南京建设网站公司哪家好,公司广告墙设计图片,为国外的公司提供网站建设 维护,高端女装有哪些品牌数字图像处理期末复习2018-12-21愉快先生0.204字数 5547 阅读 18342018-12-22 19:35(数字图像冈萨雷斯第二版教材)一、基本原理图像的读取、存储操作#xff1a;i imread(filename) ; imwrite(i,’image.jpg’); 图像显示的⽅法及区别#xff1a;imshow(i); imshow(i,[]);%0…数字图像处理期末复习2018-12-21愉快先生0.204·字数 5547 · 阅读 18342018-12-22 19:35(数字图像冈萨雷斯第二版教材)一、基本原理图像的读取、存储操作i imread(filename) ; imwrite(i,’image.jpg’); 图像显示的⽅法及区别imshow(i); imshow(i,[]);%0~255映射 imshow(i,[min max])%指定映射区间min到max解释见博客https://blog.csdn.net/Michael__Corleone/article/details/68483407 问题在使用imshow(A)显示一张灰度图片时显示出的是一张纯白的图片。(A为double类型的图像矩阵) 原因在matlab中为了保证精度经过了运算的图像矩阵A其数据类型会从unit8型变成double型。imshow()显示图像时对double型是认为在0~1范围内即大于1时都是显示为白色。imshow显示uint8型时是0~255范围。 使用imshow(A,[])即可把图像矩阵A显示为正常的灰度图像。 原理imshow(A,[])是将A的最大值(max(A))和最小值(min(A))分别作为纯白(255)和纯黑(0)中间的K值相应地映射为0到255之间的标准灰度值这样就可以正常显示了。相当于将double型的矩阵A拉伸成为了0-255的uint8型的矩阵因此就可以正常显示。图像的索引操作见数字图像处理第二版P14 索引下标 二、图像灰度变换和空间滤波图像常见灰度变换及适用场合gamma变换教材P24 gimadjust(f,[low high],[new_low new_high],gamma)1.将f中灰度值映射为图g中新值。2.low high (输入的值)在0到1之间3.gamma1突出亮区 gamma1突出暗区log(突出暗部细节)G intrans(F, log, C, CLASS)gc*log(1f) stretch变换(灰度拉伸变换)G intrans(F, stretch, M, E)g1./(1(m./f).^E) %m是阈值在0到1之间 E是斜率 使图像亮的地方更亮暗的地方更暗从而增加图像的可视细节图像直方图处理直方图含义及特点imhist(f)含义: 反映图片包含各个灰度所占百分比 (王美丽啥都会经常叨咕的)特点与空间位置无关对几何攻击不敏感直方图均衡化的思想、步骤、实现处理骨骼挺好的。思想把输入图像否认灰度级扩展到较宽灰度级范围来实现图像增强。步骤新的灰度是原始灰度的累加累计概率密度映射实现代码ghisteq(f,256)直方图匹配(规定化)的思想、步骤、实现ghisteq(f,p)答生成具有特定直方图的图像方法称为直方图匹配或直方图规定化1.直方图规定化(直方图匹配)是将变换过程加以控制能够修正直方图的形状或得到具有指定直方图的输出图像。有选择地增强某个灰度范围内的对比度或使图像灰度值满足某种特定的分布。2.直方图规定化是在运用均衡化原理的基础上通过建立原始图像和期望图像(待匹配直方图的图像)之间的关系使原始图像的直方图匹配特定的形状弥补直方图均衡化不具备交互作用的特性。空间滤波空间滤波的处理思想利用模板对图像进行卷积均匀滤波h fspecial(type,parameter)g imfilter(f,w,’replicate’)平均滤波器: h fspecial(average,hsize)高斯滤波器: h fspecial(gaussian,hsize,sigma)圆盘滤波器: h fspecial(disk,radius)运动滤波器: h fspecial(motion,len,theta)锐化滤波教材P50sobel算子 : h fspecial(sobel)prewitte算子 : h fspecial(prewitte)log算子 : h fspecial(log,hsize,sigma)lapalase算子 h fspecial(laplacian,alpha)统计排序滤波器(非线性空间滤波器)gordfilt2(f,order,domain)最小滤波器gordfilt2(f,1,ones(m,n));最大滤波器gordfilt2(f,m*n,ones(m,n));最知名的中值滤波器gordfilt2(f,(m*n1)/2,ones(m,n));中值滤波器专用实现gmedfilt2(f,[m n],padopt);%数组[m n]定义一个大小为m*n的邻域(在该邻域上计算中值)%padopt指定三个可能的边界填充选项之一%‘zeros’(默认值)‘symmetric’指出f按照镜像反射方式沿边界扩展%‘indexed‘表示若f是double类的则用1填充否则用0填充。