1、評分實驗報告 課程名稱 醫(yī)學(xué)圖像處理 實驗名稱 圖像分割 專業(yè)班級 姓 名 學(xué) 號 實驗日期 實驗地點 20152016學(xué)年度第 2 學(xué)期一、 實驗?zāi)康恼莆粘Ｓ玫倪吘壧崛∷惴ǎ瑥膱D像中提取感興趣的區(qū)域，實現(xiàn)圖像分割。在圖像中，尋找灰度相同或相似的區(qū)域，區(qū)分圖像中的背景區(qū)域和目標區(qū)域，利用Matlab實現(xiàn)圖像的邊緣檢測，進行圖像分割。二、實驗環(huán)境 1、硬件配置：Intel（R） Core(TM) i5-4210U CPU 1.7GHz 1.7GHz 安裝內(nèi)存（RAM）：4.00GB 系統(tǒng)類型：64位操作系統(tǒng) 2、軟件環(huán)境：MATLAB R2013b軟件三、實驗內(nèi)容(包括本實驗要完成的實驗問題及需

2、要的相關(guān)知識簡單概述)圖像邊緣是圖像中特性（如像素灰度、紋理等）分布的不連續(xù)處，圖像周圍特性有階躍變化或屋脊狀變化的那些像素的集合。圖像邊緣存在于目標與背景、目標與目標、基元與基元的邊界，標示出目標物體或基元的實際含量，是圖像識別信息最集中的地方。圖像分割處理主要用于檢測出圖像中的輪廓邊緣、細節(jié)以及灰度跳變部分，形成完整的物體邊界，達到將物體從圖像中分離出來或?qū)⒈硎就晃矬w表面的區(qū)域檢測出來的目的。常用的分割方法是邊緣檢測。邊緣檢測是采用多種邊緣算子實現(xiàn)突出圖像邊緣，抑制圖像中非邊緣信息，使圖像輪廓更加清晰。1梯度算子法對于圖像f(x,y)，它在點f(x,y)處的梯度是一個矢量，定義為梯度的方

3、向在函數(shù)f(x,y)最大變化率的方向上，梯度的幅值為 梯度的數(shù)值就是f(x,y)在其最大變化率方向上的單位距離所增加的量。對于圖像而言，微分運算可以用差分運算來近似。 簡化成模板可以表示成如下形式：Robert梯度算子 當梯度計算完后，可采用以下幾種形式突出圖像的輪廓。梯度直接輸出使各點的灰度g(x,y)等于該點的梯度，即 這種方法簡單、直接。但增強的圖像僅顯示灰度變化比較陡的邊緣輪廓，而灰度變換比較平緩的區(qū)域則呈暗色。加閾值的梯度輸出加閾值的梯度輸出表達式為 式中，T是一個非負的閾值，適當選取T，既可以使明顯的邊緣得到突出，又不會破壞原來灰度變化比較平緩的背景。給邊緣指定一個特定的灰度級 式

4、中LG是根據(jù)需要指定的一個灰度級，它將明顯的邊緣用一個固定的灰度級表現(xiàn)，而其他的非邊緣區(qū)域的灰度級仍保持不變。給背景指定一個特定的灰度級 該方法將背景用一個固定灰度級LG表現(xiàn)，便于研究邊緣灰度的變化。二值圖像輸出在某些場合（如字符識別等），既不關(guān)心非邊緣像素的灰度級差別，又不關(guān)心邊緣像素的灰度級差別，只關(guān)心每個像素是邊緣像素還是非邊緣像素，這時可采用二值化圖像輸出方式，其表達式為 此法將背景和邊緣用二值圖像表示，便于研究邊緣所在位置。2Sobel算子法Sobel相對于先對圖像進行加權(quán)平均再做差分。對于圖像的33窗口 ，設(shè) 則定義Sobel算子為 簡化成模板可以表示成如下形式：Sobel模板 3

5、拉普拉斯運算法拉普拉斯算子定義圖像f(x,y)的梯度為銳化后的圖像g為 式中k為擴散效應(yīng)系數(shù)。對系數(shù)k的選擇要合理，太大會使圖像中的輪廓邊緣產(chǎn)生過沖；太小則銳化不明顯。常用laplacian算子模板為 ， ， 另外還有一些模板也常用于圖像增強，如Prewitt模板 四、實驗結(jié)果與分析 （包括實驗原理、數(shù)據(jù)的準備、運行過程分析、源程序（代碼）、圖形圖象界面等）注：本項可以增加頁數(shù) %例1 手動閾值分割I(lǐng),map=imread(cameraman.tif); %讀入圖像imshow(I);figure; %顯示圖像J=imhist(I);imhist(I); %生成直方圖并顯示M,N=size(I

