浙江工崇大學(xué)試驗一數(shù)字圖像處理編程基礎(chǔ)型間的轉(zhuǎn)換。title('圖像1');M=imread('pout.tif')title('圖像2');title('圖像3');V=imread('circuit.tiftitle('圖像4');I=ind2gary(XI=imread('C:\Users\dell\Desktop\111.jpg'title('原圖');四、試驗效果原圖試驗二圖像幾何變換試驗1.學(xué)習(xí)幾種常見的圖像幾何變換，并通過試驗體會幾何變換的效果；2.掌握圖像平移、剪切、縮放、旋轉(zhuǎn)、鏡像等幾何變換的算法原理及編程實現(xiàn)；1.初始坐標為(x,y)的點通過平移(x?,yo),坐標變?yōu)?x',y'),兩點之間的關(guān)系為：2.圖像的鏡像變換是以圖象垂直中軸線或水平中軸線互換圖像的變換，分為垂直鏡像變換和水平鏡3.圖像縮小和放大變換矩陣相似：4.圖像旋轉(zhuǎn)定義為以圖像中某一點為原點以逆時針或順時針方向旋轉(zhuǎn)一定角度。其變換矩陣為：2.運行圖像處理程序，并保留處理成果圖像。四、源代碼及試驗效果N=size(I);A(1:M(1),1:M(2))=I(M(1):-1:1,1:MB(1:M(1),1:M(2))=I(1:M(1),M(2)subplot(132),imshowtitle('豎直');title('水平');3.縮放I=imread('pout.tif'forj=1:njl=round(j*y);j2=round(j*y2);if(j1>=0)&&(i1>=0)&&(i1<=m)&&(j1<=n)if(j2>=0)&&(i2>=0)&&(i2<=m)&&(j2<=n)title('small'文件(F編輯(E)查看(V插入(①工具D桌面(D)窗口W幫助(H)y4.旋轉(zhuǎn)jiao=50;rot=[cos(theta)-sin(theta)0;sin(theta)cos(theta)0;001];號建立變換矩陣pix1=[111]*rot;8變后左上pix2=[1w1]*rot;pix3=[h11]*rot;pix4=[hw1]*rot;8變后右下height=round(max([abs(pix1(1)-pix4(1))+0.5abs(pix2(1)-pix3(1))+0.5]));width=round(max([abs(pix1(2)-pix4(2))+0.5abs(pix2(2)-新高N=zeros(height,width);chao_y=abs(min([pix1(1)pix2(1)pix3(1)pichao_x=abs(min([pix1(2)pix2(2)pix3(2)pifori=1-chao_y:height-chao_yforj=1-chao_x:width-chao_x8y負軸超量float_Y=pix(1)-floor(pix(1));ifpix(1)>=1&&pix(2)>=1&&pix(1)<=h&&pix(2)<=Wpix_up_left=[floor(pix(1))floor(pix(2)pix_up_right=[floor(pix(1))ceil(pix(2)pix_down_left=[ceil(pix(1))floor(pix(2pix_down_right=[ceil(pix(1))ceil(pix(2)value_up_left=(1-float_X)*(1-flovalue_up_right=float_x*(1-flovalue_down_left=(1-float_X)*flvalue_down_right=float_X*flN(i+chao_y,j+chao_x)=value_up_left*M(pix_up_left(1),pix_up_left(2))+...value_up_right*M(pix_up_right(1),pix_up_right(2))+...value_down_left*M(pix_down_left(1),pixvalue_down_right*M(pix_down_right(1),pix_down_righ×試驗三圖像增強試驗1.掌握基本的圖像增強措施，觀測圖像增強的效果，加深對灰度直方圖的理解。2.