桂林电子科技大学图像处理实验3
图像处理实验报告模板
Ai实验报告
实验一：机器猫
1、实验目的、要求：
2、
掌握Ai的基本操做作,学会利用Ai处理各种图形.
3、实验原理：
工具：Ai软件中的选择工具、直接选择工具、钢笔工具、直线工具、椭圆工具、矩形工具、剪刀工具、比例缩放工具、镜像工具等命令：画椭圆、用钢笔工具画轮廓、用路径查找器实现图像的交集、减集和联集
4、实验环境要求：
电脑硬件 Ai 软件图片素材
4、实验内容：
A、创作计划、相关过程以及资料：
从网上下载机器猫图片
5、制作步骤
头：用椭圆工具绘制机器猫的头、眼睛、鼻子
用镜像工具进行复制，然后等比例缩放复制出机器猫的脸
同样方法绘制出机器猫的眼睛
用椭圆工具绘制出一个椭圆，然后用剪刀工具剪出机器猫的嘴
用直线段工具绘制机器猫的胡须
身体：用钢笔工具勾画出机器猫的身体
肚皮：画圆--->修改锚点，把圆调整到适合
口袋：两椭圆进行处理，减去顶层，取消编组
项圈：两椭圆进行处理，减去顶层，取消编组
铃铛：画圆--->左右各添加锚点、按住shift对锚点进行操作--->重复上一步
对机器猫的各部分进行相应的颜色填充
完成图片编组、保存、导出
6、在实验中遇到的问题及解决方法
用钢笔工具画出身体后不好调整形状
--解决方法：先画出比较相似的身体形状，然后再进行调整
下面为图片介绍：
第一张为网上搜到的图片
第二张为模仿完成的图片。
桂电图像处理实验程序汇总
实验1 InImg=ImRead('E:\2.JPG');I=rgb2gray(InImg);subPlot(2,3,1);Imshow(InImg)subPlot(2,3,2);Imshow(I)bw1=im2bw(I,0.3);bw2=im2bw(I,0.5);bw3=im2bw(I,0.8);subPlot(2,3,3);Imshow(bw1)subPlot(2,3,4);Imshow(bw2)subPlot(2,3,5);Imshow(bw3)J=rand(16,16);G=mat2gray(J);subPlot(2,3,6);Imshow(G)imwrite(G,'E:\0900830118\k.jpg')实验2 InImg=ImRead('E:\2.jpg');I=rgb2gray(InImg);J=histeq(I);subPlot(5,3,1);Imshow(I);subPlot(5,3,2);Imshow(J);subPlot(5,3,3);imhist(I);subPlot(5,3,4); imhist(J);J1=imadjust(I,[0 1], [1 0],2);subPlot(5,3,5);Imshow(J1);j2=imadjust(I,[0 1], [1 0],0.5);subPlot(5,3,6);Imshow(j2);J3=imnoise(I, 'gaussian',0,0.01);J4=imnoise(I, 'salt & pepper',0.05);J5=imnoise(I,'speckle',0.01);subPlot(5,3,7);Imshow(J3);subPlot(5,3,8);Imshow(J4);subplot(5,3,9);imshow(J5);S1=medfilt2(J3);subPlot(5,3,10);Imshow(S1);S2=medfilt2(J4);subPlot(5,3,11);Imshow(S2);S3=medfilt2(J5);subPlot(5,3,12);Imshow(S3);实验3 InImg=ImRead('E:\2.jpg');I=rgb2gray(InImg);F1=fft2(I);f1=ifft2(F1);I1=abs(f1);I1= mat2gray(I1);subPlot(3,3,1);Imshow(I);subPlot(3,3,2);Imshow(I1) ;Pha=ANGLE(F1);Pha1 =mat2gray(Pha);F=fftshift(F1);R= abs(F);R1 =mat2gray(R);Imshow(R1);R1=log(R);R1 =mat2gray(R1);subPlot(3,3,3);Imshow(R1);subPlot(3,3,4);Imshow(Pha1);I2=ifft2(Pha);I2= abs(I2);I2 =mat2gray(I2);I1=ifft2(R);I3= abs(I1);I3 =mat2gray(I3);subPlot(3,3,5);Imshow(I3) ;subPlot(3,3,6);Imshow(I2) ;J1=imnoise(I, 'salt & pepper',0.05);f=double(J1);g=fft2(f);g=fftshift(g);[M,N]=size(g);nn=2;d0=50;m=fix(M/2);n=fix(N/2);for