第四次數(shù)字圖像處理技術(shù)實(shí)驗(yàn)

1、甘肅政法學(xué)院本科生實(shí)驗(yàn)報(bào)告(4）姓名: 學(xué)院:專業(yè): 班級(jí): 實(shí)驗(yàn)課程名稱:數(shù)字圖像處理 實(shí)驗(yàn)日期: 2016 年 5 月 17 日開課時(shí)間： 學(xué)年 第二 學(xué)期甘肅政法學(xué)院實(shí)驗(yàn)管理中心印制實(shí)驗(yàn)題目圖像分割，圖像復(fù)原，圖像重建小組合作姓名班級(jí) 學(xué) 號(hào)一、實(shí)驗(yàn)?zāi)康?熟悉matlab圖像處理工具箱及圖像邊緣檢測(cè)函數(shù)的使用；2理解和掌握?qǐng)D像邊緣檢測(cè)（Sobel、Prewitt、Log邊緣算子）的方法和應(yīng)用；3.掌握用閾值法進(jìn)行圖像分割的基本方法。二實(shí)驗(yàn)環(huán)境Matlab實(shí)驗(yàn)室三、實(shí)驗(yàn)內(nèi)容與步驟1.使用Roberts 算子的圖像分割實(shí)驗(yàn)調(diào)入并顯示圖像room.tif中圖像；使用Roberts 算子對(duì)圖像進(jìn)

2、行邊緣檢測(cè)處理； Roberts 算子為一對(duì)模板：相應(yīng)的矩陣為：rh = 0 1；-1 0；rv = 1 0；0 -1；這里的rh 為水平Roberts 算子，rv為垂直Roberts 算子。分別顯示處理后的水平邊界和垂直邊界檢測(cè)結(jié)果；用“歐幾里德距離”和“街區(qū)距離”方式計(jì)算梯度的模，并顯示檢測(cè)結(jié)果；對(duì)于檢測(cè)結(jié)果進(jìn)行二值化處理，并顯示處理結(jié)果； (2)使用Prewitt 算子的圖像分割實(shí)驗(yàn)， 使用Prewitt 算子進(jìn)行內(nèi)容(1)中的全部步驟。(3)使用Sobel 算子的圖像分割實(shí)驗(yàn)使用Sobel 算子進(jìn)行內(nèi)容(1)中的全部步驟。(4)使用LoG (拉普拉斯-高斯)算子的圖像分割實(shí)驗(yàn)使用LoG

3、 (拉普拉斯-高斯)算子進(jìn)行內(nèi)容(1)中的全部步驟。提示1：處理后可以直接顯示處理結(jié)果，無(wú)須另外計(jì)算梯度的模。提示2：注意調(diào)節(jié)噪聲的強(qiáng)度以及LoG (拉普拉斯-高斯)算子的參數(shù)，觀察處理結(jié)果。2、圖像在形成、傳輸和記錄的過(guò)程中，由于受多種原因的影響，圖像的質(zhì)量會(huì)有下降，典型表現(xiàn)為圖像模糊、失真、有噪聲等。這一降質(zhì)的過(guò)程稱為圖像的退化。而圖像復(fù)原試圖利用退化現(xiàn)象的某種先驗(yàn)知識(shí)（即退化模型），把已經(jīng)退化了得圖像加以重建和復(fù)原。其目的就是盡可能地減少或去除在獲取圖像過(guò)程中發(fā)生的圖像質(zhì)量的下降（退化），恢復(fù)被退化圖像的本來(lái)面目。四、實(shí)驗(yàn)過(guò)程與分析I = imread('ca

4、meraman.tif'); J1=edge(I,'sobel'); J2=edge(I,'prewitt'); J3=edge(I,'log');  subplot(1,4,1),imshow(I); subplot(1,4,2),imshow(J1); subplot(1,4,3),imshow(J2); subplot(1,4,4),imshow(J3);原始圖像：Sobel邊緣算子：Prewitt邊緣算子：Log邊緣算子：fid=fopen('lena.

