圖像分割 實(shí)驗(yàn)資料報(bào)告材料

《圖像分割 實(shí)驗(yàn)資料報(bào)告材料》由會(huì)員分享，可在線閱讀，更多相關(guān)《圖像分割 實(shí)驗(yàn)資料報(bào)告材料（13頁珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。

1、word 評(píng)分 實(shí)驗(yàn)報(bào)告 課程名稱 醫(yī)學(xué)圖像處理 實(shí)驗(yàn)名稱 圖像分割 專業(yè)班級(jí) 姓 名 學(xué) 號(hào) 實(shí)驗(yàn)日期 實(shí)驗(yàn)地點(diǎn) 2015—2016學(xué)年度第2學(xué)期 一、 實(shí)驗(yàn)?zāi)康? 掌握常用的邊緣提取算法，從圖像中提取感興趣的區(qū)域，實(shí)現(xiàn)圖像分割。在圖像中，尋找灰度一樣或相似的區(qū)域，區(qū)分圖像中的背景區(qū)域和目標(biāo)區(qū)域，利用Matlab實(shí)現(xiàn)圖像的邊緣檢測，進(jìn)展圖像分割。 二、實(shí)驗(yàn)環(huán)境 1、硬件配置：Intel〔R

2、〕 Core(TM) i5-4210U CPU 1.7GHz 1.7GHz 安裝存〔RAM〕：4.00GB 系統(tǒng)類型：64位操作系統(tǒng) 2、軟件環(huán)境：MATLAB R2013b軟件 三、實(shí)驗(yàn)容 (包括本實(shí)驗(yàn)要完成的實(shí)驗(yàn)問題與需要的相關(guān)知識(shí)簡單概述) 圖像邊緣是圖像中特性〔如像素灰度、紋理等〕分布的不連續(xù)處，圖像周圍特性有階躍變化或屋脊?fàn)钭兓哪切┫袼氐募?。圖像邊緣存在于目標(biāo)與背景、目標(biāo)與目標(biāo)、基元與基元的邊界，標(biāo)示出目標(biāo)物體或基元的實(shí)際含量，是圖像識(shí)別信息最集中的地方。 圖像分割處理主要用于檢測出圖像中的輪廓邊緣、細(xì)節(jié)以與灰度跳變局部，形成完整的物體邊界，達(dá)到將物體從圖像中別

3、離出來或?qū)⒈硎就晃矬w外表的區(qū)域檢測出來的目的。常用的分割方法是邊緣檢測。邊緣檢測是采用多種邊緣算子實(shí)現(xiàn)突出圖像邊緣，抑制圖像中非邊緣信息，使圖像輪廓更加清晰。 1． 梯度算子法 對(duì)于圖像f(x,y)，它在點(diǎn)f(x,y)處的梯度是一個(gè)矢量，定義為 梯度的方向在函數(shù)f(x,y)最大變化率的方向上，梯度的幅值為 梯度的數(shù)值就是f(x,y)在其最大變化率方向上的單位距離所增加的量。對(duì)于圖像而言，微分運(yùn)算可以用差分運(yùn)算來近似。 簡化成模板可以表示成如下形式： Robert梯度算子 當(dāng)梯度計(jì)算完后，可采用以下幾種形式突出圖像的輪廓。 梯度直接輸出 使各點(diǎn)的灰度g(x,

4、y)等于該點(diǎn)的梯度，即 這種方法簡單、直接。但增強(qiáng)的圖像僅顯示灰度變化比擬陡的邊緣輪廓，而灰度變換比擬平緩的區(qū)域如此呈暗色。 加閾值的梯度輸出 加閾值的梯度輸出表達(dá)式為 式中，T是一個(gè)非負(fù)的閾值，適當(dāng)選取T，既可以使明顯的邊緣得到突出，又不會(huì)破壞原來灰度變化比擬平緩的背景。 給邊緣指定一個(gè)特定的灰度級(jí) 式中LG是根據(jù)需要指定的一個(gè)灰度級(jí)，它將明顯的邊緣用一個(gè)固定的灰度級(jí)表現(xiàn)，而其他的非邊緣區(qū)域的灰度級(jí)仍保持不變。 給背景指定一個(gè)特定的灰度級(jí) 該方法將背景用一個(gè)固定灰度級(jí)LG表現(xiàn)，便于研究邊緣灰度的變化。 二值圖像輸出 在某些場合〔如字符識(shí)別等〕，既不關(guān)心非邊