i=1:Mfor j=1:Nd=sqrt((i-m)^2+(j-n)^2);h=1/(1+0.414*(d/d0)^(2*nn));result(i,j)=h*g(i,j);endendresult=ifftshift(result);j2=ifft2(result);j3=uint8(real(j2));subplot(3,3,7);imshow(J1);subplot(3,3,8);imshow(j3);实验41、经典滤波算法(average\ gaussian\ disk) InImg=ImRead('E:\2.jpg');I=rgb2gray(InImg);J1=imnoise(I, 'gaussian');J2=imnoise(I, 'salt & pepper');H = fspecial('average',[5 5]);Blurred1 = imfilter (J1,H);Blurred2 = imfilter (J2,H);H = fspecial('gaussian',[5 5]);Blurred3 = imfilter (J1,H);Blurred4 = imfilter (J2,H);H = fspecial('disk',5);Blurred5 = imfilter (J1,H);Blurred6 = imfilter (J2,H);K1 = wiener2(J1,[5 5]);K2=wiener2(J2,[5 5]);subPlot(4,4,1);Imshow(J1);subPlot(4,4,2);Imshow(J2);subPlot(4,4,3);Imshow(Blurred1);subPlot(4,4,4);Imshow(Blurred2);subPlot(4,4 ,5);Imshow(Blurred3);subPlot(4,4,6);Imshow(Blurred4);subPlot(4,4,7);Imshow(Blurred5);subPlot(4,4,8);Imshow(Blurred6)subPlot(4,4,9);Imshow(K1) ;subPlot(4,4,10);Imshow(K2) ;2、数字图像空域滤波（3*3,、5*5）InImg=ImRead('E:\2.jpg')I=rgb2gray(InImg)J = imnoise(I,'gaussian',0,0.005);B1=[0 0.2 0.1;0.2 0 0.1; 0.1 0.2 0]B2=[0 -1 0;-1 4 -1; 0 -1 0]B3=[1 2 3;4 5 6;7 8 9]C1=conv2(J,B1, 'same')C2=conv2(I,B2, 'same')C3=conv2(I,B3, 'same')C1=mat2gray(C1)C2=mat2gray(C2)C3=mat2gray(C3)B4=[0 0 0.1 0 0;0.1 0 0 0 0.1; 0.1 0 0 0 0.1;0.1 0 0 0 0.1 ;0.1 0.1 0.1 0 0]B5=[0 -1 -1 0 0;-1 1 4 1 -1; 0 -1 -1 -1 0;0 2 -2 2 0;0 -1 2 -2 0] B6=[1 2 3 4 5;4 5 6 7 8;7 8 9 9 8;9 8 7 6 5;6 8 8 9 5]C4=conv2(J,B4, 'same')C4=mat2gray(C4)C5=conv2(I,B5, 'same')C5=mat2gray(C5)C6=conv2(I,B6, 'same')C6=mat2gray(C6)subPlot(3,3,1);Imshow(I);subPlot(3,3,2);Imshow(J);subPlot(3,3,3);Imshow(C1);subPlot(3,3,4);Imshow(C2);subPlot(3,3,5);Imshow(C3);subPlot(3,3,6);Imshow(C4);subPlot(3,3,7);Imshow(C5);subPlot(3,3,8);Imshow(C6);3、数字图像频域滤波器设计[f1 f2]=freqspace([30 40],'meshgrid')R=sqrt(f1.^2+ f2.