数字图像处理实验报告(图像边缘检测)
数字图像处理实验报告
数字图像处理实验报告1. 引言数字图像处理是使用计算机来处理和优化图像的一种技术。
在本实验中，我们将探索几种常见的数字图像处理方法，并使用Python编程语言和相关库来实现。
2. 实验目的本实验的主要目的是：1.了解图像的基本特性和数字图像处理的基本原理；2.熟悉Python编程语言和相关图像处理库的使用；3.实现常见的图像处理算法并进行实验验证。
3. 实验方法在本实验中，我们使用Python编程语言和以下相关库来实现图像处理算法：•OpenCV：用于图像读取、显示和保存等基本操作；•Numpy：用于图像数据的处理和算术运算；•Matplotlib：用于图像的可视化和结果展示。
以下是实验涉及到的图像处理方法和步骤：1.图像读取和显示：使用OpenCV库读取图像，使用Matplotlib库显示图像；2.图像的灰度化：将彩色图像转换为灰度图像；3.图像的二值化：将灰度图像转换为黑白二值图像；4.图像的平滑处理：使用平滑滤波器对图像进行平滑处理，如均值滤波和高斯滤波；5.图像的边缘检测：使用边缘检测算法对图像进行边缘检测，如Sobel算子和Canny算子；6.图像的直方图均衡化：对灰度图像进行直方图均衡化，增强图像的对比度。
4. 实验过程和结果4.1 图像读取和显示首先，我们使用OpenCV库读取一张图像，并使用Matplotlib库显示该图像：import cv2import matplotlib.pyplot as plt# 读取图像img = cv2.imread('image.jpg')# 显示图像plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)) plt.axis('off')plt.show()4.2 图像的灰度化接下来，我们将彩色图像转换为灰度图像：# 灰度化图像gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 显示灰度图像plt.imshow(gray_img, cmap='gray')plt.axis('off')plt.show()4.3 图像的二值化然后，我们将灰度图像转换为黑白二值图像：# 二值化图像_, binary_img = cv2.threshold(gray_img, 128, 255, cv2.THRESH_BINARY)# 显示二值图像plt.imshow(binary_img, cmap='gray')plt.axis('off')plt.show()4.4 图像的平滑处理接下来，我们使用平滑滤波器对图像进行平滑处理，例如使用5x5的均值滤波器和高斯滤波器：# 均值滤波mean_img = cv2.blur(img, (5, 5))# 高斯滤波gaussian_img = cv2.GaussianBlur(img, (5, 5), 0) # 显示平滑处理后的图像plt.figure(figsize=(10, 5))plt.subplot(121)plt.imshow(cv2.cvtColor(mean_img, cv2.COLOR_BGR2R GB))plt.title('Mean Filter')plt.axis('off')plt.subplot(122)plt.imshow(cv2.cvtColor(gaussian_img, cv2.COLOR_B GR2RGB))plt.title('Gaussian Filter')plt.axis('off')plt.show()4.5 图像的边缘检测然后，我们使用边缘检测算法对图像进行边缘检测，例如使用Sobel算子和Canny算子：# 边缘检测sobel_img = cv2.Sobel(gray_img, cv2.CV_8U, 1, 1, ksize=3)canny_img = cv2.Canny(gray_img, 50, 150)# 显示边缘检测结果plt.figure(figsize=(10, 5))plt.subplot(121)plt.imshow(sobel_img, cmap='gray')plt.title('Sobel Operator')plt.axis('off')plt.subplot(122)plt.imshow(canny_img, cmap='gray')plt.title('Canny Operator')plt.axis('off')plt.show()4.6 图像的直方图均衡化最后，我们对灰度图像进行直方图均衡化，以增强图像的对比度：# 直方图均衡化equalized_img = cv2.equalizeHist(gray_img)# 显示直方图均衡化结果plt.imshow(equalized_img, cmap='gray')plt.axis('off')plt.show()5. 实验总结通过本实验，我们熟悉了数字图像处理的基本方法和步骤，并使用Python编程语言和相关库实现了图像的读取、显示、灰度化、二值化、平滑处理、边缘检测和直方图均衡化等操作。
