一、图像颜色模型处理
1．读入一幅彩色图像，显示图像以及R、G、B三个分量的图像。
2．把原图像转为HSV模型，显示H、S、V三个分量的图像。
3．把原图像转为灰度图像，显示灰度图像及其灰度直方图，并以bmp文件格式保存灰度图像。
img=imread('peppers.JPG');
subplot(2,2,1);
imshow(img)
subplot(2,2,2);imshow(img(:,:,1));%显示图像R分量
subplot(2,2,3);imshow(img(:,:,2));%显示图像G分量
subplot(2,2,4);imshow(img(:,:,3));%显示图像B分量
figure
subplot(2,2,1);
imshow(img)
img_hsv=rgb2hsv(img);%将RGB转换为HSV
subplot(2,2,2);imshow(img_hsv(:,:,1));%显示图像H分量
subplot(2,2,3);imshow(img_hsv(:,:,2));%显示图像S分量
subplot(2,2,4);imshow(img_hsv(:,:,3));%显示图像V分量
img_gray=rgb2gray(img);%将RGB转化成灰度图
figure,imshow(img_gray);%显示灰度图像
imhist(img_gray);%显示灰度直方图
imwrite(img_gray,'peppers_gray.bmp');%将灰度图像保存为bmp格式
二、图像逻辑运算
1．实现car.jpg和dessert.jpg两幅图像相加；实现hallforeground.bmp和hallback.bmp两幅图像相减；实现bird.jpg和birdtemplet.bmp两幅图像相乘。
2．读入一幅图像，对其进行平移、旋转、错切变换。
img_car=imread('car.jpg');
img_desert=imread('desert.jpg');
img_hallforeground=imread('hallforeground.bmp');
img_hallback=imread('hallback.bmp');
img_bird=imread('bird.jpg');
img_birdtemplet=imread('birdtemplet.bmp');
%相加
img_car_add_desert=imadd(img_car,img_desert);%将两幅图像相加
subplot(2,3,1)
imshow(img_car_add_desert);%显示相加后的照片
%相减
img_hallforeground_sub_hallback=imsubtract(img_hallback,img_hallforeground);%将两幅图像相减
subplot(2,3,2)
imshow(img_hallforeground_sub_hallback);%显示相减后的图片
%相乘
img_bird_mul_birdtemplet=immultiply(img_bird,img_birdtemplet);%将两幅图相乘
subplot(2,3,3)
imshow(img_bird_mul_birdtemplet);%显示相乘后的图片
%平移
img_translation=imtranslate(img_car,[-200,-50]);%对图像进行平移
subplot(2,3,4)
imshow(img_translation);%显示平移后的图片
%旋转
img_bird_rotation=imrotate(img_bird,45);%将图片旋转45度
subplot(2,3,5)
imshow(img_bird_rotation);%显示旋转后的图片
%图像错切
tform = maketform('affine',[1,0,0;0,1,0;50,100,1]); % 创建tform结构
% 对图片进行平移，这里需要指定图像范围，否则观察不出效果
img_translation = imtransform(img_bird,tform,'XData',[1 size(img_bird,2)],'YData',[1 size(img_bird,1)]);
figure
subplot(3,1,1)
imshow(img_translation) % 显示平移后的图片
tform = maketform('affine',[sqrt(2)/2 sqrt(2)/2 0;-sqrt(2)/2 sqrt(2)/2 0;0 0 1]); % 创建tform结构
img_rotation = imtransform(img_bird, tform); % 对图片进行旋转45°
subplot(3,1,2)
imshow(img_rotation) % 显示旋转后的图片
tform = maketform('affine',[1 0 0; 0.5 1 0;0 0 1]); % 创建tform结构
img_shear = imtransform(img_bird, tform); % 对图片进行水平错切
subplot(3,1,3)
imshow(img_shear) % 显示错切后的图片
三、图像离散傅里叶变换处理
1．产生如图1所示图像，其中图像大小为256×256，中间亮条为128×32，暗处=0，亮处=100。对其进行二维离散傅里叶变换，显示变换后的频谱和能量谱。
图 1