^2)LD=ones([30 40]);LD(R<0 | R>0.5)=0;win= fspecial('gaussian',[30 40],2) win= win./max(win(:))L=fwind2(LD,win)[A,Fx,Fy] = Freqz2(L) HD=ones([30 40]);HD((R<0) | (R<0.2))=0;win= fspecial('gaussian',[30 40],2) win= win./max(win(:))H=fwind2(HD,win)[A,Fx,Fy] = Freqz2(H)InImg=ImRead('E:\2.jpg')I=rgb2gray(InImg)J = imnoise(I,'gaussian',0,0.005);K1 = imfilter (J,L);K2 = imfilter (J,H);subPlot(2,2,1);Imshow(I);subPlot(2,2,2);Imshow(J);subPlot(2,2,3);Imshow(K1)subPlot(2,2,4);Imshow(K2);实验5主程序global HufData;global Len;img=imread('E:\gd.jpg');subplot(1,2,1);imshow(img);title('彩图');I=rgb2gray(img);subplot(1,2,2);imshow(I);imhist(I);title('直方图'); GrayStatistics=imhist(I);%统计GrayStatistics=GrayStatistics';GrayRatioo=GrayStatistics/sum(GrayStatistics);GrayRatioNO=find(GrayRatioo~=0);Len=length(GrayRatioNO);GrayRatio=ones(1,Len); %初始化灰度集，防止系统随即赋予其垃圾值for i=1:LenGrayRatio(i)=GrayRatioo(i);endGrayRatio=abs(sort(-GrayRatio));for i=1:Len %将图像灰度概率赋予结构体HufData(i).value=GrayRatio(i);end%计算哈夫曼编码HuffmanCode(Len);%显示信息zippedHuffman=1;for i=1:LentmpData=HufData(i).code;str='';for j=1:length(tmpData)str=strcat(str,num2str(tmpData(j)));zippedHuffman=zippedHuffman+1;enddisp(strcat('a',num2str(i),'= ',str))end%计算计算机一共输出多少个哈夫曼编码zippedHuffman;%计算在删去0灰度级压缩之前的原始图像直接容量unzipped_delete=i*8;%计算压缩比率ratio_delete=zippedHuffman/unzipped_delete;%计算图像压缩比率ad=num2str(ratio_delete*100);str2=strcat(ad,'%');disp(strcat('哈夫曼编码压缩比率','=',str2));%排序function HuffmanCode(OriginSize)global HufData;global Len;global SortList;for i=1:OriginSizeHufData(i).left=1;%%霍夫曼编码树左边纪录为1HufData(i).right=0;%%霍夫曼编码树右边纪录为0HufData(i).code=[];%%输出码初始化为0SortList(i).symbol=i;%%排序列表初始化SortList(i).value=HufData(i).value;endnewsymbol=OriginSize;%初始化原始消息数目for n=OriginSize:-1:2SortList=sortdata(SortList,n);%将N个消息进行排序newsymbol=newsymbol+1;%将最后两个出现概率最小的消息合成一个消息HufData(newsymbol).value=SortList(n-1).value+SortList(n).value;HufData(newsymbol).left=SortList(n-1).symbol;HufData(newsymbol).right=SortList(n).symbol;SortList(n-1).symbol=newsymbol;%将消息添加到列队的最后，为N-1个消息重新排序作好准备SortList(n-1).value=HufData(newsymbol).value;endvisit(newsymbol,Len,[]);%遍历霍夫曼树，获得霍夫曼编码/哈夫曼编码end遍历霍夫曼编码function visit(node,n,ocode)global HufDataif