圖像分割試驗(yàn)報(bào)告

1、評(píng)分實(shí)驗(yàn)報(bào)告課程名稱醫(yī)學(xué)圖像處理實(shí)驗(yàn)名稱圖像分割專業(yè)班級(jí)姓名學(xué)號(hào)實(shí)驗(yàn)日期實(shí)驗(yàn)地點(diǎn)20152016學(xué)年度第 2 學(xué)期，、實(shí)驗(yàn)?zāi)康恼莆粘Ｓ玫倪吘壧崛∷惴?，從圖像中提取感興趣的區(qū)域，實(shí)現(xiàn)圖像分割。在圖像中，尋找灰Matlab實(shí)現(xiàn)圖像的邊緣檢測,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(biāo)區(qū)域，利用 進(jìn)行圖像分割。二、實(shí)驗(yàn)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(shí)驗(yàn)內(nèi)容(包括本實(shí)驗(yàn)要完成的實(shí)驗(yàn)問題及需要的相關(guān)知識(shí)簡單概述圖像

2、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?fàn)钭兓哪切┫袼氐募?。圖像邊緣存在于目標(biāo)與背景、目標(biāo)與目標(biāo)、基元與基元的 邊界，標(biāo)示出目標(biāo)物體或基元的實(shí)際含量，是圖像識(shí)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(xì)節(jié)以及灰度跳變部分，形成完整的物 體邊界，達(dá)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(shí)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(diǎn)G f x, yf(x,y)處的梯度是一個(gè)矢量，定義為Tf梯度

3、的方向在函數(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(yùn)算可以用差分運(yùn)算來近似。y f (x, y)f(x1,y)| |f(x,y) f(x,y 1)簡化成模板可以表示成如下形式:10Robert梯度算子01當(dāng)梯度計(jì)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(diǎn)的灰度g(x,y)等于該點(diǎn)的梯度，即g(x, y) Gf x, y這種方法簡單、直接。但增強(qiáng)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(dá)式為G f (x, y) G

4、f (x, y) T g(x,y)f (x, y) 其他式中，T是一個(gè)非負(fù)的閾值，適當(dāng)選取 T,既可以使明顯的邊緣得到突出，又不會(huì)破壞原來 灰度變化比較平緩的背景。G f(x,y) T其他給邊緣指定一個(gè)特定的灰度級(jí)Lgg(x,y)f (x, y)式中LG是根據(jù)需要指定的一個(gè)灰度級(jí)，它將明顯的邊緣用一個(gè)固定的灰度級(jí)表現(xiàn)，而其他的非邊緣區(qū)域的灰度級(jí)仍保持不變。給背景指定一個(gè)特定的灰度級(jí)Gf(x,y) T其他/、 Gf(x,y)g(x,y)lg該方法將背景用一個(gè)固定灰度級(jí)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(shí)別等)，既不關(guān)心非邊緣像素的灰度級(jí)差別，又不關(guān)心邊緣像素的灰 度

5、級(jí)差別，只關(guān)心每個(gè)像素是邊緣像素還是非邊緣像素，這時(shí)可采用二值化圖像輸出方式，其 表達(dá)式為Lg g(x,y)LbG f (x, y) T 其他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。2 . Sobel算子法Sobel相對于先對圖像進(jìn)行加權(quán)平均再做差分。a對于圖像的3X3窗口 d(c(a2f i) (a 2d g)2b c) (g 2h i)則定義Sobel算子為 g(x, y)簡化成模板可以表示成如下形式:X2Sobel模板3 .拉普拉斯運(yùn)算法拉普拉斯算子定義圖像f(x,y)的梯度為2f2f2x2f2y銳化后的圖像g為g f k 2f式中k為擴(kuò)散效應(yīng)系數(shù)。對系數(shù) 太小則銳化不明顯

6、。k的選擇要合理，太大會(huì)使圖像中的輪廓邊緣產(chǎn)生過沖;010101常用laplacian算子模板為141,040010101圖2直方圖圖1原圖圖3閾值分割后的二值圖像另外還有一些模板也常用于圖像增強(qiáng)，如10 1111Prewitt 模板10 100010 1111四、實(shí)驗(yàn)結(jié)果與分析（包括實(shí)驗(yàn)原理、數(shù)據(jù)的準(zhǔn)備、運(yùn)行過程分析、源程序（代碼）、圖形圖象界面等）注：本項(xiàng)可以增加頁數(shù)%J 1手動(dòng)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);