6、); %返回圖像的行數(shù)和列數(shù)for i=1:1:M %將i以步長1從1增加到Mfor j=1:1:N %將j以步長1從1增加到N if I(i,j)80 %如果圖像閾值大于80 g(i,j)=0; %則大于80的就變成黑的 else g(i,j)=1; %小于80就變成白的 end endendfigure;imshow(g); %保持原圖，顯示圖像g 圖1 原圖 圖2 直方圖 圖3 閾值分割后的二值圖像分析：手動閾值分割的閾值是取直方圖中雙峰的谷底的灰度值作為閾值，若有多個雙峰谷底，則取第一個作為閾值。本題的閾值取80。%例2 迭代閾值分割f=imread(cameraman.tif); %

7、讀入圖像subplot(1,2,1);imshow(f); %創(chuàng)建一個一行二列的窗口，在第一個窗口顯示圖像title(原始圖像); %標注標題f=double(f); %轉(zhuǎn)換位雙精度T=(min(f(:)+max(f(:)/2; %設(shè)定初始閾值done=false; %定義開關(guān)變量，用于控制循環(huán)次數(shù)i=0; %迭代，初始值i=0whiledone %while done 是循環(huán)條件， 是“非”的意思，此處done = 0; 說明是無限循環(huán)，循環(huán)體里面應(yīng)該還有循環(huán)退出條件，否則就循環(huán)到死了; r1=find(fT); %按前次結(jié)果重新對t進行二次分 Tnew=(mean(f(r1)+mean(f

8、(r2)/2; %新閾值兩個范圍內(nèi)像素平均值和的一半done=abs(Tnew-T)1; %設(shè)定兩次閾值的比較，當滿足小于1時，停止循環(huán)，1是自己指定的參數(shù) T=Tnew; %把Tnw的值賦給T i=i+1; %執(zhí)行循壞，每次都加1endf(r1)=0; %把小于初始閾值的變成黑的f(r2)=1; %把大于初始閾值的變成白的subplot(1,2,2); %創(chuàng)建一個一行二列的窗口，在第二個窗口顯示圖像imshow(f); %顯示圖像title(迭代閾值二值化圖像); %標注標題圖4原始圖像 圖5迭代閾值二值化圖像分析：本題是迭代閾值二值化分割，步驟是：1.選定初始閾值，即原圖大小取平均；2.用

9、初閾值進行二值分割；3.目標灰度值平均背景都取平均；4.迭代生成閾值，直到兩次閾值的灰度變化不超過1，則穩(wěn)定；5.輸出迭代結(jié)果。%例3 Laplacian算子和模板匹配法I=imread(cameraman.tif); %讀入圖像subplot(1,3,1);imshow(I); %創(chuàng)建一個一行三列的窗口，在第一個窗口顯示圖像title(原圖像); %標注標題H=fspecial(laplacian); %生成laplacian濾波器laplacianH=filter2(H,I); %以laplacian為模板對圖像I進行銳化濾波subplot(1,3,2); %創(chuàng)建一個一行三列的窗口，在第二

10、個窗口顯示圖像imshow(laplacianH); %顯示圖像title(laplacian算子銳化圖像); %標注標題H=fspecial(prewitt); %生成Prewitt濾波器prewittH=filter2(H,I); %以prewitt為模板對圖像I進行銳化濾波subplot(1,3,3); %創(chuàng)建一個一行三列的窗口，在第三個窗口顯示圖像imshow(prewittH); %顯示圖像title(prewitt模板銳化圖像); %標注標題 圖6原圖像 圖7 laplacian算子銳化圖像 圖8 prewitt模板銳化圖像分析：從結(jié)果圖可以看出，laplacian算子對邊緣的處理

11、更明顯，它是二階微分算子，能加強邊緣效果，對噪聲很敏感，Prewitt算子是平均濾波的一階的微分算子，不僅能檢測邊緣點，而且能抑制噪聲的影響。%例4 不同邊緣檢測方法比較f=imread(cameraman.tif); %讀取圖像subplot(2,2,1);imshow(f); %創(chuàng)建一個二行二列的窗口，在第一個窗口顯示圖像title(原始圖像); %標注標題g,t=edge(f,roberts,both); %用roberts檢測器對圖像進行邊緣檢測，閾值自動選取，檢測邊緣方向(雙向)為bothsubplot(2,2,2);imshow(g); %創(chuàng)建一個二行二列的窗口，在第二個窗口顯示圖