node<=n%如果没有哈夫曼编码/霍夫曼编码树的子接点直接输出原始码，这里为空码（[]）HufData(node).code=ocode;elseif(HufData(node).left>0)%遍历左分支接点输出1，这里采用子函数嵌套调用ocode1=[ocode 1];visit(HufData(node).left,n,ocode1);endif(HufData(node).right>0)%遍历右分支接点输出0，这里采用子函数嵌套调用ocode2=[ocode 0];visit(HufData(node).right,n,ocode2);endendend排序function reData=sortdata(SortList,n)%根据消息概率进行排序for k=n:-1:2for j=1:k-1min=SortList(j).value;sbl=SortList(j).symbol;if(min<SortList(j+1).value)SortList(j).value=SortList(j+1).value;SortList(j+1).value=min;SortList(j).symbol=SortList(j+1).symbol;SortList(j+1).symbol=sbl;endendendreData=SortList;enda1=0111a2=01001a3=100110a4=001100a5=000110a6=000101a7=000100a8=000011a9=000010......a246=000000010100a247=1011100100011a248=1011100100010a249=1001011001101a250=1001011001100a251=0101110011101a252=0101110011100a253=0101001001101a254=0101001001100a255=0011110010101a256=0011110010100哈夫曼编码压缩比率=110.9863%实验6 %1.图像几何校正、边缘检测inimg=imread('E:\hua.jpg');I=rgb2gray(inimg);B1=imresize(I,1.5,'nearest');B2=imresize(I,0.15,'bilinear');C1=imrotate(I,45,'nearest');C2=imrotate(I,125,'bilinear');BW1=edge(I,'sobel',0.04);BW2=edge(I,'prewitt',0.04);BW3=edge(I,'robert',0.04);BW4=edge(I,'log',0.05,0.002);subplot(3,4,1);imshow(inimg);title('原始图像 ');subplot(3,4,2);imshow(I);title('原始图像灰度图');subplot(3,4,3);imshow(B1);title('最近邻插值图像');subplot(3,4,4);imshow(B2);title('双线性插值图像');subplot(3,4,5);imshow(C1);title('最近邻插值旋转图像');subplot(3,4,6);imshow(C2);title('双线性插值旋转图像');subplot(3,4,7);imshow(BW1);title('边缘增强滤波器边缘图像'); subplot(3,4,8);imshow(BW2);title(''prewitt算子边缘检测图像 '); subplot(3,4,9);imshow(BW3);title('robert算子边缘检测图像 '); subplot(3,4,10);imshow(BW4);title('高斯-拉普拉斯滤波器图像'); %2、噪声图像边缘提取figure;J=imnoise(I,'gaussian',0,0.005);[f1 f2]=freqspace([30 40],'meshgrid');R=sqrt(f1.^2+f2.^2);HD=ones([30 40]);HD(R>0.4)=0;win=fspecial('gaussian',[30 40],2);win=win./max(win(:));H=fwind2(HD,win);[A,fx,fy]=freqz2(H);K=imfilter(J,H);B=[0 0 0 0 -1 0 0 0 0 ;0 0 0 -1 -1 -1 0 0 0 ;0 0 -1 -1 -1 -1 -1 0 0;0 -1 -1 -1 -1 -1 -1 -1 0-1 -1 -1 -1 40 -1 -1 -1 -1;0 -1 -1 -1 -1 -1 -1 -1 00 0 -1 -1 -1 -1 -1 0 0;0 0 0 -1 -1 -1 0 0 0;0 0 0 0 -1 0 0 0 0 ];C=conv2(J,B,'same');C=mat2gray(C);BW=im2bw(C,0.55);subplot(2,2,1);imshow(J);title('加噪图像');subplot(2,2,2);imshow(K);title('去噪图像');subplot(2,2,3);imshow(C);title('锐化图像');subplot(2,2,4);imshow(BW);title('边缘提取图像);%3.