圖像處理實驗報告

實習(xí)記錄1常用MATLAB圖像處理命令一、實驗?zāi)康?/p>

1、熟悉并掌握MATLAB工具的使用；2、實現(xiàn)圖像的讀取、顯示、代數(shù)運(yùn)算和簡單變換。二、實驗環(huán)境MATLAB2012a版本、WIN7計算機(jī)三、常用函數(shù)讀寫圖像文件1imreadimread函數(shù)用于讀入各種圖像文件，如：a=imread('e:\w01.tif')2imwriteimwrite函數(shù)用于寫入圖像文件，如：imwrite(a,'e:\w02.tif',’tif’)3imfinfoimfinfo函數(shù)用于讀取圖像文件的有關(guān)信息，如：imfinfo('e:\w01.tif')圖像的顯示1imageimage函數(shù)是MATLAB提供的最原始的圖像顯示函數(shù)，如：a=[1,2,3,4;4,5,6,7;8,9,10,11,12];image(a);2imshowimshow函數(shù)用于圖像文件的顯示，如：i=imread('e:\w01.tif');imshow(i);title（‘原圖像’）%加上圖像標(biāo)題3colorbarcolorbar函數(shù)用顯示圖像的顏色條，如：i=imread('e:\w01.tif');imshow(i);colorbar;4figurefigure函數(shù)用于設(shè)定圖像顯示窗口，如：figure(1)；/figure(2)；5subplot把圖形窗口分成多個矩形部分，每個部分可以分別用來進(jìn)行顯示。Subplot（m，n，p）分成m*n個小窗口，在第p個窗口中創(chuàng)建坐標(biāo)軸為當(dāng)前坐標(biāo)軸，用于顯示圖形。6plot繪制二維圖形plot（y）Plot（x，y）xy可以是向量、矩陣。圖像類型轉(zhuǎn)換1rgb2gray把真彩圖像轉(zhuǎn)換為灰度圖像i=rgb2gray（j）2im2bw通過閾值化方法把圖像轉(zhuǎn)換為二值圖像I=im2bw（j，level）Level表示灰度閾值，取值范圍0~1（即0.n），表示閾值取自原圖像灰度范圍的n%3imresize改變圖像的大小I=imresize（j，[mn]）將圖像j大小調(diào)整為m行n列圖像運(yùn)算1imadd兩幅圖像相加，要求同樣大小，同種數(shù)據(jù)類型Z=imadd（x，y）表示圖像x+y2imsubstract兩幅圖像相減，要求同樣大小，同種數(shù)據(jù)類型Z=imsubtract（x，y）表示圖像x-y3immultiplyZ=immultiply（x，y）表示圖像x*y4imdivideZ=imdivide（x，y）表示圖像x/y四、心得體會 學(xué)習(xí)了matlab中基本的圖像處理命令，為以后圖像處理打下了較好的基礎(chǔ)。2、對圖像灰度分布的分析和直方圖均衡1、實驗?zāi)康?（1）理解灰度分布直方圖、累積灰度分布函數(shù)的概念，圖像二值化的概念。 （2）學(xué)習(xí)用matlab編程計算圖像直方圖，累積分布函數(shù)并進(jìn)行初步分析。 （3）深入理解灰度分布直方圖的意義，并根據(jù)灰度直方圖進(jìn)行簡單圖像增強(qiáng)——直方圖均衡。 （4）改進(jìn)直方圖均衡算法，進(jìn)行直方圖分段均衡并進(jìn)行分析。2、編程實現(xiàn)closeall;clear;clc;%%讀入圖像并轉(zhuǎn)換為灰度圖，顯示I=imread('E:\photos\109NIKON\e1.JPG');figure(1);imshow(I);J=rgb2gray(I);figure(2);imshow(J);one_or_zero=(J>128);figure(3)imshow(one_or_zero)%%對原始灰度圖的分析[m,n]=size(J);%圖片的維數(shù)note=zeros(1,256);%統(tǒng)計對應(yīng)某灰度值圖像點(diǎn)數(shù)fori=1:mforj=1:nnote(J(i,j)+1)=note(J(i,j)+1)+1;%256色是不是0—255？endendfigure(4)stem(note);%灰度分布直方圖（imhist函數(shù)可實現(xiàn)）sum_note=zeros(1,256);sume_note(1)=note(1);fori=2:256sum_note(i)=sum_note(i-1)+note(i);endfigure(5)plot(sum_note)%累積分布圖axis([02560m*n])gridon%%%圖像灰度映射關(guān)系的確定%fff=zeros(1,256);%fori=1:255%fff(i+1)=note(i+1)*255/m/n+fff(i);%核心！