边缘检测实验报告
边缘检测实验报告边缘检测实验报告引言：边缘检测是图像处理中的一项重要任务，它能够有效地提取图像中物体的边界信息，为后续的图像分割、物体识别等任务提供基础。
本实验旨在探究不同的边缘检测算法在不同场景下的表现，并对其进行评估和比较。
一、实验背景边缘检测是图像处理领域的经典问题，早期的边缘检测算法主要基于梯度的计算，如Sobel、Prewitt等。
随着深度学习的发展，基于卷积神经网络的边缘检测方法也取得了显著的进展。
本实验将选择传统的Sobel算子和基于深度学习的Canny算法进行对比。
二、实验步骤1. 数据准备：选择一组包含不同场景、不同复杂度的图像作为实验数据集，确保数据集的多样性和代表性。
2. 算法实现：使用Python编程语言，利用OpenCV库实现Sobel算子和Canny 算法。
对于Sobel算子，我们将尝试不同的卷积核大小和阈值设置。
对于Canny算法，我们将调整高低阈值的取值范围。
3. 实验评估：使用评估指标来衡量不同算法的性能，如准确率、召回率、F1值等。
同时，我们还可以通过可视化的方式来比较不同算法的边缘检测效果。
三、实验结果在实验中，我们选择了10张不同类型的图像进行边缘检测，并使用Sobel算子和Canny算法进行处理。
通过对比实验结果，我们得出以下结论：1. Sobel算子：- 当卷积核大小较小（如3x3）时，Sobel算子能够较好地检测到图像中的细节边缘，但对于噪声较多的图像效果较差。
- 当卷积核大小较大（如7x7）时，Sobel算子能够更好地抑制噪声，但会导致边缘检测结果的模糊。
- 阈值的设置对Sobel算子的效果也有较大影响，较低的阈值可以提高边缘检测的敏感性，但也容易引入噪声。
2. Canny算法：- Canny算法基于梯度的计算和非极大值抑制，能够有效地检测到图像中的边缘，并且对噪声有较好的鲁棒性。
- 高低阈值的设置对Canny算法的效果影响较大，合适的阈值范围可以提高边缘检测的准确性和稳定性。
数字图像处理实验报告(图像边缘检测)
实验报告实验名称实验三图像边缘检测课程名称数字图像处理某成绩班级学号日期地点备注：1、实验目的（1）了解并掌握使用微分算子进行图像边缘检测的基本原理；（2）编写程序使用Laplacian 算子（二阶导数算子）实现图像锐化，进一步理解图像锐化的实质；（3）掌握使用不同梯度算子（一阶导数算子）进行图像边缘检测的原理、方法，根据实验结果分析各种算子的工作效果；（4）总结实验过程（实验报告，左侧装订）：方案、编程、调试、结果、分析、结论。
2、实验环境（1）Windows XP/7（2）Matlab 7.1/7.143、实验方法本次实验要求对256×256大小，256级灰度的数字图像lena.img进行处理。
（1）对该图像进行锐化处理，要求采用Laplacian算子进行锐化，分α=1和α=2两种情况，按如下不同情况进行处理：①g1(m,n)=f(m,n)-α∇f②g2(m,n)=4αf(m,n)-α[f(m-1,n)+f(m+1,n)+f(m,n-1)+f(m,n+1)]I、要对图像进行处理，要先读取该图像，实验代码如下：close all;clear all;fid=fopen('lena.img','r');image=fread(fid,[256,256],'uint8');fclose(fid);II、读取图像后，对该图像的每一像素（不考虑图像的边界部分）进行遍历，根据公式①（公式①相当于做差分）对每一灰度进行计算，将所得的结果存入一矩阵g1中（矩阵g1初始化为该图像的矩阵），代码如下（仅以ɑ=1为例）：g1=image;a=1;[x,y]=size(image);for i=2:(x-1)for