5、緣像素的灰度級(jí)差異，又不關(guān)心邊緣像素的灰度級(jí)差異，只關(guān)心每個(gè)像素是邊緣像素還是非邊緣像素，這時(shí)可采用二值化圖像輸出方式，其表達(dá)式為 此法將背景和邊緣用二值圖像表示，便于研究邊緣所在位置。 2． Sobel算子法 Sobel相對(duì)于先對(duì)圖像進(jìn)展加權(quán)平均再做差分。 對(duì)于圖像的3×3窗口 ，設(shè) 如此定義Sobel算子為 簡化成模板可以表示成如下形式： Sobel模板 3． 拉普拉斯運(yùn)算法 拉普拉斯算子定義圖像f(x,y)的梯度為 銳化后的圖像g為 式中k為擴(kuò)散效應(yīng)系數(shù)。對(duì)系數(shù)k的選擇要合理，太大會(huì)使圖像中的輪廓邊緣產(chǎn)生過沖；太小如此銳化不明顯。 常用l

6、aplacian算子模板為 ， ， 另外還有一些模板也常用于圖像增強(qiáng)，如 Prewitt模板 四、實(shí)驗(yàn)結(jié)果與分析 〔包括實(shí)驗(yàn)原理、數(shù)據(jù)的準(zhǔn)備、運(yùn)行過程分析、源程序〔代碼〕、圖形圖象界面等〕 注：本項(xiàng)可以增加頁數(shù) %例1 手動(dòng)閾值分割 [I,map]=imread('cameraman.tif');%讀入圖像 imshow(I);figure;%顯示圖像 J=imhist(I);imhist(I);%生成直方圖并顯示 [M,N]=size(I);%返回圖像的行數(shù)和列數(shù) for i=1:1:M %將i以步長1從1增加到M for j=1:1:N %將j以步

7、長1從1增加到N if I(i,j)>80 %如果圖像閾值大于80 g(i,j)=0; %如此大于80的就變成黑的 else g(i,j)=1; %小于80就變成白的 end end end figure;imshow(g); %保持原圖，顯示圖像g 圖1 原圖 圖2 直方圖 圖3 閾值分割后的二值圖像 分析：手動(dòng)閾值分割的閾值是取直方圖中雙峰的谷底的灰度值作為閾值，假設(shè)有多個(gè)雙峰谷底， 如此取第一個(gè)作為閾值。此題的閾值取80。 %例2 迭代閾值分割 f=imr

8、ead('cameraman.tif');%讀入圖像 subplot(1,2,1);imshow(f);%創(chuàng)建一個(gè)一行二列的窗口，在第一個(gè)窗口顯示圖像 title('原始圖像');%標(biāo)注標(biāo)題 f=double(f);%轉(zhuǎn)換位雙精度 T=(min(f(:))+max(f(:)))/2; %設(shè)定初始閾值 done=false;%定義開關(guān)變量，用于控制循環(huán)次數(shù) i=0;%迭代，初始值i=0 while~done %while ~done 是循環(huán)條件，~ 是“非〞的意思，此 處done = 0; 說明是無限循環(huán)，循環(huán)體里面應(yīng)該還 有循環(huán)退出條件，否如此就循環(huán)到死了; r1

9、=find(f<=T);%按前次結(jié)果對(duì)t進(jìn)展二次分 r2=find(f>T); %按前次結(jié)果重新對(duì)t進(jìn)展二次分 Tnew=(mean(f(r1))+mean(f(r2)))/2;%新閾值兩個(gè)圍像素平均值和的一半 done=abs(Tnew-T)<1;%設(shè)定兩次閾值的比擬，當(dāng)滿足小于1時(shí)，停止循環(huán)， 1是自己指定的參數(shù) T=Tnew; %把Tnw的值賦給T i=i+1; %執(zhí)行循壞，每次都加1 end f

10、(r1)=0; %把小于初始閾值的變成黑的 f(r2)=1; %把大于初始閾值的變成白的 subplot(1,2,2);%創(chuàng)建一個(gè)一行二列的窗口，在第二個(gè)窗口顯示圖像 imshow(f); %顯示圖像 title('迭代閾值二值化圖像');%標(biāo)注標(biāo)題 圖4原始圖像 圖5迭代閾值二值化圖像 分析： 值進(jìn)展二值分割；3.目標(biāo)灰度值平均背景都取平均；4.迭代生成

