数字图像处理实验
学生姓名：专业年级：报告
叶圣红 学 号： 20097048
09级电子信息工程二班
实验一 常用MATLAB图像处理命令
一、实验内容
1、读入一幅RGB图像，变换为灰度图像和二值图像，并在同一个窗口内分成三个子窗口来分别显示RGB图像和灰度图像，注上文字标题。
实验结果如右图： 代码如下： Subplot (1,3,1)
i=imread(\'E:\\数字图象处理.jpg\') imshow(i)
title(\'RGB\') Subplot (1,3,2) j=rgb2gray(i) imshow(j) title(\'灰度\') Subplot (1,3,3) k=im2bw(j,0.5) imshow(k) title(\'二值\')
2、对两幅不同图像执行加、减、乘、除操作，在同一个窗口内分成五个子窗口来分别显示，注上文字标题。
实验结果如右图： 代码如下： Subplot (3,2,1) i=imread(\'E:\\数字图像处理\\1.jpg\') x=imresize(i,[250,320]) imshow(x) title(\'原图x\') Subplot (3,2,2) j=imread(\'\'E:\\数字图像处理\\17.jpg\') y=imresize(j,[250,320]) imshow(y) title(\'原图y\') Subplot (3,2,3) z=imadd(x,y) imshow(z) title(\'相加结果\')；Subplot (3,2,4)；z=imsubtract(x,y)；imshow(z)；title(\'相减结果\') Subplot (3,2,5)；z=immultiply(x,y)；imshow(z)；title(\'相乘结果\') Subplot (3,2,6)；z=imdivide(x,y)；imshow(z)；title(\'相除结果\')
3、对一幅图像进行灰度变化，实现图像变亮、变暗和负片效果，在同一个窗口内分成四个子窗口来分别显示，注上文字标题。
实验结果如右图：
代码如下： Subplot (2,2,1) i=imread(\'E:\\数字图像处理\\12.jpg\') imshow(i) title(\'原图\') Subplot (2,2,2) J = imadjust(i,[],[],3); imshow(J) title(\'变暗\') Subplot (2,2,3) J = imadjust(i,[],[],0.4) imshow(J) title(\'变亮\') Subplot (2,2,4) J=255-i Imshow(J) title(\'变负\')
二、实验总结
分析图像的代数运算结果，分别陈述图像的加、减、乘、除运算可能的应用领域。
解答：图像减运算与图像加运算的原理和用法类似，同样要求两幅图像X、Y的大小类型相同，但是图像减运算imsubtract()有可能导致结果中出现负数，此时系统将负数统一置为零，即为黑色。
乘运算实际上是对两幅原始图像X、Y对应的像素点进行点乘(X.*Y)，将结果输出到矩阵Z中，若乘以一个常数，将改变图像的亮度：若常数值大于1，则乘运算后的图像将会变亮；叵常数值小于是，则图像将会会暗。可用来改变图像的灰度级，实现灰度级变换，也可以用来遮住图像的某些部分，其典型应用是用于获得掩膜图像。
除运算操作与乘运算操作互为逆运算，就是对两幅图像的对应像素点进行点（X./Y)， imdivide()同样可以通过除以一个常数来改变原始图像的亮度，可用来改变图像的灰度级，其典型运用是比值图像处理。
加法运算的一个重要应用是对同一场景的多幅图像求平均值
减法运算常用于检测变化及运动的物体，图像相减运算又称为图像差分运算，差分运算还可以用于消除图像背景，用于混合图像的分离。
实验二 图像基本操作
一、实验内容
1.调试运行8倍减采样程序,分析程序,对每条语句给出注释,并显示最终执行结果。
1、调试运行8倍减采样程序,分析程序,对每条语句给出注释,并显示最终执行结果。
a=imread(‘e:\\3.jpg’);%读取图片 b=rgb2gray(a)；%变为灰度图像
[wid，hei]=size（b）；%改变图片大小 quartimg=zeros(wid/2+1,hei/2+1); i1=1; j1=1; for i=1:2:wid
for j=1:2:hei
quartimg(i1,j1)=b(i,j) ;
j1=j1+1;
end
i1=i1+1; j1=1; end figure imshow(uint8(quartimg)) %显示输出图像
2、显示一幅灰度图像a，改变图像亮度使其整体变暗得到图像b，显示两幅图像的直方图
Subplot (1,2,1);a=imread(\'E:\\数字图像处理实验\\数字图像处理\\20.jpg\'); imshow(a)；title(\'a\')；Subplot (1,2,2);b= imadjust(a,[],[],3)；title(\'b\')
显示直方图程序：
Subplot (1,2,1);imhist(a);title(\'a的直方图\') Subplot (1,2,2);imhist(b);title(\'b的直方图\')
3、对图像b进行直方图均衡化，显示结果图像和对应直方图。
Subplot (1,2,1);j=histeq(b);imshow(j); title(\'b均衡化\'); Subplot (1,2,2);imhist(j); title(\'b均衡化后的直方图\') 均衡化的图像和直方图：
4、读入图像c，执行直方图规定化，使图像a的灰度分布与c大致相同，显示变换后图像及对应直方图。
