【正文】 理解。七、程序清單clear all。I=imread(39。39。)。%打開一幅灰度圖像 [m,n]=size(I)。p=m*n。J=imhist(I)./p。%計算圖像的歸一化直方圖 subplot(1,3,1),imshow(I)； subplot(1,3,2),imhist(I,64)； subplot(1,3,3),plot(J)；（2）直方圖均衡化clear all。Im=imread(39。39。)。J=histeq(Im)。%均衡化 subplot(2,2,1)。imshow(Im)。title(39。原圖39。)。%顯示原圖 subplot(2,2,2)。imhist(Im)。title(39。原圖直方圖39。)。%顯示原圖的直方圖 subplot(2,2,3)。imshow(J)。title(39。均衡化結果39。)。%顯示均衡化后的圖像 subplot(2,2,4)。imhist(J)。title(39。均衡化結果的直方圖39。)。%顯示均衡化后的直方圖實驗二 頻域圖像增強一、實驗目的頻域圖像增強掌握基于頻域的圖像增強方法。二、實驗內容（1）編程實現(xiàn)圖像的理想低通和高通濾波；（2）編程實現(xiàn)圖像的巴特沃斯低通和高通濾波。三、實驗運行結果四、實驗中遇到的問題及解決方法顯示圖像無法打開，最終查出來時圖像格式弄錯了。五、思考題分析為什么圖像通過低通濾波器后變得模糊？為什么通過高通濾波器后得到銳化結果？答：圖像的精細結構及突變部分主要由高頻成分起作用，故經(jīng)低通濾波后圖像的精細結構消失，變得模糊；經(jīng)高通濾波后圖像得到銳化。六、實驗心得體會本實驗中遇到很多問題及錯誤，例如圖像打不開、處理后圖像模糊等，都是經(jīng)常容易發(fā)生的錯誤，最后實驗幾次，就能夠逐一自己解決了。使自己對數(shù)字圖像處理課程中的許多問題有了更實際和確切的深入了解。七、程序清單clc。clear。data4=imread(39。39。)。subplot(3,2,1)。imshow(data4)。title(39。原圖39。)。i=fft2(data4)。subplot(3,2,2)。i=fftshift(i)。z=log(abs(i))。x=0:1:255。y=0:1:255。[x,y]=meshgrid(x,y)。mesh(z)。%以三維坐標顯示該圖像頻譜圖title(39。原圖頻譜39。)。[n,m]=size(i)。%for k=1:1:n for l=1:1:m if(k^2+l^2)=190^2 % result(k,l)=0。else result(k,l)=i(k,l)。end end end subplot(3,2,4)。對該圖進行低通濾波 選取D=190z=log(abs(result))。%三維方式顯示低通濾波后的頻譜圖 x=0:1:255。y=0:1:255。[x,y]=meshgrid(x,y)。mesh(z)。title(39。理想低通濾波后的頻譜39。)。subplot(3,2,3)。%新建圖像顯示窗口 result=fftshift(result)。%濾波后的數(shù)據(jù)去中心化 b=ifft2(result)。%逆傅里葉變換 imshow(uint8(abs(b)))。title(39。理想低通濾波后的圖像39。)。subplot(3,2,6)。%新建圖像顯示窗口 % [n,m]=size(c)。%對原圖進行高通濾波 for k=1:1:n for l=1:1:m if(k^2+l^2)imshow(uint8(abs(d)))。title(39。理想高通濾波后的圖像39。)。%頻域增強（巴特沃斯原型）%二階巴特沃斯（Butterworth）低通濾波器 %clc。%clear。Figure。J1=imread(39。39。)。subplot(3,2,1)。imshow(J1)。title(39。原圖39。)。f=double(J1)。g=fft2(f)。% 傅立葉變換 g=fftshift(g)。% 轉換數(shù)據(jù)矩陣 subplot(3,2,2)。x=0:1:255。y=0:1:255。[x,y]=meshgrid(x,y)。z=log(abs(g))。%取幅度 mesh(z)。%以三維坐標顯示該圖像頻譜圖 title(39。原圖頻譜39。)。[M,N]=size(g)。nn=2。% 二階巴特沃斯(Butterworth)低通濾波器 d0=20。m=fix(M/2)。n=fix(N/2)。for i=1:M for j=1:N d=sqrt((im)^2+(jn)^2)。h=1/(1+*(d/d0)^(2*nn))。% 計算低通濾波器傳遞函數(shù) result(i,j)=h*g(i,j)。