11、閾值，直到兩次閾值的灰 度變化不超過1，如此穩(wěn)定；5.輸出迭代結(jié)果。 %例3 Laplacian算子和模板匹配法 I=imread('cameraman.tif');%讀入圖像 subplot(1,3,1);imshow(I);%創(chuàng)建一個(gè)一行三列的窗口，在第一個(gè)窗口顯示圖像 title('原圖像');%標(biāo)注標(biāo)題 H=fspecial('laplacian');%生成laplacian濾波器 laplacianH=filter2(H,I);%以laplacian為模板對(duì)圖像I進(jìn)展銳化濾波 subplot(1,3,2);%創(chuàng)建一個(gè)一行三列的窗口，在第二個(gè)窗口顯示圖像 imsh

12、ow(laplacianH);%顯示圖像 title('laplacian算子銳化圖像');%標(biāo)注標(biāo)題 H=fspecial('prewitt');%生成Prewitt濾波器 prewittH=filter2(H,I);%以prewitt為模板對(duì)圖像I進(jìn)展銳化濾波 subplot(1,3,3);%創(chuàng)建一個(gè)一行三列的窗口，在第三個(gè)窗口顯示圖像 imshow(prewittH);%顯示圖像 title('prewitt模板銳化圖像');%標(biāo)注標(biāo)題 圖6原圖像 圖7laplacian算子銳化圖像 圖8prewitt模板銳化圖像 分析：從結(jié)

13、果圖可以看出，laplacian算子對(duì)邊緣的處理更明顯，它是二階微分算子，能加強(qiáng) 邊緣效果，對(duì)噪聲很敏感，Prewitt算子是平均濾波的一階的微分算子，不僅能檢測邊緣 點(diǎn)，而且能抑制噪聲的影響。 %例4 不同邊緣檢測方法比擬 f=imread('cameraman.tif'); %讀取圖像 subplot(2,2,1);imshow(f);%創(chuàng)建一個(gè)二行二列的窗口，在第一個(gè)窗口顯示圖像 title('原始圖像');%標(biāo)注標(biāo)題 [g,t]=edge(f,'roberts',[],'both');%用roberts檢測器對(duì)圖像進(jìn)展邊緣檢測，閾值自動(dòng)選 取，檢測

14、邊緣方向(雙向)為both subplot(2,2,2);imshow(g);%創(chuàng)建一個(gè)二行二列的窗口，在第二個(gè)窗口顯示圖像 title('Roberts算子分割結(jié)果');%標(biāo)注標(biāo)題 [g,t]=edge(f,'sobel',[],'both');%用sobel檢測器對(duì)圖像進(jìn)展邊緣檢測，閾值自動(dòng)選取，檢測邊緣方向(雙向)為both subplot(2,2,3);imshow(g);%創(chuàng)建一個(gè)二行二列的窗口，在第三個(gè)窗口顯示圖像 title('Sobel算子分割結(jié)果');%標(biāo)注標(biāo)題 [g,t]=edge(f,'prewitt',[],'both');%用prewitt檢測器對(duì)圖像進(jìn)展

15、邊緣檢測，閾值自動(dòng) 選取，檢測邊緣方向(雙向)為both subplot(2,2,4);imshow(g);%創(chuàng)建一個(gè)二行二列的窗口，在第四個(gè)窗口顯示圖像 title('prewitt算子分割結(jié)果');%標(biāo)注標(biāo)題 圖9原始圖像 圖10Roberts算子分割結(jié)果圖像 圖11Sobel算子分割結(jié)果圖像 圖12prewitt算子分割結(jié)果圖像 分析：從結(jié)果圖可以看出，Prewitt 和 Sobel 算子分割效果比 Roberts 效果要好一些，提取 邊緣較完整，其邊緣連續(xù)性較好。但是這三種算子的邊緣的連續(xù)性都不太好，這時(shí)我們 需要采用霍夫變換使連續(xù)變成連續(xù)，連接邊緣。

16、 思考題 1．分析Sobel算子特點(diǎn)，并給予說明。 f=imread('skull.tif'); %讀取圖像 f=double(f); %轉(zhuǎn)化圖像f的類型為雙精度 subplot(3,3,1); %創(chuàng)建有3*3子圖像的窗口，原圖在位置1 imshow(f,[]); %顯示原圖像f title('原始圖像'); %給圖像加標(biāo)題為'原始圖像' J=imnoise(f,'gaussian',0.02);

