(研一期末)数字图像处理作业
《数字图像处理》期末大作业(1)
《数字图像处理》期末大作业大作业题目及要求：一、题目：本门课程的考核以作品形式进行。
作品必须用Matlab完成。
并提交相关文档。
二、作品要求：1、用Matlab设计实现图形化界面，调用后台函数完成设计，函数可以调用Matlab工具箱中的函数，也可以自己编写函数。
设计完成后，点击GUI图形界面上的菜单或者按钮，进行必要的交互式操作后，最终能显示运行结果。
2、要求实现以下功能：每个功能的演示窗口标题必须体现完成该功能的小组成员的学号和姓名。
1）对于打开的图像可以显示其灰度直方图，实现直方图均衡化。
2）实现灰度图像的对比度增强，要求实现线性变换和非线性变换（包括对数变换和指数变换）。
3）实现图像的缩放变换、旋转变换等。
4）图像加噪（用输入参数控制不同噪声），然后使用空域和频域进行滤波处理。
5）采用robert算子，prewitt算子，sobel算子，拉普拉斯算子对图像进行边缘提取。
6）读入两幅图像，一幅为背景图像，一幅为含有目标的图像，应用所学的知识提取出目标。
3、认真完成期末大作业报告的撰写，对各个算法的原理和实验结果务必进行仔细分析讨论。
报告采用A4纸打印并装订成册。
附录：报告模板《数字图像处理》期末大作业班级：计算机小组编号：第9组组长：王迪小组成员：吴佳达浙江万里学院计算机与信息学院2014年12月目录（自动生成）1 绘制灰度直方图，实现直方图均衡化 (5)1.1 算法原理 (5)1.2 算法设计 (5)1.3 实验结果及对比分析 (5)2 灰度图像的对比度增强 (5)2.1 算法原理 (5)2.2 算法设计 (5)2.3 实验结果及分析 (5)3 图像的几何变换 (5)3.1 算法原理 (5)3.2 算法设计 (5)3.3 实验结果及分析 (5)4 图像加噪（用输入参数控制不同噪声），然后使用空域和频域进行滤波处理 (5)4.1 算法原理 (5)4.2 算法设计 (6)4.3 实验结果及分析 (6)5 采用robert，prewitt，sobel，拉普拉斯算子对图像进行边缘提取 (6)5.1 算法原理 (6)5.2 算法设计 (6)5.3 实验结果及分析 (6)6 读入两幅图像，一幅为背景图像，一幅为含有目标的图像，应用所学的知识提取出目标 (6)6.1 算法原理 (6)6.2 算法设计 (6)6.3 实验结果及分析 (6)7 小结（感受和体会） (6)1 绘制灰度直方图，实现直方图均衡化1.1 算法原理图像增强是指按特定的需要突出一幅图像中的某些信息，同时，消弱或去除某些不需要的信息的处理方法。
重庆师范大学数字图像处理期末作业
1.绘图函数绘制图案金字塔夜程序：#include<iostream>#include<opencv2/imgproc/imgproc.hpp>#include<opencv2/core/core.hpp>#include<opencv2/highgui/highgui.hpp>usingnamespace std;usingnamespace cv;int main(){Mat img(300,300,CV_8UC3,Scalar::all(200));line(img,Point(200,0),Point(50,50),Scalar(255,20,30));//蓝色流星尾迹ellipse(img,Point(50,50),Size(5,2),-15,0,360,Scalar(255,20,30),3,8,0);//流星头部rectangle(img,Point(0,270),Point(300,300),Scalar(50,220,200),30);//黄色沙漠Point vert1[3]={Point(180,80),Point(60,280),Point(190,295)};//金字塔左部端点Point vert2[3]={Point(180,80),Point(250,260),Point(190,295)};//金字塔右部端点const Point*pts1[2]={vert1};int npts[]={3};int ncontour=1;fillPoly(img,pts1,npts,ncontour,Scalar(10,100,120));//金字塔左部上色const Point*pts2[2]={vert2};fillPoly(img,pts2,npts,ncontour,Scalar(0,180,180));//金字塔右部上色circle(img,Point(250,40),5,Scalar(150,100,80),26);//圆形月球circle(img,Point(240,40),5,Scalar(200,200,200),26);//月缺imshow("Egypt",img);waitKey(0);return0;}2.