%%fff(i+1)=sum_note(i+1)*255/m/n;%運(yùn)算量會稍小一些%end%floor(fff);%取整，貌似不取整也不會錯%%fff雖然是一個變量，記錄了相應(yīng)的對應(yīng)關(guān)系fff=fenduan();%%圖像灰度均衡簡單處理K=J;%新建圖像fori=1:mforj=1:nK(i,j)=fff(J(i,j)+1);endendfigure(6)imshow(K)%%處理后的圖像note_f=zeros(1,256);%%對新圖像的灰度分析這塊和前邊的分析完全相同，以后用考慮變成函數(shù)調(diào)用fori=1:mforj=1:nnote_f(K(i,j)+1)=note_f(K(i,j)+1)+1;endendfigure(4);holdon;stem(note_f,'r');sum_note_f=zeros(1,256);sume_note_f(1)=note_f(1);fori=2:256sum_note_f(i)=sum_note_f(i-1)+note_f(i);endfigure(5);holdon;plot(sum_note_f,'r')axis([02560m*n])gridon%%分段均衡時調(diào)用的函數(shù)：%%圖像灰度映射關(guān)系的確定functionfff=fenduan()fff=zeros(1,256);fff(1:100)=0;fori=100:150fff(i+1)=(i-100)*3;endfff(152:199)=150;fori=200:250fff(i)=(i-200)*2+150;endfori=251:256fff(i)=i;endfloor(fff);%取整，貌似不取整也不會錯figure(8)plot(fff)%fff雖然是一個變量，記錄了相應(yīng)的對應(yīng)關(guān)系f3.實驗結(jié)果與分析3.1直方圖均衡結(jié)果與分析（a）原始彩色圖像（b）灰度圖（c）圖像二值化結(jié)果（128為界）（d）直方圖均衡效果圖圖2.2灰度分布直方圖，藍(lán)色對應(yīng)原始圖像，紅色對應(yīng)均衡后圖像圖2.3均衡前后累積分布函數(shù)（未歸一化）結(jié)論：直方圖均衡后，灰度分布均勻，圖像較處理前細(xì)節(jié)表現(xiàn)有所改善3.2直方圖分段均衡（a）原始彩色圖像（b）灰度圖（c）圖像二值化結(jié)果（128為界）（d）分段均衡效果圖圖2.5分段均衡映射曲線圖2.6灰度分布直方圖，藍(lán)色對應(yīng)原始圖像，紅色對應(yīng)分段均衡后圖像圖2.7分段均衡前后累積分布函數(shù)（未歸一化）說明與分析：（1）首先說明分段映射曲線的選取。從圖像的灰度分布直方圖中可以看到，灰度區(qū)間100-150以及200-250內(nèi)像素點(diǎn)分布校多而其余區(qū)間基本沒有像素點(diǎn)分布，所以要壓縮像素分布點(diǎn)較少的區(qū)間，而在這兩段進(jìn)行擴(kuò)張。100—150區(qū)間進(jìn)行了3倍擴(kuò)展，200-250區(qū)間進(jìn)行了2倍擴(kuò)展。當(dāng)然這并不是最優(yōu)的映射方案，但在處理此圖像時有效果，能說明問題。由圖像以及直方圖、累積分布曲線可以看出圖像有所改善。（3）分段法對于不同的圖像需要采取不同的曲線。要注意到此方法的局限性。而直接的整個區(qū)間內(nèi)的均衡不存在這個問題。（4）注意到有失真現(xiàn)象。而且原本灰度在0-100，以及150-200的像素點(diǎn)歸為0和150，仔細(xì)觀察會發(fā)現(xiàn)這使圖像質(zhì)量有所下降。當(dāng)然，這是某些區(qū)間擴(kuò)展所必然引起的。我們要做的，根本上來說就是尋求某種更好的折中方法。3QDHE算法的實現(xiàn)實驗?zāi)康模?）、跟蹤學(xué)術(shù)前沿，深入理解直方圖均衡算法（2）、實現(xiàn)QDHE(QuadrantsDynamicHistogramEqualizationforContrastEnhancement,基于動態(tài)象限直方圖均衡的對比度增強(qiáng))算法。2、QDHE算法說明（1）、QDHE算法是基于HE、PHE、BBHE、DPHE改善算法。