end end subplot(3,2,4)。x=0:1:255。y=0:1:255。[x,y]=meshgrid(x,y)。z=log(abs(result))。%取幅度 mesh(z)。%以三維坐標顯示該圖像頻譜圖 title(39。低通濾波后的頻譜39。)。result=ifftshift(result)。J2=ifft2(result)。J3=uint8(abs(J2))。subplot(3,2,3)。imshow(J3)。title(39。低通濾波后的圖像39。)。%利用二階巴特沃斯（Butterworth）高通濾波器nn=2。% 二階巴特沃斯(Butterworth)高通濾波器 d0=5。m=fix(M/2)。n=fix(N/2)。for i=1:M for j=1:N d=sqrt((im)^2+(jn)^2)。if(d==0)h=0。else h=1/(1+*(d0/d)^(2*nn))。% 計算傳遞函數(shù) end result(i,j)=h*g(i,j)。end end subplot(3,2,6)。x=0:1:255。y=0:1:255。[x,y]=meshgrid(x,y)。z=log(abs(result))。%取幅度 mesh(z)。%以三維坐標顯示該圖像頻譜圖 title(39。高通濾波后的頻譜39。)。result=ifftshift(result)。J2=ifft2(result)。J3=uint8(abs(J2))。subplot(3,2,5)。imshow(J3)。title(39。高通濾波后的圖像39。)。實驗三 圖像邊緣檢測與連接一、實驗目的圖像邊緣檢測與連接二、實驗內容（1）編程實現(xiàn)一階差分邊緣檢測算法，包括Robert梯度算子、Prewitt算子、Sobel算子等；（2）編程實現(xiàn)二階差分拉普拉斯邊緣檢測算法以及LoG檢測法和Canny檢測法；（3）分析與比較各種邊緣檢測算法的性能；（4）編程實現(xiàn)Hough變換提取直線（5）分析Hough變換檢測性能；三、實驗運行結果四、實驗中遇到的問題及解決方法拷貝文件后沒改文件名，直接執(zhí)行時出現(xiàn)錯誤，最后重新修改后重新編譯，使之成功。五、思考題（1）邊緣的方向是什么意思？為什么要考慮邊緣的方向？答：邊緣常常意味著一個區(qū)域的終結和另一個區(qū)域的開始，圖像的邊緣也包含了物體的形狀的重要信息，他不僅在分析圖像時大幅度的減少了要處理的信息量，而且還保護了目標的邊界結構。所以考慮邊緣的方向很重要。（2）Hough變換原理是什么？答：Hough變換的基本原理在于利用點與線的對偶性，將原始圖像空間的給定的曲線通過曲線表達形式變?yōu)閰?shù)空間的一個點。這樣就把原始圖像中給定曲線的檢測問題轉化為準找參數(shù)空間的峰值問題。也即把檢測整體特性轉化為檢測局部特性。比如直線、橢圓、圓、弧線等。六、實驗心得體會對于一些圖像處理的函數(shù)不是很了解，只能夠按課本的參照函數(shù)拷貝做實驗，對于其中的一些函數(shù)問題理解不是很透徹，有些甚至完全不懂。還得繼續(xù)努力。七、程序清單邊緣檢測由edge函數(shù)實現(xiàn)各算子對圖像的邊緣檢測clear all。I = imread(39。d:39。)。I=rgb2gray(I)。BW1 = edge(I,39。sobel39。)。%利用Sobel算子進行邊緣檢測 BW2 = edge(I,39。roberts39。)。%利用roberts算子進行邊緣檢測 BW3 = edge(I,39。prewitt39。)。%利用prewitt算子進行邊緣檢測 BW4 = edge(I,39。log39。)。%利用log算子進行邊緣檢測 BW5 = edge(I,39。canny39。)。%利用canny算子進行邊緣檢測 subplot(2,3,1),imshow(I)subplot(2,3,2),imshow(BW1)subplot(2,3,3),imshow(BW2)subplot(2,3,4),imshow(BW3)subplot(2,3,5),imshow(BW4)subplot(2,3,6),imshow(BW5)邊緣連接使用Hough變換作線檢測和連接clear all。RGB = imread(39。d:39。)。I=RGB。%I = rgb2gray(RGB)。BW = edge(I,39。canny39。)。% 利用Canny算子提取圖像邊緣 [H,T,R] = hough(BW,39。RhoResolution39。,39。ThetaResolution39。,)。figure(1), imshow(T,R,H,[],39。