[counts,x]=imhist(c) ；Subplot (2,2,1)；imshow(a); title(\'图a\');Subplot (2,2,2);c=imread(\'E:\\数字图像处理\\13.jpg\'); imshow(c);title(\'图c\');Subplot (2,2,3);j=histeq(a,counts); imshow(j);Subplot (2,2,4);imhist(j)
实验三 图像变换
一、实验内容
1、对一幅图像进行缩小，显示原始图像与处理后图像，分别对其进行傅里叶变换，显示变换后结果，分析原图的傅里叶谱与平移后傅里叶频谱的对应关系。 i=imread(\'F:\\数字图象处理\\17.jpg\'); y=rgb2gray(i);subplot(2,2,1);imshow(y);title(\'原图\') j=imresize(y,0.5);subplot(2,2,2);imshow(j);title(\'缩小图\') m=fft2(y);subplot(2,2,3);imshow(abs(log(m)),[]);title(\'原图傅里叶变化\') n=fft2(j);subplot(2,2,4);imshow(abs(log(n)),[]);title(\'缩小图傅里叶变化\')
2、对一幅图像进行旋转，显示原始图像与处理后图像，分别对其进行傅里叶变换，显示变换后结果，分析原图的傅里叶谱与旋转后傅里叶频谱的对应关系。
i=imread(\'E:\\数字图象处理\\18.jpg\'); j=rgb2gray(i);subplot(2,2,1);imshow(j);title(\'原图\') m=imrotate(j,45,\'bilinear\');subplot(2,2,2); imshow(m);title(\'旋转图\') p=fftshift(fft2(j));subplot(2,2,3); imshow(abs(log(p)),[]);title(\'原图傅里叶变化\') q=fftshift(fft2(m));subplot(2,2,4); imshow(abs(log(q)),[]);title(\'旋转图傅里叶变化\')
实验四 常用图像增强方法
一、实验内容
1、采用二维中值滤波函数medfilt2对受椒盐噪声干扰的图像滤波，窗口分别采用3*3,5*5,7*7 subplot(2,2,1);
a=imread(\'E:\\数字图像处理\\24.jpg\'); j=imnoise(a,\'salt & pepper\',0.04); imshow(j);
title(\'椒盐噪声图像\'); subplot(2,2,2); I_Filter1=medfilt2(j,[3 3]);
imshow(I_Filter1); title(\'3X3\'); subplot(2,2,3); I_Filter2=medfilt2(j,[5 5]);
imshow(I_Filter2); title(\'5X5\'); subplot(2,2,4); I_Filter3=medfilt2(j,[7 7]);
imshow(I_Filter3); title(\'7X7\');
2、采用MATLAB中的函数filter2对受噪声干扰的图像进行均值滤波 subplot(1,2,1);a=imread(\'E:\\数字图像处理\\23.jpg\'); j=imnoise(a,\'salt & pepper\',0.04); imshow(j);title(\'椒盐噪声图像\'); subplot(1,2,2); h=fspecial(\'average\'); m=filter2(h,j); imshow(m); title(\'均值滤波\')
3、采用三种不同算子对图像进行锐化处理。
subplot(1,4,1);i=imread(\'F:\\数字图像处理\\16.jpg\');i1=rgb2gray(i); imshow(i1);title(\'原图像\');subplot(1,4,2);h=fspecial(\'laplacian\'); i2=filter2(h,i1);imshow(i2);title(\'拉式算子\')；subplot(1,4,3) h=fspecial(\'prewitt\');i3=filter2(h,i1);imshow(i3); title(\'prewitt算子\')subplot(1,4,4)h=fspecial(\'sobel\'); i4=filter2(h,i1)imshow(i4);title(\'sobel算子\')
二、实验总结
1、比较不同平滑滤波器的处理效果，分析其优缺点
中值滤波比低通滤波消除噪声更有效。因为噪声多为尖峰状干扰，若用低通滤波虽能去除噪声但陡峭的边缘将被模糊。中值滤波能去除点状尖峰干扰而边缘不会变坏。理想低通滤波器平滑处理的概念是清晰的，但在处理过程中会产生较严重的模糊和振铃现象。这种现象正是由于傅里叶变换的性质决定的。
2、比较不同锐化滤波器的处理效果，分析其优缺点
梯度算子: 梯度对应的是一阶导数，梯度算子是一阶导数算子。梯度方向:在图像灰度最大变化率上，反映出图像边缘上的灰度变化。梯度处理经常用于工业检测、辅助人工检测缺陷，或者是更为通用的自动检测的预处理。拉普拉斯微分算子强调图像中灰度的突变,弱化灰度慢变化的区域。这将产生一幅把浅灰色边线、突变点叠加到暗背景中的图像。
实验五 图像恢复和图像分割
一、实验内容
1、产生运动模糊图像，运用维纳滤波进行图像恢复，显示结果。
i=imread(\'F:\\car.jpg\'); I1=rbg2gray(i)；I= im2double(I1); subplot(1,3,1) imshow(I)；title(‘原图像’) LEN = 21; THETA = 11;
PSF = fspecial(\'motion\', LEN, THETA);
