医学图像处理实验
湖南大学医学影像学实验之matlab图像处理实验报告
实验一、空域图像处理1、灰度线性变换：I=imread('trees.tif') ;figure(1) ； imshow(I) ; title('原图') ;J=double(I) ; %把I变成双精度并赋值给JJ=3*J+74 ; %对J进行线性变换J=uint8(J) ；figure(2) ； imshow(J) ; title('线性变换') ;图像：思考题：设定不同的斜率值和截距，显示效果会怎样？答：斜率增加，像素点的灰度值会根据本身的灰度值按比例增加，所以深色部分会变少，浅色部分会变多，整张图片上白色区域会变多；截距增加，所有像素点的灰度值都会增加，所以整张图片会变淡。
添加噪声：I=imread('trees.tif') ;M=imnoise(I,'salt & pepper',0.02) ; %添加椒盐噪声%因为每次添加椒盐噪声都是这两句代码，所以就不重复打出来了，直接看效果图下同～(￣▽￣～)~~~图像：椒盐噪声+线性变换：椒盐噪声是随机产生的噪声，包括高灰度和低灰度的噪声。
线性变换基本上没有多少去噪的功能，更多的应该是用于改变对比度。
(中值)直方图均衡化：I=imread('rice.png') ;subplot(2,2,1) ; imshow(I) ; title('原图') ;subplot(2,2,3) ; imhist(I) ;J=double(I) ; %把I变成双精度并赋值给Jmax=J(1,1) ; min=J(1,1) %把J(1,1)赋值给max和min[N1,N2]=size(I) ; %得到矩阵I的行和列for i=1:N1for j=1:N2if J(i,j)>maxmax=J(i,j) ; %如果元素值大于max，则把元素值赋给maxendif J(i,j)<minmin=J(i,j) ; %如果元素值小于min，则把元素值赋给minendendendn=round((max+min))/2 ; %取元素最大值和最小值的中间值，即中间灰度值a=(255-max)/(max-n) ；b=min/(n-min) ；%根据原图中max和min，求得运算倍率a和b，以确保在接下来的运算中，原图像的max和min可以准确被定为到255和0for i=1:N1for j=1:N2if J(i,j)>=nJ(i,j)=J(i,j)+a*(J(i,j)-n) ;end%当元素灰度值大于或等于中间灰度值时，将该元素的灰度值变大if J(i,j)<nJ(i,j)=J(i,j)-b*(n-J(i,j)) ;end%当元素灰度值小于中间灰度值时，将该元素的灰度值变小endendK=uint8(real(J)) ;subplot(2,2,2) ; imshow(K) ;title('直方图均衡化') ;subplot(2,2,4) ; imhist(K) ;思考题：直方图均衡化是什么意思？它的主要用途是什么？答：直方图均衡化是将一副像素灰度级范围较窄的图像的像素灰度级的范围扩大并分布均匀。
医学图像处理实验报告
d、分别对其进行10*10、5*5、2*2的均值滤波；
e、显示原图像和选用不同大小模版处理后的图像。
(3)高斯滤波
a、读入图像；
b、对数字图像进行直方图均衡化处理；
c、选择高斯滤波参数（标准差）sigma为1.6；
d、选择滤波器尺寸为5*5；
i、显示原图像和处理后的图像。
(2)四八领域均值滤波
a、读入图像；
b、转换图像矩阵为双精度型；
c、创建4邻域平均滤波模版[0 1 0; 1 0 1; 0 1 0]；
创建8邻域平均滤波模版[1 1 1; 1 0 1; 1 1 1];
d、进行滤波；
e、显示原图像和处理后图像。
(3)巴特沃斯高通滤波
a、读取图像；
e、创建高斯滤波器进行滤波；
f、显示原图像和处理后的图像。
3
(1)同态滤波
a、读入图像；
b、对数字图像进行直方图均衡化处理；
c、转换图像矩阵为双精度型；
d、取对数；
e、对其做傅里叶变换；
f、选择参数，截止频率为10，锐化系数为2， =1.5， =2.0；
g、进行高斯同态滤波；
h、滤波之后进行傅里叶逆变换；
c、显示原图像和经过均衡化处理过的图像；
d、记录和整理实验报告。
(2)中值滤波加直方图均衡化
a、将模板在图中漫游，并将模板中心与图中某个像素位置重合；
b、读取模板下各对应像素的灰度值；
c、将这些灰度值从小到大排成1列；
d、找出这些值中排在中间的1个；
e、将这个中间值赋给对应模板中心位置的像素；
f、中值滤波之后的像素值进行直方图均衡化处理；
医学图像实验报告实验心得
医学图像实验报告实验心得医学图像实验报告实验心得引言：医学图像实验是医学领域中一项重要的实验内容，通过对医学图像的观察和分析，可以帮助医生了解病情、制定诊疗方案。