7、%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Nif I(i,j)>80%如果圖像閾值大于 80g(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endendendfigure;imshow(g);%保持原圖，顯示圖像 g分析：手動(dòng)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(gè)雙峰谷底,則取第一個(gè)作為閾值。本題的閾值取80。f=imread('cameraman.tif);%讀入圖像subplot(1,2,1);imshow(f);title('

8、原始圖像');f=double(f);T=(min(f(:)+max(f(:)/2;done=false;i=0;%創(chuàng)建一個(gè)一行二列的窗口，在卅標(biāo)注標(biāo)題轉(zhuǎn)換位雙精度設(shè)定初始閾值定義開關(guān)變量，用于控制循環(huán)次數(shù)迭代，初始值i=0一個(gè)窗口顯示圖像while-doner1=find(f<=T);r2=find(f>T);%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;按前次Z果對t進(jìn)行二次分按前次結(jié)果重新對t進(jìn)行二次分Tnew=(mean(f(r1)+mean(f(r2)/2; %新閾

9、值兩個(gè)范圍內(nèi)像素平均值和的半done=abs(Tnew-T)<1;%設(shè)定兩次閾值的比較，當(dāng)滿足小十1是自己指定的參數(shù)1時(shí)，停止循環(huán),T=Tnew;%把Tnw的值賦給Ti=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(gè)一行二列的窗口，imshow(f);%顯示圖像title('迭代閾值二二值化圖像,);%標(biāo)注標(biāo)題在第二個(gè)窗口顯示圖像圖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.用初閾值進(jìn)行二彳1分割；

10、3.目標(biāo)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。%J 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(gè)一行三列的窗口， 在A個(gè)窗口顯示圖像title('原圖像');%標(biāo)注標(biāo)題H=fspecial('laplacian');%生成laplacian 濾波器laplacianH=filter2(H,I);%以laplacian 為模板對圖像I進(jìn)行銳化濾波subplot(1,3,2);%創(chuàng)建一

11、個(gè)一行三列的窗口， 在第二個(gè)窗口顯示圖像imshow(laplacianH);%顯示圖像title('laplacian算子銳化圖像'）;%標(biāo)注標(biāo)題H=fspecial('prewitt');%生成Prewitt濾波器prewittH=filter2(H,I);%以prewitt為模板對圖像I進(jìn)行銳化濾波subplot(1,3,3);%創(chuàng)建一個(gè)一行三列的窗口，在第三個(gè)窗口顯示圖像imshow(prewittH);%顯示圖像title('prewitt模板銳化圖像');%標(biāo)注標(biāo)題讀取圖像創(chuàng)建一個(gè)二行二列的窗口，在第一個(gè)窗口顯示圖像標(biāo)注標(biāo)題用robe

12、rts檢測器對圖像進(jìn)行邊緣檢測，閾值自動(dòng)選取，檢測邊緣方向（雙向）為both創(chuàng)建一個(gè)二行二列的窗口，在第二個(gè)窗口顯示圖像標(biāo)注標(biāo)題用sobel檢測器對圖像進(jìn)行邊緣檢測，閾值自動(dòng)選取，檢測邊緣方向（雙向）為both創(chuàng)建一個(gè)二行二列的窗口，在第三個(gè)窗口顯示圖像標(biāo)注標(biāo)題用prewitt檢測器對圖像進(jìn)行邊緣檢測，閾值自動(dòng)選取，檢測邊緣方向（雙向）為both創(chuàng)建一個(gè)二行二列的窗口，在第四個(gè)窗口顯示圖像標(biāo)注標(biāo)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 算子對邊緣的處理更明顯，它是二階微分算子，能加強(qiáng)邊緣效果，對噪聲很敏感，Pre

13、witt算子是平均濾波的一階的微分算子，不僅能檢測邊緣點(diǎn)，而且能抑制噪聲的影響。%J 4不同邊緣檢測方法比較f=imread('cameraman.tif);%subplot(2,2,1);imshow(f); % title(' 原始圖像');%g,t=edge(f,'roberts',口,'both'); %subplot(2,2,2);imshow(g); % title('Roberts算子分割結(jié)果');%g,t=edge(f,'sobel',口,'both'); %subplot(

14、2,2,3);imshow(g); % title('Sobel 算子分割結(jié)果');%g,t=edge(f,'prewitt','both'); %subplot(2,2,4);imshow(g);%title('prewitt 算子分割結(jié)果');%Ro tier1事算子分卻/果原始圖1象圖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

15、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(shí)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(diǎn)，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1imshow(f,);%顯示原圖像ftitle(' 原始圖像');%給圖像加標(biāo)題為原始圖像J=imnoise(f,'gaussian',0.02); %對圖像加圖斯噪聲subplot(3,3,2);%創(chuàng)建有3*3子圖像的窗口，原圖在位置2i

