【数字图像处理】期末实验，基于直方图均衡化实验， 空间域图像增强， 数字图像傅里叶变化、频域图像处理，基于Hough变换的边缘检测

上理考研周导师2024-12-14 16:37

关注作者了解更多

我的其他CSDN专栏

过程控制系统

工程测试技术

虚拟仪器技术

可编程控制器

工业现场总线

数字图像处理

智能控制

传感器技术

嵌入式系统

复变函数与积分变换

单片机原理

线性代数

大学物理

热工与工程流体力学

数字信号处理

光电融合集成电路技术

电路原理

模拟电子技术

高等数学

概率论与数理统计

数据结构

C语言

模式识别原理

自动控制原理

数字电子技术

关注作者了解更多

资料来源于网络，如有侵权请联系编者

目录

[实验一 基于直方图均衡化实验](#实验一 基于直方图均衡化实验)

一、实验目的

二、实验原理

三、实验环境与代码

四、实验过程记录

五、结果与分析

六、自评

[实验二 空间域图像增强](#实验二 空间域图像增强)

一、实验目的

二、实验原理

三、实验环境与代码

四、实验过程记录

五、结果与分析

六、自评

[实验三 数字图像傅里叶变化、频域图像处理](#实验三 数字图像傅里叶变化、频域图像处理)

一、实验目的

二、实验原理

三、实验环境与代码

四、实验过程记录

五、结果与分析

六、自评

[实验四 基于Hough变换的边缘检测](#实验四 基于Hough变换的边缘检测)

一、实验目的

二、实验原理

三、实验环境与代码

四、实验过程记录

五、结果与分析

六、自评

[实验一 基于直方图均衡化实验](#实验一 基于直方图均衡化实验)

[实验二 空间域图像增强](#实验二 空间域图像增强)

[实验三 数字图像傅里叶变化、频域图像处理](#实验三 数字图像傅里叶变化、频域图像处理)

实验四基于Hough变换的边缘检测

实验一 基于直方图均衡化实验

一、实验目的

编程实现下列功能：读出存储的黑白灰度图象并显示，显示灰度直方图，对图象进行直方图均衡化处理，显示处理后图象及直方图，画出灰度变换曲线，并存储处理后图象。

二、实验原理

直方图均衡化是基于灰度直方图的图像增强的一种方法，均衡化的目的是将原始图像的直方图变为均衡分布的行驶，将一非均匀灰度概率密度分布图像，通过寻求某种灰度变换，变成一幅具有均匀概率密度分布的图像。

三、实验环境与代码

Matlab 复制代码 
close all;clear all;clc 
f = imread('E:\2233\lena.tiff\lena.bmp');	% 从目标路径读入图像
gray_f = im2gray(f);	% 灰度化处理
hgram = ones(1,256);
J = histeq(gray_f);	% 使用直方图均衡增强强度图像的对比度（默认n=64）
T = histeq(gray_f,hgram);	% 直方图规定化
figure,
subplot(131);imshow(uint8(gray_f));title('原始灰度图像');		% 显示灰度原始图像
subplot(132);imshow(uint8(J));title('histeq均衡化结果');		% 显示均衡化后的结果图像
subplot(133);imshow(uint8(T));title('直方图规定化结果');		% 显示规定化均衡后的结果图像
figure,
subplot(131);imhist(gray_f);title('灰度图像直方图');		% 显示原始图像的直方图
subplot(132);imhist(J);title('histeq均衡化直方图');		% 显示均衡化后的直方图
subplot(133);imhist(T);title('规定化均衡后直方图');		% 显示规定化均衡后的直方图

四、实验过程记录

  1. 将待处理图像放到指定文件夹'E:\2233\lena.tiff\lena.bmp');，用imread函数读取

  2. 得到原始图像，和均衡化后的结果

3显示原始灰度直方图，均衡直方图和规定话均衡后直方图

五、结果与分析

代码运行正确，有图像得出，正确进行处理，有程序前后的灰度直方图得出，结果正确。

正确进行了图像灰度均衡化处理。

六、自评

通过使用matlab进行灰度直方图的分析，增加了我作为工程师的素养。

实验 二 空间域图像增强

一、实验目的

  1. 实现绝对均值，高斯加权均值平滑滤波器，中值滤波器
  2. 针对不同噪声模型退化的图像，引入适当的滤波模型去除噪声；
  3. 实现拉普拉斯（二阶微分算子）图像增强；实现Robert，Sobel等一阶微分算子用于图像增强。
  4. 理解Unsharp-Mask增强模型g(x,y)=f(x,y)+a[f(x,y)-fg(x,y)]，并用于图像增强;
  5. (思考)利用imnoised(*,'',value)噪声添加函数，加入不同概率密度的噪声后，评估滤波器的平滑效果。