notruesize39。), axis on, axis normal xlabel(39。T39。), ylabel(39。R39。)p = houghpeaks(H,5,39。threshold39。,ceil(*max(H(:))))。%找到5個較明顯的Hough變換峰值hold on plot(T(p(:,2)),R(p(:,1)),39。s39。,39。color39。,39。white39。)。lines = houghlines(BW,T,R,p,39。FillGap39。,10,39。MinLength39。,10)。%查找并鏈接線段figure, imshow(BW), hold on %在二值圖中疊加顯示這些線段 for k = 1:length(lines)xy = [lines(k).point1。lines(k).point2]。plot(xy(:,1),xy(:,2),39。LineWidth39。,2,39。Color39。,39。green39。)。end第三篇：數(shù)字圖像處理實驗報告數(shù)字圖像處理實驗報告目錄一、數(shù)字圖像處理簡介圖像處理，是對圖像進行分析、加工、和處理，使其滿足視覺、心理以及其他要求的技術。圖像處理是信號處理在圖像域上的一個應用。目前大多數(shù)的圖像是以數(shù)字形式存儲，因而圖像處理很多情況下指數(shù)字圖像處理。此外，基于光學理論的處理方法依然占有重要的地位。圖像處理是信號處理的子類，另外與計算機科學、人工智能等領域也有密切的關系。傳統(tǒng)的一維信號處理的方法和概念很多仍然可以直接應用在圖像處理上，比如降噪、量化等。然而，圖像屬于二維信號，和一維信號相比，它有自己特殊的一面，處理的方式和角度也有所不同。二、實驗目的鞏固所學知識，提高所學能力三、實驗內容利用matlab的GUI程序設計一個簡單的圖像處理程序，并含有如下基本功能： ，變換為灰度圖像和二值圖像，并在同一個窗口內分成三個子窗口來分別顯示RGB圖像和灰度圖像，注上文字標題 3．對給定的圖像添加噪聲（椒鹽噪聲、高斯噪聲）四、實驗結果及代碼展示（1）讀入一幅RGB圖像，變換為灰度圖像和二值圖像，并在同一個窗口內分成三個子窗口來分別顯示RGB圖像和灰度圖像，注上文字標題效果展示：代碼：a = imread(39。C:Documents and 39。)。i = rgb2gray(a)。I = im2bw(a,)。subplot(3,1,1)。imshow(a)。title(39。源圖像39。)subplot(3,1,2)。imshow(i)。title(39?；叶葓D像39。)subplot(3,1,3)。imshow(I)。title(39。二值圖像39。)（2）圖像旋轉 原圖效果展示：代碼：clc。clear all。close all。Img=imread(39。D:My DocumentsMy 39。)。Img=double(Img)。[h w]=size(Img)。alpha=pi/4。wnew=w*cos(alpha)+h*sin(alpha)。hnew=w*sin(alpha)+h*cos(alpha)。wnew=ceil(wnew)。hnew=ceil(hnew)。u0=w*sin(alpha)。T=[cos(alpha),sin(alpha)。sin(alpha),cos(alpha)]。Imgnew2=zeros(hnew,wnew)。Imgnew1=zeros(hnew,wnew)。for u=1:hnewfor v=1:wnewtem=T*([u。v][u0。0])。x=tem(1)。y=tem(2)。if x=1amp。amp。x=1amp。amp。yelsex=x_up。endif(yy_low)elsey=y_up。endp1=Img(x_low,y_low)。p2=Img(x_up,y_low)。p3=Img(x_low,y_low)。p4=Img(x_up,y_up)。s=xx_low。t=yy_low。Imgnew1(u,v)=Img(x,y)。Imgnew2(u,v)=(1s)*(1t)*p1+(1s)*t*p3+(1t)*s*p2+s*t*p4。endend endfigure。imshow(Imgnew2,[])。B=imrotate(Img,alpha/pi*180)。figure。imshow(B,[])。（3）對給定的圖像添加噪聲（斑點噪聲、高斯噪聲）效果展示：代碼：I= imread(39。D:My DocumentsMy 39。)。figure,subplot(211)。imshow(I)。title(39。原圖39。)。J1=imnoise(I,39。gaussian39。,0,)。subplot(223)。im