2．把图1中的中间亮条顺时针旋转45度，图像大小仍然为 256×256。对其进行二维离散傅里叶变换，显示变换后的频谱和能量谱。
3．对图1进行二维离散余弦变换，显示变换后的频谱。
img_prospect = 100*ones(128,32); % 生成前景
tform = maketform('affine',[1 0 0;0 1 0;112 64 1]); % 创建平移tform
img = imtransform(img_prospect,tform,'XData',[1 256],'YData',[1 256]); % 对前景平移，并产生背景
figure
subplot(1,3,1)
imshow(img) % 显示图片
%图像离散傅里叶变换
img_fft = fft2(img); % 对图片进行离散傅里叶变换
fshift = fftshift(img_fft); % 直流分量移到频谱中心
spectrum = log(1+abs(fshift)); % 取对数
energy = spectrum.*2; % 获得能量
subplot(1,3,2),imshow(spectrum,[]),title('原图 幅度谱') % 显示幅度谱
subplot(1,3,3),imshow(energy,[]),title('原图 能量谱') % 显示能量谱
%图像旋转后，离散傅里叶变换
img_rotation = imrotate(img,-45,'crop'); % 这里直接用imrotate对图片围绕中点旋转，-45°为顺时针45°
figure
subplot(1,3,1)
imshow(img_rotation) % 显示旋转后的图片
img_fft = fft2(img_rotation); % 对图片进行离散傅里叶变换
fshift = fftshift(img_fft); % 直流分量移到频谱中心
spectrum = log(1+abs(fshift)); % 取对数
energy = spectrum.*2; % 获得能量
subplot(1,3,2),imshow(spectrum,[]),title('旋转图 幅度谱') % 显示幅度谱
subplot(1,3,3),imshow(energy,[]),title('旋转图 能量谱') % 显示能量谱
%图像离散余弦变换
img_dct = dct2(img); % 对图像进行离散余弦变换
spectrum = abs(img_dct); % 计算频谱
figure,imshow(spectrum,[]) % 显示频谱
四、图像滤波
1．打开lotus.JPG图像，将其转为灰度图像，统计并显示其灰度直方图；对其进行分段线性变换；对其进行直方图均衡化。
2．读入一幅图像，对其添加椒盐噪声和高斯噪声，分别用均值滤波和中值滤波对含噪声的图像进行平滑处理。
3．打开qiguan.bmp图像，用频域滤波的方法分别设计理想滤波器和巴特沃斯滤波器，分别实现低通、高通滤波，并观察截止频率对滤波效果的影响。
4．打开gugong.jpg图像，对其进行同态滤波，以改善图像视觉效果。
5．两张带有不同噪声的图片，enigma.png带有随机噪声，text_stripes.png带有非随机噪声，请运用合适的图像增强技术，对以上两张图片进行图像处理，达到output_image文件夹里面的图片显示效果。
% ------题1------
img_lotus = imread('lotus.JPG'); % 读取图片
img_lotus_gray = im2double(rgb2gray(img_lotus)); % RGB转灰度
figure
subplot(2,2,1),imshow(img_lotus_gray),title('原图 灰度图') % 显示灰度图
subplot(2,2,2),imhist(img_lotus_gray),title('原图 灰度直方图') % 显示灰度直方图
[h,w] = size(img_lotus_gray); % 获取图像尺寸 h:height,高度；w:width 宽度
new_img = zeros(h,w); % 生成的新的图像
a = 30/256;b = 100/256;c= 75/256;d= 200/256;
for x = 1 : w % 最外层循环 宽度
for y = 1 : h % 内层循环 高度
if img_lotus_gray(y,x)<a % 在灰度图像中 按列从上至下循环 若（y,x）处值<a时 对图像进行下行处理
new_img(y,x) = img_lotus_gray(y,x)*c/a; % 分段处理
elseif img_lotus_gray(y,x)<b % 若（y,x）处值<b时 对图像进行下行处理
new_img(y,x) = (img_lotus_gray(y,x)-a)*(d-c)/(b-a)+c;
else % 其他情况 做以下处理
new_img(y,x) = (img_lotus_gray(y,x)-b).*(d)/(1-b)+d;
end
end
end
subplot(2,2,3),imshow(new_img),title('变换后 灰度图') % 显示灰度图
subplot(2,2,4),imhist(new_img),title('变换后 灰度直方图') % 显示灰度直方图
% ------题2------