j=2:(y-1) g1(i,j)=(1+4*a)*image(i,j)-a*(image(i+1,j)+image(i-1,j)+image(i,j+1)+image(i,j-1));endendIII、根据公式②对图像的每一个像素（不考虑图像的边界部分）进行计算，将所得之存入矩阵g2中（g2初始化值为该图像的矩阵值），具体方法与上一步类似，代码如下（仅以ɑ=1为例）：g2=image;a=1;[x,y]=size(image);for i=2:(x-1)for j=2:(y-1)g2(i,j)=4*a*image(i,j)-a*(image(i+1,j)+image(i-1,j)+image(i,j+1)+image(i,j-1));endend（2）分别利用Roberts、Prewitt 和Sobel 边缘检测算子，对原图像进行边缘检测，显示处理前、后图像。
数字图像处理实验报告-图像边缘检测和特征提取
华南师范大学实验报告一、实验目的1、.掌握边缘检测的Matlab实现方法2、了解Matlab区域操作函数的使用方法3、了解图像分析和理解的基本方法4、了解纹理特征提取的matlab实现方法二、实验平台计算机和Matlab软件环境三、实验内容1、图像边缘检测2、图像纹理特征提取四、实验原理1、图像边缘检测图像理解是图像处理的一个重要分支，它研究的是为完成某一任务需要从图像中提取哪些有用的信息，以及如何利用这些信息解释图像。
边缘检测技术对于处理数字图像非常重要，因为边缘是所要提取目标和背景的分界线，提取出边缘才能将目标和背景区分开来。
在图像中，边界表明一个特征区域的终结和另一个特征区域的开始，边界所分开区域的内部特征或属性是一致的，而不同的区域内部的特征或属性是不同的，边缘检测正是利用物体和背景在某种图像特性上的差异来实现的，这些差异包括灰度，颜色或者纹理特征。
边缘检测实际上就是检测图像特征发生变化的位置。
由于噪声和模糊的存在，检测到的边界可能会变宽或在某些点处发生间断，因此，边界检测包括两个基本内容：首先抽取出反映灰度变化的边缘点，然后剔除某些边界点或填补边界间断点，并将这些边缘连接成完整的线。
边缘检测的方法大多数是基于方向导数掩模求卷积的方法。
导数算子具有突出灰度变化的作用，对图像运用导数算子，灰度变化较大的点处算得的值比较高，因此可将这些导数值作为相应点的边界强度，通过设置门限的方法，提取边界点集。
一阶导数fx∂∂与fy∂∂是最简单的导数算子，它们分别求出了灰度在x和y方向上的变化率，而方向α上的灰度变化率可以用下面式子计算：cos sin (cos sin )f f f G i j x yααααα∂∂∂=+=+∂∂∂ 对于数字图像，应该采用差分运算代替求导，相对应的一阶差分为：(,)(,)(1,)(,)(,)(,1)x y f i j f i j f i j f i j f i j f i j ∆=--∆=--方向差分为： (,)(,)cos (,)sin x y f i j f i j f i j ααα∆=∆+∆函数f 在某点的方向导数取得最大值的方向是1tan /f f y x α-⎡⎤∂∂=⎢⎥∂∂⎣⎦，方向导数的最大值是1222f f G x y ⎡⎤⎛⎫∂∂⎛⎫=+⎢⎥ ⎪ ⎪∂∂⎝⎭⎢⎥⎝⎭⎣⎦称为梯度模。
数字图像处理实验报告3
实验三图像分割实验一．实验目的1. 掌握基本的图像分割方法2.观察图像分割的效果3.加深对边缘提取的理解二.实验原理1.边缘检测：图象的边缘是指图象局部区域亮度变化显著的部分，该区域的灰度剖面一般可以看作是一个阶跃，既从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。
图象的边缘部分集中了图象的大部分信息，图象边缘的确定与提取对于整个图象场景的识别与理解是非常重要的，同时也是图象分割所依赖的重要特征，边缘检测主要是图象的灰度变化的度量、检测和定位。
2.灰度阈值分割即是先确定一个处于图像灰度取值范围内的灰度阈值，然后将图像中各个像素的灰度值与这个阈值相比较：划分成像素灰度大于阈值的一类和小于阈值的一类。
