《空域滤波增强 》图像识别实验报告

原创 已于 2025-01-07 23:07:11 修改 · 591 阅读 · 6 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#算法

于 2025-01-07 23:06:46 首次发布

【实验目的】

1、理解并掌握线性平滑滤波原理。

2、理解并掌握非线性锐化滤波技术原理。

【实验内容】

1. 线性平滑滤波的应用。

2. 非线性锐化滤波技术的应用。

【实验原理】

1、线性平滑滤波原理。

线性滤波器的原始数据与滤波结果是一种算术运算，即用加减乘除等运算实现，如均值滤波器（模板内像素灰度值的平均值）、高斯滤波器（高斯加权平均值）等。由于线性滤波器是算术运算，有固定的模板，因此滤波器的转移函数是可以确定并且是唯一的（转移函数即模板的傅里叶变换）。输出图像fo(x,y)= T[ fi(x,y) ]，T是线性算子，即：输出图像上每个像素点的值都是由输入图像各像素点值加权求和的结果。

2、非线性锐化滤波技术原理。

非线性滤波器的原始数据与滤波结果是一种逻辑关系，即用逻辑运算实现，如最大值滤波器、最小值滤波器、中值滤波器等，是通过比较一定邻域内的灰度值大小来实现的，没有固定的模板，因而也就没有特定的转移函数（因为没有模板作傅里叶变换），另外，膨胀和腐蚀也是通过最大值、最小值滤波器实现的。非线性滤波的算子中包含了取绝对值、置零等非线性运算。

【实验代码】

1. 线性平滑滤波的应用：

1）邻域平均法

a）邻域平均法原理示例

close all

clear

clc

% % -- 设置图片和坐标轴的属性 -------------------------------------------------

% fs = 7.5;                                                  % FontSize  : 五号:10.5磅，小五号:9磅，六号:7.5磅

% ms = 5;                                                    % MarkerSize: 五号:10.5磅，小五号:9磅，六号:7.5磅

% set(gcf,'Units','centimeters','Position',[25 11 6 4.5]);   % 设置图片的位置和大小[left bottom width height],width:height=4:3

% set(gca,'FontName','宋体','FontSize',fs);                  % 设置坐标轴(刻度、标签和图例)的字体和字号

% set(gca,'Position',[.12 .11 .83 .77]);                     % 设置坐标轴所在的矩形区域在图片中的位置[left bottom width height]

Fxy = [  0  20  40  70

        80 100 120 150

       160 180 200 230]

uint8Fxy = uint8(Fxy)

subplot(2,2,1),imshow(uint8Fxy),xlabel('(b) 原始图像');

subplot(2,2,2),imhist(uint8Fxy), axis([0,255,0,1]),xlabel('(c) 原始图像灰度统计直方图','position',[120,-0.23]);

text(255,-0.17,'\itk','FontName','Times New Roman');

text(-70,1,'{\itH}({\itk})','FontName','Times New Roman');

Gxy = filter2(fspecial('average',3), uint8Fxy)

uint8Gxy = uint8(Gxy)

subplot(2,2,3),imshow(uint8Gxy),xlabel('(g) 变换图像');

subplot(2,2,4),imhist(uint8Gxy), axis([0,255,0,1]),xlabel('(h) 变换图像灰度统计直方图','position',[120,-0.23]);

text(255,-0.17,'\itk','FontName','Times New Roman');

text(-70,1,'{\itH}({\itk})','FontName','Times New Roman');

b) 邻域平均法实现消除噪声

close all

clear

clc

I=imread('eight.tif');

subplot(2,3,1),imshow(I),xlabel('(a) 原始图像');

J=imnoise(I,'salt & pepper',0.04);

subplot(2,3,2),imshow(J),xlabel('(b) 噪声图像');

K1=filter2(fspecial('average',3),J);

subplot(2,3,3),imshow(uint8(K1)),xlabel('(c) 3*3模板均值滤波');

K2=filter2(fspecial('average',5),J);

subplot(2,3,4),imshow(uint8(K2)),xlabel('(d) 5*5模板均值滤波');

mask1=[0 1 0

       1 0 1

       0 1 0];

mask1=(1/4)*mask1;