（2）、算法計算過程第一步：直方圖分割，按照像素點(diǎn)分布直方圖將所以像素點(diǎn)等量分布在四個區(qū)間中。第二步：ClippingProcessThereasonbehindtheclippingprocessistocontroltheenhancementrateofHEinordertoovercomeunnaturalandover-enhancementoftheprocessedimagetooccur.ClippingthresholdisreplacedbytheaverageofthenumberoftheintensityintheproposedQDHE.第三步：灰度區(qū)間重分配第四部：子區(qū)間內(nèi)進(jìn)行直方圖均衡3、編程實現(xiàn)%Quadtantsdynamichistogramequalization動態(tài)象限對比度均衡實現(xiàn)代碼closeall;clear;clc;L=256;%%讀入圖像并轉(zhuǎn)換為灰度圖，顯示I=imread('E:\photos\study\IMG_20130903_211732340.JPG');J=rgb2gray(I);figure(20);imshow(J);[m,n]=size(J);%圖片的維數(shù)%%圖像灰度做預(yù)處理fori=1:mforj=1:nifJ(i,j)>100J(i,j)=round(100*rand(1,1));endendendfigure(2)imshow(J)%處理后的圖像%%對原始灰度圖的分析note=zeros(1,256);%統(tǒng)計對應(yīng)某灰度值圖像點(diǎn)數(shù)fori=1:mforj=1:nnote(J(i,j)+1)=note(J(i,j)+1)+1;%256色是不是0—255？endendfigure(3)stem(note);figure(4)imhist(J)%灰度分布直方圖（imhist函數(shù)可實現(xiàn)）sum_note=zeros(1,256);sum_note(1)=note(1);fori=2:256sum_note(i)=sum_note(i-1)+note(i);endfigure(5)plot(sum_note)%累積分布圖axis([02560m*n])gridon%%A區(qū)間劃分%這里只實現(xiàn)均衡算法，累積分布函數(shù)在別處實現(xiàn)，額可是我還要求分割點(diǎn)，先copy一下吧[note,sum_note,m,n]=hist_mine(J);%區(qū)間分割點(diǎn)mm_huidu=[00000];fori=1:256ifnote(i)~=0;break;endendmm_huidu(1)=i-1;m1=m*n/4;m2=m*n*0.5;m3=m*n*0.75;fori=256:-1:1ifnote(i)~=0;break;endendmm_huidu(5)=i-1mm=[0,m1,m2,m3,m*n];%找到區(qū)間分割點(diǎn)對應(yīng)的灰度值forj=2:4fori=2:256ifsum_note(i-1)<mm(j)&&sum_note(i)>=mm(j)mm_huidu(j)=i;break;endendend%分別以mm_huidu為分割點(diǎn),分割點(diǎn)無論是歸前還是歸后都有誤差，但不大，忽略之，歸后%%BClippingprocess%我認(rèn)為Tc是所有灰度值對應(yīng)的像素(不為零)的的平均值,先確定閥值Tcsum_note_you=0;fori=mm_huidu(1):mm_huidu(5)sum_note_you=note(i+1)+sum_note_you;endTc=sum_note_you/(mm_huidu(5)-mm_huidu(1));%clippingfori=1:256ifnote(i)>Tcnote(i)=Tc;endend%%C灰度區(qū)間重分配%這里的理解可能有錯誤fori=1:4span(i)=mm_huidu(i+1)-mm_huidu(i);range(i)=(L-1)*span(i)/(mm_huidu(5)-mm_huidu(1));endI_start(1)=0;I_end(4)=255;fori=1:3I_start(i+1)=range(i)+I_start(i);endfori=1:4I_end(i)=I_start(i)+range(i);end%%D直方圖均衡%在單個直方圖內(nèi)進(jìn)行