12、像title(Roberts算子分割結(jié)果); %標注標題g,t=edge(f,sobel,both); %用sobel檢測器對圖像進行邊緣檢測，閾值自動選取，檢測邊緣方向(雙向)為bothsubplot(2,2,3);imshow(g); %創(chuàng)建一個二行二列的窗口，在第三個窗口顯示圖像title(Sobel算子分割結(jié)果); %標注標題g,t=edge(f,prewitt,both); %用prewitt檢測器對圖像進行邊緣檢測，閾值自動選取，檢測邊緣方向(雙向)為bothsubplot(2,2,4);imshow(g); %創(chuàng)建一個二行二列的窗口，在第四個窗口顯示圖像title(prewitt

13、算子分割結(jié)果); %標注標題圖9原始圖像 圖10 Roberts算子分割結(jié)果圖像圖11 Sobel算子分割結(jié)果圖像 圖12 prewitt算子分割結(jié)果圖像分析：從結(jié)果圖可以看出，Prewitt 和 Sobel 算子分割效果比 Roberts 效果要好一些，提取邊緣較完整，其邊緣連續(xù)性較好。但是這三種算子的邊緣的連續(xù)性都不太好，這時我們需要采用霍夫變換使間斷變成連續(xù)，連接邊緣。思考題1分析Sobel算子特點，并給予說明。f=imread(skull.tif); %讀取圖像f=double(f); %轉(zhuǎn)化圖像f的類型為雙精度subplot(3,3,1); %創(chuàng)建有3*3子圖像的窗口，原圖在位置1i

14、mshow(f,); %顯示原圖像ftitle(原始圖像); %給圖像加標題為原始圖像J=imnoise(f,gaussian,0.02); %對圖像加高斯噪聲subplot(3,3,2); %創(chuàng)建有3*3子圖像的窗口，原圖在位置2imshow(J,); %顯示加噪聲的圖像title(加高斯噪聲圖像); %給圖像加標題為加高斯噪聲圖像g1,t=edge(f,sobel,both); %用sobel檢測器對原圖像進行邊緣檢測，閾值自動選取，檢測邊緣方向(雙向)為bothg2,t=edge(J,sobel,both); %用sobel檢測器對加噪圖像進行邊緣檢測，閾值自動選取，檢測邊緣方向(雙向)

15、為bothg3,t=edge(f,sobel,vertical); %用sobel檢測器對原圖像進行邊緣檢測，閾值自動選取，檢測邊緣方向為垂直方向g4,t=edge(J,sobel,vertical); %用sobel檢測器對加噪圖像進行邊緣檢測，閾值自動選取，檢測邊緣方向為垂直方向g5,t=edge(f,sobel,horizontal); %用sobel檢測器對原圖像進行邊緣檢測，閾值自動選取，檢測邊緣方向為水平方向g6,t=edge(J,sobel,horizontal); %用sobel檢測器對加噪圖像進行邊緣檢測，閾值自動選取，檢測邊緣方向為水平方向subplot(3,3,3); %

16、創(chuàng)建有3*3子圖像的窗口，圖在位置3imshow(g1); %顯示經(jīng)sobel算子處理后的圖像title(sobel算子雙向分割結(jié)果); %給圖像加標題為sobel算子雙向分割結(jié)果subplot(3,3,4);imshow(g2);title(加噪后sobel雙向分割結(jié)果); %在3*3子圖像的位置4顯示加噪后sobel雙向分割結(jié)果圖像subplot(3,3,5);imshow(g3);title(sobel水平方向分割結(jié)果); %在3*3子圖像的位置5顯示sobel水平方向分割結(jié)果結(jié)果圖像 subplot(3,3,6);imshow(g4);title(加噪后sobel水平方向分割結(jié)果);

17、%在3*3子圖像的位置6顯示加噪后sobel水平方向分割結(jié)果圖像subplot(3,3,7);imshow(g5);title(sobel垂直方向分割結(jié)果); %在3*3子圖像的位置7顯示sobel垂直方向分割結(jié)果圖像subplot(3,3,8);imshow(g6);title(加噪后sobel垂直方向分割結(jié)果); %在3*3子圖像的位置8顯示加噪后sobel垂直方向分割結(jié)果圖像 圖13原始圖像 圖14加高斯噪聲圖像 圖15 sobel算子雙向分割結(jié)果圖像圖16加噪后sobel雙向分割圖 圖17sobel水平方向分割圖 圖18加噪后sobel水平分割圖圖19 sobel垂直方向分割結(jié)果圖像