掌握對數(shù)和和指數(shù)增強，直方圖均衡化措施，重點掌握圖像直方圖增強的原理和程序設(shè)計。理后灰度范圍變大，對比度變大，清晰度變大，因此能有五、源代碼及試驗效果I=imread('circuit.tif'forj=1:N 3.直方圖均衡化增強graydis=zeros(1,256);new_graydis=zeros(1,2new_graydispro=zeros(1,2N=zeros(h,w);graydis(1,I(x,y))=graydis(1,I(graydispro=graydis./sum(gtitle('灰度直方圖');xlabel('灰度值);ylabel('像素的概率密度');graydispro(1,i)=graydispro(1,i)+graydispr號計算和原始灰度對應(yīng)的新的灰度t[],t(1,i)=floor(254*graydispro(1,i)+new_graydis(1,t(1,i)+1)=new_graydis(1,t(1,i)+1)+graydis(new_graydispro=new_graydis./sum(new_grayplot(new_graydisprotitle('均衡化后的灰度直方圖');xlabel('灰度值);ylabel('像素的概率密度');N(x,y)=t(1,I(x,y));title('原圖');title('直方圖均衡化后的圖');均衡化后的灰度直方圖灰度直方圖均衡化后的灰度直方圖00000灰度值直方圖均衡化后的圖灰度值原圖的實質(zhì)是圖像受到平均或者積分運算的影響，因此對其進行逆運算(如微分運算)就可以使圖像清晰。將其與1個傳遞函數(shù)相乘。1.選擇測試圖像分別添加高斯、椒鹽、泊松噪聲，2.選擇測試圖像實現(xiàn)兩種常用梯度算子(Sobel算子、Prewitt算子);3.選擇測試圖像實現(xiàn)理想低通濾波；4.選擇測試圖像實現(xiàn)巴特沃斯高通濾波。五、源代碼及試驗效果I=imnoise(I,'saltforj=3:wide-2M(i,j)=median([I(i-2,j-2)I(i-2,j-1)I(i-2,j)I(i-2,j+1)I(i-2,j+2)I(i-1,j-1)I(i-1,j)I(i-1,j+1)I(i-1,j+2)I(i,j-2)I(i,j-1)I(i,jI(i,j+2)I(i+1,j-2)I(i+1,j-1)I(i+1,j)I(i+1,j+1)I(i+1,jI(i+2,j-1)I(i+2,j)I(i+2,j+1)I(subplot(121),imshow(subplot(122),imshow(2.高斯噪聲AFigure23.泊松噪聲I=imread('cameraman.tif');forj=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)-)+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)-Msubplot(1,2,1);imshow(I);titlesubplot(1,2,2);imshow(uint8(J));title('Sobel處理后');forj=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+s(M(i-1,j-1)-M(i+1,j-1)+M(i-1,j)-M(i+1,j)+M(i-subplot(1,2,1);imshow(I);title('原subplot(1,2,2);imshow(uint8(J));title(考xJ=imnoise(G,'salt&pepper',0.02);subplot(121),imshow采用矩陣平衡forj=1:Nifd<=d0添加椒鹽噪聲圖像理想低通濾波后圖像forj=1:Nifd==0h1=1/(1+(d0/d)^(2*nh2=1/(1+(d0/d)^(2*n))+gg1=uint8(real(ifft2title(巴特沃斯高通濾波成果');title('巴特沃斯高通加強濾波成果');×巴特沃斯高通濾波結(jié)果巴特沃斯高通加強濾波結(jié)果試驗五圖像分割試驗掌握梯度邊緣檢測算子，理解拉普拉斯邊緣檢測算子和Canny邊緣檢測算子；掌握邊界跟蹤措施及其原理；掌握自動閾值法和分水嶺法。