根据ptr（）遍历图像的方法绘制图案日出水面#include<iostream>#include<opencv2/opencv.hpp>#include<cmath> usingnamespace std;usingnamespace cv;int main(){Mat img(300,300,CV_8UC3,Scalar::all(255));int nrow=img.rows;int ncol=img.cols;for(int i=0;i<nrow;i++)//此遍历循环是画太阳光线{Vec3b*data=img.ptr<Vec3b>(i);for(int j=0;j<ncol;j++){if((((i-40)-1*(j-230)<4)&&((i-40)-1*(j-230)>-4))||(((i-40)-2*(j-230)<5)&&((i-40)-2*(j-230)>-5))||(((i-40)-0.5*(j-230)<3)&&((i-40)-0.5*(j-230)>-3))||(((i-40)+0.5*(j-230)<3)&&((i-40)+0.5*(j-230)>-3))||(((i-40)+1*(j-230)<4)&&((i-40)+1*(j-230)>-4))||(((i-40)+2*(j-230)<5)&&((i-40)+2*(j-230)>-5))||((i<43)&&(i>37))||((j<233)&&(j>227))){data[j][0]=0;data[j][1]=255;data[j][2]=255;}}}for(int i=0;i<nrow;i++)//此遍历循环是画水波浪{Vec3b*data=img.ptr<Vec3b>(i);for(int j=0;j<ncol;j++){if(i>3*sin(0.3*j)+230){data[j][0]=230;data[j][1]=120;data[j][2]=5;}}}for(int i=0;i<nrow;i++)//此遍历循环是画太阳{Vec3b*data=img.ptr<Vec3b>(i);for(int j=0;j<ncol;j++){if(((i-40)*(i-40)+(j-230)*(j-230))<=300){data[j][0]=40;data[j][1]=120;data[j][2]=255;}}}imshow("img",img);waitKey(0);return0;}3.用直方图均衡化方法处理图片亮环境处理前亮环境处理后暗环境处理前暗环境处理后我们可以看到这两幅图像的对比度都明显变强，层次分明。
数字图像处理期末试题参考答案
1.用matlab进行图像变换，公式:s=L-1-r答：clear;clc;f=imread('source.jpg');%该图像是一幅灰度图像subplot(211);imshow(f);title('原始灰度图像');s=f;f=double(f);s=256-1-f;subplot(212);imshow(uint8(s),[]);title('变换后的图像')2.图1显示了512×512像素尺寸的黑色背景叠加一个20×20像素尺寸的白色矩形。
此图像在傅里叶变换的计算之前乘以(-1)x+y,从而可以使频率关于中心谱对称，用matlab对图1进行变换答：编程f=zeros(512,512);f(246:266,246:266)=1;F=fft2(f,512,512) ;F2=fftshift(F);imshow(log(abs(F2)),[-1 5]);colormap(jet);colorbar;-0.500.511.522.533.544.53.试给出把灰度范围[0,10]伸长为[0,15]，把范围[10,20]伸长为[15,25]，并把范围[20,30]压缩为[25，30]的变换方程。
答：由()[]c a y x f ab cd y x g +---=,)(),(得 （1）、3(,)(,)2g x y f x y ⎡⎤=*⎢⎥⎣⎦（2）、5),(),(+=y x f y x g （3）、15),(5.0),(+=y x f y x g4、设一幅图像具有表1所示的概率分布，对其分别进行直方图均衡化和规定化，要求规定化的图像具有表2所示的灰度级分布。
表1表2（1）、直方图均衡化处理结果如下。
(完整版)数字图像处理大作业
数字图像处理1.图像工程的三个层次是指哪三个层次？各个层次对应的输入、输出对象分别是什么？①图像处理特点：输入是图像，输出也是图像，即图像之间进行的变换。
②图像分割特点：输入是图像，输出是数据。
③图像识别特点：以客观世界为中心，借助知识、经验等来把握整个客观世界。
“输入是数据，输出是理解。
2.常用的颜色模型有哪些（列举三种以上）？并分别说明颜色模型各分量代表的意义。
①RGB（红、绿、蓝）模型②CMY（青、品红、黄）模型③HSI（色调、饱和度、亮度）模型3.什么是图像的采样？什么是图像的量化？1．采样采样的实质就是要用多少点来描述一幅图像，采样结果质量的高低就是用前面所说的图像分辨率来衡量。
简单来讲，对二维空间上连续的图像在水平和垂直方向上等间距地分割成矩形网状结构，所形成的微小方格称为像素点。
一副图像就被采样成有限个像素点构成的集合。
例如：一副640*480分辨率的图像，表示这幅图像是由640*480＝307200个像素点组成。
2．量化量化是指要使用多大范围的数值来表示图像采样之后的每一个点。