17、 %對(duì)圖像加高斯噪聲 subplot(3,3,2); %創(chuàng)建有3*3子圖像的窗口，原圖在位置2 imshow(J,[]); %顯示加噪聲的圖像 title('加高斯噪聲圖像'); %給圖像加標(biāo)題為'加高斯噪聲圖像' [g1,t]=edge(f,'sobel',[],'both'); %用sobel檢測器對(duì)原圖像進(jìn)展邊緣檢測，閾值自動(dòng)選 取，檢測邊緣方向(雙向)為both [g2,t]=edge(J,'sobel',[],'both'); %用sobel檢測器對(duì)加噪圖像進(jìn)展邊緣檢測，閾值自動(dòng)

18、 選取，檢測邊緣方向(雙向)為both [g3,t]=edge(f,'sobel',[],'vertical'); %用sobel檢測器對(duì)原圖像進(jìn)展邊緣檢測，閾值自動(dòng) 選取，檢測邊緣方向?yàn)榇怪狈较? [g4,t]=edge(J,'sobel',[],'vertical'); %用sobel檢測器對(duì)加噪圖像進(jìn)展邊緣檢測，閾值自 動(dòng)選取，檢測邊緣方向?yàn)榇怪狈较? [g5,t]=edge(f,'sobel',[],'horizontal'); %用sobel檢測器對(duì)原圖像進(jìn)展邊緣檢測，閾值自 動(dòng)選取，檢測邊緣方向?yàn)樗椒较? [g6,t]=edge(J,'sobel',[],'horizo

19、ntal'); %用sobel檢測器對(duì)加噪圖像進(jìn)展邊緣檢測，閾值 自動(dòng)選取，檢測邊緣方向?yàn)樗椒较? subplot(3,3,3); %創(chuàng)建有3*3子圖像的窗口，圖在位置3 imshow(g1); %顯示經(jīng)sobel算子處理后的圖像 title('sobel算子雙向分割結(jié)果'); %給圖像加標(biāo)題為‘sobel算子雙向分割結(jié)果’ subplot(3,3,4);imshow(g2);title('加噪后sobel雙向分割結(jié)果'); %在3*3子圖像的位置4 顯示加噪后sobel雙向分

20、割結(jié)果圖像 subplot(3,3,5);imshow(g3);title('sobel水平方向分割結(jié)果'); %在3*3子圖像的位置5顯示 sobel水平方向分割結(jié)果結(jié)果圖像 subplot(3,3,6);imshow(g4);title('加噪后sobel水平方向分割結(jié)果'); %在3*3子圖像的位 置6顯示加噪后sobel水平方向分割結(jié)果圖像 subplot(3,3,7);imshow(g5);title('sobel垂直方向分割結(jié)果'); %在3*3子圖像的位置7顯示 sobel垂直方向分割結(jié)果圖像 subplot(3,3,8);imshow(g6);title(

21、'加噪后sobel垂直方向分割結(jié)果'); %在3*3子圖像的位 置8顯示加噪后sobel垂直方向分割結(jié)果圖像 圖13原始圖像 圖14加高斯噪聲圖像 圖15sobel算子雙向分割結(jié)果圖像 圖16加噪后sobel雙向分割圖 圖17sobel水平方向分割圖 圖18加噪后sobel水平分割圖 圖19sobel垂直方向分割結(jié)果圖像 圖20加噪后sobel垂直方向分割結(jié)果圖像 分析：Sobel相對(duì)于先對(duì)圖像進(jìn)展加權(quán)平均再做差分。 在邊緣檢測中，常用的一種模板是Sobel 算子。Sobel 算子有三個(gè)，一個(gè)是檢測雙向邊緣的 ，一個(gè)是檢測水平邊緣

22、的;另一個(gè)是檢 測垂直邊緣的。由于Sobel算子是一節(jié)微分濾波算子的，用于提取邊緣，有方向性，從結(jié) 果可以看出雙向both的分割效果最好。缺點(diǎn)：Sobel算子并沒有將圖像的主體與背景嚴(yán)格 地區(qū)分開來，換言之就是Sobel算子沒有基于圖像灰度進(jìn)展處理，由于Sobel算子沒有嚴(yán) 格地模擬人的視覺生理特征，所以提取的圖像輪廓有時(shí)并不能令人滿意。 2．分析laplacian算子特點(diǎn)，并解釋它為何能增強(qiáng)圖像的邊緣？ I=imread('skull.tif'); %讀取原圖 subplot(2,3,1),imshow(I,[]);title('原圖像') %在2*3子圖像的位置1顯示