直方圖均衡%%注意這個直方圖均衡是在clipping之后的單個直方圖中進(jìn)行均衡，努力寫個函數(shù)……%%像往常一樣，先建立映射關(guān)系,這個要在四個區(qū)間內(nèi)映射，復(fù)雜度稍高%fori=1:4%sum_note_sub(i,:)=zeros(1,mm_huidu(i+1)-mm_huidu(i))%end%sum_note_sub=[sum_note_subsum_note_subsum_note_subsum_note_sub];%fork=1:4%fori=mm_huidu(k):mm_huidu(k+1)%i=i+1;%sum_note_sub(k,i)=note(i)+sum_note_sub(k,i)%end%figure%plot(sume_note_sub(k))%end%%%forii=1:4%ifJ(i,j)>mm_huidu(i)&&J(i,j)<=mm_huidu(i+1)%break%end%end%sum_note(J(i,j))*range(ii)+I_start(ii)sum_clip=fendu_cdf(note,mm_huidu);fff=fenduan_yingshe(sum_clip,mm_huidu,I_start,I_end);%%圖像灰度均衡簡單處理K=J;%新建圖像fori=1:mforj=1:nK(i,j)=fff(J(i,j)+1);endendfigure(6)imshow(K)%處理后的圖像note_f=zeros(1,256);%%對新圖像的灰度分析這塊和前邊的分析完全相同，以后用考慮變成函數(shù)調(diào)用fori=1:mforj=1:nnote_f(K(i,j)+1)=note_f(K(i,j)+1)+1;endendfigure(3);holdon;stem(note_f,'r');sum_note_f=zeros(1,256);sume_note_f(1)=note_f(1);fori=2:256sum_note_f(i)=sum_note_f(i-1)+note_f(i);endfigure(5);holdon;plot(sum_note_f,'r')axis([02560m*n])gridonclc;clear;調(diào)用的分段累積分布函數(shù)如下：functionsum_clip=fendu_cdf(note,mm_huidu)sum_clip={};fori=1:4m1=mm_huidu(i);m2=mm_huidu(i+1);%m2,bigeronem1smallonesum_note=zeros(1,m2-m1);%%%m2不計入，前幾段正確，最后一段最后一個灰度值沒有錄入，對此細(xì)節(jié)暫不處理%此問題已通過最后的加一解決%fori=256:-1:1%ifnote(i)~=0;%break;%end%end%mm_huidu(5)=i+1;sum_note(1)=note(m1+1);forj=m1+1:m2-1sum_note(j-m1+1)=sum_note(j-m1)+note(j);endsum_clip{i}=sum_note/sum_note(m2-m1);end映射關(guān)系生成函數(shù)如下：functionfff=fenduan_yingshe(sum_clip,mm_huidu,I_start,I_end)fff=zeros(1,256);mm_huidu=round(mm_huidu)fori=1:4forj=mm_huidu(i)+1:mm_huidu(i+1)fff(j)=sum_clip{i}(j-mm_huidu(i))*(I_end(i)-I_start(i))+I_start(i);endend3.實驗結(jié)果與分析3.1直方圖均衡結(jié)果與分析圖3.1預(yù)處理之后、處理之前的圖片圖3.2處理后圖片圖3.3處理前后直方圖，藍(lán)色對應(yīng)處理前，紅色對應(yīng)處理后圖3.3處理前后累積分布函數(shù)，藍(lán)色對應(yīng)處理前，紅色對應(yīng)處理后說明與分析：（1）、對比兩圖像可以發(fā)現(xiàn)，經(jīng)過處理，總體來看對比度得到了增強(qiáng)；從細(xì)節(jié)觀察，發(fā)現(xiàn)烏龜右前腳腳趾變得清晰。說明此算法對圖像質(zhì)量起到了改善作用。（2）、對預(yù)處理的說明：從原理上分析，QDHE算法對圖像的改善作用來自兩方面：一方面是圖像灰度區(qū)間的擴(kuò)展，另一方面是區(qū)間內(nèi)進(jìn)行直方圖均衡。