报告一 直方图均衡化
一、目的
1. 改善图像的视觉，提高清晰度；
2. 增强人们感兴趣部分，到视觉效果更好的图像，以提高图像的可懂度。
二、主要内容
1．读入图像数据到内存中，并显示读入的图像；
2．实现直方图均衡化处理，显示处理前后图像的直方图；
3．显示并保存处理结果。
三、具体步骤
1. 打开Matlab编程环境。
2. 获取试验用图像：使用imread函数将图像读入Matlab，并用inshow函数显示读入的图像。
3. 获取输入图像的直方图：使用inhist函数处理图像。
4. 均衡化处理：使用histeq函数处理图像。
5. 获取均衡化后的直方图并显示图像：使用inhist和histeq函数。
6. 保存结果。
四、实验程序及结果
1、实验程序
x=imread('f:\flower.jpg'); %使用imread函数将图像读入Matlab
x=rgb2gray(x); %将彩色图像装换为灰度图像
figure(1);
subplot(2,2,1);
imshow(x); %显示图像
title('(a)原图像')
subplot(2,2,2);
imhist(x) %求图像直方图
axis off;
title('(b)原图像的直方图')
x1=histeq(x); %对图像进行均衡化处理
subplot(2,2,3);
imshow(x1);
title('(c)直方图均衡化后的图像')
subplot(2,2,4);
imhist(x1) %均衡化处理后的图像的直方图
axis off;
title('(d)均衡化后的直方图')
2、实验结果
五、结果分析
从上面的两幅图我们可以很明显的看到，没有经过均衡化处理的原图像灰度值较为集中，背景颜色全为白色；而经过均衡化处理的图像灰度值分布近似服从均匀分布，背景颜色有了由灰到白的渐变，尤其是花朵的绿叶部分的均衡效果较为明显。
报告二 图像平滑
一、目的
去除或衰减图像中的噪声和虚假轮廓。
二、 实现方法
减少噪声的方法可以在空间域或在频率域处理，在空间域中进行时，基本方法就是求像素的平均值或中值；在频域中则运用低通滤波技术。因其算法简单且处理速度快，在此我们使用空域法。
三、操作步骤
1、选择一副图像，加入高斯白噪声；
2、分别进行4领域和8领域处理并对两种方法进行对比分析；
3、保存实验结果并给予分析。
四、实验程序及结果
1、实验程序
>> x=imread('f:\1.jpg'); %读入图像
>> x=rgb2gray(x); %将彩色图像装换为灰度图像
>> subplot(1,4,1);
>> imshow(x);
>> xlabel('(a)原图像');
>> %图像加噪并显示加噪图像，高斯白噪声m=0,σ=0.005
>> x1=imnoise(x,'gaussian',0,0.05);
>> subplot(1,4,2);
>> imshow(x1);
>> xlabel('(b)加噪图像');
>> %使用4领域模板
>> h1=[0 1 0;1 1 1;0 1 0]/5;
>> x2=imfilter(x1,h1);
>> subplot(1,4,3);
>> imshow(x2);
>> xlabel('(c)4领域平均滤波');
>> %使用8领域模板
>> h2=[1 1 1;1 1 1;1 1 1]/8;
>> x3=imfilter(x1,h2);
>> subplot(1,4,4);
>> imshow(x3);
>> xlabel('(d)8领域平均滤波');^
2、实验结果
五、结果分析
从以上四幅图的比较当中我们可以看到，领域平均法对图像中的噪声进行了一定程度上的衰减，同时可以看到8领域平均法比4领域平均法滤除噪声效果要好，但同时也使图像中目标景物的轮廓或细节变的更模糊，这也正是领域平均法的一个弊端所在。
报告三 图像锐化
一、主要目的
突出图像中的细节，增强图像的边缘、轮廓以及灰度突变部分。
二、实现方法
图像的模糊实质是因为图像受到平均或积分运算，为此对其进行逆运算如微分运算、梯度运算，就可以使图像清晰。从频谱角度来分析，图像模糊的实质是其高频分量被衰减，因而也可以通过高通滤波操作来清晰图像。
锐化滤波有两种方法：一种是空间域法，另外一种是频域中的高通滤波法。下面使用的是空域锐化方法，分别进行模板系数a=1和a=2的锐化处理，并对结果进行分析。
三、实验程序及结果
1、实验程序
x=imread('f:\4.jpg'); %读入第一幅图像
x=rgb2gray(x);
subplot(2,3,1);
imshow(x);
a=1； %a=1的锐化模板