二、实验原理

空间滤波在图像处理领域应用广泛，通过把每个像素的值替换为该像素及其领域的函数值来修改图像。空间滤波器可以直接对图像本身进行平滑处理，锐化处理，或滤去相应的噪声。

三、实验环境与代码

1.均值滤波进行平滑处理代码

%使用自带函数

Matlab 复制代码 
Picture=imread('E:\2233\lena.tiff\lena.bmp');

subplot(1,4,1);imshow(Picture,[]);title('原图');

Tem_Smooth=fspecial('average',[3,3]);

P_Smooth1=imfilter(Picture,Tem_Smooth);

subplot(1,4,2);imshow(P_Smooth1,[]);title('均值滤波一次后图像');

P_Smooth2=imfilter(P_Smooth1,Tem_Smooth);

subplot(1,4,3);imshow(P_Smooth2,[]);title('均值滤波二次后图像');

P_Smooth3=imfilter(P_Smooth2,Tem_Smooth);

subplot(1,4,4);imshow(P_Smooth3,[]);title('均值滤波三次后图像');

2.利用sobel算子和拉普拉斯算子进行锐化处理

Matlab 复制代码 
figure;

Picture2=imread('E:\2233\lena.tiff\lena.bmp');

subplot(1,3,1);imshow(Picture2,[]);title('原图');

Tem_Sharpen1=fspecial('sobel');

P_Sharpen1=imfilter(Picture2,Tem_Sharpen1);

subplot(1,3,2);imshow(P_Sharpen1,[]);title('采用sobel算子锐化后图像');

Tem_Sharpen2=fspecial('laplacian');

P_Sharpen2=imfilter(Picture2,Tem_Sharpen2);

subplot(1,3,3);imshow(P_Sharpen2,[]);title('采用拉普拉斯算子锐化后图像');

3.使用均值滤波器对高斯噪声图像的滤除噪声处理

Matlab 复制代码 
clc;
clear;
close all;
 
%使用自带函数
Picture=imread('E:\2233\lena.tiff\lena-gaussiannoise.bmp');
subplot(1,4,1);imshow(Picture,[]);title('原图');
Tem_Smooth=fspecial('average',[3,3]);
P_Smooth1=imfilter(Picture,Tem_Smooth);
subplot(1,4,2);imshow(P_Smooth1,[]);title('均值滤波一次后图像');
P_Smooth2=imfilter(P_Smooth1,Tem_Smooth);
subplot(1,4,3);imshow(P_Smooth2,[]);title('均值滤波二次后图像');
P_Smooth3=imfilter(P_Smooth2,Tem_Smooth);
subplot(1,4,4);imshow(P_Smooth3,[]);title('均值滤波三次后图像');

四、实验过程记录

1进行均值滤波，对图像进行三次均值滤波，得到平滑处理后的图像

2利用sobel算子和拉普拉斯算子进行锐化处理，得到结果

3使用均值滤波器对高斯噪声图像的滤除噪声处理

五、结果与分析

利用matlab函数进行了图像平滑处理，图像锐化处理，图像滤除噪声，程序能运行，得到了想要的结果，且结果正确。

六、自评

掌握了利用matlab进行空间域图像处理的方法，增加了我作为工程师的素养。

实验 三 数字 图像傅里叶变化、频域图像处理

******一、******实验目的

  1. 熟悉傅里叶变换的基本性质，掌握FFT变换的原理和方法。
  2. 利用Matlab编程实现图像的傅里叶变换。分析图像二维频谱的分布特征。
  3. 保存傅里叶变换频谱的实部图像和虚部图像。
  4. 利用傅里叶变换频谱，实现频域的巴特沃斯低通滤波、高斯低通滤波、巴特沃斯高通滤波、高斯高通滤波。分析巴特沃斯低通滤波的阶数、截止半径参数和滤波效果之间的关系。
  5. 实现高频提升（高频加强）滤波。