默认形式gmedfilt2(f);使用一个大小为3*3的邻域并用0填充边界计算中值。中值滤波器对椒盐噪声处理很好。三、图像傅里叶变换和频率与处理如果看了此文你还不懂傅里叶变换那就过来掐死我吧【完整版】傅里叶变换的性质答频谱共轭对称性线性周期性旋转不变性时域卷积对应频域乘积傅立叶图像反映的信息有什么物理含义答四个角亮代表图像高频信息中间大部分代表低频信息。怎么对图像实现傅立叶变换怎么对频谱中心进行平移答Ffft2(f); Ffftshift(F)频域内图像处理的流程是什么答1.使用paddedsize获得填充参数PQ paddedsize(size(f))%如果输入是彩色图像必须要灰度化rgb2gray。2.得到使用填充的傅里叶变化F fft2(f, PQ(1), PQ(2));3.生成一个大小为PQ(1) X PQ(2) 的滤波函数H。如果该滤波函数已居中使用前要令H fftshift(H)。4.将变换乘以滤波函数G H.*F;5.获得G的傅里叶逆变换的实部g real(ifft2(G));6.将左上部分的矩形剪切为原来尺寸大小g g(1:size(f,1), 1:size(f, 2));fimread(C:甥敳獲liulangDesktopest.jpg);grgb2gray(f);% 利用imread读出一副图像显示图像 f imread (‘….’)f im2double(g); % 将图片类型转成double类型; hfspecial(average);% 利用fspecial生成一个空间滤波器滤波器类型自定义 h fspecial(…)PQpaddedsize(size(f))% 利用paddedsize设计频率滤波器的大小 PQpaddedsize(size(f))Hfreqz2(h,PQ(2),PQ(1))% 利用freqz2生成相应的频域滤波器H freq2(h, PQ(2),PQ(1))Ffftshift(fft2(f,PQ(1),PQ(2)))% 利用函数fft2计算图像的傅里叶变换 F fft2 (f, PQ(1),PQ(2)))要中心平移产生的滤波器原点在矩阵中心处fimfilter(f,h);% 利用imfilter和h进行空间滤波JF.*H;Jifft2(J);Jabs(J);% 将F和H相乘在做ifft2变换再取实部再进行剪切得到频域滤波结果 JJ(1:size(f,1),1:size(f,2));%size里面两个参数figure,subplot(131),imshow(g,[]),title(灰度图)% 对比频域滤波和空间滤波的区别subplot(132),imshow(J,[]),title(频域滤波) subplot(133),imshow(f,[]),title(空间滤波)频率域滤波的基本步骤.jpg频域内的低通和高通滤波器有几种类型每种有什么特点适用于什么场合答(都是频域平滑)理想低通理想低通滤波器的平滑作用非常明显但由于变换有一个陡峭的波形它的反变换h(x,y)有强烈的振铃特性使滤波后图像产生模糊效果。因此这种理想低通滤波实用中不能采用。会有【振铃现象】。巴特沃兹低通在通过频率与截止频率之间没有明显的不连续性不会出现“振铃”现象其效果好于理想低通滤波器。阶处没有振铃2阶有但看不出来随着阶数升高振铃越明显。高斯低通高斯低通滤波器从通过频率到截止频率之间没有明显的不连续性而是存在一个平滑的过渡带无明显的振铃现象。高斯则无振铃因为其DFT也是高斯。但高斯与2阶巴特沃斯相比效果差点。因此在需要严格控制低频和高频截止频率的过渡的情况下巴特沃斯低通是最好的选择。除此之外高斯最佳。高频滤波器除了上述的三种之外还有高频强调滤波器由于高通滤波器偏离了直流分分量从而把图像的平均值降低到了0,。一种补偿方法是给高通滤波器加上一个偏移量。若偏移量与滤波器乘以一个大于1的常数结合则这种方法就称为高频强调滤波因为该常量乘数突出了高频部分。这个乘数同时增加了低频部分的幅度但是只要偏移量与被乘数比较小低频增强的影响就弱于高频增强的影响。四、图像复原image.png图像降质模型的空间域和频率域表示答退化后的图像退化函数*原图像一个加性噪声空间域卷积空间域卷积操作h是退化函数f是原图像噪声函数,g是退化后图片频率域乘积频域乘积操作H是退化函数F是原图像噪声G是退化后的图像几种噪声模型高斯噪声Rayleigh噪声指数噪声均匀噪声salt-and-pepper噪声伽马噪声。