原圖像灰度值大于100的像素點(diǎn)很少，但有分布，如此相應(yīng)灰度區(qū)間被占用則灰度空間擴(kuò)展的效果將不明顯，所以進(jìn)行預(yù)處理。（3）、從直方圖和累積分布函數(shù)的圖像也可發(fā)現(xiàn)有改善作用。（4）、此處理方法適用于光照不足時獲得的圖像的處理，由于像素點(diǎn)的灰度值分布在零到幾十的范圍內(nèi)，經(jīng)過灰度區(qū)間重新分配并進(jìn)行區(qū)間內(nèi)均衡會有較好的效果；對于灰度值分配不均，但分布范圍較大的圖片，處理效果不明顯。4簡單的目標(biāo)跟蹤算法的實現(xiàn)實驗?zāi)康模?）、理解目標(biāo)跟蹤的概念（2）、掌握初步的目標(biāo)跟蹤算法，如相關(guān)算法、差值平方法、差值絕對值法（3）、實現(xiàn)算法后，進(jìn)行簡單的改進(jìn)并觀察對性能的影響2、目標(biāo)跟蹤的編程實現(xiàn)closeall;clear;clc;%%模板信息M=rgb2gray(imread('E:\photos\study\feiji\pic436.bmp'));%T_cai=imread('E:\photos\study\feiji\plane_zuolun.bmp');%T=zeros(100,200);%T=M(171:310,201:500);%飛機(jī)主體第一種比較好用的T=M(120:310,201:550);%飛機(jī)主體，大的，第二種方法%%熊杰模板M=rgb2gray(imread('E:\photos\study\feiji\pic435.bmp'));%T_cai=imread('E:\photos\study\feiji\plane_zuolun.bmp');%T=zeros(100,200);%T=M(171:310,201:500);%飛機(jī)主體第一種比較好用的T=M(107:300,215:500);%飛機(jī)主體，大的，第二種方法%%%T=M(100:200,490:550);%飛機(jī)尾%T=M(100:200,500:540);%飛機(jī)尾，另一個%T=M(190:260,290:440);[m_T,n_T]=size(T);%fori=1:m_T%forj=1:n_T%ifT(i,j)>100%T(i,j)=200;%end%end%endfigure(2);imshow(T);T_ave=sum(sum(T))/m_T/n_T;Fangcha_T=sum(sum((T-T_ave).^2));%%打開圖像forpic=12:57%36:36%12:13%:57I=imread(['E:\photos\study\feiji\pic4',num2str(pic),'.bmp']);J=rgb2gray(I);[m_J,n_J]=size(J);%%求相關(guān)fori=1:10:m_J-m_T+1%行遍歷forj=1:10:n_J-n_T+1%列遍歷%%第一種算法%Ave_J_ij=sum(sum(J(i:m_T+i-1,j:n_T+j-1)))/m_T/n_T;%Fangcha_J_ij=sum(sum((T-T_ave).^2));%R(i,j)=sum(sum(((J(i:m_T+i-1,j:n_T+j-1)-Ave_J_ij).*(T-T_ave))))/...%Fangcha_T.^(1/2)/Fangcha_J_ij.^(1/2);%%第二種算法R(i,j)=sum(sum((J(i:m_T+i-1,j:n_T+j-1)-T).^2));%R((i-1)/10+1,(j-1)/10+1)%10跨步%%第三種算法%R(i,j)=sum(sum((abs(J(i:m_T+i-1,j:n_T+j-1)-T))));endend%%發(fā)現(xiàn)位置并標(biāo)記%[row,colum]=find(R==max(max(R)));%第一種算法，求最大相關(guān)值[row,colum]=find(R==min(min(R(R~=0))));%第二種算法，求最小值K=zeros(m_T-10,n_T-10);K=I(row+5:row+m_T-1-5,colum+5:n_T+colum-1-5);I(row:row+m_T-1,colum:n_T+colum-1)=255;%-J(row:m_T+row-1,colum:n_T+colum-1);I(row+5:row+m_T-1-5,colum+5:n_T+colum-1-5)=K;imshow(I);pause(0.01);%max(max(R))