18、圖20加噪后sobel垂直方向分割結(jié)果圖像分析：Sobel相對于先對圖像進行加權(quán)平均再做差分。 在邊緣檢測中，常用的一種模板是Sobel算子。Sobel 算子有三個，一個是檢測雙向邊緣的 ，一個是檢測水平邊緣的;另一個是檢測垂直邊緣的。由于Sobel算子是一節(jié)微分濾波算子的，用于提取邊緣，有方向性，從結(jié)果可以看出雙向both的分割效果最好。缺點：Sobel算子并沒有將圖像的主體與背景嚴格地區(qū)分開來，換言之就是Sobel算子沒有基于圖像灰度進行處理，由于Sobel算子沒有嚴格地模擬人的視覺生理特征，所以提取的圖像輪廓有時并不能令人滿意。2分析laplacian算子特點，并解釋它為何能增強圖像的邊

19、緣？I=imread(skull.tif); %讀取原圖subplot(2,3,1),imshow(I,);title(原圖像) %在2*3子圖像的位置1顯示原圖像H1=fspecial(laplacian,0); %生成Laplacian算子濾波器，濾波器的標準差為0，說明H1模板的中間系數(shù)是-4H2=fspecial(laplacian); %生成Laplacian算子濾波器，濾波器的標準差為默認值0.2，說明H2模板的中間系數(shù)是-3.333H3=fspecial(laplacian,1); %生成Laplacian算子濾波器，濾波器的標準差為1，說明H3模板的中間系數(shù)是-2J=imnoi

20、se(I,salt & pepper,0.02); %添加椒鹽噪聲subplot(2,3,2),imshow(J,);title(添加椒鹽噪聲圖像) %在2*3子圖像的位置3顯示添加椒鹽噪聲圖像I1=imfilter(I,H1); %用H1模板進行均值濾波subplot(2,3,3),imshow(I1,);title(HI模板laplacian算子濾波結(jié)果) %在2*3子圖像的位置3顯示HI模板laplacian算子濾波結(jié)果圖像I2=imfilter(I,H2); %用H2模板進行均值濾波subplot(2,3,4),imshow(I2,);title(H2模板laplacian算子濾波結(jié)果

21、) %在2*3子圖像的位置4顯示H2模板laplacian算子濾波結(jié)果圖像I3=imfilter(I,H3); %用H3模板進行均值濾波subplot(2,3,5),imshow(I3,);title(H3模板laplacian算子濾波結(jié)果) %在2*3子圖像的位置5顯示H3模板laplacian算子濾波結(jié)果圖像 圖21原圖像 圖22添加椒鹽噪聲圖像 圖23 HI模板laplacian算子濾波圖 圖 24 H2模板laplacian算子濾波結(jié)果圖像 圖25 H3模板laplacian算子濾波結(jié)果圖像分析：laplacian算子對邊緣的處理明顯，它是二階微分算子，能加強邊緣效果，對噪聲很敏感。它

22、沒有方向性，但是可以改變模板的中間系數(shù)，會有不同的效果。3比較各個邊緣算子對圖像邊緣的檢測效果。I=imread(skull.tif); %讀取圖像subplot(3,3,1),imshow(I),title(原圖像),imshow(I);title(原圖像) %在3*3子圖像的位置1顯示原圖像BW1=edge(I,sobel,0.1); %用 sobel 算子進行邊緣檢測，判斷閾值為 0.1 subplot(3,3,2),imshow(BW1);title(sobel算子處理后圖像) %在3*3子圖像的位置2顯示sobel算子處理后圖像BW2=edge(I,roberts,0.1); %用

23、roberts 算子進行邊緣檢測，判斷閾值為 0.1 subplot(3,3,3),imshow(BW2);title(roberts算子處理后圖像)%在3*3子圖像的位置3顯示roberts算子處理后圖像BW3=edge(I,prewitt,0.1); %用 prewitt 算子進行邊緣檢測，判斷閾值為 0.1 subplot(3,3,4),imshow(BW3);title(prewitt算子處理后圖像)%在3*3子圖像的位置4顯示prewitt算子處理后圖像BW4=edge(I,log,0.01); %用 log 算子進行邊緣檢測，判斷閾值為 0.01 subplot(3,3,5),im

24、show(BW4);title(log算子處理后圖像)%在3*3子圖像的位置5顯示log算子處理后圖像BW5=edge(I,canny,0.1);%用 canny 算子進行邊緣檢測，判斷閾值為 0.1 subplot(3,3,6),imshow(BW5);title(canny算子處理后圖像)%在3*3子圖像的位置6顯示canny算子處理后圖像H=fspecial(laplacian); %生成Laplacian算子濾波器(突出圖像中的小細節(jié))（它具有各向同性）（Laplacian 算子對噪聲比較敏感，所以圖像一般先經(jīng)過平滑處理，因為平滑處理也是用模板進行的，所以，通常的分割算法都是把Lapl