六种图像中噪声的估计流程答1.均匀区域法是评估噪声最简单的方法。均匀区域法从图像中选择均匀区域, 通过计算这些均匀区域的标准差获取图像的噪声评估结果。需要说明的是均匀区域是指该区域是平坦的且在区域内像素值之间的差异不大。2.分块法是假设图像由大量均匀的小块构成, 利用各小块的方差进行噪声估计。图像中降噪的方法答空间滤波均值滤波器统计排序滤波器自适应滤波器。频率域滤波消除周期噪声带阻滤波器带通滤波器陷波滤波器最佳陷波滤波均值滤波器算术均值(窗口越大模糊越大)几何均值(比算数均值好些)谐波均值滤波器处理盐噪声比较好逆谐波均值滤波器(处理单值)Q为正处理椒噪声Q为负处理盐噪声Q为-1谐波滤波器Q为0算数均值滤波器统计排序滤波器中值滤波器处理椒盐噪声最好最大值最小值滤波器最大值滤波器处理椒噪声最小值滤波器处理盐噪声中点滤波器简单计算最大值最小值中点处理高斯噪声或均匀噪声修正的阿尔法均值滤波器d0: 算术均值滤波器d(mn-1)/2 中值滤波器自适应滤波器自适应局部降低噪声滤波器自适应中值滤波器去除椒盐噪声平滑非椒盐噪声并减少诸如物体边界细化或粗化等失真在自适应中值滤波算法中A步骤里面会先判断是否满足Zmin这一步骤实质是判断当前区域的中值点是否是噪声点通常来说是满足Zmin此时中值点不是噪声点跳转到B考虑一些特殊情况如果ZmedZminZmedZmin或者ZmedZmaxZmedZmax则认为是噪声点应该扩大窗口尺寸在一个更大的范围内寻找一个合适的非噪声点随后再跳转到B否则输出的中值点是噪声点 接下来考虑跳转到B之后的情况判断中心点的像素值是否是噪声点判断条件为Zmin原理同上因为如果ZxyZminZxyZmin或者ZxyZmaxZxyZmax则认为是噪声点。如果不是噪声点我们可以保留当前像素点的灰度值如果是噪声点则使用中值替代原始灰度值滤去噪声。空间噪声滤波器函数f spfilt(g,type,m,n,parameter)--------% f spfilt(g,amean,m,n) 算术均值滤波器% f spfilt(g,gmean,m,n) 几何均值滤波器% f spfilt(g,hmean,m,n) 谐波均值滤波器% f spfilt(g,chmean,m,n,q) 逆谐波均值滤波器 ,Q 缺省值为 1.5% f spfilt(g,median,m,n) 中值滤波器% f spfilt(g,max,m,n) 最大值滤波器% f spfilt(g,min,m,n) 最小值滤波器% f spfilt(g,midpoint,m,n) 中点滤波器% f spfilt(g,atrimmed,m,n,d) 修正的阿尔法均值滤波器周期噪声处理方法带通滤波器允许在一定频率范围内的信号通过而阻止其他频率范围内信号通过的滤波器。带阻滤波器阻止一定频率范围内的信号通过而允许其他频率范围内信号通过的滤波器。如果利用带通滤波器把某个频率带中的频率分量提取出来然后将其从图像中减去也可获得消除或减弱图像中某个频率范围内分量的效果。陷波滤波器可以阻止或通过以某个频率为中心的一段范围里的频率本质上是带阻或带通滤波器且可分别称为陷波带阻滤波器和 陷波带通滤波器。退化系统估计的方法有什么答1.图像观察估计法根据经验。2.图像试验估计法使用与被退化图像设备相似的装置并得到一个脉冲的冲激响应可以进行较准确的退化估计。模型估计法建立退化模型考虑引起退化的环境因素。图像复原的方法及实现答逆滤波退化函数H(u,v)的推测。尽可能不让噪声项N(u,v)影响画质。逆滤波公式半径截止的逆滤波带半径的逆滤波的半径要试不容易确定。最小均方误差(维纳)滤波未退化图像和噪声的功率谱必须是已知的功率比(信噪比)常数K 的估计一般还是没有合适的解。当噪声信息比NSR等于0时此时维娜滤波等同于逆滤波。因此可以直接使用matlab自带deconvwnr函数将第三个参数NSR设置成0即可。J deconvwnr(I,PSF)J deconvwnr(I,PSF,NSR)J deconvwnr(I,PSF,NCORR,ICORR)I是退化图像 PSF系统函数(点扩散函数) NSR信噪比 NCORR噪声的自相关函数 ICORR退化图像的自相关函数 J复原图像clc,clear,close all;iimread(C:甥敳獲liulangDesktopwind.jpg)figure,subplot(321),imshow(i,[]),title(原图你懂的),L100;T11;PSFfspecial(motion,L,T);bluimfilter(i,PSF,circular,conv); subplot(322),imshow(blu,[]),title(跑得快) noise 0.1*randn(size(i)); % 生成噪声信号blurredNoisy imadd(blu,im2uint8(noise)); % 加入图像 subplot(323),imshow (blurredNoisy,[]);title(有噪声并且运动模糊)i1deconvwnr(blu,PSF);subplot(324),imshow(i1),title(逆滤波-运动模糊)subplot(325),i2deconvwnr(blurredNoisy,PSF),imshow(i2),title(逆滤波-有噪声有运动模糊)NSRsum(noise(:).