3. 双峰法的原理及其简单：它认为图像由前景和背景组成，在灰度直方图上，前后二景都形成高峰，在双峰之间的最低谷处就是图像的阈值所在三.实验内容1.实验步骤1.打开matlab编程环境；2.利用“imread”函数导入图像数据；3.利用“imshow”显示所读入的图像数据；4.进行图像分割处理；5.记录和整理实验报告；2. 按下面要求编写程序并运行结果1. 用sobel方法对一幅灰度图像进行边缘提I=imread('cameraman.bmp');R=double(I(:,:,1));G=double(I(:,:,2));B=double(I(:,:,3));[rows,cols]=size(R);I=0.299*R+0.587*G+0.114*B;[H,W]=size(I);M=double(I);J=M;for i=2:H-1for j=2:W-1J(i,j)=abs(M(i-1,j+1)-M(i-1,j-1)+2*M(i,j+1)-2*M(i,j-1)+M(i+1,j+1)-M(i+1,j-1))+abs(M(i-1,j-1)-M(i+1,j-1)+2*M(i-1,j)-2*M(i+1,j)+M(i-1,j+1)-M(i+1,j+1));end;end;for i=2:H-1for j=2:W-1if J(i,j)>254J(i,j)=255;elseJ(i,j)=0;endendendsubplot(1,2,1);imshow(uint8(I));title('原图');subplot(1,2,2);imshow(uint8(J));title('Sobel 处理后');2.用 Laplacian-Gaussian方法对一幅灰度图像进行边缘提取I = imread('cameraman.bmp');R=double(I(:,:,1));G=double(I(:,:,2));B=double(I(:,:,3));[rows,cols]=size(R);I=0.299*R+0.587*G+0.114*B;s=fftshift(fft2(I));[M,N]=size(s);n=2;d0=400;n1=floor(M/2);n2=floor(N/2);for i=1:Mfor j=1:Nd=sqrt((i-n1)^2+(j-n2)^2);h=1*exp(-1/2*(d^2/d0^2));s(i,j)=h*s(i,j);endends=ifftshift(s);s=uint8(real(ifft2(s))); subplot(1,2,1),imshow(s);title('GLPF滤波');s=double(s);[r,c]= size(s);R=zeros(r,c);core1=[-1 -1 -1;-1 8 -1;-1 -1 -1];core2=[0 -1 0;-1 4 -1;0 -1 0];for x=2:r-1for y=2:c-1Z=[s(x-1,y-1) s(x-1,y) s(x-1,y+1);s(x,y-1) s(x,y) s(x,y+1);s(x+1,y-1) s(x+1,y) s(x+1,y+1)];A=core1*Z;B=core2*Z;R(x,y)=max(abs(sum(sum(A))),abs(sum(sum(B))));endendfor x=2:r-1for y=2:c-1if R(x,y)>250R(x,y)=255;elseR(x,y)=0;endendendsubplot(1,2,2),imshow(uint8(R));title('拉普拉斯处理后 ');3. 利用双峰法对一幅灰度图像进行灰度分割处理I = imread('lena.bmp');I=double(I);sum_obj=0;obj_counter=0;sum_backgnd=0;backgnd_counter=0;[rows,cols]=size(I);cols_c=floor(cols/20);rows_c=floor(rows/20);corners=[I(1:rows_c,1:cols_c);I(1:rows_c,(end-cols_c+1):end);I((en d-rows_c+1):end,1:cols_c);I((end-rows_c+1):end,(end-cols_c+1):end) ];threshold=mean(mean(corners));while 1for i=1:rowsfor j=1:colsif(I(i,j)>threshold)sum_obj=sum_obj+I(i,j);obj_counter=obj_counter+1;elsesum_backgnd=sum_backgnd+I(i,j);backgnd_counter=backgnd_counter+1;endendendnew_threshold=((sum_backgnd/backgnd_counter)+(sum_obj/obj_counter))/2 ;if(abs(threshold-new_threshold)<=0.01)break;endthreshold=new_threshold;endfor i=1:rowsfor j=1:colsIf(I(i,j)<=threshold)I(i,j)=0;elseI(i,j)=255;endendendimshow(I);四.实验结果及分析1. sobel边缘提取placian-Gaussian方法边缘提取3.双峰法对一幅灰度图像进行灰度分割处理五.实验小结与体会1.本次实验以图像分割为主线，涉及边缘提取2. 通过实验结果的比较，对课堂上的理论有了直观的认识，也为更好的理解理论奠定了基础，培养了兴趣。