25、acian 算子和平滑算子結(jié)合起來生成一個新的模板。）laplacianH=filter2(H,I); %圖像I經(jīng)Laplacian算子銳化濾波處理subplot(3,3,7);imshow(laplacianH);title(Laplacian算子銳化圖像); %在3*3子圖像的位置7顯示Laplacian算子銳化圖像 圖26原圖像 圖27 sobel算子處理后圖像 圖28 roberts算子處理后圖像 圖29 prewitt處理后圖 圖30 log處理后圖 圖31 canny處理后圖像 圖32 Laplacian銳化圖分析：laplacian算子對邊緣的處理最明顯，Sobel和 prewi

26、tt較差一些。Roberts 算子定位比較精確，Prewitt 算子是平均濾波的一階的微分算子，Canny是一階傳統(tǒng)微分中檢測階躍型邊緣效果最好的算子之一。Prewitt 和 Sobel 算子比 Roberts 效果要好一些。Log濾波器和 Canny 算子的檢測效果優(yōu)于梯度算子，能夠檢測出圖像較細的邊緣部分。比較幾種邊緣檢測結(jié)果，可以看到 Canny 算子提取邊緣較完整，其邊緣連續(xù)性較好，效果優(yōu)于其它算子。其次是 Prewitt 算子，其邊緣比較完整。再次就是 Sobel 算子。4比較各個邊緣檢測算子對噪聲的敏感性，并提出抗噪聲性能較好的邊緣檢測的方法。I=imread(skull.tif)

27、; %讀取圖像subplot(3,3,1 ),imshow(I),title(原圖像) ,imshow(I);title(原圖像)%在3*3子圖像的位置1顯示原圖像J=imnoise(I,salt & pepper,0.02); %給圖像加噪聲密度為0.02的椒鹽噪聲subplot(3,3,2),imshow(J,);title(添加椒鹽噪聲圖像)%在3*3子圖像的位置2顯示添加椒鹽噪聲圖像BW1=edge(J,sobel,0.1); %用 sobel 算子進行邊緣檢測，判斷閾值為 0.1 subplot(3,3,3),imshow(BW1,);title(sobel算子處理后圖像)%在3*3

28、子圖像的位置3顯示sobel算子處理后圖像BW2=edge(J,roberts,0.1); %用 roberts 算子進行邊緣檢測，判斷閾值為 0.1 subplot(3,3,4),imshow(BW2,);title(roberts算子處理后圖像)%在3*3子圖像的位置4顯示roberts算子處理后圖像BW3=edge(J,prewitt,0.1); %用 prewitt 算子進行邊緣檢測，判斷閾值為 0.1 subplot(3,3,5),imshow(BW3,);title(prewitt算子處理后圖像)%在3*3子圖像的位置5顯示prewitt算子處理后圖像BW4=edge(J,log,

29、0.01); %用 log 算子進行邊緣檢測，判斷閾值為 0.01 subplot(3,3,6),imshow(BW4,);title(log算子處理后圖像)%在3*3子圖像的位置6顯示log算子處理后圖像BW5=edge(J,canny,0.1); %用 canny 算子進行邊緣檢測，判斷閾值為 0.1 subplot(3,3,7),imshow(BW5,);title(canny算子處理后圖像)%在3*3子圖像的位置7顯示canny算子處理后圖像H=fspecial(laplacian); %生成Laplacian算子濾波器(突出圖像中的小細節(jié))（它具有各向同性）（Laplacian 算子

30、對噪聲比較敏感，所以圖像一般先經(jīng)過平滑處理，因為平滑處理也是用模板進行的，所以通常的分割算法都是把Laplacian 算子和平滑算子結(jié)合起來生成一個新的模板。）laplacianH=filter2(H,J); %圖像I經(jīng)Laplacian算子銳化濾波處理subplot(3,3,8);imshow(laplacianH);title(Laplacian算子銳化圖像); %在3*3子圖像的位置8顯示Laplacian算子銳化圖像 圖33原圖像 圖34添加椒鹽噪聲圖像 圖35 sobel算子處理后圖像 圖36 roberts算子處理后圖像 圖37 prewitt算子處理后圖像 圖38 log算子處理后圖像圖39 canny算子處理后圖像 圖 40 Laplacian算子銳化圖像分析：laplac