^2)/sum(im2double(i(:)).^2);i3deconvwnr(blurredNoisy,PSF,NSR); subplot(326),imshow(i3),title(空间信噪比-维纳滤波)NPabs(fftn(noise)).^2;%对噪声傅里叶变换 fftn 能量谱NCORRfftshift(real(ifftn(NP)));%噪声自相关函数平不平移都可以IPabs(fftn(im2double(i))).^2;%图像功率谱ICORRfftshift(real(ifftn(IP)));%图像自相关函数figure, i4deconvwnr(blurredNoisy,PSF,NCORR,ICORR);imshow(i4),title(自相关-维纳滤波)五、图像重建图像的投影变换1、R radon(I, theta)返回亮度图像在角度theta下的Radon变换R。Radon变换是一幅图像在一个特定的角度下的径向线方向的投影。如果theta是一个标量R则是一个包含在theta的列向量。如果theta是一个向量R则是一个矩阵据真的每一列是对应其中一个theta的Radon变换。如果忽略掉theta则其默认为0179.2、[R,xp] radon(...)应于R中的每一行返回一个包含径向坐标的向量xp。xp中的径向坐标是沿着X’轴的数值其为在theta下X’轴逆时针方向映射来的。两个坐标系的原点为图像的中心点且为floor((size(me)1)/2)例如在一个20-by-30的图像中其中心点为(10,15)。算法讲解一幅图像的Radon变换是每一个像素Radon变换的集合。此算法首先将一个像素分成四个子像素并且四个子像素分别投影如下图所示通过投影的位置以及bin的中心每一个子像素的作用是按比例分裂两个最相邻的bins。如果子像素的投影与一个bin的中心相接则坐标轴上的bin获得子像素的值或者原始大小像素的1/4的值。如果子像素投影时投影到了量bins之间则子像素的值按比例分给两个bins。图像重建的方法及实现直接反投影重建出现的问题星状伪影 图像模糊 振铃现象傅里叶反投影重建:降低振铃现象中心切片定理指出f(x,y)在某一方向上的投影函数gθ(R)的一维傅立叶变换函数Gθ(ρ)是原函数f(x,y)的二维傅立叶变换函数F(ρ, θ)在(ρ, θ)平面上沿同一方向且过原点的直线上的值。1.计算每个投影的一维傅里叶变换2.用一个滤波函数|w|乘以每个傅里叶变换就是加窗。3.得到每个滤波后的一维反傅里叶变换。4.将3得到的求和滤波反投影重建滤波反投影法(加汉明窗)复原的图像很好的消除了“晕环现象”。Ram-Lak 矩形窗Shepp-Logan 正弦窗 平滑了图像损失了部分高频信息Cosine 余弦窗Hamming 通用hanmming窗 降低了高频噪声, 可得到Hamming滤波器和Hanning滤波器 Hannnoneclear;close all; clc; g phantom (Modified Shepp-Logan,600);subplot(241);imshow(g,[]);title (original image)theta 0:0.5:179.5;[R,xp] radon(g,theta);f3 iradon(R,theta,Shepp-Logan);subplot(245);imshow(f3,[]);title (Reconstructed Image with Shepp-Logan filter)f4 iradon(R,theta,Cosine);subplot(246);imshow(f4,[]);title (Reconstructed Image with Cosine filter)f5 iradon(R,theta,Hamming);subplot(247);imshow(f5,[]);title (Reconstructed Image with Hamming filter)六、图像分割基于不连续点的分割点检测如果一个孤立点与它周围的点不同则可以使用上述模板进行检测。点检测的另外一种方法是在mn大小的邻域中找到其最大像素值点和最小像素值点其差值大于阈值的那些点则可认为是图像中的孤立点。