数字图像频域滤波figure;f=double(I);g=fft2(f);g=fftshift(g);[M,N]=size(g);nn=2;d0=25;m=fix(M/2);n=fix(N/2);for i=1:Mfor j=1:Nd=sqrt((i-m)^2+(j-n)^2);if (d==0)h=0;elseh=1/(1+0.414*(d0/d)^(2*nn));endresult(i,j)=h*g(i,j);endendresult=ifftshift(result);J2=ifft2(result);J3=uint8(real(J2));C=mat2gray(J3);BW=im2bw(C,0.1);subplot(1,2,1);imshow(J3);subplot(1,2,2);imshow(BW);。
数字图像处理实验三报告
贵州大学实验报告学院：专业：班级：姓名学号实验组实验时间指导教师成绩实验项目名称实验二：数字图像的频域增强处理实验目的通过本实验的学习使学生熟悉和掌握数字图像中频域增强的基本原理及应用。
实验要求集中授课的教学方式实验原理1、频域增强原理：设函数f (x, y) 与线性位不变算子h(x, y) 的卷积结果是g(x, y)，即g(x, y) = h(x, y)* f (x, y)那么根据卷积定理在频域有G(u, v) = H(u, v) F(u, v)其中，G(u, v) 、H(u, v) 、F(u, v) 分别是g(x, y)、h(x, y)、f (x, y)的傅立叶变换。
频域增强的主要步骤：（1）计算所需增强图像的傅立叶变换；（2）将其与一个（根据需要设计的）转移函数相乘；（3）再将结果进行傅立叶反变换以得到增强的图。
2、低通滤波器图像的能量大部分集中在幅度谱的低频和中频部分，而图像的边缘和噪声对应于高频部分，所以低通滤波器可以降低噪声的影响。
（1）理想低通滤波器其中D0 是一非负整数D(u, v) 是从点(u, v) 到频率平面原点的距离。
（2）巴特渥斯低通滤波器3、高通滤波器图像中的边缘对应高频分量，所以要锐化图像可以采用高通滤波。
（1）理想高通滤波器（2）巴特渥斯高通滤波器实验仪器计算机一台；Matlab软件实验步骤1、编写程序。
读取图像，并对其加入“盐和胡椒”噪声。
对噪声图像做理想低通滤波和巴特渥斯低通滤波处理。
比较选择不同参数时的实验结果。
2、编写程序。
读取图像。
对图像做理想高通滤波和巴特渥斯高通滤波处理。
比较选择不同参数时的实验结果。
实验内容1、利用低通滤波器对图像增强。
2、利用高通滤波器对图像增强。
实验数据步骤1代码部分clear all;close all;clc;I=imread('D:\用户目录\我的文档\MATLAB\图像处理\字母表.jpg');[f1,f2]=freqspace(size(I),'meshgrid'); %生成频率序列矩阵r=sqrt(f1.^2+f2.^2); %构造低通滤波器决策函数I=imnoise(I,'salt & pepper',0.04); %加椒盐噪声%理想低通滤波Hd1=ones(size(I)); %构造低通滤波器的大小Hd1(r>0.1)=0; %构造低通滤波器Y=fft2(double(I)); %对I进行Fourier变换Y=fftshift(Y); %频谱平移Ya1=Y.*Hd1; %低通滤波器Ya1=ifftshift(Ya1); %反变换Ia1=ifft2(Ya1);%巴特沃斯低通滤波D=0.4; %截止频率n=1; %nHd2=ones(size(I));for i=1:size(I,1)for j=1:size(I,2)t=r(i,j)/(D*D);Hd2(i,j)=1/(t^n+1); %构造滤波函数endendYa2=Y.*Hd2;Ya2=ifftshift(Ya2);Ia2=ifft2(Ya2);%输出figure;subplot(1,3,1);imshow(I);title('加噪图');subplot(1,3,2);imshow(uint8(Ia1));title('理想低通滤波');subplot(1,3,3);imshow(uint8(Ia2));title('巴特沃斯低通滤波');步骤2从滤波器形状来看，高通与低通滤波器的形状相反实验总结注：各学院可根据教学需要对以上栏木进行增减。