5、img','r');  im=(fread(fid,256,256,'uint8')' im=im2double(uint8(im); im_R=edge(im,'Roberts'); im_P=edge(im,'Prewitt'); im_S=edge(im,'Sobel'); im_L=edge(im,'Log'); colormap(gray);  subplot(321);imshow(im);t

6、itle('源圖像');  subplot(323);imshow(im_R);title('Roberts檢測(cè)'); subplot(324);imshow(im_P);title('Prewitt檢測(cè)'); subplot(325);imshow(im_S);title('Sobel檢測(cè)'); subplot(326);imshow(im_L);title('Log檢測(cè)'); 源圖像：讀入一副圖像，加入運(yùn)動(dòng)模糊和椒鹽噪聲；用維納濾波復(fù)原函數(shù)deconvwnr對(duì)模

7、糊圖像進(jìn)行復(fù)原重建%讀入、顯示原圖像I = im2double(imread('cameraman.tif'); imshow(I); title('Original Image (courtesy of MIT)');%模擬運(yùn)動(dòng)模糊LEN = 21; THETA = 11; PSF = fspecial('motion', LEN, THETA); blurred = imfilter(I, PSF, 'conv', 'circular'); figure, imshow(blurred)%模擬加性噪聲 nois

8、e_mean = 0; noise_var = 0.0001; blurred_noisy = imnoise(blurred, 'gaussian',noise_mean, noise_var); figure, imshow(blurred_noisy) title('Simulate Blur and Noise') %嘗試恢復(fù)假設(shè)沒有噪聲 estimated_nsr = 0; wnr2 = deconvwnr(blurred_noisy, PSF, estimated_nsr); figure, imshow(wnr2) title('Resto

9、ration of Blurred, Noisy Image Using NSR = 0') %嘗試恢復(fù)對(duì)噪聲對(duì)信號(hào)功率比進(jìn)行更好的估計(jì)estimated_nsr = noise_var / var(I(:); wnr3 = deconvwnr(blurred_noisy, PSF, estimated_nsr); figure, imshow(wnr3) title('Restoration of Blurred, Noisy Image Using Estimated NSR');實(shí)驗(yàn)中用到源程序代碼；clear%讀入、顯示原圖像I = im2double(imre

10、ad('l.tiff'); imshow(I); title('Original Image (courtesy of MIT)');%模擬運(yùn)動(dòng)模糊LEN = 21; THETA = 11; PSF = fspecial('motion', LEN, THETA); blurred = imfilter(I, PSF, 'conv', 'circular'); figure, imshow(blurred)%模擬加性噪聲 noise_mean = 0; noise_var = 0.0001; blurred_noi

11、sy = imnoise(blurred, 'gaussian',noise_mean, noise_var); figure, imshow(blurred_noisy) title('Simulate Blur and Noise') %嘗試恢復(fù)假設(shè)沒有噪聲 estimated_nsr = 0; wnr2 = deconvwnr(blurred_noisy, PSF, estimated_nsr); figure, imshow(wnr2) title('Restoration of Blurred, Noisy Image Using NSR =

12、0') %嘗試恢復(fù)對(duì)噪聲對(duì)信號(hào)功率比進(jìn)行更好的估計(jì)estimated_nsr = noise_var / var(I(:); wnr3 = deconvwnr(blurred_noisy, PSF, estimated_nsr); figure, imshow(wnr3) title('Restoration of Blurred, Noisy Image Using Estimated NSR'); 原始圖像：模擬運(yùn)動(dòng)模糊嘗試恢復(fù)假設(shè)沒有噪聲 模擬加性噪聲維納濾波復(fù)原函數(shù)deconvwnr對(duì)模糊圖像進(jìn)行復(fù)原重建五、實(shí)驗(yàn)總結(jié)通過(guò)本次實(shí)驗(yàn)，我學(xué)會(huì)了圖像復(fù)原的基本原理，用維納濾波復(fù)原，并利用MATLAB軟件來(lái)進(jìn)行圖像復(fù)原，熟悉了fspecial