g ordfilter2(fmnones(m,n))-ordfilter2(f,1,ones(m*n));g gT线检测4个模板 6个【-1】和3个【2】的排列组合检测水平数值45度。Canny算子的检测的流程及实现Step1利用高斯滤波对图像平滑 (去噪)Step2利用梯度算子的计算图像的梯度和梯度方向(求导)Step3: 进行非极大值抑制(初步得到边缘点)Step4: 双阈值连接边缘clc;clearf imread(Fig1006(a)(building).tif);subplot(231);imshow(f);title(原始图像)gv1 edge(f,sobel,vertical);subplot(232);imshow(gv1);title(sobel边缘)gv2 edge(f,prewitt,vertical);subplot(233);imshow(gv2);title(prewitt边缘)gv3 edge(f,roberts,vertical);subplot(234);imshow(gv3);title(robert边缘)gv4 edge(f,log);subplot(235);imshow(gv4);title(log边缘)gv5 edge(f,canny);subplot(236);imshow(gv5);title(canny边缘)Hough变换点线的对偶性图像空间中的一条线对应Hough空间中的一个点图像空间中的一个点(x0, y0)能映射为Hough空间中的一条直线Hough空间中两条线的交点用来表示过点(x0,y0)和点(x1,y1)的直线把在图象空间中的检测问题转换到参数空间 里通过在参数空间里进行简单的累加统计完成检测任务在Hough空间中找某些点通过这些点的线数最多。如左图所示的A点和B点分别有三条线通过这两点。X-Y平面中的一点对应参数空间的一条正弦曲线把在图像空间中检测直线的问题转化为在极坐标参数空间中找通过点(r,θ)的最多正弦曲线数的问题。[H, theta, rho] hough(BW)[H, theta, rho] hough(BW, Parameter1, Parameter2)BW是二值图像Parameter1:指定了theta方向的分辨率Parameter2:指定了lamda方向的分辨率Hhough变换空间矩阵Theta和rho为返回的theta和lamda值peaks houghpeaks(H, numpeaks)H是hough变换矩阵空间Numpeaks指定峰值的数目Peaks是容纳峰值的行列坐标的矩阵lines houghlines(BW, theta, rho, peaks)lines houghlines(..., param1, val1, param2, val2)从hough变换空间选出候选峰值后利用峰值所对应的theta和rho值找到直线的位置。clc;clear;close all;f imread(building.tif);subplot(231);imshow(f);title(原始图像)[bw,tc] edge(f,canny,[0.04 0.10],1.5);subplot(232);imshow(bw);title(边缘检测结果)[H,theta,rho] hough(bw,1); subplot(233);imshow(H,[]);title (hough变换空间)axis on, axis normal[r,c] houghpeaks(H,5);subplot(234);plot(theta(c),rho(r),linestyle,none,... marker,s,color,k)title(带有所选5个峰值的位置的 Hough 变换)lines houghlines(f,theta,rho,r,c);subplot(235)imshow(f);hold on;for k 1:length(lines) xy [lines(k).point1;lines(k).point2]; plot(xy(:,2),xy(:,1),LineWidth,4,Color,r); hold on;endtitle(Hough 变换峰值对应的线段)基于阈值的分割全局阈值均值迭代阈值选择分割与实现选择一个T的初始估计值用T分割图像生成两组像素G1由所有灰度值大 于T的像素组成而G2由所有灰度值小于或等于T的 像素组成对区域G1和G2中的所有像素计算平均灰度值µ1和µ2计算新的阈值 T ( µ1 µ2)/2重复步骤2到4直到逐次迭代所得的T值之差小于事先定义的参数T0clc;clear;close all;f imread(fingerprint.tif);subplot(221);imshow(f,[]);title(‘原图);subplot(222);imhist(f);title(‘直方图);T mean2(f);done false;while ~done g fT; Tnext 0.5*(mean(f(g)) mean(f(~g))); done abs(T - Tnext) 0.5; T Tnext;endg fT;subplot(2,2,3:4);imshow(g,[])title(‘分割结果)最大类间方差方法选择阈值分割与实现。