量化的结果是图像能够容纳的颜色总数，它反映了采样的质量。
针对数字图像而言：采样决定了图像的空间分辨率，换句话说，空间分辨率是图像中可分辨的最小细节。
量化决定了图像的灰度级，即指在灰度级别中可分辨的最小变化。
数字图像处理（第三次课）调用图像格式转换函数实现彩色图像、灰度图像、二值图像、索引图像之间的转换。
图像的类型转换：对于索引图像进行滤波时，必须把它转换为RGB图像，否则对图像的下标进行滤波，得到的结果是毫无意义的;2.用MATLAB完成灰度图像直方图统计代码设计。
6789101112131415161718192021222324252627282930title('lady-lenna');if isrgb(a);b=rgb2gray(a);%RGB转换为灰度图像endsubplot(2,2,2);imshow(b);%显示图像title('ladygaga-lenna');[m,n]=size(a);%返回图像大小e=zeros(1,256);for k=0:255for i=1:mfor j=1:nif a(i,j)==ke(k+1)=e(k+1)+1;%灰度值相同的进行累加endendendendsubplot(2,2,4);bar(e);%画图像的灰度直方图title('灰度直方图');c=imrotate(a,20);%图像的旋转subplot(2,2,3);imshow(c);数字图像处理（第四次课）编写matlab函数，实现在医学图像中数字减影血管造影。
数字图像处理作业
数字图像处理作业数字图像处理是一门研究如何对数字图像进行处理、分析、识别等的学科，而数字图像的处理就是利用计算机对图像进行数字化处理。
这门学科对日常生活中各行各业有着广泛的应用，比如医学图像处理、遥感图像处理、安防监控、虚拟现实等。
数字图像处理是一个复杂的过程，需要多个步骤的协同完成。
本篇文档就是一次关于数字图像处理的作业，下面将对数字图像处理的主要步骤和注意事项进行详细介绍。
图像数字化图像数字化是指将样本图像点的亮度值和位置坐标转换为数字信号，从而对图像进行处理和传输。
在数字图像处理中，数字图像通常表示为二维矩阵，其中矩阵中的每个元素对应图像中的每个像素。
每个像素的值表示亮度或颜色信息。
前置处理图像的前置处理是指对图像进行预处理，以清除噪声、增强对比度等操作。
前置处理的主要流程包括滤波、分割、边缘检测、形态学处理等。
滤波滤波是对图像进行平滑或锐化处理的过程。
平滑滤波的作用是去除噪声，提高图像的质量；锐化滤波的作用是增强图像的轮廓特征。
分割图像分割是指将图像划分为多个有意义的区域，以便于后续的处理。
最常见的分割方法有基于阈值的方法、边缘检测方法和区域增长法等。
边缘检测边缘检测是指在图像中找到亮度或颜色变化的位置，以便于提取图像的特征。
常用的边缘检测算法有Sobel算子、Prewitt算子、Canny算子等。
形态学处理形态学处理是一种基于图像形状的图像处理方法，其主要作用是对图像进行形态学操作，如腐蚀、膨胀、开运算、闭运算等。
特征提取特征提取是指从处理过后的数字图像中提取有用的信息或特征。
常用的特征提取方法有局部二值模式、霍夫变换、支持向量机(SVM)等。
局部二值模式局部二值模式是一种基于像素点周围局部邻域像素值的特征提取方法，可以有效地提取图像的纹理特征和形状特征等。
霍夫变换霍夫变换是一种基于数学原理的特征提取方法，主要应用于直线、圆弧等图形的识别和提取。
其原理是将特征空间转化为参数空间，通过在参数空间中的投票来找到与特定模型最适配的特征。
数字图像处理大作业(DOC)
大作业指导书题目：数字图像处理院（系）：物联网工程学院专业: 计算机班级：计算机1401-1406指导老师：学号：姓名：设计时间： 2016-2017学年 1学期摘要 (3)一、简介 (3)二、斑点数据模型.参数估计与解释 (4)三、水平集框架 (5)1.能量泛函映射 (5)2.水平集传播模型 (6)3.随机评估方法 (7)四、实验结果 (8)五、总结 (11)基于水平集方法和G0模型的SAR图像分割Abstract（摘要）这篇文章提出了一种分割SAR图像的方法，探索利用SAR数据中的统计特性将图像分区域。
我们假设为SAR图像分割分配参数，并与水平集模型相结合。
分布属于G分布中的一种，处于数据建模的目的，它们已经成功的被用于振幅SAR图像中不同区域的建模。
这种统计数据模型是驱动能量泛函执行区域映射的基础，被引用到水平集传播数值方案中，将SAR 图像分为均匀、异构和极其异构区域。
此外，我们引入了一个基于随机距离和模型的评估过程，用于量化我们方法的鲁棒性和准确性。
实验结果表明，我们的算法对合成和真实SAR 数据都具有准确性。
+简介1、Induction（简介）合成孔径雷达系统是一种成像装置，采用相干照明比如激光和超声波，并会受到斑点噪声的影响。
在SAR图像处理过程中，返回的是斑点噪声和雷达切面建模在一起的结果。
这个积性模型（文献[1]）因包含大量的真实SAR数据，并且在获取过程中斑点噪声被建模为固有的一部分而被广泛应用。
因此，SAR图像应用区域边界和目标检测变得更加困难，可能需要斑点去除。
