像处理导论专业班级_＿____＿＿_＿___＿_姓名 __＿___＿_____＿__学号___＿＿_____＿____电气与信息学院与谐勤奋求就是创新一．实验目得1.理解图像分割得基本概念;2.理解图像边缘提取得基本概念；3.掌握进行边缘提取得基本方法；4.掌握用阈值法进行图像分割得基本方法.二。
实验内容1.分别用Roｂerｔs，Ｓobel与拉普拉斯高斯算子对图像进行边缘检测。
比较三种算子处理得不同之处；2.设计一个检测图1中边缘得程序，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与拉普拉斯高斯算子对图像进行边缘检测。
比较三种算子处理得不同之处；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’）比较提取边缘得效果可以瞧出,sｏbｅr算子就是一种微分算子,对边缘得定位较精确,但就是会漏去一些边缘细节.而Ｌaplaｃｉan—Gaussiaｎ算子就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，边缘得细节比较丰富。
通过比较可以瞧出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中边缘得程序，要求结果类似图2，并附原理说明.i=ｉmread（＇m８3、ｔif’）;subplｏｔ（１，2,1）；ｉmｈｉst（i）;ｔitle（'原始图像直方图'）;thread＝1３０/２5５；subplot（1，２，2);ｉ3=ｉｍ2bｗ(i，thrｅaｄ）；imsｈow（i3)；titlｅ('分割结果’);3.任选一种阈值法进行图像分割、i=iｍread（'tｒｅes、tif’）;subploｔ（１,2,1）；imｈist（i)；ｔitle（＇原始图像直方图’)；threａd=10０/２5５；sｕｂploｔ（１，2,2）;i3=iｍ2bｗ(i,thread）;imｓhow（i３）;titlｅ('分割结果’)1、分别用Robｅrts，Sobel与拉普拉斯高斯算子对图像进行边缘检测。
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。
实验2图像分割
实验2图像分割实验⼆、图像分割⼀、实验⽬的1、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、使⽤MatLab 软件进⾏图像的分割；3、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；4、能够掌握分割条件(阈值等)的选择；5、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、实验原理1、边缘检测(1)使⽤Roberts 算⼦的图像分割实验，调⼊并显⽰⼀幅图像*.gif或*.tif；使⽤Roberts 算⼦对图像进⾏边缘检测处理；Roberts 算⼦为⼀对模板，相应的矩阵为：rh = [0 1;-1 0]; rv = [1 0;0 -1];这⾥的rh 为⽔平Roberts 算⼦，rv为垂直Roberts 算⼦。
可以显⽰处理后的⽔平边界和垂直边界检测结果；⽤“欧⼏⾥德距离”⽅式计算梯度的模，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。
(2)使⽤Prewitt 算⼦的图像分割实验使⽤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 算⼦进⾏内容(1)中的全部步骤。
(4)使⽤Canny算⼦进⾏图像分割实验。
(5) 使⽤拉普拉斯算⼦进⾏图像分割实验。
I=imread('D:\blood.bmp');Imshow(I);BW1=edge(I,'roberts');BW2=edge(I,'prewitt');BW3=edge(I,'sobel');BW4=edge(I,'log');BW5=edge(I,'canny');figure(1),imshow(I),title('Original Image'); figure(2),imshow(BW1),title('roberts'); figure(3),imshow(BW2),title('prewitt'); figure(4),imshow(BW3),title('sobel'); figure(5),imshow(BW4),title('log'); figure(6),imshow(BW5),title('canny');2、灰度阀值分割(1)单阈值分割图像先将⼀幅彩⾊图像转换为灰度图像，显⽰其直⽅图，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。
图像分割实验报告
图像分割实验报告医学图像处理实验报告实验名称:图像分割设计实验姓名:gaojunqiang学号:20105405班级:生医 1001指导教师:……2013年6月5日一、实验目的1、编程实现下列功能:读出存储的黑白灰度图象并显示，用拉普拉斯算子对图象进行边缘检测，显示处理后图象，存储处理后图象。
2、编程实现下列功能:读出存储的黑白灰度图象并显示，用鼠标点击图象上某一点，以灰度相近原则进行区域生长，显示处理后图象，存储处理后图象。
二、实验原理1、拉普拉斯边缘检测二维函数f(x,y)的拉普拉斯是一个二阶的微分定义为:,2f = [,2f / ,x2 ,,2f / ,y2]一般情况下可以用一个拉普拉斯模板算子。
模板算子分为4邻域和8邻域，如下,2f = 4z5 – (z2 + z4 + z6 + z8)0 1 01 -4 10 1 04邻域模板算子,2f = 8z5 – (z1 + z2 + z3 + z4+z5 + z6 + z7+ z8)1 1 11 -8 11 1 18邻域模板算子2、区域增长区域增长是通过一个起始点作为种子点对他周围的点进行选择。
它采取的是一种迭代的思想。
区域增长也分为四邻域和八邻域两种方式。
通过像素的集合进行区域增长的算法如下:1)根据图像的不同应用选择一个或一组种子，它或者是最亮或最暗的点，或者是位于点簇中心的点。
2)选择一个描述符(条件)3)从该种子开始向外扩张，首先把种子像素加入集合，然后不断将与集合中各个像素连通、且满足描述符的像素加入集合4)上一过程进行到不再有满足条件的新结点加入集合为止。