Step1将初始阈值T设为0类间方差初始值为0Step2用T分割图像生成两组像素G1由所有灰度值大于T的像素组成而G2由所有灰度值小于或等于T的像素组成Step3对区域G1和G2中的所有像素计算µ1µ2 , ω1, ω2 进而计算类间方差Step4如果类间方差大于初始值则将该类间方差赋给初始类间方差Step5将T遍历整个图像灰度找到最大类间方差所对应的图像灰度值即为最优阈值clc;clear;close all;f imread(small-blob.tif);subplot(221);imshow(f,[]);title(‘原始图像);subplot(222);imhist(f);title(直方图);T mean2(f);done false;while ~done g fT; Tnext 0.5*(mean(f(g)) mean(f(~g))); done abs(T - Tnext) 0.5; T Tnext;endg im2bw(f,T/255);subplot(2,2,3);imshow(g,[]); title(迭代阈值处理后的图像)th graythresh(f);g1 im2bw(f,th);subplot(2,2,4);imshow(g1,[]);title(‘Otsu阈值处理后的图像)局部阈值分割局部统计阈值分割的思想与实现Step1 计算每个像素邻域内的均值mxy和标准差σxyStep2计算可变阈值Txy Txy aσxybmxyStep3根据Txy分割图像clc;clear;close all;f imread(cell.tif);f rgb2gray(f);subplot(221);imshow(f,[]);title(original image);zones ones(3,3);mean uint8(imfilter(double(f),zones/9));std uint8(stdfilt(f,zones));subplot(222);imshow(std,[]);title(standard image);a10;b0.5;g (fa*std fb*mean);subplot(223);imshow(g,[]);title(local segmented image);th graythresh(f);g1 im2bw(f,th);subplot(224);imshow(g1,[]);title(Otsu segmented image)移动平均阈值分割局部阈值处理方法的一种特殊情况是沿着一幅图像的扫描线计算移动平均。典型的扫描是以zigzag模式逐线执行进而减少照明偏差。令Zk1表示在扫描顺序中在第k1步遇到的一个点。clc;clear;close all;f imread(word.tif); [M,N]size(f);f0 double(f);subplot(131);imshow(f,[]);title(original image);f1 f0(:);maf ones(1,20)/20;ma filter(maf,1,f1);k 0.5;g f1 k*ma;g reshape (g,M,N);subplot(132);imshow(g,[]);title(‘moving thresh segmented image);TH graythresh(f);g1 im2bw(f,TH);subplot(133);imshow(g1,[]);title(otsu segmented image);基于区域的分割区域增长算法流程会计算定义区域生长是把图像分割成特征相似的若干小区域比较相邻小区域的特征若相似则合并为同一区域如此进行直到不能合并为止最后生成特征不同的各区域。也称为区域扩张法。选择合适的种子点确定相似性准则(生长准则)确定生长停止条件采用的判断准则是如果所考虑的象素与种子象素灰度值差的绝对值小于某个门限T则将该象素包括进种子象素所在的区域生长准则基于区域灰度差 基于区域灰度分布统计性质 基于区域形状[G, NR, SI, TI] regiongrow(F, S, T). F被分割的图像S种子点图像或者一个标量(灰度值所有具有这个灰度的像素都被记为种子点)T阈值数组或者标量确定相似准则。