本文将结合个人的实验经历，分享一些关于医学图像实验的心得和体会。
一、实验准备在进行医学图像实验之前，首先需要了解实验的目的和背景知识。
对于不同的医学图像实验，可能需要掌握不同的医学知识和图像处理技术。
因此，在实验开始前，我会仔细阅读相关的文献资料，了解实验的原理和方法。
二、实验设备医学图像实验通常需要使用一些专业的设备和软件。
例如，X光片、CT扫描、MRI等医学影像设备，以及图像处理软件等。
在实验过程中，我会熟悉这些设备的操作方法，并根据实验需求进行相应的调整和设置。
三、实验步骤医学图像实验通常包括图像采集、图像处理和图像分析等步骤。
在进行实验时，我会按照实验计划的要求，逐步完成每个步骤。
在图像采集过程中，我会注意保持图像的清晰度和准确性，避免因操作不当而导致图像质量下降。
在图像处理和分析过程中，我会运用所学的图像处理技术，对图像进行去噪、增强和分割等操作，以便更好地观察和分析图像中的信息。
四、实验结果医学图像实验的结果往往是关于疾病诊断和治疗的重要依据。
因此，对于实验结果的准确性和可靠性要求较高。
在实验过程中，我会尽量避免人为因素对结果的影响，如避免操作失误和数据记录错误等。
同时，我也会对实验结果进行反复验证和分析，以确保结果的可靠性和科学性。
五、实验心得通过参与医学图像实验，我深刻体会到医学图像在临床诊断和治疗中的重要性。
医学图像可以提供丰富的信息，帮助医生了解病情、确定诊断和制定治疗方案。
同时，医学图像实验也需要一定的专业知识和技术支持，只有掌握了这些知识和技术，才能更好地进行实验和分析。
在实验过程中，我还发现了一些需要注意的问题。
首先，医学图像实验需要耐心和细心，因为有时图像中的细微变化可能对疾病的诊断和治疗有重要意义。
其次，实验结果的可靠性和科学性对于医学图像实验来说至关重要，因此在进行实验时要严格按照实验计划和操作规程进行，避免人为因素的影响。
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。
医学实验报告手绘
实验名称：手绘实验实验目的：通过手绘实验，了解和掌握医学图像的处理与分析方法，提高对医学图像的识别和解读能力。
实验时间：2023年4月15日实验地点：医学图像处理实验室实验材料：1. 医学图像处理软件（如Adobe Photoshop、GIMP等）2. 手绘板3. 医学图像资料（如X光片、CT扫描图、MRI图等）4. 实验记录本实验步骤：一、图像导入与预处理1. 打开医学图像处理软件，导入实验所需的医学图像。
2. 对图像进行预处理，包括调整对比度、亮度等，以便更好地观察和分析图像。
二、手绘实验过程1. 使用手绘板在软件中开始绘制实验图像。
2. 按照实验要求，绘制出图像中的关键结构，如骨骼、器官、病变区域等。
3. 在绘制过程中，注意观察图像的细节，确保绘制的准确性。
4. 完成手绘后，保存实验图像。
三、图像分析1. 对手绘图像进行初步分析，观察绘制出的结构是否与原图一致。
2. 对图像进行定量分析，如测量病变区域的面积、计算密度等。
3. 对比手绘图像与原图，分析手绘过程中的优缺点。
实验结果：一、手绘实验过程1. 在实验过程中，成功绘制出实验图像中的关键结构，如骨骼、器官、病变区域等。
2. 绘制过程中，注意到了图像的细节，确保了绘制的准确性。
3. 实验过程中，遇到了一些困难，如线条绘制不流畅、细节观察不全面等，但在不断尝试和调整中，逐渐克服了这些问题。
二、图像分析1. 通过对比手绘图像与原图，发现绘制出的结构基本一致，证明了手绘实验的准确性。
2. 在定量分析中，测量出病变区域的面积为X平方厘米，密度为Y。
3. 通过分析，发现手绘实验在识别和解读医学图像方面具有一定的优势，但也存在一定的局限性。
实验结论：1. 手绘实验是一种有效的医学图像处理与分析方法，能够提高对医学图像的识别和解读能力。
2. 在实验过程中，通过不断尝试和调整，克服了手绘过程中的困难，提高了绘制的准确性。
3. 手绘实验在医学图像处理与分析中具有一定的应用价值，但在实际应用中，还需结合其他技术手段，以提高分析结果的准确性。
医学图像处理实验
医学图象处理实验1. 简介医学图象处理是指利用计算机技术对医学图象进行数字化处理和分析的过程。
通过医学图象处理，可以提取、增强和分析医学图象中的实用信息，匡助医生进行疾病诊断和治疗。
本实验旨在介绍医学图象处理的基本原理和常用方法，并通过实例演示如何应用这些方法来处理医学图象。
2. 实验目的- 了解医学图象处理的基本原理和概念；- 掌握常用的医学图象处理方法；- 学会使用图象处理软件进行医学图象处理；- 实践应用医学图象处理方法解决实际问题。
3. 实验步骤3.1 准备工作- 下载并安装医学图象处理软件（如MATLAB、ImageJ等）；- 采集医学图象数据（如CT扫描图象、MRI图象等）。