K3=filter2(mask1,J);

subplot(2,3,5),imshow(uint8(K3)),xlabel('(e) 4邻域模板均值滤波');

mask2=[1 1 1

       1 0 1

       1 1 1];

mask2=(1/8)*mask2;

K4=filter2(mask2,J);

subplot(2,3,6),imshow(uint8(K4)),xlabel('(f) 8邻域模板均值滤波');

2）Wiener滤波

a)Wiener滤波示例

% F5_14.m

close all

clear

clc

I=imread('eight.tif');

subplot(2,3,1),imshow(I),xlabel('(a) 原始图像');

% imwrite(I,'.\F5_14a.bmp');

J=imnoise(I,'salt & pepper',0.04);

subplot(2,3,2),imshow(J),xlabel('(b) 噪声图像');

% imwrite(J,'.\F5_14b.bmp');

K1=wiener2(J,[3,3]);

subplot(2,3,3),imshow(uint8(K1)),xlabel('(c) 3*3Wiener滤波');

% imwrite(K1,'.\F5_14c.bmp');

K2=wiener2(J,[5,5]);

subplot(2,3,4),imshow(uint8(K2)),xlabel('(d) 5*5Wiener滤波');

% imwrite(K2,'.\F5_14d.bmp');

K3=wiener2(J,[7,7]);

subplot(2,3,5),imshow(uint8(K3)),xlabel('(e) 7*7Wiener滤波');

% imwrite(K3,'.\F5_14e.bmp');

K4=wiener2(J,[9,9]);

subplot(2,3,6),imshow(uint8(K4)),xlabel('(f) 9*9Wiener滤波');

% imwrite(K4,'.\F5_14f.bmp');

2. 非线性锐化滤波技术的应用：

1）梯度法

a)梯度法示例

% F5_30.m

close all

clear

clc

I=imread('lena.bmp');

subplot(2,3,1),imshow(I),xlabel('(a) 原始图像');

% imwrite(I,'.\F5_30a.bmp');

I=double(I);

[Gx,Gy]=gradient(I);

G=sqrt(Gx.*Gx+Gy.*Gy);

J1=G;

subplot(2,3,2),imshow(uint8(J1)),xlabel('(b) 梯度法滤波图像');

% imwrite(uint8(J1),'.\F5_30b.bmp');

J2=I;

K=find(G>=7);

J2(K)=G(K);

subplot(2,3,3),imshow(uint8(J2)),xlabel('(c) 第一种情况滤波图像');

% imwrite(uint8(J2),'.\F5_30c.bmp');

J3=I;

K=find(G>=7);

J3(K)=255;

subplot(2,3,4),imshow(uint8(J3)),xlabel('(d) 第二种情况滤波图像');

% imwrite(uint8(J3),'.\F5_30d.bmp');

J4=G;

K=find(G<=7);

J4(K)=255;

subplot(2,3,5),imshow(uint8(J4)),xlabel('(e) 第三种情况滤波图像');

% imwrite(uint8(J4),'.\F5_30e.bmp');

J5=I;

K=find(G<=7);

J5(K)=0;

Q=find(G>=7);

J5(Q)=255;

subplot(2,3,6),imshow(uint8(J5)),xlabel('(f) 第四种情况滤波图像');

% imwrite(uint8(J5),'.\F5_30f.bmp');

2）Prewitt算子

a)Prewitt算子原理示例

% F5_33.m

close all

clear

clc

im=imread('F5_33.bmp');

subplot(1,3,1),imshow(im),xlabel('(a) 原始图像');

% imwrite(im,'.\F5_33a.bmp');

dim = size(size(im));

if ~(dim(2)==2)

    I = rgb2gray(im);

end

MaskPrewittV = fspecial('prewitt')

MaskPrewittH = MaskPrewittV'

KB1=filter2(MaskPrewittH,I);

subplot(1,3,2),imshow(uint8(KB1)),xlabel('(b) 水平模板滤波图像');

% imwrite(uint8(KB1),'.\F5_33b.bmp');

KB2 = filter2(MaskPrewittV,I);

subplot(1,3,3),imshow(uint8(KB2)),xlabel('(c) 垂直模板滤波图像');