G输出的分割图像NR输出的区域个数SI种子点图像TI阈值测试图像clear; close all; clc;I imread(Fig1014(a)(defective_weld).tif);subplot(221);imshow (I,[]);title(original image);[G, NR, SI, TI] regiongrow(I, 255, 0.26*255);subplot(222);imshow (SI,[]);title(seed image);subplot(223);imshow (TI,[]);title(threshold image);subplot(224);imshow (G,[]);title(segmented image);区域分裂与合并会计算怎么分裂怎么合并另外一种分割的想法: 先从整幅图像开始通过不断分裂得到各个区域(在实际中先将图像分成任意大小且不重叠的区域然后再合并或分裂这些区域以满足分割的要求)在这类方法中常根据图像的统计特性设定图像区域属性的一致性测度算法步骤(1)对任一区域Ri如果P(Ri)FALSE, 就将其分裂成不重叠的四等分(2)对相邻的两个区域Ri和Rj(它们可以大小不同即不在同一层)如果条件P(Ri∪Rj)TRUE就将它们合并(3)如果进一步的分裂或合并都不可能则结束[vals, r, c] qtgetblk(I, S, dim)[vals, idx] qtgetblk(I, S, dim)vals四叉树分解中尺寸为dim*dim大小的块的值rc为块的左上角的行列坐标;S:为qtdecomp返回的稀疏矩阵I输入图像。分水岭分割算法基于距离的分水岭分割算法会计算二值图像距离图像二值图像的距离变换每一个像素到最近非零像素的距离。值为1的像素距离变换为0。clear; close all; clc;I imread(Fig1022(a)(gel-image).tif); subplot(231);imshow (I,[]);title(original image);th graythresh (I);bw im2bw(I,th);subplot(232);imshow(bw,[]);title(bw image);subplot(233);imshow(~bw,[]);title(negative of bw image);d bwdist(bw);subplot(234);imshow (d,[]);title(bw distance image);L watershed (-d);w L0;subplot(235);imshow (w,[]);title(water shed lines);final I; final(w)255;subplot(236);imshow (final,[]);title(superpose image); - 局域图像梯度的分水岭分割算法掌握梯度图像平滑的方法开运算和闭运算。 - 梯度幅度图像在沿对象边缘处有较高的值而在其它地方值较小。理想情况下在沿对象边缘处产生分水岭。clear;close all; clc;I imread(Fig1022(a)(gel-image).tif);subplot(231);imshow (I,[]);title(original image);th graythresh (I);bw im2bw(I,th);subplot(232);imshow(bw,[]);title(bw image);subplot(233);imshow(~bw,[]);title(negative of bw image);h fspecial (sobel);f double (I);fx imfilter (f,h);fy imfilter (f,h);fm hypot (fx,fy); subplot(234);imshow (fm,[]);title(gradient image);L watershed (fm);w L0;subplot(235);imshow (w,[]);title(water shed lines);final f; final(w)255;subplot(236);imshow (final,[]);title(superpose image);基于图像标记的分水岭分割算法上述方法通常会由于噪声和其它诸如梯度的局部不规则性的影响造成过度分割。而过度分割足以令结果变得毫无用处。解决方法通过一系列的预处理步骤加入附加知识限制允许存在的区域数目。标记符属于图像的连通分量。内部标记符标记感兴趣对象的内部外部标记符标记背景区域。