img_lotus = imread('lotus.JPG'); % 读取图片
img_noise_salt = imnoise(img_lotus,'salt & pepper'); % 添加椒盐噪声
img_noise_gaussian = imnoise(img_lotus,'gaussian'); % 添加高斯噪声
figure
subplot(3,2,1),imshow(img_noise_salt),title('椒盐噪声图片') % 显示带有椒盐噪声的图片
subplot(3,2,2),imshow(img_noise_gaussian),title('高斯噪声图片') % 显示带有高斯噪声的图片
img_ave_salt = imfilter(img_noise_salt,fspecial('average',[9,9])); % 使用9×9的核对椒盐噪声进行均值滤波
img_ave_gaussian = imfilter(img_noise_gaussian,fspecial('average',[9,9])); % 使用9×9的核对高斯噪声进行均值滤波
subplot(3,2,3),imshow(img_ave_salt),title('椒盐噪声均值滤波后图片') % 显示均值滤波后的图片
subplot(3,2,4),imshow(img_ave_gaussian),title('高斯噪声均值滤波后图片') % 显示均值滤波后的图片
img_gau_salt = imfilter(img_noise_salt,fspecial('gaussian',[9,9])); % 使用9×9的核对椒盐噪声进行高斯滤波
img_gau_gaussian = imfilter(img_noise_gaussian,fspecial('gaussian',[9,9])); % 使用9×9的核对高斯噪声进行高斯滤波
subplot(3,2,5),imshow(img_gau_salt),title('椒盐噪声高斯滤波后图片') % 显示高斯滤波后的图片
subplot(3,2,6),imshow(img_gau_gaussian),title('高斯噪声高斯滤波后图片') % 显示高斯滤波后的图片
% ------题3------
img_qiguan = imread('qiguan.bmp'); % 读取图片
%figure,imshow(img_qiguan) % 显示图片
% 下面为理想低通滤波器滤波
[M,N] = size(img_qiguan); % 获取图片大小
filter_ideal_low = ones(M,N);
for i=1:M
for j=1:N
if(sqrt( ((i-M/2)^2) + ((j-N/2)^2) ) > 50) % 设置滤波器截止频率为50Hz
filter_ideal_low(i,j) = 0;
end
end
end
img_qiguan_fft = fftshift(fft2(img_qiguan)); % 进行FFT变换并移动原点
img_filter_ideal_low = img_qiguan_fft .* filter_ideal_low; % 应用滤波器到图片
img_filter_ideal_low = ifft2(ifftshift(img_filter_ideal_low)); % FFT逆变换得到图片
img_filter_ideal_low = abs(img_filter_ideal_low); % 取绝对值
img_filter_ideal_low = img_filter_ideal_low/max(img_filter_ideal_low(:)); % 归一化
figure
subplot(2,2,1),imshow(img_filter_ideal_low),title('理想低通滤波器') % 显示图片
% 下面为理想高通滤波器滤波
[M,N] = size(img_qiguan); % 获取图片大小
filter_ideal_high = ones(M,N);
for i=1:M
for j=1:N
if(sqrt( ((i-M/2)^2) + ((j-N/2)^2) ) < 50) % 设置滤波器截止频率为50Hz
filter_ideal_high(i,j) = 0;
end
end
end
img_qiguan_fft = fftshift(fft2(img_qiguan)); % 进行FFT变换并移动原点
img_filter_ideal_high = img_qiguan_fft .* filter_ideal_high; % 应用滤波器到图片
img_filter_ideal_high = ifft2(ifftshift(img_filter_ideal_high)); % FFT逆变换得到图片
img_filter_ideal_high = abs(img_filter_ideal_high); % 取绝对值
img_filter_ideal_high = img_filter_ideal_high/max(img_filter_ideal_high(:)); % 归一化
subplot(2,2,2),imshow(img_filter_ideal_high),title('理想高通滤波器') % 显示图片
% 下面为三阶低通巴特沃斯滤波器
[M,N] = size(img_qiguan); % 获取图片大小