23、原圖像 H1=fspecial('laplacian',0); %生成Laplacian算子濾波器，濾波器的標(biāo) 準(zhǔn)差為0，說明H1模板的中間系數(shù)是-4 H2=fspecial('laplacian'); %生成Laplacian算子濾波器，濾波器的標(biāo) H3=fspecial('laplacian',1); %生成Laplacian算子濾波器，濾波器的標(biāo) 準(zhǔn)差為1，說明H3模板的中間系數(shù)是-2 J=imnoise(I,'salt & pepper',0.02);

24、 %添加椒鹽噪聲 subplot(2,3,2),imshow(J,[]);title('添加椒鹽噪聲圖像') %在2*3子圖像的位置3顯示添 加椒鹽噪聲圖像 I1=imfilter(I,H1); %用H1模板進(jìn)展均值濾波 subplot(2,3,3),imshow(I1,[]);title('HI模板laplacian算子濾波結(jié)果') %在2*3子圖像的 位置3顯示'HI模板laplacian算子濾波結(jié)果圖像 I2=imfilter(I,H2); %用H2模板進(jìn)展均值濾波 subplot(2,3,4),imshow

25、(I2,[]);title('H2模板laplacian算子濾波結(jié)果') %在2*3子圖像的 位置4顯示H2模板laplacian算子濾波結(jié)果圖像 I3=imfilter(I,H3); %用H3模板進(jìn)展均值濾波 subplot(2,3,5),imshow(I3,[]);title('H3模板laplacian算子濾波結(jié)果') %在2*3子圖像的 位置5顯示H3模板laplacian算子濾波結(jié)果圖像 圖21原圖像 圖22添加椒鹽噪聲圖像 圖23 HI模板laplacian算子濾波圖 圖 24 H2模板laplacian算子濾波結(jié)果圖像 圖2

26、5H3模板laplacian算子濾波結(jié)果圖像 分析：laplacian算子對(duì)邊緣的處理明顯，它是二階微分算子，能加強(qiáng)邊緣效果，對(duì)噪聲很敏 感。它沒有方向性，但是可以改變模板的中間系數(shù)，會(huì)有不同的效果。 3．比擬各個(gè)邊緣算子對(duì)圖像邊緣的檢測效果。 I=imread('skull.tif');%讀取圖像 subplot(3,3,1),imshow(I),title('原圖像'),imshow(I);title('原圖像') %在3*3子圖像的 位置1顯示原圖像 BW1=edge(I,'sobel',0.1);%用 sobel 算子進(jìn)展邊緣檢測，判斷閾值為 0.1 subplo

27、t(3,3,2),imshow(BW1);title('sobel算子處理后圖像') %在3*3子圖像的位置2顯示 sobel算子處理后圖像 BW2=edge(I,'roberts',0.1);%用 roberts 算子進(jìn)展邊緣檢測，判斷閾值為 0.1 subplot(3,3,3),imshow(BW2);title('roberts算子處理后圖像')%在3*3子圖像的位置3顯示 roberts算子處理后圖像 BW3=edge(I,'prewitt',0.1);%用 prewitt 算子進(jìn)展邊緣檢測，判斷閾值為 0.1 subplot(3,3,4),imshow(BW3);ti

28、tle('prewitt算子處理后圖像')%在3*3子圖像的位置4顯示 prewitt算子處理后圖像 BW4=edge(I,'log',0.01);%用 log 算子進(jìn)展邊緣檢測，判斷閾值為 0.01 subplot(3,3,5),imshow(BW4);title('log算子處理后圖像')%在3*3子圖像的位置5顯示log 算子處理后圖像 BW5=edge(I,'canny',0.1);%用 canny 算子進(jìn)展邊緣檢測，判斷閾值為 0.1 subplot(3,3,6),imshow(BW5);title('canny算子處理后圖像')%在3*3子圖像的位置6顯示canny