g1=[0 -a 0;-a 1+4*a -a;0 -a 0];
f2=imfilter(x,g1,'symmetric','conv');
subplot(2,3,2);
imshow(f2);
a=2 %a=2的锐化模板
g1=[0 -a 0;-a 1+4*a -a;0 -a 0];
f2=imfilter(x,g1,'symmetric','conv');
subplot(2,3,3);
imshow(f2);
x=imread('f:\3.jpg'); %读入第二幅图像
x=rgb2gray(x);
subplot(2,3,4);
imshow(x);
xlabel('(a)原图像');
a=1 %a=1的锐化模板
g1=[0 -a 0;-a 1+4*a -a;0 -a 0];
f2=imfilter(x,g1,'symmetric','conv');
subplot(2,3,5);
imshow(f2);
xlabel('(b)a=1时的锐化结果');
a=2 %a=2的锐化模板
g1=[0 -a 0;-a 1+4*a -a;0 -a 0];
f2=imfilter(x,g1,'symmetric','conv');
subplot(2,3,6);
imshow(f2);
xlabel('(c)a=2时的锐化结果');
2、实验结果
报告四 图像的同态增晰
一、主要目的
压缩图像灰度范围，提高图像清晰度，增加对比度。
二、实现方法
同态增晰是在频域中压缩图像的亮度分量，同时增强图像对比度的方法。其关键是可以将照明分量和反射分量分开来，从而有可能用同态滤波函数分别对它们进行压缩和提升处理，以使图像整体变清晰。
三、实验程序及结果
1、实验程序
f1=imread('f:\5.jpg');
f1=double(rgb2gray(f1));
f_log=log(f1+1); %取自然对数
f2=fft2(f_log);
% 产生Butterworth高通滤波器
n=3;
D0=0.05*pi; %截止频率
rh=0.8;
r1=0.3;
[m n]=size(f2);
for i=1:m
for j=1:n
D1(i,j)=sqrt(i^2+j^2);
H(i,j)=r1+(rh/(1+(D0/D1(i,j))^(2*n)));
end
end
f3=f2.*H; %输入图像通过滤波器
f4=ifft2(f3);
f5=exp(real(f4))-1; %取指数对数
subplot(2,2,1);
imshow(uint8(f1));
subplot(2,2,2);
imshow(uint8(f5));
%第二幅图片,进行相同的处理
f1=imread('f:\flower.jpg');
f1=double(rgb2gray(f1));
f_log=log(f1+1); %取自然对数
f2=fft2(f_log);
% 产生Butterworth高通滤波器
n=3;
D0=0.05*pi; %截止频率
rh=0.8;
r1=0.3;
[m n]=size(f2);
for i=1:m
for j=1:n
D1(i,j)=sqrt(i^2+j^2);
H(i,j)=r1+(rh/(1+(D0/D1(i,j))^(2*n)));
end
end
f3=f2.*H; %输入图像通过滤波器
f4=ifft2(f3);
f5=exp(real(f4))-1; %取指数对数
subplot(2,2,3);
imshow(uint8(f1));
xlabel('(a)原图像');
subplot(2,2,4);
imshow(uint8(f5));
xlabel('(b)同态滤波后图像');
2、实验结果
报告五 图像恢复
一、主要目的
由于各种原因使原清晰图像变模糊，或原图未达到应有质量从而形成了降质，图像恢复的目的就是使退化图像恢复本来面目。
二、实现方法
图像恢复就是根据图像降质过程的某些先验知识，建立“退化（降质）模型”，运用和退化相反的过程，将退化图像恢复。恢复技术可分为无约束和有约束的两大类，在这里，我们用有约束恢复中的维纳滤波方法。
三、实验程序及结果
1、实验程序
%通过模拟水平运动模糊建立退化函数
d=5;
h=zeros(2*d+1,2*d+1);
h(d+1,1:2*d+1)=1/(2*d);
%模糊原图像并加入加入噪声
fig1=imread('f:\apple.jpg');
fig1=rgb2gray(fig1);
[m n]=size(fig1);
fe=zeros(m+2*d,n+2*d);
fe(1:m,1:n)=fig1;
he=zeros(m+2*d,n+2*d);
he(1:2*d+1,1:2*d+1)=h;