filter_butt_low = ones(M,N);
for i=1:M
for j=1:N
D = sqrt((i-M/2)^2+(j-N/2)^2);
filter_butt_low(i,j) = 1/(1+(D/50).^(2.*3)); % 3阶50Hz的低通巴特沃斯滤波器
end
end
img_qiguan_fft = fftshift(fft2(img_qiguan)); % 进行FFT变换并移动原点
img_filter_butt_low = img_qiguan_fft .* filter_butt_low; % 应用滤波器到图片
img_filter_butt_low = ifft2(ifftshift(img_filter_butt_low)); % FFT逆变换得到图片
img_filter_butt_low = abs(img_filter_butt_low); % 取绝对值
img_filter_butt_low = img_filter_butt_low/max(img_filter_butt_low(:)); % 归一化
subplot(2,2,3),imshow(img_filter_butt_low),title('巴特沃斯低通滤波器') % 显示图片
% 下面为三阶高通巴特沃斯滤波器
[M,N] = size(img_qiguan); % 获取图片大小
filter_butt_high = ones(M,N);
for i=1:M
for j=1:N
D = sqrt((i-M/2)^2+(j-N/2)^2);
filter_butt_high(i,j) = 1-(1/(1+(D/50).^(2.*3))); % 3阶50Hz的高通巴特沃斯滤波器
end
end
img_qiguan_fft = fftshift(fft2(img_qiguan)); % 进行FFT变换并移动原点
img_filter_butt_high = img_qiguan_fft .* filter_butt_high; % 应用滤波器到图片
img_filter_butt_high = ifft2(ifftshift(img_filter_butt_high)); % FFT逆变换得到图片
img_filter_butt_high = abs(img_filter_butt_high); % 取绝对值
img_filter_butt_high = img_filter_butt_high/max(img_filter_butt_high(:)); % 归一化
subplot(2,2,4),imshow(img_filter_butt_high),title('巴特沃斯高通滤波器') % 显示图片
% ------题4------
img_gugong = imread('gugong.jpg'); % 读取图片
figure
subplot(2,1,1)
imshow(img_gugong) % 显示图片
% 下面是同态滤波的代码
%参数声明
rH = 0.8;
rL = 0.3;
c = 0.5; %介于rH和rL之间
D0 = 0.5;
[M, N] = size(img_gugong(:,:,1));
img_gugong_log = log(double(img_gugong) + 1); % 取对数
img_gugong_fft = fftshift(fft2(img_gugong_log)); % 傅里叶变换
% 通过上面参数创建同态滤波器
H_filter = zeros(M,N);
for i = 1:M
x = i-(M/2);
for j = 1:N
y = j-(N/2);
H_filter(i,j) = (rH - rL).*(1-exp(-c*((x ^ 2 + y ^ 2) / D0 ^ 2))) + rL;
end
end
img_gugong_filter_1 = H_filter.*img_gugong_fft(:,:,1); % 对R分量进行同态滤波
img_gugong_filter_2 = H_filter.*img_gugong_fft(:,:,2); % 对G分量进行同态滤波
img_gugong_filter_3 = H_filter.*img_gugong_fft(:,:,3); % 对B分量进行同态滤波
img_gugong_filter = cat(3,img_gugong_filter_1,img_gugong_filter_2,img_gugong_filter_3); % 三个分量组合
img_gugong_ifft = ifft2(ifftshift(img_gugong_filter)); % 逆变换
img_gugong_ifft = abs(real(img_gugong_ifft)); % 取实部
img_gugong_ifft = exp(img_gugong_ifft)-1; % 取指数
img_gugong_after = img_gugong_ifft/max(img_gugong_ifft(:)); % 归一化处理
subplot(2,1,2)
imshow(img_gugong_after) % 显示处理好的图片
% ------题5------
img_enigma = imread('enigma.png'); % 读取图像enigma