因此，斑点去除是必需的，有效的方法可以在文献[2][3][4][5][6][7][8][9][10]中找到。
对于SAR图像分割，水平集方法构成一类基于哈密顿-雅克比公式的重要算法。
水平集方法允许有效的分割标准公式，从文献[12]中讨论的传播函数项可以得到。
经典方法有着昂贵的计算成本，但现在的水平集的实现配置了有趣的低成本的替换。
完整版数字图像处理作业题及部分答案
1.数字图像与连续图像相比具有哪些优点?连续图像f(x,y)与数字图像I(c,r)中各量的含义是什么?它们有何联系和区别? (To be compared with an analog image, what are the advantagesof a digital image? Let f(x,y) be an analog image, I(r, c) be a digital image, please giveexplanation and comparison for defined variables: f/I, x/r, and y/c)2.图像处理可分为哪三个阶段? 它们是如何划分的？各有什么特点? (We can divide image processing into 3 stages, what are they? how they are divided? What are their features?)答：低级处理---低层操作,强调图像之间的变换,是一个从图像到图像的过程;中级处理---中层操作,主要对图像中感兴趣的目标进行检测和测量,从而建立对图像的描述,是一个从图像到数值或符号的过程;高级处理---高层操作,研究图像中各目标的性质和相互联系,得出对图像内容含义的理解以及对原来客观场景的解释;3.试从结构和功能等角度分析人类视觉中最基本的几个要素是什么?什么是马赫带效应? 什么是同时对比度?它们反映了什么共同问题? (According to the structure and function of theeyes, what are the basic elements in human vision? What is the Mach Band Effect? What is Simultaneous Contrast? What common facts can we infer from both Mach Band Effect and Simultaneous Contrast?)答：人的视觉系统趋向于过高或过低估计不同亮度区域边界的现象称为“马赫带”效应;同时对比度指的是人的视觉系统对某个区域感觉到的亮度除了依赖于它本身的强度,还与背景有关. 马赫带效应和同时对比度现象表明人所感觉到的亮度并不是强度的简单函数.4.比较说明像素邻域、连接、通路以及连通基本概念的联系与区别。
硕士研究生《数字图像处理》作业
研究生《数字图像处理》考试1. 编写程序完成不同滤波器的图像频域降噪和边缘增强的算法并进行比较，得出结论。
● 图像频域降噪的实验原理与算法分析：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，因此能降低高频成分幅度的滤波器就能减弱噪声的影响，由卷积定理，在频域实现低通滤波的数学表达式：),(),(),(v u F v u H v u G =1. 理想低通滤波器（ILPF ）0),(),(01),(D v u D D v u D v u H >≤⎩⎨⎧=2. 巴特沃斯低通滤波器（BLPF ） nD v u D v u H 20),()12(11),(⎥⎦⎤⎢⎣⎡-+=3. 指数型低通滤波器（ELPF ） 2),(0),(nD v u D ev u H ⎥⎦⎤⎢⎣⎡-=● 图像频域降噪的实验过程： 1. 理想低通滤波器程序I=imread('xpy.jpg'); f=double(I); g=fft2(f); g=fftshift(g); [M,N]=size(g); d0=100;m=fix(M/2);n=fix(N/2); for i=1:Mfor j=1:Nd=sqrt((i-m)^2+(j-n)^2); if(d<=d0) h=1; else h=0; endresult(i,j)=h*g(i,j);endend>> result=ifftshift(result);>> J1=ifft2(result);>> J2=uint8(real(J1));>> imshow(J2)2.巴特沃斯低通滤波器程序I=imread('xpy.jpg');f=double(I);g=fft2(f);g=fftshift(g);[M,N]=size(g);nn=2;d0=30;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);J1=ifft2(result);J2=uint8(real(J1));imshow(J2)3.高斯低通滤波器程序I=imread('xpy.jpg');f=double(I);g=fft2(f);g=fftshift(g);[M,N]=size(g);d0=100;m=fix(M/2);n=fix(N/2);for i=1:Mfor j=1:Nd=sqrt((i-m)^2+(j-n)^2);h=exp(-(d.^2)./(2*(d0^2)));result(i,j)=h*g(i,j);endendresult=ifftshift(result);J1=ifft2(result);J2=uint8(real(J1));imshow(J2)图像频域降噪的实验结果分析与讨论下面是理想低通滤波器、巴特沃斯低通滤波器、高斯低通滤波器的滤波效果分析与讨论。