F=fft2(fe);
H=fft2(he);
g=imnoise(uint8(ifft2(F.*H)),'gaussian',0,0.0009);
G=fft2(double(g));
%使用最小均方滤波器恢复图像
K=0.1;
F_est=((abs(H).^2)./(abs(H).^2+K)).*G./H;
fig_est=real(ifft2(F_est));
%显示图像
subplot(2,3,1);
imshow(fig1);
xlabel('(a)原图像');
%显示退化图像
subplot(2,3,2);
imshow(uint8(g(d+1:m+d,d+1:n+d)),[min(g(:)) max(g(:))]);
xlabel('(b)加噪声的退化图像');
%显示恢复图像
subplot(2,3,3);
imshow(uint8(fig_est(1:m,1:n)),[min(fig_est(:)) max(fig_est(:))]);
xlabel('(c)回复后的图像');
%第二幅图片
%通过模拟水平运动模糊建立退化函数
d=5;
h=zeros(2*d+1,2*d+1);
h(d+1,1:2*d+1)=1/(2*d);
%模糊原图像并加入加入噪声
fig1=imread('f:\flower.jpg');
fig1=rgb2gray(fig1);
[m n]=size(fig1);
fe=zeros(m+2*d,n+2*d);
fe(1:m,1:n)=fig1;
he=zeros(m+2*d,n+2*d);
he(1:2*d+1,1:2*d+1)=h;
F=fft2(fe);
H=fft2(he);
g=imnoise(uint8(ifft2(F.*H)),'gaussian',0,0.0009);
G=fft2(double(g));
%使用最小均方滤波器恢复图像
K=0.1;
F_est=((abs(H).^2)./(abs(H).^2+K)).*G./H;
fig_est=real(ifft2(F_est));
%显示图像
subplot(2,3,4);
imshow(fig1);
xlabel('(a)原图像');
%显示退化图像
subplot(2,3,5);
imshow(uint8(g(d+1:m+d,d+1:n+d)),[min(g(:)) max(g(:))]);
xlabel('(b)加噪声的退化图像');
%显示恢复图像
subplot(2,3,6);
imshow(uint8(fig_est(1:m,1:n)),[min(fig_est(:))max(fig_est(:))]); xlabel('(c)回复后的图像');
2、实验结果
报告六 图像分割
一、主要目的
图像分割是图象分析的前期工作、关键步骤。欲对图象进行分析(识别)时，首先要提取特征，而这些特征都包含在图象中的不同部分(如目标物、背景)，所以必须先对图象进行分割，然后才能区分并确定这些不同部分。
二、实现方法
1、边缘检测法：利用区域间之灰度不连续性，确定区域的边界或边缘的位置。
2、阈值分割法：目标物和背景、不同目标物之间的灰度值有明显差异，可通过灰度门限进行区分。
3、区域分割法：利用区域内灰度的相似性，将象素（点）分成若干相似的区域。
三、实验程序及结果
1、边缘检测法程序及结果
>> f1=imread('f:\7.jpg');
>> f1=rgb2gray(f1);
>> subplot(2,3,1);
>> imshow(f1);
>> xlabel('(a)输入图像');
>> BW = edge(f1,'canny');
>> BW1 = edge(f1,'sobel');
>> subplot(2,3,2);
>> imshow(BW);
>> xlabel('(b)Canny边缘检测');
>> subplot(1,3,3);
>> subplot(2,3,3);
>> imshow(BW1);
>> xlabel('(c)Sobel边缘检测');
>> f1=imread('f:\4.jpg');
>> f1=rgb2gray(f1);
>> subplot(2,3,4);
>> imshow(f1);
>> xlabel('(a)输入图像');
>> BW = edge(f1,'prewitt');
>> BW1 = edge(f1,'robert');
>> subplot(2,3,5);
>> imshow(BW);
>> xlabel('(b)prewitt算法');
>> imshow(BW1);
>> subplot(2,3,5);