3.2 图象预处理3.2.1 图象去噪- 选择适当的去噪方法，如中值滤波、小波去噪等；- 调整去噪参数，使图象保持细节信息的同时去除噪声。
3.2.2 图象增强- 应用直方图均衡化、对照度增强等方法，提高图象的视觉效果；- 调整增强参数，使图象更加清晰和易于观察。
3.3 图象分割3.3.1 阈值分割- 根据图象灰度值的分布特点，选择合适的阈值进行图象分割；- 应用全局或者局部阈值分割算法，将图象分割为不同的区域。
3.3.2 区域生长- 选择种子点，并根据预设的生长准则，将与种子点相连且满足条件的像素合并为一个区域；- 循环迭代，直到所有满足条件的像素都被合并到相应的区域中。
3.4 特征提取3.4.1 形态学处理- 应用腐蚀、膨胀、开运算、闭运算等形态学操作，提取图象的形状和结构信息；- 调整形态学操作的参数，使得提取的特征更加准确。
3.4.2 纹理特征分析- 使用纹理特征描述子，如灰度共生矩阵（GLCM）、局部二值模式（LBP）等，提取图象的纹理信息；- 分析纹理特征的统计量，如均值、方差、能量等，来描述图象的纹理特性。
3.5 实验结果分析- 对处理后的医学图象进行可视化展示，比较不同方法的效果；- 分析不同处理方法对图象质量和特征提取的影响；- 讨论实验结果的优缺点，并提出改进和优化的建议。
医学图像处理课程仿真实训总结
医学图像处理课程仿真实训总结在当今医学领域，医学图像处理技术的重要性日益凸显。
为了更好地掌握这一关键技术，我们参与了医学图像处理课程的仿真实训。
通过这次实训，我们不仅深化了对理论知识的理解，还积累了宝贵的实践经验，为未来在医学领域的工作和研究打下了坚实的基础。
一、实训背景与目标医学图像处理是一门融合了医学、计算机科学和数学等多学科知识的交叉学科。
它旨在通过对医学图像的获取、处理和分析，为临床诊断、治疗和医学研究提供有价值的信息。
本次仿真实训的主要目标是让我们熟悉医学图像处理的基本流程和常用方法，掌握相关软件工具的使用，提高我们解决实际问题的能力。
二、实训内容与方法（一）图像获取与预处理在实训的初始阶段，我们学习了如何从各种医学成像设备（如 X 射线、CT、MRI 等）中获取图像数据，并对其进行预处理。
预处理包括图像格式转换、去噪、增强等操作，以提高图像的质量和可读性。
（二）图像分割与特征提取图像分割是将图像中的不同区域划分出来，以便进一步分析。
我们尝试了多种分割方法，如阈值分割、区域生长、边缘检测等，并结合实际图像进行了实践。
特征提取则是从分割后的图像中提取出有意义的特征，如形状、大小、纹理等，为后续的诊断和分析提供依据。
（三）图像配准与融合为了综合利用不同模态的医学图像信息，我们学习了图像配准和融合技术。
通过将不同时间、不同设备获取的图像进行精确配准，并将其融合成一幅更全面、更准确的图像，为医生提供更丰富的诊断依据。
（四）图像可视化与分析最后，我们学会了如何将处理后的图像进行可视化展示，以便更直观地观察和分析结果。
同时，还运用了一些定量分析方法，如测量病变区域的大小、体积等，为临床诊断提供更准确的数据支持。
在实训过程中，我们主要使用了 MATLAB、Python 等编程语言和相关的图像处理库，如 OpenCV、ITK 等。
通过编写代码实现各种图像处理算法，加深了对算法原理的理解和掌握。
三、遇到的问题与解决方法（一）图像质量不佳在获取的医学图像中，有时会存在噪声、模糊等问题，影响后续的处理和分析。
最新医学图像处理实验报告
(1)直方图均衡化
直方图是图像的最基本的统计特征，它反映的是图像的灰度值的分布情况。直方图均衡化的目的是使图像在整个灰度值动态变化范围内的分布均匀化，改善图像的亮度分布状态，增强图像的视觉效果。灰度直方图是图像预处理中涉及最广泛的基本概念之一。
图像的直方图事实上就是图像的亮度分布的概率密度函数，是一幅图像的所有象素集合的最基本的统计规律。直方图反映了图像的明暗分布规律，可以通过图像变换进行直方图调整，获得较好的视觉效果。
(3)高斯滤波
高斯滤波器的二维形式为： ，D（u，v）是距频率矩形中心的距离。 是关于中心的扩展度的度量。通过令 ，该滤波器可表示为：
其中， 是截止频率。当 时，H下降到其最大值的0.607处。
3
(1)同态滤波
同态滤波是把频率过滤和灰度变换结合起来的一种图像处理方法，它依靠图像的照度/反射率模型作为频域处理的基础，利用压缩亮度范围和增强对比度来改善图像的质量。使用这种方法可以使图像处理符合人眼对于亮度响应的非线性特性，避免了直接对图像进行傅立叶变换处理的失真。
医学图像处理实验报告
班级专业姓名学号
实验
一、实验目的
1：理解并掌握常用的图像的增强技术。
2：熟悉并掌握MATLAB图像处理工具箱的使用。
3：实践几种常用数字图像增强的方法，增强自主动手能力。