29、算子處理后圖像 H=fspecial('laplacian');%生成Laplacian算子濾波器(突出圖像中的小細(xì)節(jié))〔它具有各向 同性〕〔Laplacian 算子對(duì)噪聲比擬敏感，所以圖像一般先經(jīng)過平滑 處理，因?yàn)槠交幚硪彩怯媚０暹M(jìn)展的，所以，通常的分割算法都 是把Laplacian 算子和平滑算子結(jié)合起來生成一個(gè)新的模板?！? laplacianH=filter2(H,I); %圖像I經(jīng)Laplacian算子銳化濾波處理 subplot(3,3,7);imshow(laplacianH);title('Laplacian算子銳化圖像'); %在3*3子圖

30、像的位 置7顯示Laplacian算子銳化圖像 圖26原圖像 圖27sobel算子處理后圖像 圖28roberts算子處理后圖像 圖29prewitt處理后圖 圖30log處理后圖 圖31canny處理后圖像 圖32Laplacian銳化圖 分析：laplacian算子對(duì)邊緣的處理最明顯，Sobel和 prewitt較差一些。Roberts 算子定位 比擬準(zhǔn)確，Prewitt 算子是平均濾波的一階的微分算子，Canny是一階傳統(tǒng)微分中檢測階 躍型邊緣效果最好的算子之一。Prewitt 和 Sobel 算子比 Roberts 效果要好一些。L

31、og 濾波器和 Canny 算子的檢測效果優(yōu)于梯度算子，能夠檢測出圖像較細(xì)的邊緣局部。比擬 幾種邊緣檢測結(jié)果，可以看到 Canny 算子提取邊緣較完整，其邊緣連續(xù)性較好，效果優(yōu) 于其它算子。其次是 Prewitt 算子，其邊緣比擬完整。再次就是 Sobel 算子。 4．比擬各個(gè)邊緣檢測算子對(duì)噪聲的敏感性，并提出抗噪聲性能較好的邊緣檢測的方法。 I=imread('skull.tif');%讀取圖像 subplot(3,3,1 ),imshow(I),title('原圖像') ,imshow(I);title('原圖像')%在3*3子圖像的 位置1顯示原圖像 J=imnois

32、e(I,'salt & pepper',0.02); subplot(3,3,2),imshow(J,[]);title('添加椒鹽噪聲圖像')%在3*3子圖像的位置2顯示添加 椒鹽噪聲圖像 BW1=edge(J,'sobel',0.1);%用 sobel 算子進(jìn)展邊緣檢測，判斷閾值為 0.1 subplot(3,3,3),imshow(BW1,[]);title('sobel算子處理后圖像')%在3*3子圖像的位置3顯示 sobel算子處理后圖像 BW2=edge(J,'roberts',0.1);%用 roberts 算子進(jìn)展邊緣檢測，判斷閾值為 0.1 subplot(

33、3,3,4),imshow(BW2,[]);title('roberts算子處理后圖像')%在3*3子圖像的位置4 顯示roberts算子處理后圖像 BW3=edge(J,'prewitt',0.1);%用 prewitt 算子進(jìn)展邊緣檢測，判斷閾值為 0.1 subplot(3,3,5),imshow(BW3,[]);title('prewitt算子處理后圖像')%在3*3子圖像的位置5 顯示prewitt算子處理后圖像 BW4=edge(J,'log',0.01);%用 log 算子進(jìn)展邊緣檢測，判斷閾值為 0.01 subplot(3,3,6),imshow(BW4,[]

34、);title('log算子處理后圖像')%在3*3子圖像的位置6顯示 log算子處理后圖像 BW5=edge(J,'canny',0.1);%用 canny 算子進(jìn)展邊緣檢測，判斷閾值為 0.1 subplot(3,3,7),imshow(BW5,[]);title('canny算子處理后圖像')%在3*3子圖像的位置7顯示 canny算子處理后圖像 H=fspecial('laplacian');%生成Laplacian算子濾波器(突出圖像中的小細(xì)節(jié))〔它具有各向 同性〕〔Laplacian 算子對(duì)噪聲比擬敏感，所以圖像一般先經(jīng)過平 滑處理，因?yàn)槠交幚硪彩怯媚０暹M(jìn)展的，所