16、mshow(J,);%顯小加噪嚴(yán)的圖像title（, 加圖斯噪聲圖像,);%給圖像加標(biāo)題為加圖斯噪聲圖像g1,t=edge(f,'sobel','both'); %用sobel檢測器對原圖像進(jìn)行邊緣檢測，閾值自動(dòng)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(jìn)行邊緣檢測，閾值自動(dòng)選取，檢測邊緣方向（雙1可）為bothg3,t=edge(f,'sobel','vertical');御sobel檢測器對原圖像進(jìn)行邊緣檢測，閾值

17、自動(dòng)選取，檢測邊緣方向?yàn)榇怪狈较騡4,t=edge(J,'sobel','vertical');御sobel檢測器對加噪圖像進(jìn)行邊緣檢測，閾值自動(dòng)選取，檢測邊緣方向?yàn)榇怪狈较騡5,t=edge(f,'sobel','horizontal');卿sobel檢測器對原圖像進(jìn)行邊緣檢測，閾值自g6,t=edge(J,'sobel','horizontal');subplot(3,3,3);%imshow(g1);%title('sobel算子雙向分割結(jié)果,);subplot(3,3,4);imsh

18、ow(g2);title('subplot(3,3,5);imshow(g3);title('sobelsubplot(3,3,6);imshow(g4);title('subplot(3,3,7);imshow(g5);title('sobelsubplot(3,3,8);imshow(g6);title('動(dòng)選取，檢測邊緣方向?yàn)樗椒较蚯鋝obel檢測器對加噪圖像進(jìn)行邊緣檢測，閾值 自動(dòng)選取，檢測邊緣方向?yàn)樗椒较騽?chuàng)建有3*3子圖像的窗口，圖在位置 3 顯示經(jīng)sobel算子處理后的圖像%給圖像加標(biāo)題為sobel算子雙向分割結(jié)果加噪后sobel雙向分割

19、結(jié)果,);% 在3*3子圖像白位置4 顯示加噪后sobel雙向分割結(jié)果圖像水平方向分割結(jié)果,); 如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 加噪后sobel水平方向分割結(jié)果,);%在3*3子圖像的位 置6顯示加噪后sobel水平方向分割結(jié)果圖像垂直方向分割結(jié)果,); 如3*3子圖像的位置7顯示 sobel垂直方向分割結(jié)果圖像 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)果圖像原始圖像加高斷噪聲圖像8。皿算子雙向分割結(jié)果圖13原始圖像圖14加高斯噪聲圖像圖15sobel算子雙向分割結(jié)果圖像加噪后前向雙叵I分割與端obel

20、水平方向分割結(jié)皤后克bel水平方向分割結(jié)果圖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sobel垂直方向分割績孵后3口向垂直方向分割結(jié)果圖19 sobel垂直方向分割結(jié)果圖像圖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(jìn)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(gè)，一個(gè)是檢測雙向邊緣的，一個(gè)是檢測水平邊緣的；另一個(gè)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(diǎn)：Sobel算子并沒有將圖像的

21、主體與背景嚴(yán)格 地區(qū)分開來，換言之就是Sobel算子沒有基于圖像灰度進(jìn)行處理，由于 Sobel算子沒有嚴(yán)格地模擬人的視覺生理特征，所以提取的圖像輪廓有時(shí)并不能令人滿意。2 .分析laplacian 算子特點(diǎn)，并解釋它為何能增強(qiáng)圖像的邊緣?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(biāo) 準(zhǔn)差為0,說明H1模板的中間系數(shù)是-4H2=fspeci

22、al('laplacian');%生成Laplacian算子濾波器，濾波器的標(biāo) 準(zhǔn)差為默認(rèn)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(biāo) 準(zhǔn)差為1,說明H3模板的中間系數(shù)是-2J=imnoise(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于圖像的位置3顯示添 加椒鹽噪聲圖像I1=imfilter(I,H1);%用H1

23、模板進(jìn)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子圖像的位直3顯本'HI模板laplacian算子濾波結(jié)果圖像I2=imfilter(I,H2);%用H2模板進(jìn)行均值濾波subplot(2,3,4),imshow(I2,);title('H2模板laplacian 算子濾波結(jié)果')%在2*3子圖像的subplot(2,3,5),imshow(I3,);title('H3位置4顯示H2模板laplacian 算子濾波結(jié)果圖像 用H3模板進(jìn)行均值濾波模板lapla

24、cian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(qiáng)邊緣效果，對噪聲很敏原圖像,)%在3*3子圖像的 位置1顯示原圖像 用sobel算子進(jìn)行邊緣檢測，判斷閾值為0.1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 用roberts 算子進(jìn)行邊緣檢測，判斷閾值為0.1