- 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)。
数字图像处理作业
Ouc
1、任意选择一个灰度图像，（1）应用全局直方图均衡化进行图像增强；（2）应用自适应直方图均衡化方法（AHE ）进行图像增强，改变局部图像块的大小，讨论结果的不同。
（1）应用全局直方图均衡化进行图像增强（程序代码见附录1）
原始图像原始图像直方图分布
处理图像均衡化后的直方图分布
（2）应用自适应直方图均衡化方法（AHE ）进行图像增强，改变局部图像块的大小（程序代码见附录2）
050100150200
2500
[2 2][5 5][10 10]
[]
m n代表图像被划分为m n
块
从图中我们可以看出,全局直方图均衡化处理得到的灰度图像出现了部分光晕和过度增强以及引入了噪声等现象,由处理过的图像中发现出现了光斑等现象,而局部自适应直方图均衡化处理得到的
灰度图像具有很好的视觉效果,能进一步改善全局直方图的缺点，随着局部块的减小即局部块数目的增多，噪声去除效果较好，进一步验证了局部自适应直方图均衡化算法具有更好的增强效果。
3、选择标准测试图像（Lena灰度图），经（高斯）低通滤波变模糊，再加上高斯噪声后成为退化图像，应用维纳滤波复原方法对其复原，给出不同噪声水平下的复原结果。
（程序代码见附录3）
Original imageBlurred-gaussian filterSimulate Blur and Noise
Restoration NSR=0.0008 Restoration NSR=0.003Restoration NSR=0.01
采用维纳滤波算子确实可以有效地提高图像的视觉效果, 提高图像的质量。
然而, 维纳滤波器是假设线形系统, 而实际上图像的记录和评价图像的人类视觉系统往往是非线性的, 而且维纳滤波器的最小均方差准则并不见得与人类的视觉判决准则相符, 这也往往会导致一些情形下(如信噪比较低)其复原结果并不能令人满意。
附录1
f=imread('rice.png');
g=histeq(f,256);
imshow(f);
figure(2), imhist(f);
figure(3), imshow(g);
figure(4), imhist(g);
附录2
L = imread('rice.png');
imshow(L);
J = adapthisteq(L,'NumTiles',...
[2 2],'ClipLimit',0.01)
figure(2), imshow(J);
J1 = adapthisteq(L,'NumTiles',...
[5 5],'ClipLimit',0.01)
figure(3), imshow(J1);
J2 = adapthisteq(L,'NumTiles',...
[10 10],'ClipLimit',0.01)
figure(4), imshow(J2);
附录3
clc
clear all
close all
I = imread('lena.bmp');
figure,imshow(I);
title('The original image');
PSF = fspecial('gaussian',11,5);
Blurred = imfilter(I,PSF,'conv', 'circular');
figure,imshow(Blurred);
title('Blurred-gaussian filter');
noise_mean = 0;
noise_var = 0.0001;
blurred_noisy = imnoise(Blurred, 'gaussian', ... noise_mean, noise_var);
figure,imshow(blurred_noisy);
title('Simulate Blur and Noise')
wnr1 = deconvwnr(blurred_noisy, PSF, 0.0008); figure,imshow(wnr1)
title('Restoration NSR=0.0008');
%signal_var = var(Blurred(:));
wnr2 = deconvwnr(blurred_noisy, PSF, 0.003); figure,imshow(wnr2)
title('Restoration NSR=0.003');
wnr3 = deconvwnr(blurred_noisy, PSF, 0.01); figure;imshow(wnr3)
title('Restoration NSR=0.01');。