三、实验代码及结果1、拉普拉斯边缘检测代码如下:%主函数如下:clc;closeall;clearall;Imag = imread('lena.tiff');ImagGray = rgb2gray(Imag); %将彩色图片转换成灰度图片 figure()imshow(ImagGray),title('灰度图像');% T = graythresh(ImagGray); %用大津法自动确定阈值 %I=edge(ImagGray,'log',0.004);% figure(),imshow(I), title('laplace边缘图像'); ImagGray =double(ImagGray); T = 60; %设置阈值LapModType = 8; %设置laplace模板方式ImagLapEdge = LaplaceEdge(ImagGray,LapModType,T); %laplace边缘检测ImagLapEdge = uint8(ImagLapEdge);figure()imshow(ImagLapEdge),title('laplace边缘图像');%拉普拉斯边缘检测函数如下:functionImagLapEdge = LaplaceEdge(ImagGray,MoldType,Thresh)%-----------------参数介绍-------------------- %输入参数:% ImagGray: 输入的灰度图像% MoldType: 摸板类型，包括四邻域和八邻域 % Thresh: 边缘检测阈值%输出参数:% ImagEdge: 边缘像素点,存储的是二值化图像[r,c] = size(ImagGray); ImagLapEdge = zeros(r,c);%四邻域拉普拉斯边缘检测算子if 4 == MoldTypefori = 2:r-1for j = 2:c-1Temp =-4*ImagGray(i,j)+ImagGray(i-1,j)+ImagGray(i+1,j)+ImagGray(i,j-1)+ImagGray(i,j+1);if Temp > ThreshImagLapEdge(i,j) = 255; elseImagLapEdge(i,j) = 0; endendendend%八邻域拉普拉斯边缘检测算子if 8 == MoldTypefori = 2:r-1for j = 2:c-1Temp =-8*ImagGray(i,j)+ImagGray(i-1,j)+ImagGray(i+1,j)+ImagGray(i,j-1)+ImagGray(i,j+1)+ImagGray(i-1,j-1)+ImagGray(i+1,j+1)+ImagGray(i+1,j-1)+ImagGray(i-1,j+1);if Temp > ThreshImagLapEdge(i,j) = 255; elseImagLapEdge(i,j) = 0;endendendend拉普拉斯边缘检测实验结果如下:图1 原灰度图像2、区域增长实验代码:主函数如下:clc;closeall;clearall;Imag = imread('lena.jpg');figure()imshow(Imag), title('原灰度图片');n = 4; %设置区域增长的种子点数 [x,y] = ginput(n); %在图像上取点 V = [y,x];V = uint16(V);thresh = 33; %区域增长的阈值growingtype = 8; %增长方式[regionGet,imout,regionsize]=regiongrowing(V,Imag,thresh,growingtype ); %区域增长函数figure()imshow(imout), title('区域分割后的图片'); holdonplot(x,y,'+');由于区域增长代码老师已给这里就不在写出。
数字图像处理技术-图像分割
实验七图像分割课程名称：数字图像处理技术实验日期：成绩：班级：姓名：学号： 1一、实验目的1．了解图像分割的基本操作；2. 实现图像的阈值分割、区域生长。
3．掌握图像膨胀、腐蚀、开运算、闭运算等形态学操作函数的使用方法；4. 实现二值图像的形态学应用二、实验内容1. 在GUI中，实现图像的阈值分割（交互式、迭代法）、区域生长。
2. 在GUI中，，实现二值图像的膨胀、腐蚀, 比较'结构元素类型为：square,line,diamond, disk等的区别。
3. 在GUI中，实现二值图像的开运算、闭运算。
4. 在GUI中，实现二值图像的形态学应用：边界抽取(boundary extraction)区域填充(region filling)细化(thinning)粗化(thickening)骨架(skeletons)修剪(pruning)三、实验代码function axes1_CreateFcn(hObject, eventdata, handles)% hObject handle to axes1 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns calledimshow('1.jpg')% Hint: place code in OpeningFcn to populate axes1% --- Executes on button press in pushbutton1.function pushbutton1_Callback(hObject, eventdata, handles)% hObject handle to pushbutton1 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) figure;A=imread('1.jpg');subplot(1,3,1);imshow(A);A1=rgb2gray(A);subplot(1,3,2);imshow(A1);Y=im2bw(A1,0.6);subplot(1,3,3);imshow(Y);% --- Executes on button press in pushbutton2.function pushbutton2_Callback(hObject, eventdata, handles)% hObject handle to pushbutton2 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) figure;W = imread('1.jpg');subplot(2,2,1);imshow(W);A=rgb2gray(W);subplot(2,2,2);imshow(A);h=imhist(A);t=[];t(1)=128;MAX=500;for i=1:MAXs1=0;s2=0;s3=0;s4=0;for k=1:t(i)s1=s1+h(k)*k;s2=s2+h(k);endfor k=1+t(i):256s3=s3+h(k)*k;s4=s4+h(k);endt(i+1)=floor((s1/s2+s3/s4)/2);if (abs(t(i+1)-t(i))<10^-7)break;endendtt=t(i+1);B=A;B(find(B<tt))=0;B(find(B>=tt))=255;subplot(2,2,4);imshow(B);% --- Executes