% imwrite(uint8(KB2),'.\F5_33c.bmp');

b) Prewitt算子示例

% F5_34.m

close all

clear

clc

I=imread('lena.bmp');

subplot(3,3,2),imshow(I),xlabel('(a) 原始图像');

% imwrite(I,'.\F5_34a.bmp');

MaskPrewittV=fspecial('prewitt')

MaskPrewittH=MaskPrewittV'

KB1=filter2(MaskPrewittH,I);

subplot(3,3,4),imshow(uint8(KB1)),xlabel('(b) 水平模板滤波图像');

% imwrite(uint8(KB2),'.\F5_34b.bmp');

subplot(3,3,5),imshow(uint8(double(I)+KB1)),xlabel('(c) 水平模板加法叠加图像');

% imwrite(uint8(double(I)+KB2),'.\F5_34c.bmp');

subplot(3,3,6),imshow(uint8(double(I)-KB1)),xlabel('(d) 水平模板减法叠加图像');

% imwrite(uint8(double(I)-KB2),'.\F5_34d.bmp');

KB2=filter2(MaskPrewittV,I);

subplot(3,3,7),imshow(uint8(KB2)),xlabel('(e) 垂直模板滤波图像');

% imwrite(uint8(KB1),'.\F5_34e.bmp');

subplot(3,3,8),imshow(uint8(double(I)+KB2)),xlabel('(f) 垂直模板加法叠加图像');

% imwrite(uint8(double(I)+KB1),'.\F5_34f.bmp');

subplot(3,3,9),imshow(uint8(double(I)-KB2)),xlabel('(g) 垂直模板减法叠加图像');

% imwrite(uint8(double(I)-KB1),'.\F5_34g.bmp');

3）Log算子

a）Log算子示例

% F5_39.m

close all

clear

clc

I=imread('liftingbody.png');

subplot(2,2,1),imshow(I),xlabel('(a) 原始图像');

% imwrite(I,'.\F5_39a.bmp');

MaskLog=fspecial('log')

KB=filter2(MaskLog,I);

subplot(2,2,2),imshow(uint8(KB)),xlabel('(b) 滤波图像');

% imwrite(uint8(KB),'.\F5_39b.bmp');

subplot(2,2,3),imshow(uint8(double(I)+KB)),xlabel('(c) 加法叠加图像');

% imwrite(uint8(double(I)+KB),'.\F5_39c.bmp');

subplot(2,2,4),imshow(uint8(double(I)-KB)),xlabel('(d) 减法叠加图像');

% imwrite(uint8(double(I)-KB),'.\F5_39d.bmp');