clear;close all; clc;I imread(Fig1022(a)(gel-image).tif);subplot(231);imshow (I,[]);title(original image);th graythresh (I);bw im2bw(I,th);h fspecial (sobel);f double (I);fx imfilter (f,h);fy imfilter (f,h);fm hypot (fx,fy); subplot(232);imshow (fm,[]);title(gradient image);rm imregionalmin (fm);subplot(233);imshow (rm,[]);title(localmin of gradient image);im imextendedmin (f,2);fim f;fim(im)175;subplot(234);imshow (fim,[]);title(inner marker image);Lim watershed(bwdist(im));w Lim0;g imimposemin(fm,im|w);L watershed(g);w2 L0subplot(235);imshow (w2,[]);title(water shed lines);final f; final(w2)255;subplot(236);imshow (final,[]);title(superpose image);七、彩色图像处理Matlab中彩色图像的表示方法二值图像(Binary images)灰度图像(Intensity images)RGB图像(RGB images)索引图像(Indexed images)在MATLAB中一幅彩色图像要么被当作RGB图像要么被当作索引图像进行处理。灰度图像转成彩色图像的方法及实现这一方法的基本概念是对任何输入像素的灰度级执行三个独立的变换。然后三个变换结果分别送入彩色电视监视器的红、绿、蓝通道。这种方法产生一幅合成图像其彩色内容受变换函数特性调制。伪彩色(pseudocoloring也称为假彩色)处理定义指将灰度图像转化为彩色图像或者将单色图像变换成给定彩色分布的图像。基本原理将灰度图像或者单色图像的各个灰度级匹配到彩色空间中的一点从而使单色图像映射成彩色图像。强度分层技术是伪彩色图像处理最简单的例子之一。 Iimread(i_peppers_gray.bmp); GS8grayslice(I,8);GS64grayslice(I,64); subplot(1,3,1), imshow(I), title(原始灰度图像);subplot(1,3,2), subimage(GS8,hot(8)), title(分成8层伪彩色);subplot(1,3,3), subimage(GS64,hot(64)), title(分成64层伪彩色); 彩色图像的处理方法针对每个通道进行处理把一个像素点的灰度看成一个向量处理彩色图像的分割方法实现图像分割是把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。基于RGB色彩空间假设目标是在RGB图像中分割特殊彩色区域的物体,给定一个感兴趣彩色的有代表性的彩色点样品集可得到一个彩色“平均”估计这种彩色是我们希望分割的彩色。对一幅RGB彩色图像选择要分割的区域计算该区域中的彩色点的平均向量a。盒子的中点在a它的尺度沿每一个RGB轴以沿相应轴的数据标准差的1.25倍选择。例如令R代表样点红分量的标准偏差aR代表平均向量a的红分量(aR-1.25(theta)RaR1.25(theta)R)这里在整个彩色图像中编码每一点的结果为如果点位于盒子表面或内部为白色否则为黑色。rgbimread(flower608.jpg);rgb1im2double(rgb);rrgb1(:,:,1);grgb1(:,:,2);brgb1(:,:,3);r1r(129:256,86:170);r1_umean(mean(r1(:)));[m,n]size(r1);sd10.0;for i1:mfor j1:n sd1sd1(r1(i,j)-r1_u)*(r1(i,j)-r1_u); endendr1_dsqrt(sd1/(m*n));r2zeros(size(rgb1,1),size(rgb1,2));indfind((rr1_u-1.25*r1_d)(rr2(ind)1;result cat(3,r2,g,b);Imshow(result,[])基于HSI色彩空间HSI模型(HSI Model)是面向颜色处理的用色调(Hue)、饱和度(Saturation) 、亮度(Intensity)来描述颜色。用色调和饱和度描述色彩用亮度描述光的强度。这个模型有二个特点(1)I分量与图像的彩色信息无关(2)H和S分量与人感受颜色的方式是紧密相连的。这些特点使得HSI模型非常适合于借助人的视觉系统来感知彩色特性的图像处理算法。S1(S0.3*(max(max(S))));FS1.*H; 日记本5