图像处理3个实验内容
图像处理实验报告格式一、封皮的填写：（1）实验课程名称：图像处理（2）实验名称：按顺序填写图像的二维离散傅立叶变换、图象的增强、图像二值化（3）年月：二、纸张要求：统一采用A4大小纸张，左侧装订，装订顺序与实验顺序一致。
三、书写要求：（1）报告除实验图像可以打印外，其余均须手写。
（2）实验图像及结果图像可以打印，图像均位于实验结果与分析部分，图像打印于纸张上部，下部空白处手写实验分析。
（3）报告中图要有图序及名称，表要有表序及名称，每个实验的图序和表序单独标号，具体格式参照毕业设计手册。
不合格者扣除相应分数。
（4）每个实验均需另起一页书写。
四、关于雷同报告：报告上交后，如有雷同，则课程考核以不及格处理。
五、报告撰写格式及实验内容如下：实验一图像的二维离散傅立叶变换一、实验目的掌握图像的二维离散傅立叶变换以及性质二、实验要求1)建立输入图像，在64⨯64的黑色图像矩阵的中心建立16⨯16的白色矩形图像点阵，形成图像文件。
对输入图像进行二维傅立叶变换，将原始图像及变换图像（三维、中心化）都显示于屏幕上。
2)调整输入图像中白色矩形的位置，再进行变换，将原始图像及变换图像（三维、中心化）都显示于屏幕上，比较变换结果。
3)调整输入图像中白色矩形的尺寸（40⨯40，4⨯4），再进行变换，将原始图像及变换图像（三维、中心化）都显示于屏幕上，比较变换结果。
三、实验仪器设备及软件HP D538、MATLAB四、实验原理以自己的语言结合课堂笔记进行总结，要求过程推导清晰明了。
五、实验步骤及程序实验步骤、程序流程、实验源程序齐全（全部手写）六、实验结果与分析实验二图像的增强一、实验目的1)掌握在计算机上进行直方图统计，以及直方图均衡化、线性变换的图像增强的方法2)掌握在计算机上进行图象平滑、图象锐化特别是中值滤波平滑及拉普拉斯算子锐化的方法二、实验要求1)显示图像（cameraman.tif）及灰度直方图。
2)对指定图像（cameraman.tif）进行直方图均衡化和线性变换，将原始图像及增强后的图像都显示于屏幕上，比较增强的效果。
《数字图像处理》实验指导书
数字图像处理实验指导书电气信息工程系实验中心2008年8月目 录实验一、数字图像获取实验二、图像的傅立叶变换实验三、图像增强实验四、图像压缩实验一、数字图像获取一、实验目的1．掌握使用扫描仪等数字化设备以及计算机获取数字图像的方法；2．修改图像的存储格式。
二、实验仪器1．计算机；2．扫描仪（或数码相机、数字摄像机）及其驱动程序盘；3．图像处理软件（画图，photoshop， Microsoft photo edit等）；4．记录用的笔、纸。
三、 实验内容用扫描仪获取图像也是图像的数字化过程的方法之一，扫描仪按种类可以分为手持扫描仪，台式扫描仪和滚筒式扫描仪（鼓形扫描仪）。
扫描仪的主要性能指标有x、y方向的分辨率、色彩分辨率（色彩位数）、扫描幅面和接口方式等。
各类扫描仪都标明了它的光学分辨率和最大分辨率。
分辨率的单位是dpi，dpi是英文Dot Per Inch的缩写，意思是每英寸的像素点数。
扫描仪工作时，首先由光源将光线照在欲输入的图稿上，产生表示图像特征的反射光（反射稿）或透射光（透射稿）。
光学系统采集这些光线，将其聚焦在CCD上，由CCD将光信号转换为电信号，然后由电路部分对这些信号进行A/D转换及处理，产生对应的数字信号输送给计算机。
当机械传动机构在控制电路的控制下，带动装有光学系统和CCD的扫描头与图稿进行相对运动，将图稿全部扫描一遍，一幅完整的图像就输入到计算机中去了。
图1.1扫描仪的工作原理扫描仪扫描图像的步骤是:首先将欲扫描的原稿正面朝下铺在扫描仪的玻璃板上，原稿可以是文字稿件或者图纸照片；然后启动扫描仪驱动程序后，安装在扫描仪内部的可移动光源开始扫描原稿。
为了均匀照亮稿件，扫描仪光源为长条形，并沿y方向扫过整个原稿；照射到原稿上的光线经反射后穿过一个很窄的缝隙，形成沿x方向的光带，又经过一组反光镜，由光学透镜聚焦并进入分光镜，经过棱镜和红绿蓝三色滤色镜得到的RGB三条彩色光带分别照到各自的CCD上，CCD将RGB光带转变为模拟电子信号，此信号又被A/D变换器转变为数字电子信号。
电子科技大学-数字图像处理-课程设计报告