【实验结果】

1. 线性平滑滤波的应用：

1）邻域平均法

a）邻域平均法原理示例

b) 邻域平均法实现消除噪声

2）Wiener滤波

a)Wiener滤波示例

2. 非线性锐化滤波技术的应用：

1）梯度法

a)梯度法示例

2）Prewitt算子

a)Prewitt算子原理示例

b) Prewitt算子示例

3）Log算子

a）Log算子示例

【实验心得】

通过本次实验理解并掌握线性平滑滤波原理，同时理解并掌握非线性锐化滤波技术原理。

通过书籍对实验原理进行理解，按照题目要求实现算法。通过上机实践，对理论知识进行巩固复习，也对图像处理有了更深的理解，激发了我的学习兴趣，在今后继续努力。

实验三 空域滤波
chuxuezheerer的博客
10-09 1873
一、实验目的: 掌握利用模板对图像进行空域滤波操作，熟练掌握常用空域模板的使用。 1、掌握图像平滑的空域方法，熟练掌握均值模板和高斯模板平滑图像 2、掌握图像锐化的空域方法，熟练掌握 Laplacian、Robert、Sobel 模板锐化 图像 3、掌握利用高提升滤波算法对图像进行增强 二、实验内容: 1、利用均值模板平滑灰度图像。 具体内容:利用 OpenCV 对图像像素进行操作，分别利用 3*3、5*5 和 9*9尺寸的均值模板平滑灰度图像 2、利用高斯模板平滑灰度图像。 具体内容:利用 OpenCV
Matlab实现：空域滤波实验
qq_48309851的博客
06-05 1782
Matlab实现图片加噪声，及噪声处理，以椒盐噪声为例。
实验五 图像空域增强 中值滤波 matlab实验报告 附代码
10-30
实验目的： 掌握图像空域变换的基本原理与常用方法。 实验要求： 编程实现： 1、 图像像素的变换，[a，b]范围转换到[c，d]中； 2、 图像的中值滤波（或均值滤波）。
空域滤波实现（图像处理与分析技术）实验报告
06-04
一、 实验内容： 线性平滑滤波实现 非线性平滑滤波实现——中值滤波 线性锐化滤波实现 非线性锐化滤波实现 二、 实验要求： 熟练掌握基于Matlab函数的空域滤波实现方法 比较体会各种空域滤波的适应场合及优缺点
图像增强的计算机实现实验报告,空域图像增强实验报告
weixin_42177768的博客
07-25 1287
一、实验名称：空域图像增强二、实验目的：掌握Matlab语言图像工具箱中空域图像增强的实现三、实验要求：在掌握图像灰度调整、直方图修正和图像锐化的指令基础上，编写程序实现图像的灰度变换，直方图均衡和图像锐化的处理四、实验仪器和设备：计算机，Matlab软件五、实验原理：1、 亮度变换S=T(r)点对点的变换(灰度级对灰度级的变换)matlab函数：imadjust()亮度变换的基本函数g=imad...
数字图像处理-实验2-空域图像增强
最新发布
weixin_56822454的博客
04-15 2297
本实验中，我先观察原图像的三个通道的灰度直方图，然后小范围的改变灰度级，图像变暗处理就是对应的将灰度直方图的灰度级分布向左移，即灰度级范围整体减小；从以上三种不同a、c取值范围处理后的结果来看，我们可以看出a=10，c=10时的图像整体偏暗，接下来使a=20，c=20，可以看出暗区对比度被增强，同时能看到花瓣上的露水，所以增加c的值可以看到更多的图像细节。通过改变γ值的取值，我们发现γ值以1为分界，值越小，对图像低灰度部分的扩展作用就越强，值越大，对图像高灰度部分的扩展作用就越强。
5.图像增强-空域滤波-数字图像处理实验报告.pdf
09-14
【图像增强与空域滤波】是数字图像处理中的重要技术，主要目的是改善图像的质量，增强视觉效果，或提取有用信息。在这个实验中，我们关注的是两种常见的滤波方法：均匀滤波和中值滤波，以及它们在去除高斯噪声和椒盐...
天津大学DSP实验报告：空域滤波技术在图像处理中的应用
资源摘要信息:"DSP实验报告--图像的空域滤波" 知识点： 1. 数字信号处理（DSP）：DSP是现代信息技术领域的一个重要分支，它利用数字计算机或专用的数字处理器，对信号进行实时或离线的变换、滤波、分析和综合。在...
基于空域和频域两种滤波实现图像去噪含Matlab源码
10-27
"数字图像课设报告.docx"可能包含了实验的详细步骤、结果分析和讨论，而"untitled2.fig"可能是滤波前后图像的图形用户界面展示。"douluodalu.jpg"和"运行结果1.JPG"则是实际去噪处理的示例图像和其结果。 通过这个...
图像处理实验报告-图像锐化.pdf
09-30
图像处理实验报告-图像锐化.pdf ...本实验报告展示了图像锐化的概念和过程，并使用 Prewitt 算子对图像进行锐化处理，结果表明了图像锐化的效果，能够提高图像的清晰度和对比度，为后续的图像处理和识别提供了基础。