二、实验任务
对于每张图像(共三张图片)，实现3种图像增强方法。根据图像的特点，分别选用不用的图像增强算法。
三、实验内容（设计思路）
直方图均衡化是指：采用累积分布函数（CDF）变化生成一幅图像，该图像的灰度级较为均衡化，且覆盖了整个范围[0，1]，均衡化处理的结果是一幅扩展了动态范围的图像。直方图均衡化就是通过灰度变换将一幅图像转换为另一幅具有均衡直方图，即在每个灰度级上都具有相同的象素点数的过程。主要用途是：将一幅灰度分布集中在较窄区间，细节不够清晰的图像，修正后使图像的灰度间距增大或灰度分布均匀，令图像的细节清晰，达到图像增强的目的。
- 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)。
实验一yq1I=imread('cameraman.tif');%读黑白图像subplot(2,2,1);imshow(I) %显示图像subplot(2,2,2);imhist(I) %显示直方图J=imadjust(I,[0.02 0.7],[0 1]);%对比度增强subplot(2,2,3);imshow(J)subplot(2,2,4);imhist(J)I1=imresize(I,0.5);imview(I1)%缩小I2=imresize(I,1.5);imview(I2)%放大I3=imrotate(I,45,'bilinear','crop');imview(I3)%旋转45°%%原图、直方图对比度增强、直方图%%缩小%%放大%%旋转45°yq2I=imread('pears.png');imshow(I);I1=rgb2gray(I);%把彩色图像转换成灰度图像figure,imshow(I1);info= imfinfo('pears.png')%查询文件信息imwrite(I1,'D:\yq\小小.png'); %写图像info =Filename:'C:\MATLAB7\toolbox\images\imde mos\pears.png'FileModDate: '03-May-2003 13:53:58' FileSize: 554554Format: 'png'FormatVersion: []Width: 732Height: 486BitDepth: 24ColorType: 'truecolor' FormatSignature: [137 80 78 71 13 10 26 10] Colormap: []Histogram: []InterlaceType: 'none'Transparency: 'none' SimpleTransparencyData: [] BackgroundColor: []RenderingIntent: []Chromaticities: []Gamma: [] XResolution: []YResolution: []ResolutionUnit: []XOffset: []YOffset: []OffsetUnit: []SignificantBits: []ImageModTime:'20 Feb 2003 20:53:33 +0000' Title: []Author: []Description: []Copyright: 'Copyright Corel' CreationTime: []Software: []Disclaimer: []Warning: []Source: []Comment: []OtherText: []yq3[I,map]=imread('trees.tif');imshow(I,map)I1=ind2gray(I,map);%把索引色转换成灰度图像figure,imshow(I1,map)%%索引色图像%%灰度图像实验二yq4%%对比度调整I=imread('pout.tif');subplot(2,2,1);imshow(I);subplot(2,2,2);imhist(I);J=imadjust(I,[0.3 0.7],[0 1]);subplot(2,2,3);imshow(J);subplot(2,2,4);imhist(J);%%原图、直方图对比度增强、直方图yq5%%直方图均衡化：I=imread('pout.tif');imshow(I);figure,imhist(I);[J,T]=histeq(I,64);figure,imshow(J);figure,imhist(J);yq6%%线性滤波的MA TLAB实现I=imread('kids.tif');I1=imnoise(I,'salt & pepper',0.02);%加椒盐噪声K1=filter2(fspecial('average',3),I1)/255;K2=filter2(fspecial('average',5),I1)/255;K3=filter2(fspecial('average',7),I1)/255; subplot(2,2,1);imshow(I1); title('噪声图像'); subplot(2,2,2);imshow(K1);title('3×3'); subplot(2,2,3);imshow(K2); title('5×5'); subplot(2,2,4);imshow(K2); title('7×7');yq7%%中值滤波MA TLAB实现I=imread('eight.tif');imshow(I);J=imnoise(I,'gaussian',0,0.02);figure;imshow(J);K1=medfilt2(J,[3,3]);K2=medfilt2(J,[5,5]);K3=medfilt2(J,[7,7]);figure,imshow(K1);figure,imshow(K2); figure,imshow(K2); %%原图%%加高斯噪声实验4实验四：图像的配准与融合一、实验目的(1)熟悉MATLAB图像处理工具箱的使用方法(2) 掌握基于特征点的图像配准的过程。
(3) 掌握常用的图像融合方.二、实验的主要仪器设备(1)微型计算机(2) MATLAB软件（安装图像处理工具箱）(3) 参考MRI图像与待配准的CT图像三、实验原理图像配准指的是将同一场景的两幅或多幅图像进行对准。
一个典型的应用是，将一幅图像(称为基准图像)作为其他图像(称为输入图像)的参照进行比较。
图像配准的目的是，通过对输入图像进行空间变换，使输入图像与基准图像对准。
使用点映射的图像配准包括以下步骤：．将图像读入到MATLAB空间；．指定图像中的成对控制点；．保存控制点对；．指定要使用的变换类型，并根据控制点对推测参数。
．对没有配准的图像进行变换，使之对准。
四、试验内容1、读入图像M= imread('C:\MATLAB7\toolbox\images\imdemos\ct.jpg');figure,imshow(M);N= imread('C:\MATLAB7\toolbox\images\imdemos\mri.jpg');figure,imshow(N);2、选择控制点 cpselect(M,N);3、将控制点保存到MA TLAB 工作区间input_points =305.8058 208.6547236.7410 256.5396246.8705 315.4748262.5252 395.58994、调整控制点的位置和指定变换类型计算参数input_points_corr=cpcorr(input_points,base_points,M,N);mytform=cp2tform(input_points_corr,base_points,'linear conformal'); info=imfinfo('C:\MATLAB7\toolbox\images\imdemos\mri.jpg');5、配准图像，并显示 registered=imtransform(unregistered,mytform,'XData',[1 info.Width],'YData',[1 info.Height]);figure,imshow(registered),title('配准后图像');配准后图像6、融合M1=imread('C:\MATLAB7\toolbox\images\imdemos\mri.jpg'); %读入图像M2=imread('C:\MATLAB7\toolbox\images\imdemos\hh.jpg');[m1 n1]=size(M1); %判断图像大小是否一致[m2 n2]=size(M2);if (m1 ~= m2) | (n1 ~= n2)error('Input images are not of same size');end;M1=im2double(M1); %数据类型转换M2=im2double(M2);M3=0.5*M1+0.5*M2; %图像加权融合M3=im2uint8(M3);M4=0.3*M1+0.7*M2;M4=im2uint8(M4);subplot(2,2,1);imshow(M1),title('原始MRI图像'); %显示图像subplot(2,2,2);imshow(M2),title('配准后的CT图像');subplot(2,2,3),imshow(M3),title('加权因子0.5,0.5融合后的图像'); subplot(2,2,4),imshow(M4),title('加权因子0.3,0.7融合后的图像');原始MRI图像配准后的CT图像加权因子0.5,0.5融合后的图像加权因子0.3,0.7融合后的图像。