on button press in pushbutton3.function pushbutton3_Callback(hObject, eventdata, handles)% hObject handle to pushbutton3 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)% --- Executes on button press in pushbutton4.function pushbutton4_Callback(hObject, eventdata, handles)% hObject handle to pushbutton4 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) figure;I=imread('1.jpg');I=im2bw(I);subplot(1,3,1);imshow(I);se1=strel('square',9);B1=imdilate(I,se1);subplot(1,3,3);imshow(B1);% --- Executes on button press in pushbutton5.function pushbutton5_Callback(hObject, eventdata, handles)% hObject handle to pushbutton5 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) figure;I=imread('1.jpg');I=im2bw(I);subplot(1,3,1);imshow(I);se1=strel('square',9);B1=imerode(I,se1);subplot(1,3,3);imshow(B1);% --- Executes on button press in pushbutton6.function pushbutton6_Callback(hObject, eventdata, handles)% hObject handle to pushbutton6 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) figure;I=imread('1.jpg');I=im2bw(I);subplot(1,3,1);imshow(I);se1=strel('square',9);B1=imopen(I,se1);subplot(1,3,3);imshow(B1);% --- Executes on button press in pushbutton7.function pushbutton7_Callback(hObject, eventdata, handles)% hObject handle to pushbutton7 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) figure;I=imread('1.jpg');I=im2bw(I);subplot(1,3,1);imshow(I);se1=strel('square',9);B1=imclose(I,se1);subplot(1,3,3);imshow(B1);% --- Executes on button press in pushbutton8.function pushbutton8_Callback(hObject, eventdata, handles)% hObject handle to pushbutton8 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) figure;I=imread('1.jpg');subplot(1,3,1),imshow(I);I1=im2bw(I);subplot(1,3,2),imshow(I1);I2=bwperim(I1);subplot(1,3,3);imshow(I2);% --- Executes on button press in pushbutton9.function pushbutton9_Callback(hObject, eventdata, handles)% hObject handle to pushbutton9 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)% --- Executes on button press in pushbutton10.function pushbutton10_Callback(hObject, eventdata, handles)% hObject handle to pushbutton10 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) figure;A=imread('1.jpg');subplot(1,3,1),imshow(A);a=im2bw(A);subplot(1,3,2),imshow(a);b=bwmorph(a,'thin',Inf);subplot(1,3,3),imshow(b);% --- Executes on button press in pushbutton11.function pushbutton11_Callback(hObject, eventdata, handles)% hObject handle to pushbutton11 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) figure;A=imread('1.jpg');subplot(1,3,1),imshow(A);a=im2bw(A);subplot(1,3,2),imshow(a);b=bwmorph(a,'thicken',Inf);subplot(1,3,3),imshow(b);% --- Executes on button press in pushbutton12.function pushbutton12_Callback(hObject, eventdata, handles)% hObject handle to pushbutton12 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) figure;I=imread('1.jpg');subplot(2,2,1);imshow(I);I1=im2bw(I);subplot(2,2,2);imshow(I1);I2=bwmorph(I1,'skel',1);subplot(2,2,3);imshow(I2);I3=bwmorph(I1,'skel',2);subplot(2,2,4);imshow(I3);;% --- Executes on button press in pushbutton13.function pushbutton13_Callback(hObject, eventdata, handles)% hObject handle to pushbutton13 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) figure;RGB=imread('1.jpg');RGB1=imcrop(RGB,[60,255,400,425]); subplot(1,3,1);imshow(RGB);subplot(1,3,3);imshow(RGB1);四、实验结果截图五、实验体会实现图像的阈值分割、区域生长，基本掌握图像膨胀、腐蚀、开运算、闭运算等形态学操作函数的使用方法。