电子科技大学数字图像处理课程设计课题名称数字图像处理院（系）通信与信息工程学院专业通信工程姓名学号起讫日期指导教师2015年12月15日目录摘要： (03)课题一：图像的灰度级分辨率调整 (04)课题二：噪声的叠加与频域低通滤波器应用 (06)课题三：顶帽变换在图像阴影校正方面的应用 (13)课题四：利用Hough变换检测图像中的直线 (15)课题五：图像的阈值分割操作及区域属性 (20)课题六：基于MATLAB®的GUI程序设计 (23)结束语： (36)参考文献： (37)基于MATLAB®的数字图像处理课题设计摘要本文首先对数字图像处理的相关定义、概念、算法与常用变换进行了介绍；并通过七个课题实例，借助MATLAB®的图像处理工具箱（Computer Vision System Toolbox）对这些案例逐一实现，包括图像的灰度值调整、图像噪声的叠加、频域低通滤波器、阈值分割、Hough变换等，常用的图像变化与处理；然后通过MATLAB®的GUI程序设计，对部分功能进行模块化整合，设计出了数字图像处理的简易软件；最后给出了软件的帮助文件以及该简易程序的系统结构和m代码。
关键词：灰度值调整噪声图像变换MATLAB® GUI设计课题一：图像的灰度级分辨率调整设计要求：128,64,32,16,8,4,2，并在同一个figure窗口将图像的灰度级分辨率调整至{}上将它们显示出来。
设计思路：灰度级分辨率又称色阶，是指图像中可分辨的灰度级的数目，它与存储灰度级别所使用的数据类型有关。
由于灰度级度量的是投射到传感器上的光辐射值的强度，所以灰度级分辨率又称为辐射计量分辨率。
随着图像灰度级分辨率的的逐渐降低，图像中所包含的颜色数目将变得越来越少，从而在颜色维度造成图像信息量的退化。
MATLAB®提供了histeq函数用于图像灰度值的改变，调用格式如下：J = histeq(I,n)其中J为变换后的图像，I为输入图像，n为变换的灰度值。
数字图像处理的第三次实验报告
实验报告专业：信息与计算科学班级：08级（一）班指导老师：汪太月姓名：肖浩学号：200841210140 实验室：K7-407实验名称:图像灰度修正和直方图均衡化时间：2011.4.22一、实验目的及要求（一）实验目的1、掌握图像的灰度修正技术原理和实现方法；2、掌握图像的直方图均衡化处理的方法；3、掌握图像的常用增强方法；（二）实验要求1、练习图像的灰度修正技术原理和实现方法；2、练习图像的直方图均衡化处理的方法；3、练图像的常用增强方法；二、实验设备（环境）及要求1、支持Intel Pentium Ⅲ及其以上CPU，内存256MB以上、硬盘1GB以上容量的微机；软件配有Windows98/2000/XP操作系统及MA TLAB软件；2、实验过程中，务必分析实验结果，按要求写出实验报告。
（建议同时网上提交电子版实验报告：yw6895@）三、实验内容与步骤1、练习图像的灰度修正技术原理和实现方法I=imread('cameraman.tif');subplot(121),imshow(I)subplot(122),imhist(I) %显示灰度图像的直方图运行结果如下：I=imread('circuit.tif');subplot(121),imshow(I)subplot(122),imcontour(I,3) %显示灰度图像的的等灰度值图运行结果如下：2、练习图像的直方图均衡化处理的方法I=imread('pout.tif');J=imadjust(I,[0.3 0.7],[]);subplot(121),imshow(I)subplot(122),imshow(J)figure,subplot(121),imhist(I)subplot(122),imhist(J)运行结果如下：I=imread('tire.tif');J=histeq(I);subplot(121),imshow(I);subplot(122),imshow(J);figure,subplot(121),imhist(I,64)subplot(122),imhist(I,64)3、练图像的常用增强方法例一：rgb=imread('peppers.png');h=ones(5,5)/25;rgb2=imfilter(rgb,h); %真彩色增强subplot(121),imshow(rgb)subplot(122),imshow(rgb2)运行结果如下：例二：I=imread('rice.png');J1=imnoise(I,'gaussian',0,0.02); %加入高斯噪声J2=imnoise(I,'salt & pepper',0.02); %加入椒盐噪声J3=imnoise(I,'speckle',0.02); %加入乘性噪声subplot(221),imshow(I);subplot(222),imshow(J1);subplot(223),imshow(J2);subplot(224),imshow(J3);运行结果如下：结论通过本次实验的学习了解了用matlab软件进行图像的直方图均衡化处理，以及对图像进行增强处理，由于matlab中工具箱库函数较多，因此要熟练操作并经常练习才能掌握之。
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。