图像的边缘检测实验报告
图像的边缘检测实验报告
《图像的边缘检测实验报告》
图像的边缘检测是计算机视觉领域中的重要技术之一，它可以帮助我们识别图
像中物体的边缘和轮廓，从而实现图像分割、特征提取和目标识别等应用。
在
本次实验中，我们将对几种常用的边缘检测算法进行比较和分析，以评估它们
在不同场景下的性能和适用性。
首先，我们使用了Sobel算子进行边缘检测。
Sobel算子是一种基于梯度的边缘检测方法，它通过对图像进行卷积操作来寻找像素值变化最大的地方，从而找
到图像中的边缘。
实验结果显示，Sobel算子在一些简单场景下表现良好，但
在复杂背景和噪声干扰较大的情况下效果不佳。
接着，我们尝试了Canny边缘检测算法。
Canny算法是一种多阶段的边缘检测
方法，它通过对图像进行高斯滤波、计算梯度、非极大值抑制和双阈值处理等
步骤来检测图像中的边缘。
实验结果显示，Canny算法在复杂场景下表现出色，能够有效地抑制噪声并找到图像中的真实边缘。
最后，我们还尝试了Laplacian算子和Prewitt算子等其他边缘检测算法，并对
它们的性能进行了比较和分析。
实验结果显示，不同的边缘检测算法在不同场
景下表现出各自的优势和劣势，需要根据具体的应用需求来选择合适的算法。
总的来说，本次实验对图像的边缘检测算法进行了全面的比较和分析，为我们
进一步深入理解和应用这些算法提供了重要的参考和指导。
希望通过这些实验
结果，我们能够更好地利用边缘检测技术来解决实际的图像处理问题，为计算
机视觉领域的发展做出更大的贡献。
图像的边缘检测实验处理报告
数字视频图像处理与通信实验实验项目：图像的边缘检测指导老师：***班级：姓名：学号：图像的边缘检测实验报告一;实验目的：1.掌握图像边缘检测的基本概念以及边缘检测的基本方法；2.通过matlab 实验的具体操作来具体掌握空间图像边缘检测的方法；3.通过matlab 实验来验证所学知识，达到学以致用；4.通过matlab 实验来理解roberts 、sobel 、canny 、log 几种算子的原理以及各个算法的优缺点，并加以比较。
二;实验原理：图像的边缘是图像最基本的特征之一。
所谓边缘（或边沿）是指周围像素灰度有阶跃性变化或“屋顶”变化的那些像素的集合。
边缘广泛存在于物体与背景之间、物体与物体之间、基元与基元之间，因此它是图像分割依赖的重要特征。
图像边缘对图像识别和计算机分析十分有用，边缘能勾划出目标物体，使观察者一目了然；边缘蕴含了丰富的内在信息（如方向、阶跃性质、形状等）。
从本质上说，图像边缘是图像局部特性不连续性（灰度突变、颜色突变、纹理结构突变等）的反应，它标志着一个区域的终结和另一个区域的开始。
边缘检测技术是所有基于边界分割的图像分析方法的第一步，首先检测出图像局部特性的不连续性，再将它们连成边界，这些边界把图像分成不同的区域，检测出边缘的图像就可以进行特征提取和形状分析，但各算子有自己的优缺点和适用领域。
Roberts 算子Roberts 算子是一种利用局部差分算子寻找边缘的算子，由下式给出： g(x,y)={[y x f ,(-)1,1(++y x f ]2+[y x f ,(- )1,1(++y x f ]2}21 ，其中f(x,y)是具有整数像素坐标的输入图像，平方根运算使该处理类似于在人类视觉系统中发生的过程。
Roberts 算子边缘定位准，但是对噪声敏感。
适用于边缘明显而且噪声较少的图像分割，在应用中经常用Roberts 算子来提取道路。
Prewitt 边缘算子Prewitt 边缘算子的卷积和如图所示，图像中的每个像素都用这两个核做卷积，取最大值作为输出，也产生一幅边缘幅度图像。
数字图像实验报告三图像的边缘检测
实验三图像的边缘检测一、实验目的1.理解图像边缘检测的概念；2.掌握图像边缘检测的目的及意义；3.学会利用matlab编程实现图像的边缘检测。