圖像分割是按照一定的規(guī)則把圖像劃提成若干個互不相交、具有一定性質(zhì)的區(qū)域，把人們關(guān)注的部分從圖像中提取出來，深入加以研究分析和處理。圖像分割的成果是圖像特性提取和識別等圖像理解的基礎(chǔ)，對圖像分割的研究一直是數(shù)字圖像處理技術(shù)研究中的熱點和焦點。圖像分割使得其后的圖像分析，識別等高級處理階段所要處理的數(shù)據(jù)量大大減少，同步又保留有關(guān)圖像構(gòu)造特性的信息。圖像分割在不一樣的領(lǐng)域也有其他名稱，如目的輪廓技術(shù)、目的檢測技術(shù)、閾值化技術(shù)、目的跟蹤技術(shù)等，這些技術(shù)自身或其關(guān)鍵實際上也就是圖像分割技術(shù)。邊緣是圖像上灰度變化最劇烈的地方，老式的邊緣檢測就是運用了這個特點，對圖像各個像素點進行微分或求二階微分來確定邊緣像素點。一階微分圖像的峰值處對應(yīng)著圖像的邊緣點；二階微分圖像的過零點處對應(yīng)著圖像的邊緣點。根據(jù)數(shù)字圖像的特點，處理圖像過程中常采用差分來替代導(dǎo)數(shù)運算，對于圖像的簡樸一階導(dǎo)數(shù)運算，由于具有固定的方向性，只能檢測特定方向的邊緣，因此不具有普遍性。為了克服一階導(dǎo)數(shù)的缺陷，我們定義圖像的梯度為梯度算子，它是圖像處理中最常用的一階微分算法。圖像梯度的最重要性質(zhì)是梯度的方向是在圖像灰度最大變化率上，它恰好可以反應(yīng)出圖像邊緣上的灰度變化。1.實現(xiàn)三種梯度算子(Roberts、Sobel、Prewitt)的邊緣檢測。2.實現(xiàn)對一張二值圖像的邊界跟蹤。3.實現(xiàn)分水嶺算法。怎樣實現(xiàn)彩色圖像的邊緣檢測?梯度算子和拉普拉斯算子、Canny算子本質(zhì)區(qū)別。答：可以先將彩色圖像灰度化然后進行檢測。分析比較：Roberts算子：邊緣定位精度高，但輕易丟失部分邊緣，由于沒有通過平滑處理，故不具有克制噪聲的能力，適合于具有陡峭邊緣且含噪聲少的圖像。Sobel算子：由于有對圖像作加權(quán)平滑處理，因此對噪聲具有一定克制能力，但不能完全排除檢測成果中出現(xiàn)的虛假邊緣，因此邊緣輕易出現(xiàn)多像素寬度。拉氏算子：由于不依賴于邊緣方向，因此對圖像中的階躍型邊緣點定位精確。由于它對噪聲非常敏感，能使噪聲成分得到加強，導(dǎo)致了算子輕易丟失一部分邊緣的方向信息，導(dǎo)致了某些不持續(xù)的檢測邊緣，可以說抗噪能力較差。Canny算子：該算子采用高斯函數(shù)對圖像做平滑處理，故具有較強的抑噪能力，同步運用雙閾值檢測和連接邊緣，在多尺度檢測和方向性搜索方面很好。五、源代碼及效果I=imread('cameraman.tif'title('原圖');robertsNum=0;經(jīng)roberts算子計算得到的每個像素的值robertsNum=abs(I(j,k)-I(j+1,k+1))+abs(I(j+1,k)-I(j,k+1));if(robertsNum>robertThreshold)×I=imread('cameraman.tif');讀取原圖像1))+abs(I(j-1,k-1)+2*I(j-1,k)+I(j-1,k+1)-IAFigureI=imread('cameraman.tif');讀取原圖像PrewittNum=abs(I(j-1,k+1)-I(j+1,k+1)+I(j-1,k)-I(j+1,k)+I(j-1,k-1)-I()+abs(I(j-1,k+1)+I(j,k+1)+I(j+1,k+1)-I(j-1,k-1)-I(j,k-1)-I(if(PrewittNum>PrewittThreshold)title('Pr文件(日編輯(E)查看(V插入①工forj=2:n-1jj=j+ed(k,2);ifimg(ii,jj)==05.分水嶺f=rgb2gray(imread(hh=hv';號計算梯度圖gv=abs(imfilter(f,hv,'replicate'gh=abs(imfilter(f,hh,'replicate'));試驗六運動目的檢測試驗其中取值為1和0的像素點分別對應(yīng)于前景(運動目的