img_enigma_med = medfilt2(img_enigma, [12, 12]); % 对图像进行滤波操作
img_enigma_ave = imfilter(img_enigma_med,fspecial('average',[12,12])); % 第二次操作
figure,imshow(img_enigma_ave) % 显示滤波后的图片
[Image color] = imread('text_stripes.png'); % 读取索引图像
img_stripes = ind2rgb(Image,color); % 索引图像转RGB
%imshow(img_stripes) % 显示图像
img_stripes_gray = rgb2gray(img_stripes);
[M,N] = size(img_stripes_gray); % 获取图片大小
filter_butt_high = ones(M,N);
for i=1:M
for j=1:N
D = sqrt((i-M/2)^2+(j-N/2)^2);
filter_butt_high(i,j) = 1-(1/(1+(D/60).^(2.*3))); % 3阶50Hz的高通巴特沃斯滤波器
end
end
img_stripes_fft = fftshift(fft2(img_stripes)); % 进行FFT变换并移动原点
img_filter_butt_high = img_stripes_fft .* filter_butt_high; % 应用滤波器到图片
img_filter_butt_high = ifft2(ifftshift(img_filter_butt_high)); % FFT逆变换得到图片
img_filter_butt_high = abs(img_filter_butt_high); % 取绝对值
img_filter_butt_high = img_filter_butt_high/max(img_filter_butt_high(:)); % 归一化
enhanced_image = imadjust(img_filter_butt_high, [0 0.7], [0 1], 0.6); % 图像调整
enhanced_image = 1 - enhanced_image; % 黑白翻转
img_end = im2bw(enhanced_image,0.8); % 转换为二值图像
figure
imshow(img_end)
五、形态学滤波
(一)开闭运算
- 打开image 文件夹中的图片，并进行展示
- 把图片中右边部分无效的边缘进行裁剪（用函数crop），以至于图片只包含打点孔洞和表面
- 把裁剪后的图片，运用rgb2gray 函数变成灰度图
- 遍历灰度图，选择合理的阈值进行图片二值化。其中，黑色孔洞的部分在二值化图片中设为前景（1），其余部分设置为背景（0）
- 创建圆形结构元素，并选择合理的半径，对二值化图进行 开运算和闭运算，并观察效果
- 使用4连通或者8连通 (函数bwconncomp), 计算开运算或者闭运算连通域的个数，并print 输出。 使用labelmatrix函数，对连通域进行可视化。
img=imread('image.png');
subplot(2,2,1);
imshow(img)
[m,n,k]=size(img);
image=img(:,1:4300,:); % crop the image
subplot(2,2,2);
imshow(image)
img_gray=rgb2gray(image);
subplot(2,2,3);
imshow(img_gray);
[m,n]=size(img_gray);
bw=zeros(m,n);
for j=1:n
for i=1:m
if (img_gray(i,j)>=35)
bw(i,j)=0;
else
bw(i,j)=1;
end
end
end
%bw=img_gray>40;
%subplot(2,2,4);
%imshow(bw)
se_1 = strel('disk',10);
open_image=imopen(bw,se_1);
close_image=imclose(bw,se_1);
figure
subplot(2,1,1);
imshow(open_image)
subplot(2,1,2);
imshow(close_image)
%calculate the number of regions
cc=bwconncomp(bw,8);
%visualize the labels
L = labelmatrix(cc);
figure,imshow(label2rgb(L,'jet','k','shuffle'));
（二）腐蚀膨胀
- 打开image 文件中的图片，并用imshow函数进行展示
- 创建常见的各种结构元素，如diamond, disk, octagon, line ,rectangle等
- 尝试使用创建好的结构元素，对原图进行腐蚀和膨胀操作，并观察不同的参数，对腐蚀膨胀结果的影响
img=imread('rice-bw.png');
subplot(1,3,1)
imshow(img)
% create the structure element
%SE = strel("diamond",r)
%SE = strel("disk",r)
%SE = strel("octagon",r)