二、实验原理

三、实验环境与代码

  1. 图像傅里叶变换
Matlab 复制代码 
clc;

clear all

I=imread('E:\2233\lena.tiff\lena.bmp');

f=im2gray(I);

figure(4);

subplot(2,2,1),imshow(f);

title('原图');

subplot(2,2,2),

F=fft2(f);

imshow(F);

title('傅里叶变换'); %二维傅里叶变换

FS=fftshift(F);%频率图 %频谱

S=log(1+abs(FS));

subplot(2,2,3);

imshow(S,[]);

title('直接变换频谱图');

fr=real(ifft2(ifftshift(FS)));%频域的图反变

ret=im2uint8(mat2gray(fr));%取其灰度图

subplot(2,2,4),imshow(ret);

title('逆傅里叶变换');

2对图像进行频域低通滤波

Matlab 复制代码 
close all;  %关闭当前所有图形窗口
clear all;  %清空工作空间变量
clc;        %清屏
I=imread('E:\2233\lena.tiff\lena.bmp');
I=im2gray(I);
I=im2double(I);
[m,n]=size(I);
M=2*m;N=2*n;%滤波器的行数和列数
u=-M/2:(M/2-1);
v=-N/2:(N/2-1);
[U,V]=meshgrid(u,v);%meshgrid(u,v)的作用是分别产生以向量u为行，向量v为裂的两个大小相同的矩阵
D=sqrt(U.^2+V.^2);%设置频率点（U,V）与频域中心的距离为D（U,V）
D0=40;             %截止频率
H=double(D<=D0);    %理想低通滤波器
J=fftshift(fft2(I,size(H,1),size(H,2)));%通过傅里叶变换将时域图像转换到频域图像，并移动到中心位置
K=J.*H;                         %滤波处理
L=ifft2(ifftshift(K));          %傅里叶反转换
L=L(1:m,1:n);                   %设置图像的大小
figure;
subplot(131),imshow(J);
subplot(132),imshow(I);
subplot(133),imshow(L);

3.对图像进行频域高通滤波

Matlab 复制代码 
close all;  %关闭当前所有图形窗口
clear all;  %清空工作空间变量
clc;        %清屏
I=imread('E:\2233\lena.tiff\lena.bmp');
I=im2gray(I);
I=im2double(I);
[m,n]=size(I);
M=2*m;N=2*n;%滤波器的行数和列数
u=-M/2:(M/2-1);
v=-N/2:(N/2-1);
[U,V]=meshgrid(u,v);%meshgrid(u,v)的作用是分别产生以向量u为行，向量v为裂的两个大小相同的矩阵
D=sqrt(U.^2+V.^2);%设置频率点（U,V）与频域中心的距离为D（U,V）
D0=40;             %截止频率
H=double(D>D0);    %理想高通滤波器
J=fftshift(fft2(I,size(H,1),size(H,2)));%通过傅里叶变换将时域图像转换到频域图像，并移动到中心位置
K=J.*H;                         %滤波处理
L=ifft2(ifftshift(K));          %傅里叶反转换
L=L(1:m,1:n);                   %设置图像的大小
figure;
subplot(131),imshow(J);
subplot(132),imshow(I);
subplot(133),imshow(L);

四、实验过程记录

1进行图像傅里叶变换，得到了傅里叶变换后的图像

2对图像进行频域低通滤波，得到了低通滤波后的图像

3对图像进行了频域高通滤波，得到了滤波后的图像

五、结果与分析

利用matlab进行了图像傅里叶变换，进行了频域低通滤波，频域高通滤波，得到了所需的结果。

六、自评

掌握了频率域图像增强的方法，丰富了我作为工程师的素养

实验 四 基于 Hough变换的边缘检测

一、实验目的

利用Hough变换检测车牌图像中的矩形车牌区域。

二、实验原理

  1. 霍夫变换（Hough Transform)是数字图像处理中的一种特征提取技术
  2. 常用于判断图像中哪些点共线
  3. 可以检测直线，也可以检测圆或椭圆