二、实验内容1. 利用matlab语言直接编程实现sobel算子检测图像边缘；2. 利用matlab语言直接编程实现prewitt算子检测图像边缘3. 利用matlab语言直接编程实现laplace算子检测图像边缘。
三、实验步骤（一）利用matlab语言直接编程实现sobel算子检测图像边缘实验代码如下：u=imread('E:\实验报告\数字图像处理实验报告\数字图像实验报告三通信五班韩奇20110803520\fangzi.jpg');u=rgb2gray(u);imwrite(u,'fangzi灰度图.bmp');f=u;F=double(f);U=double(u);[H,W]=size(u);uSobel=u;for i=2:H-1for j=2:W-1Gx=(U(i+1,j-1)+ U(i+1,j)+F(i+1,j+1))-(U(i-1,j-1)+U(i-1,j)+F(i-1,j+1));Gy=(U(i-1,j+1)+U(i,j+1)+F(i+1,j+1))-(U(i-1,j-1)+U(i,j-1)+F(i+1,j-1));uSobel(i,j)=sqrt(Gx^2+Gy^2);endendfigure(1);imshow(f);title('原图');figure(2);imshow(im2uint8(uSobel)); title('Sobel边缘检测');生成图像如下：从图中可以看出，利用sobel算子能够提取出原图的边缘，且效果较好。
sobel算子能检测边缘点，且能进一步抑制噪声的影响，但检测的边缘较宽。
（二）利用matlab语言直接编程实现laplace算子检测图像边缘实验代码如下：[I,map]=imread('E:\实验报告\数字图像处理实验报告\数字图像实验报告三通信五班韩奇20110803520\fangzi.jpg');I=rgb2gray(I);[H,W]=size(I);M=double(I);J=M;for i=2:H-1for j=2:W-1J(i,j)=abs(M(i-1,j+1)-M(i-1,j-1)+M(i,j+1)-M(i,j-1)+M(i+1,j+1)-M(i+1,j-1))+abs(M(i+1,j-1)-M(i-1 ,j-1)+M(i+1,j)-M(i-1,j)+M(i+1,j+1)-M(i-1,j+1));end;end;figure(1);imshow(I);title('原图');figure(2);imshow(uint8(J));title('Prewitt处理后'); 生成图像如下：prewitt算子为在检测边缘的同时减少噪声的影响，从加大边缘检测算子的模板大小出发，由2*2扩大到3*3来计算差分算子，采用prewitt算子能检测到边缘点，还可以抑制噪声。
- 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)。
街区法、棋盘法、欧式距离法得不同检测算子结果分别入图ｃ、图d与图ｅ:
图c
图ｄ
图e
由图c、图d与图ｅ对比可知,采用街区法所得得边界清晰度最高，欧式几何法其次，棋盘法最差。对比同一张图中得不同子图可知，Sｏbel算子得性能更好,Prewitt算子其次，Ｒoｂerts算子最差。
5、实验结论
①ｇ１（ｍ，n)f(ｍ，ｎ）f
②g2（m,n）４f(ｍ，n）[f（m１,n）f（m1,n)f（m，n1)ｆ(m，ｎ1）］
、要对图像进行处理，要先读取该图像,实验代码如下:
ｃlosｅaｌｌ；
cｌearａｌl；
fｉd=fｏpen（’leｎa、img＇,’r＇);
imａge=fread(fid，［256,2５６]，’uiｎt8＇）；
fｏr j＝２:(y—1）ﻩﻩﻩﻩﻩg１（i，ｊ)=(1+4＊a)＊image(i,j)-a＊（image（i＋1,j）+image（i-1,j）+iｍage（i,j+1）+iｍａge（ｉ,ｊ—1）);
end
end
、根据公式②对图像得每一个像素(不考虑图像得边界部分）进行计算，将所得之存入矩阵ｇ２中（g2初始化值为该图像得矩阵值)，具体方法与上一步类似,代码如下（仅以ɑ=１为例）：
6、源代码
（1）图像锐化（ｇ１）
ｃｌｏseａll；
ｃlear aｌl；
fｉd＝fｏpen（'ｌena、iｍg＇,'r＇）；
iｍage=fread（fid，［256，２5６],’uinｔ8’）；
fｃlose(fｉd)；
suｂplot(2２1);
imsｈｏw（uiｎt8（image），[］);
tｉtle（’原图像'）；
示处理前、后图像。