%SE = strel("line",len,deg)
%SE = strel("rectangle",[m n])
%SE = strel("square",w)
se_1 = strel('disk',5);
se_2 = strel("line",11,90)
se_3 = strel("square",2)
% erode the image
erode_img=imerode(img,se_2)
subplot(1,3,2)
imshow(erode_img)
%dilate the image
dilate_img=imdilate(img,se_2)
subplot(1,3,3)
imshow(dilate_img)
（三）形态学滤波
- 载入image 文件夹中的二值化图片“bw_image.png”
- 选取合适的形态学操作，对图片中的内部孔洞进行填充（如下图中红色圈圈所示），并展示结果
|
|
- 选取合适的形态学操作， 将周边的噪声（较小的连通域）进行去除（如下图中红色圈圈所示），并展示结果
|
|
- 使用8-连通进行连通域个数的计算
img=imread('bw_image.png');
subplot(2,2,1)
imshow(img)
BW = imfill(img,"holes");
subplot(2,2,2)
imshow(BW)
se_1 = strel('disk',15);
open_image=imopen(BW,se_1);
subplot(2,2,3)
imshow(open_image)
L = bwlabel(BW)
六、边缘检测
- 载入image 文件夹中的图片，并进行展示
- 直接使用maltab 自带的edge 函数， 分别进行给予sobel, prewitt算子的边缘检测, 并对比其效果
- 直接使用maltab 自带的edge 函数，进行canny 边缘检测， 对比canny 检测相对于给予sobel, prewitt等的优势
- 采用霍夫变换， 进行直线检测， 并原图中画出检测出的直线（用用红色线条）
- 选取最长和次长的两条直线，并在原图中画出它们（用黄色线条）
clc;
clear;
img = imread('wood-dowels.tif');
[m,n]=size(img);
%图片展示
subplot(2,2,1);
imshow(img);
%edg算法
sobelBW = edge(img,'sobel',0.06); %可以省去0.06，系统会默认。
subplot(2,2,2);
imshow(sobelBW);
prewittBW = edge(img,'prewitt',0.06); %可以省去0.06，系统会默认。
subplot(2,2,3);
imshow(prewittBW);
cannyBW = edge(img,'canny',0.06); %可以省去0.06，系统会默认。
subplot(2,2,4);
imshow(cannyBW);
figure;
%霍夫变换
[H,theta,rho] = hough(cannyBW);
P = houghpeaks(H,5,'threshold',ceil(0.3*max(H(:))));
x = theta(P(:,2));
y = rho(P(:,1));
plot(x,y,'s','color','black');
lines = houghlines(cannyBW,theta,rho,P,'FillGap',5,'MinLength',7);
imshow(img), hold on
max_len = 0;
min_len = 65535;
for k = 1:length(lines)
xy = [lines(k).point1; lines(k).point2];
plot(xy(:,1),xy(:,2),'LineWidth',2,'Color','red');
% Plot beginnings and ends of lines
%plot(xy(1,1),xy(1,2),'x','LineWidth',2,'Color','red');
%plot(xy(2,1),xy(2,2),'x','LineWidth',2,'Color','red');
% Determine the endpoints of the longest line segment
len = norm(lines(k).point1 - lines(k).point2);
if ( len > max_len)
max_len = len;
xy_long_max = xy;
end
if ( len < min_len)
min_len = len;
xy_long_min = xy;
end
end
% highlight the longest line segment
plot(xy_long_max(:,1),xy_long_max(:,2),'LineWidth',2,'Color','yellow');
% highlight the shortest line segment
plot(xy_long_min(:,1),xy_long_min(:,2),'LineWidth',2,'Color','yellow');
扫一扫
865
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