blurred = imfilter(I, PSF, \'conv\', \'circular\'); subplot(1,3,2);imshow(blurred); title(\'模拟运动模糊图像\') wnr2=deconvwnr(blurred,PSF); subplot(1,3,3); imshow(wnr2); title(\'维纳滤波恢复后图像\')
2、采用三种不同算子检测图像边缘，显示结果
i = imread(\'F:\\car.jpg\'); I=rgb2gray(i); subplot(2,2,1);imshow(I);title(\'原图像\') BW1 = edge(I,\'prewitt\'); subplot(2,2,2);imshow(BW1); title(\'prewit算子边缘检测\') BW2=edge(I,\'zerocro\'); subplot(2,2,3);imshow(BW2);title(\'zerocro算子边缘检测\') BW3=edge(I,\'log\'); subplot(2,2,4);imshow(BW3);title(\'log算子边缘检测\')
3、对二值图像分别进行方形模板3*3和5*5的膨胀和腐蚀操作，显示结果。
i= imread(\'F:\\16.jpg\'); I=im2bw(i,0.5); subplot(2,3,1);imshow(I);title(\'二值图像\') se=strel(\'square\',3);se1= strel(\'square\',5); I1 = imdilate(I,se);subplot(2,3,2);imshow(I1);title(\'3*3膨胀图像\') I2 = imdilate(I,se1);subplot(2,3,3);imshow(I2);title(\'5*5膨胀图像\') subplot(2,3,4);imshow(I);title(\'二值图像\') erodedBW=imerode(I,se);subplot(2,3,5);imshow(erodedBW);title(\'3*3腐蚀图像\') erodedBW1=imerode(I,se1);subplot(2,3,6);imshow(erodedBW1);title(\'5*5腐蚀图像\')
实验六 图像处理实际应用
一、实验内容
1、调试运行下列程序,分析程序,对每条语句给出注释,并显示最终执行结果。总结算法思想及优缺点
总结：对于特定位置的车牌识别算法非常高效，但对于含有噪声等其他因素的车牌分割处理，相对来说算法还有待完善。
三、实验内容
调试运行下列程序,分析程序,对每条语句给出注释,并显示最终执行结果。总结算法思想及优缺点.I=imread(\'Car.jpg\');%读取图片
[y,x,z]=size(I);% 返回I各维的尺寸，并存储在变量y、x、z中 myI=double(I); %换成双精度数值
%%%%%%%%%%% RGB to HSI %%%%%%%% %begin横向扫描
tic
%计算tic与toc之间程序的运行时间
%%%%%%%% Y 方向 %%%%%%%%%% 分割字符按行积累量
Blue_y=zeros(y,1); %产生y*1的全0矩阵 for i=1:y
%给定i的范围
for j=1:x
:x%给定j的范围
if((myI(i,j,1)=51))&&((myI(i,j,3)=119))) % 蓝色RGB的灰度范围
Blue_y(i,1)= Blue_y(i,1)+1;
%蓝色像素点统计
end
end
end [temp MaxY]=max(Blue_y);
% Y方向车牌区域确定
%temp为向量white_y的元素中的最大值，MaxY为该值的索引（ 在向量中的位置）
PY1=MaxY;
%y矩阵的最大元素
while ((Blue_y(PY1,1)>=5)&&(PY1>1))
确定蓝色RGB Blue_y所在位置
PY1=PY1-1;
%对车牌区域的修正，向上调整 end
PY2=MaxY;
while ((Blue_y(PY2,1)>=5)&&(PY2
PY2=PY2+1; end IY=I(PY1:PY2,:,:); %IY为原始图像I中截取的纵坐标在PY1：PY2之间的部分 %end横向扫描
%begin纵向扫描
%%%%%%%% X 方向 %%%%%%%%%%
Blue_x=zeros(1,x);
%产生y*1的全0矩阵
for j=1:x
for i=PY1:PY2
if((myI(i,j,1)=51))&&((myI(i,j,3)=119)))
Blue_x(1,j)= Blue_x(1,j)+1; % Blue_x 的矩阵加一
end
end
end
PX1=1; while ((Blue_x(1,PX1)
PX1=PX1+1; %对车牌区域的修正向下调整 end
PX2=x; while ((Blue_x(1,PX2)PX1)) %确定蓝色RGB Blue_x的位置
PX2=PX2-1; %对车牌区域的修正向下调整 End %end纵向扫描
PX1=PX1-2; % 对车牌区域的修正 PX2=PX2+2;
Plate=I(PY1:PY2,PX1-2:PX2,:); t=toc % 读取计时
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% figure,imshow(I);% 原始图像\'
figure,plot(Blue_y);grid %创建图像窗口，绘制Blue_y图像，画出网格线\' figure,plot(Blue_x);grid%创建图像窗口，绘制Blue_x图像，画出网格线\'figure,imshow(Plate);
% 车牌截取结果\'