三、实验环境与代码

1.使用Hough变换实现线检测

Matlab 复制代码 
%%Hougn变换
I=imread('E:\2233\lena.tiff\lienceplate.bmp');
f=im2gray(I);%RGB-->gray
f=f(round(end/2):end,1:round(end/2));
BW=edge(f,'canny');  %edge:以灰度图像为输入，'canny'为边缘检测算子
                     %     输出BW为二值图像，边缘处为白（255）其余部分为黑（0）
imshow(f)
title('原始图像')
[row,col]=size(BW);
rhomax=round((row*row+col*col)^0.5);
A=zeros(2*rhomax,180);   %这里，实际上rho的取值范围为[-rhomax,rhomax]，
                         %但是为了后面进行数量统计，转变为[1,2rhomax]
for m=1:row
    for n=1:col
        if BW(m,n)>0 %判断为边缘
            for theta=1:180
                r=theta/180*pi; %角度转换
                rho=round(m*cos(r)+n*sin(r));
                %Hough变换
                rho=rho+rhomax+1;   %坐标平移
                                    %这里的理解，首先matlab中数组是从1开始计数，所以+1；
                                    %数组坐标不能<0，所以 +rhomax
                A(rho,theta)=A(rho,theta)+1;   %数量统计
            end
        end
    end
end
[rho,theta]=find(A>130);   %超过130个点视为共线,rho列号，theta行号
nma=length(rho);
figure,imshow(BW)
for i=1:nma
    hold on
    m=1:row;
    r=theta(i)/180*pi;
    n=(rho(i)-rhomax-m*cos(r))/(0.0001+sin(r));
    plot(n,m,'w-','LineWidth',6);
End
title('hough线检测');

2利用hough变换实现边缘检测

Matlab 复制代码 
I=imread('E:\2233\lena.tiff\lienceplate.bmp');

Ihsv=rgb2hsv(I);
Iv=Ihsv(:,:,3);                    %提取v空间
Iedge=edge(Iv,'sobel');    %边沿检测

%新建窗口，绘图用
figure (2)
imshow(Iedge);
hold on

%得到霍夫空间
[H1,T1,R1] = hough(Iedge,'Theta',20:0.1:75);
%求极值点
Peaks=houghpeaks(H1,5);
%得到线段信息
lines=houghlines(Iedge,T1,R1,Peaks);
%绘制线段
for k=1:length(lines)
xy=[lines(k).point1;lines(k).point2];   
plot(xy(:,1),xy(:,2),'LineWidth',4);
end

四、实验过程记录

  1. 利用hough变换进行线检测，得到结果

2利用hough变换实现边缘检测，得到所需结果

五、结果与分析

利用matlab实现了hough的边缘检测和线检测，得到了车牌图像的边缘和轮廓。

六、自评

掌握了利用matlab实现边缘检测和线检测的方法，提高了我作为工程师的素养

相关推荐
yuanlulu26 分钟前
昇腾环境ppstreuct部署问题记录
人工智能·深度学习·llm·ocr·ppstructure
佛州小李哥3 小时前
在亚马逊云科技上高效蒸馏低成本、高精度的Llama 3.1 405B模型（上篇）
人工智能·科技·ai·语言模型·云计算·aws·亚马逊云科技
qq_513398984 小时前
深度学习学习笔记（第30周）
人工智能·深度学习
殷丿grd_志鹏4 小时前
SpringCloud+Vue+Python人工智能（fastAPI,机器学习,深度学习）前后端架构各功能实现思路——主目录（持续更新）
vue.js·人工智能·python·spring cloud·fastapi
L-含光承影7 小时前
【第二十周】U-Net：用于生物图像分割的卷积神经网络
人工智能·神经网络·cnn
--fancy7 小时前
提示词的艺术----AI Prompt撰写指南（个人用）
人工智能·chatgpt·prompt
视觉语言导航7 小时前
IJCAI-2024 | 具身导航的花样Prompts！VLN-MP：利用多模态Prompts增强视觉语言导航能力
人工智能·深度学习·具身智能
bohu838 小时前
opencv笔记2
人工智能·笔记·opencv
万事可爱^8 小时前
算法入门（九）—— 无监督学习介绍与K-Means实战（内附Kaggle实战源码与数据集）
人工智能·学习·算法·机器学习·kmeans
董董灿是个攻城狮8 小时前
019：什么是 Resnet50 神经网络
人工智能·计算机视觉·cnn
热门推荐
01leetcode - 1769. Minimum Number of Operations to Move All Balls to Each Box02(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明03半导体应用系统一些小知识收集(strip&wafer mapping,EAP&scada)04xgboost: Why not implement distributed XGBoost on top of spark05Dell服务器升级ubuntu 22.04失败解决06密码学原理技术-第六章-introduction to pulibc-key cryptography07测试NV GPU SM的时钟是否一致08[Docker]使用Docker部署常见的中间件09优化手机性能，解决卡顿问题：关闭这3个微信开关，释放内存空间10医疗图像处理2023：Transformers in medical imaging: A survey