>> imshow(BW);
>> xlabel('(b)prewitt算法');
>> subplot(2,3,6);
>> imshow(BW1);
>> xlabel('(c)robert算法');
2、阈值分割法
f1=imread('f:\flower.jpg');
f1=rgb2gray(f1);
[M N]=size(f1);
subplot(2,2,1);
imshow(f1);
xlabel('(a)输入图像');
T1=255*graythresh(f1);
f1new=zeros([M N]);
for i=1:M
for j=1:N
if f1(i,j)>T1
f1new(i,j)=255;
else
f1new(i,j)=0;
end
end
end
subplot(2,2,2);
imshow(f1new);
xlabel('(b)分割结果');
f1=imread('f:\strewberry.jpg');
f1=rgb2gray(f1);
[M N]=size(f1);
subplot(2,2,3);
imshow(f1);
xlabel('(a)输入图像');
T1=255*graythresh(f1);
f1new=zeros([M N]);
for i=1:M
for j=1:N
if f1(i,j)>T1
f1new(i,j)=255;
else
f1new(i,j)=0;
end
end
end
subplot(2,2,4);
imshow(f1new);
xlabel('(b)分割结果');
3、 区域分割法
>> I=imread('f:\cameraman.tif');
>> S = qtdecomp(I,.27);
>> blocks=repmat(uint8(0),size(S));
>> for dim=[512 256 128 64 32 16 8 4 2 1];
numblocks=length(find(S==dim));
if(numblocks>0)
values=repmat(uint8(1),[dim dim numblocks]);
values(2:dim,2:dim,:)=0;
blocks=qtsetblk(blocks,S,dim,values);
end
end
>> blocks(end,1:end)=1;
>> blocks(1:end,end)=1;
>> subplot(1,2,1);
>> imshow(I);
>> xlabel('(a)输入图像');
>> subplot(1,2,2);
>> imshow(blocks,[]);
>> xlabel('(b)分割结果')
附录 出现问题及解决办法
1、刚开始将图片读入matlab时就出现了问题，由于imread函数的路径写错了，图片读出总是出错，后来把要处理的图片全部放到f:\下，这个时候再用x=imread('f:\4.jpg');就能顺利读出matlab非自带的图片。
2、读进去的图片因为都是自己在网上找的，所以一般都很大，这样读入后matlab命令窗口就会显示警告，图片过大，后来用subplot函数将画图窗口分割成几块就不再显示警告了。
3、程序检查没有错误，却还是显示错误，后来自己摸索，才想到由于读入的图像是彩色RGB图像，而要进行求其直方图只能对灰度图像进行，故用x=rgb2gray(x);语句就很好的解决了这个问题。
4、在分割处理图像使用qtdecomp函数时，这句S = qtdecomp(I,.27);总是显示出错，反复试过很多次但找不出错在哪里，后来翻查matlab工具书才知道qtdecomp函数处理的图像必须是方阵图像，即行数和列数必须相等的图像才可以。
5、在做直方图处理时，imhist函数、title的使用也出错过很多次，它们一句编写完成后都不能加分号;否则也会出错。
6、在使用function函数调用这一块儿还有问题。
心得体会
Matlab是个相当强大的工科处理工具，且Matlab的语句相对C要简单很多，很熟练的使用会让学习、研究工作事半功倍，并且能很直观显示很多人工无法实现的功能。输程序时一定要小心谨慎，很多小地方都容易被我们忽视，可机器再灵活毕竟是机器，方便的同时也有机械的一面，多一个少一个符号都会显示错误。而常常这样的小错误是很难找出来的，所以为了不给自己找麻烦，编写时一定要仔细、严谨，现在我已经对红颜色的句子有畏惧感了。
虽然这样，但还是觉得Matlab如果用顺手了，其实还是相当方便，能为以后的学习提高很大的帮助，所以即便这门课程已经结束了，但我想我们学习、使用、挖掘它的脚步还只是刚刚开始！