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；
- 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)。
实验二、图像分割
一、实验目的
1、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、使用MatLab 软件进行图像的分割；
3、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；
4、能够掌握分割条件(阈值等)的选择；
5、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、实验原理
1、边缘检测
(1)使用Roberts 算子的图像分割实验，调入并显示一幅图像*.gif或*.tif；使用Roberts 算子对图像进行边缘检测处理；Roberts 算子为一对模板，相应的矩阵为：
rh = [0 1;-1 0]; rv = [1 0;0 -1];
这里的rh 为水平Roberts 算子，rv为垂直Roberts 算子。
可以显示处理后的水平边界和垂直边界检测结果；用“欧几里德距离”方式计算梯度的模，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。
(2)使用Prewitt 算子的图像分割实验
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 算子进行内容(1)中的全部步骤。
(4)使用Canny算子进行图像分割实验。
(5) 使用拉普拉斯算子进行图像分割实验。
I=imread('D:\blood.bmp');
Imshow(I);
BW1=edge(I,'roberts');
BW2=edge(I,'prewitt');
BW3=edge(I,'sobel');
BW4=edge(I,'log');
BW5=edge(I,'canny');
figure(1),imshow(I),title('Original Image'); figure(2),imshow(BW1),title('roberts'); figure(3),imshow(BW2),title('prewitt'); figure(4),imshow(BW3),title('sobel'); figure(5),imshow(BW4),title('log'); figure(6),imshow(BW5),title('canny');
2、灰度阀值分割
(1)单阈值分割图像
先将一幅彩色图像转换为灰度图像，显示其直方图，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。
给图像加上零均值的高斯噪声（imnoise）重复上述过程，注意阈值的选择。
I=imread('D:\tupian.bmp');
I2=rgb2gray(I);
subplot(2,2,1);imshow(I);title('原图');
subplot(2,2,2);imshow(I2);title('原图转换为灰度图');
subplot(2,2,3);imhist(I2);title('灰度图转换直方图');
thread=160/255;I3=im2bw(I2,thread);
subplot(2,2,4);imshow(I3);title('阈值T=160/255分割图');
（2）多阈值分割图像
观察下列图像，对图1进行多阈值分割，使其分割结果如图2所示。
注意阈值的选择。
图1 图2
I=imread('D:\tupian.bmp');
figure(1);subplot(1,2,1);imshow(I);
[m,n]=size(I);
for i=1:m
for j=1:n
if(I(i,j)<120)
I(i,j)=255;
end
end
end
subplot(1,2,2);imshow(I);
三、实验步骤
1、打开计算机，启动MATLAB程序；
2、调入数字图像，并进行图像分割处理；
3、记录和整理实验报告。
四、实验仪器
1、计算机；
2、MATLAB等程序；
五、实验报告内容
1、叙述实验过程；
2、提交实验的原始图像和结果图像。
六、思考题
1 、评价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。
1.Sobel
其主要用于边缘检测，在技术上它是以离散型的差分算子，用来运算图像亮度函数的梯度的近似值，缺点是Sobel算子并没有将图像的主题与背景严格地区分开来，换言之就是Sobel算子并没有基于图像灰度进行处理，由于Sobel算子并没有严格地模拟人的视觉生理特征，所以提取的图像轮廓有时并不能令人满意，算法具体实现很简单，就是3*3的两个不同方向上的模板运算，这里不再写出。
2.Robert算子
根据任一相互垂直方向上的差分都用来估计梯度，Robert算子采用对角方向相邻像素只差
3.Prewitt算子
该算子与Sobel算子类似，只是权值有所变化，但两者实现起来功能还是有差距的，据经验得知Sobel要比Prewitt更能准确检测图像边缘。
placian算子
拉普拉斯算子是一种二阶微分算子，若只考虑边缘点的位置而不考虑周围的灰度差时可用该算子进行检测。
对于阶跃状边缘，其二阶导数在边缘点出现零交叉，并且边缘点两旁的像素的二阶导数异号。
5.Canny算子
该算子功能比前面几种都要好，但是它实现起来较为麻烦，Canny算子是一个具有滤波，增强，检测的多阶段的优化算子，在进行处理前，Canny算子先利用高斯平滑滤波器来平滑图像以除去噪声，Canny分割算法采用一阶偏导的有限差分来计算梯度幅值和方向，在处理过程中，Canny算子还将经过一个非极大值抑制的过程，最后Canny算子还采用两个阈值来连接边缘。