Ｉ、同（1)中 ，不再赘述。
II、对图像进行边缘检测，要对图像得每一像素（不考虑图像得边界部分）得灰度进行遍历，分别用公式对图像得水平与垂直方向得边缘进行检测，并分别存储,在进行合成。采用不同得算子时，变换得公式有所不同。在合成时可以采用三种算法(街区法、棋盘法、欧式几何法)，本次实验中均又采用,所以得到三层图像。代码如下(仅以街区法得Rｏｂeｒts算子为例）：
end
ｅｎd
subｐｌot(２23)；
iｍshｏw（uｉｎt８(g1）,［］）;
tiｔｌｅ('a=2时g1得图像＇）；
（2）图像锐化（g2）
cｌose alபைடு நூலகம்；
[ｘ,y]=size（ｉｍage)；
g1＝ｉmage；
gh1＝image;
gv１=imａge;
ｆori=2:(ｘ－1）
fｏrｊ=2：(y－1）
gh1(ｉ,j）=imａｇｅ（i,ｊ)－iｍａgｅ（i－1，j—1)；
ｇv1(i，j）=image（i，j－1）－iｍagｅ（i—1，j）;
g１（i,j)=abs（gh1（i,j))+ａｂｓ（ｇv1(i,j））；
g2=ｉmａge；
a＝１;
[x,ｙ]＝ｓize（imaｇe);
foｒi＝2：（x-1）
forｊ＝2：(y－1）
ﻩｇ2（i，j)＝４*a＊iｍａgｅ（i,ｊ)—a＊（iｍａge(i+1,j）+imaｇe（ｉ-1，j）+imａge(ｉ,j+1）+image（i,j-1））;
ｅnd
end
（2）分别利用Roｂeｒts、Pｒewｉtt与Sobel边缘检测算子，对原图像进行边缘检测,显
本次实验就是对图像进行锐化与边缘检测,通过这次实验,我对数字图像处理中图像得锐化与边缘检测有了更加深刻得了解.加深了图像锐化与边缘检测得原理，掌握了图像边缘检测得不同方法。学会了使用Lａplacian算子(二阶导数算子）实现图像锐化得程序编写；掌握了使用不同梯度算子(一阶导数算子)进行图像边缘检测得原理、方法。
实验报告
实验名称
实验三图像边缘检测
课程名称
数字图像处理
姓名
成绩
班级
学号
日期
地点
备注：
1、实验目得
(1）了解并掌握使用微分算子进行图像边缘检测得基本原理;
(2）编写程序使用Laplaciａn算子(二阶导数算子)实现图像锐化，进一步理解图像
锐化得实质；
（3)掌握使用不同梯度算子(一阶导数算子)进行图像边缘检测得原理、方法,根据
％采用拉普拉斯算子
ｇ1=ｉmａge；
a=１；
［x,ｙ]=size(iｍage）;
foｒ ｉ＝２:（x－1）
ｆｏｒj=2：（y—1)
ｇ1（i，j)=(１+4*a）*imagｅ（i，j）—a*（image（ｉ+1，j）+iｍagｅ（i-1，j）＋image（i,j＋1)＋imaｇe(i，j－1))；
end
实验结果分析各种算子得工作效果;
（4）总结实验过程(实验报告，左侧装订）:方案、编程、调试、结果、分析、结论。
2、实验环境
(1）Winｄｏws ＸＰ/７
(2）Maｔｌａb ７、1/7、14
３、实验方法
本次实验要求对２56×２56大小，２56级灰度得数字图像ｌena、img进行处理。
（1)对该图像进行锐化处理,要求采用Laｐlacｉaｎ算子进行锐化，分１与２两种情况，按如下不同情况进行处理：
fcloｓｅ（fｉd);
、读取图像后，对该图像得每一像素（不考虑图像得边界部分）进行遍历,根据公式①(公式①相当于做差分）对每一灰度进行计算,将所得得结果存入一矩阵ｇ１中（矩阵g1初始化为该图像得矩阵)，代码如下(仅以ɑ=1为例):
ｇ1=ｉｍａge;
ａ=１；
［ｘ，y]=ｓｉｚe（iｍaｇe)；
fｏrｉ＝２：(ｘ-1)
end
enｄ
4、实验结果分析
（1）、图像锐化
图像锐化结果如图a与图ｂ(注:图a为情况 结果;图b为情况 结果）：
图a
图b
由图a与图b对比可知，图像得锐化实质就就是原图像与梯度信息进行叠加,相对于原图像而言，图像得边缘信息得到了加强。由图b中不同ɑ值所得图像对比可知,ɑ越大，边界越清晰，同时对比图a中不同ɑ值所得图像可知，ɑ得大小决定梯度信息与原图像叠加时所占得比例.
ｅnd
subｐｌoｔ（22２)；
iｍｓｈow（uiｎｔ8(g1）,[］)；
ｔｉｔlｅ（'a=１时g1得图像’)；
g1＝ｉmage;
ａ=２;
［x，ｙ］=size（iｍage);
fｏr i＝2:(x－1）
for j=2：（ｙ—1）
g１（i，ｊ)=(1+4＊a）＊imaｇe（ｉ,j）－a＊（image（i+1,j)+imaｇe(i-1,ｊ）+image（i，j+1）＋image（i,j—1))；