实验二 图像的空域滤波.doc
05-21
数字图像处理实验报告：图像的空域滤波 实验内容： 1、读出“girl.bmp”等一幅灰度图像。给读出的图像加入高斯噪声。 2、分别采用3*3、5*5、7*7的模板对加有高斯噪声的图像进行均值滤波，在一个图形显示窗口中显示原图像、加有高斯噪声的图像及均值滤波的图像。比较结果。 3、分别采用3*3、5*5、7*7的模板对加有高斯噪声的图像进行中值滤波，在一个图形显示窗口中显示原图像、加有高斯噪声的图像及中值滤波的图像。比较结果。 4、采用相同大小的模板对加有椒盐噪声的图像分别进行均值滤波和中值滤波，在一个图形 显示窗口中显示原图像、加有噪声的图像、均值滤波的图像及中值滤波的图像，比较结果。
【实验报告】实验二 图像空间域&频率域滤波
qq_58732322的博客
04-15 2852
无
数字图像处理基础实验（三）：空域滤波
lyd1995的博客
04-25 2751
一、实验内容及原理 1、利用均值模板平滑灰度图像 具体内容：利用 OpenCV 对图像像素进行操作，分别利用 33、55 和 9*9 尺寸的均值模板平滑灰度图像 2、利用高斯模板平滑灰度图像 具体内容：利用 OpenCV 对图像像素进行操作，分别利用 33、55 和 9*9 尺寸的高斯模板平滑灰度图像 高斯模板公式：G(x,y)=12πσ2e−x2+y22σ2G(x,y)=\frac {1}{2\...
中值滤波器
saltriver的专栏
12-24 6338
我们前面提到，使用平均操作或加权平均操作可以降低图像的噪声，并由此引出了空间滤波器的概念。这种平均操作或加权平均操作的空间滤波器，根据平均操作的特点，可以叫做均值滤波器。均值，就是平均值得意思。我们在《统计学-掌握数据的总体状态》 中知道，对数据的统计有平均值，还可以有中位数。例如一组数：50,60,17,6,80，90,25。其平均值是：(50+60+17+6+80+90+25)/=46.86。而
实验四 图像的空域滤波
hua_007的专栏
01-06 3877
<br />实验四 图像的空域滤波<br />一、实验目的<br />1、了解图象滤波的基本定义及目的；<br />2、了解空域滤波的基本原理及方法；<br />3、掌握用MATLAB语言进行图象的空域滤波的方法。<br />二、实验原理<br />1、均值滤波<br />   均值滤波是在空间域对图象进行平滑处理的一种方法，易于实现，效果也挺好。<br />　 设噪声η(m,n)是加性噪声，其均值为0，方差（噪声功率）为σ2，而且噪声与图象f(m,n)不相关。<br />　 除了对噪声有上述假定之外，该算
图像增强之三——空域滤波
热门推荐
green_master的博客
09-09 1万+
空域滤波是利用像素及邻域组成的空间对图像进行增强。      空域滤波常借助模板的运算来实现，最常用的是模板卷积，主要步骤如下：         （1）将模板在图中漫游，并将模板中心与图中某个像素位置重合。         （2）将模板上的各个像素与模板下的各对应像素的灰度值相乘。         （3）将所有乘积相加得到的结果赋给图中对应模板中心位置的像素。 例子：     1.平
数字图像处理3：空域滤波（图像平滑：均值，中值。图像锐化）
wcx0602的博客
06-18 1万+
空域滤波 空间滤波根据其功能划分为平滑滤波和锐化滤波。首先介绍平滑滤波。 平滑滤波 平滑算法有很多种，这里进行两种平滑滤波算法——均值滤波和中值滤波的比较，滤波器模板均为 3*3；在滤波器都需要延拓两行两列，使用镜像的延拓方式。下面是各自算法的描述。 实验思路 均值滤波首先取出计算的像素点 33 范围内的所有的点，之后利用其灰度值求均值，计算结果为滤波后的当前像素点的灰度值。 中值滤波首先取出计算的像素点 33 范围内的所有的点，之后进行按像素的灰度值的大小排序，取中位数作为当前像素点的值。 代码 主函数：
图像的空域增强处理—空域滤波（matlab实现）
qwe331822775的博客
03-27 1万+
在这里我描述的是我一个初学者所收集到的一些较实用化的信息，具体原理不做描述；空域滤波分为：平滑滤波（低通滤波）、锐化滤波（高通滤波）；平滑滤波（低通滤波）：过滤掉图像中的高频部分（灰度变化较大较快部分）使得图像直方图分布均匀；锐化滤波（高通滤波）：过滤掉图像中的低频部分，让图像灰度变化大的地方更加的突出，如图像边界、交界地方；线性平滑滤波：均值滤波、高斯滤波；      非线性平滑滤波：中值滤波；...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值