25、算子處理后圖像,)%在3*3子圖像的位置 3顯示roberts算子處理后圖像用prewitt 算子進(jìn)行邊緣檢測，判斷閾值為0.1 算子處理后圖像,)%在3*3子圖像的位置 4顯示prewitt算子處理后圖像用log算子進(jìn)行邊緣檢測，判斷閾值為 0.01 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 算子進(jìn)行邊緣檢測，判斷閾值為 0.1算子處理后圖像,)%在3*3子圖像的位置6顯示H=fspecial('laplacian'); %生成 Laplacian 同性)(LaplacianlaplacianH=filter2(H,I);圖像I經(jīng)Laplacia

26、n算子銳化濾波處理感。它沒有方向性，但是可以改變模板的中間系數(shù)，會(huì)有不同的效果。3 .比較各個(gè)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('BW1=edge(I,'sobel',0.1);%subplot(3,3,2),imshow(BW1);title('sobelBW2=edge(I,'roberts',0.1);%subplot(3,3,3),imshow(BW2);tit

27、le('robertsBW3=edge(I,'prewitt',0.1);%subplot(3,3,4),imshow(BW3);title('prewittBW4=edge(I,'log',0.01);%subplot(3,3,5),imshow(BW4);title('logBW5=edge(I,'canny',0.1);% 用 canny subplot(3,3,6),imshow(BW5);title('canny canny算子處理后圖像算子濾波器(突出圖像中的小細(xì)節(jié))(它具有各向 算子對噪聲比較敏感，所

28、以圖像一般先經(jīng)過平滑處理，因?yàn)槠交幚硪彩怯媚０暹M(jìn)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(gè)新的模板。)subplot(3,3,7);imshow(laplacianH);title('Laplacian算子銳化圖像,);如3*3子圖像的位置7顯示Laplacian算子銳化圖像博圖f象5口bel W中處理后圖像Dberts十處理后圖像圖26原圖像圖27 sobel算子處理后圖像圖28 roberts 算子處理后圖像prwitt算子處理后圖像I叫算子處理后圖像(:則算子處理后圖像即xian算子軸鼬讀取圖像原圖像'),imshow(I);ti

29、tle('給圖像加噪聲密度為 添加椒鹽噪聲圖像原圖像')%在3*3子圖像的 位置1顯示原圖像0.02的椒鹽噪聲')%在3*3子圖像的位置2顯示添加 椒鹽噪聲圖像sobel算子進(jìn)行邊緣檢測，判斷閾值為 0.1 算子處理后圖像')%在3*3子圖像的位置3顯示 sobel算子處理后圖像用roberts算子進(jìn)行邊緣檢測，判斷閾值為0.1算子處理后圖像')%在3*3子圖像的位置 4 顯示roberts算子處理后圖像用prewitt算子進(jìn)行邊緣檢測，判斷閾值為0.1算子處理后圖像')%在3*3子圖像的位置 5 顯示prewitt 算子處理后圖像用log算子進(jìn)

30、行邊緣檢測，判斷閾值為0.01算子處理后圖像')%在3*3子圖像的位置 6顯示 log算子處理后圖像用canny算子進(jìn)行邊緣檢測，判斷閾值為 0.1 算子處理后圖像')%在3*3子圖像的位置7顯示 canny算子處理后圖像算子濾波器(突出圖像中的小細(xì)節(jié))(它具有各向圖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prewitt 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

31、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(xì)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(gè)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);%subplot(3,3,1 ),imshow(I),title('J=imnoise(I,'salt &

32、; pepper',0.02);%subplot(3,3,2),imshow(J,);title('BW1=edge(J,'sobel',0.1);%用subplot(3,3,3),imshow(BW1,);title('sobelBW2=edge(J,'roberts',0.1); %subplot(3,3,4),imshow(BW2,);title('robertsBW3=edge(J,'prewitt',0.1);%subplot(3,3,5),imshow(BW3,);title('prewittB

33、W4=edge(J,'log',0.01);%subplot(3,3,6),imshow(BW4,);title('logBW5=edge(J,'canny',0.1);%subplot(3,3,7),imshow(BW5,);title('cannyH=fspecial('laplacian'); % 生成 Laplacian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?yàn)槠交幚硪彩怯媚０暹M(jìn)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(gè)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)；%B 3*3 子圖像的位置8顯示Laplacian算子銳化圖像圖34添加椒鹽噪聲圖像圖33原圖像圖35 sobel算子處理后圖像 be rt n算子處理后圖像pfBWltt算子處理后圖像1四算