35、以通常的分割算法 都是把Laplacian 算子和平滑算子結(jié)合起來生成一個(gè)新的模板?！? laplacianH=filter2(H,J); %圖像I經(jīng)Laplacian算子銳化濾波處理 subplot(3,3,8);imshow(laplacianH);title('Laplacian算子銳化圖像'); %在3*3子圖像的位 置8顯示Laplacian算子銳化圖像 圖33原圖像 圖34添加椒鹽噪聲圖像 圖35sobel算子處理后圖像 圖36roberts算子處理后圖像 圖37prewitt算子處理后圖像 圖38log算子處理后圖像 圖39

36、canny算子處理后圖像 圖 40 Laplacian算子銳化圖像 分析：laplacian算子對(duì)噪聲的敏感性最強(qiáng)，可先對(duì)圖像進(jìn)展平滑處理，再進(jìn)展邊緣檢測。 梯度算子僅用最近鄰像素的灰度計(jì)算，對(duì)噪聲敏感，無法抑制噪聲的影響。Prewitt 算 子不僅能檢測邊緣點(diǎn)，而且能抑制噪聲的影響。Sobel不僅能檢測邊緣點(diǎn)，且能進(jìn)一步抑 制噪聲的影響，但檢測的邊緣較寬。Log 算子是基于二階導(dǎo)數(shù)的邊緣檢測，將高斯平滑 濾波器和拉普拉斯銳化濾波器結(jié)合了起來，先平滑掉噪聲，再進(jìn)展邊緣檢測。Roberts 算 子定位比擬準(zhǔn)確，但由于不包括平滑，所以對(duì)于噪聲比擬敏感

37、。 五、實(shí)驗(yàn)小結(jié)： 〔包括主要實(shí)驗(yàn)問題的最終結(jié)果描述、詳細(xì)的收獲體會(huì)，待解決的問題等〕 在此次實(shí)驗(yàn)中，由于實(shí)驗(yàn)容更貼近生活應(yīng)用，因此比起上學(xué)期，我們更容易領(lǐng)悟該程序的表達(dá)，只是在細(xì)節(jié)方面還是很容易出錯(cuò)，甚至不容易拐過彎來。但經(jīng)過此次實(shí)驗(yàn)，我們懂得要學(xué)著從復(fù)雜的程序中剝繭抽絲，把程序盡可能的簡單化。 在實(shí)驗(yàn)中應(yīng)注意的點(diǎn)： 1.手動(dòng)閾值分割的閾值是取直方圖中雙峰的谷底的灰度值作為閾值，假設(shè)有多個(gè)雙峰谷底， 如此取第一個(gè)作為閾值。 2.迭代閾值二值化分割的步驟是：1〕.選定初始閾值，即原圖大小取平均；2〕.用初閾 值進(jìn)展二值分割；3〕.目標(biāo)灰度值平均背景都取平均；4〕.迭代生成閾值

38、，直到兩次閾值 的灰度變化不超過1，如此穩(wěn)定；5〕.輸出迭代結(jié)果。 3.需要采用霍夫變換使連續(xù)變成連續(xù)，連接邊緣。 4.Sobel算子是一節(jié)微分濾波算子的，用于提取邊緣，有方向性；laplacian算子對(duì)邊緣的 處理明顯，它是二階微分算子，能加強(qiáng)邊緣效果，對(duì)噪聲很敏感。它沒有方向性，但是 可以改變模板的中間系數(shù)，會(huì)有不同的效果。 5.Canny 算子提取邊緣較完整，其邊緣連續(xù)性較好，效果優(yōu)于其它算子。其次是 Prewitt 算 子，其邊緣比擬完整。再次就是 Sobel 算子。laplacian算子對(duì)噪聲的敏感性最強(qiáng)，可先對(duì)圖像進(jìn)展平滑處理，再進(jìn)展邊緣檢測。 梯度算子僅用最近鄰像素的灰度計(jì)算，對(duì)噪 聲敏感，無法抑制噪聲的影響。Prewitt 算子不僅能檢測邊緣點(diǎn)，而且能抑制噪聲的影 響。Sobel不僅能檢測邊緣點(diǎn)，且能進(jìn)一步抑制噪聲的影響，但檢測的邊緣較寬。Log 算 子是基于二階導(dǎo)數(shù)的邊緣檢測，將高斯平滑濾波器和拉普拉斯銳化濾波器結(jié)合了起來，先平滑掉噪聲，再進(jìn)展邊緣檢測。Roberts 算子定位比擬準(zhǔn)確，但由于不包括平滑，所以對(duì)于噪聲比擬敏感。 手寫簽名： 13 / 13