图像处理作业.docVIP

1．结合KNN边界保持滤波器和阿尔法滤波器对含有椒盐噪声的图像进行去噪，并要求保留边界。 解：要实现边界保留，那么在进行去噪前，首先判别当前像素是否为边界上的点，如果是，则不进行平滑处理；如果不是，则进行平滑处理。这就需要用到KNN边界保持滤波器。边界保持滤波器的核心是确定边界点与非边界点。KNN滤波器因为有了边界保持的作用，所以在去除椒盐以及高斯噪声时，对图像景物的清晰度保持方面的效果非常明显。当然，所付出的代价是：算法的复杂度增加了。而阿尔法滤波器对各种噪声都可以起到很好的去噪作用。具体步骤如下： （1）首先通过KNN边界保持滤波器确定出非边界区域点g（s,t），对边界区域点不做处理； （2）邻域内去掉g(s,t)最高灰度值的d/2和最低灰度值的d/2。用代表剩余mn-d个像素。由这些剩余后的像素点的平均值形成修正后的阿尔法均值滤波器： 其中d=(mn-1)/2时，退变为中值滤波器。椒盐噪声是幅值近似相等但随机分布在不同位置上，图像中有干净点也有污染点。中值滤波是选择适当的点来替代污染点的值，所以处理效果好。 2．选择配套的相机和镜头，要求可识别2*2mm的杂质。 解：选择CCD分辨率。CCD成像示意图如上图（1）所示，像元尺寸为，则杂质所成的像的尺寸最少为，可由此计算镜头的焦距为 f=。 对于相机分辨率，则要根据成像视野对应的实际范围而定。例如若视野范围为，则相机分辨率应不小于 像素 图1 原图 图2 左旋转30度 图3 左旋转45度 灰度二值化后图像旋转 图1 原始图像 图2 中心旋转30度 图2 中心旋转45度 程序 clc; clear; I=imread(logo.png); B=imresize(I,1.2,bilinear); C=imresize(I,0.5,nearest); figure(1) imshow(I); figure(2) imshow(B); figure(3) imshow(C); %%旋转程序 clc; clear; I=imread(logo.png); figure; imshow(I) b=imrotate(I,45,nearest,crop); figure; imshow(b) 4．设计一个图像处理的算法分别对下图的红细胞和白细胞计数（假设浅色点为红细胞，深色点为白细胞）。 原图 im1 二值化后Image_BIG 求反去小面积后二值化图像Image_BIG2 clear image=imread(C:\Users\cgy\Desktop\blood1.jpg);%读取图片 im1=rgb2gray(image);%转化为灰度图 figure,imshow(im1); title(原图); level = graythresh(im1);% 使用最大类间方差法找到图片的一个合适的阈值 Image_BIG = im2bw(im1,level); figure,imshow(Image_BIG) Image_BIG1=bwareaopen(Image_BIG,90); %删除二值图像Image_BIG中面积小于的对象 Image_BIG1=~Image_BIG1; Image_BIG2=bwareaopen(Image_BIG1,60); Image_BIG2=~Image_BIG2; figure,imshow(Image_BIG2); k=bwlabel(~Image_BIG2); a=max(max(k1)) Image_Small=im2bw(im1,0.81); figure,imshow(Image_Small); title(阙值处理后图像); Image_Small1=bwareaopen(Image_Small,90); Image_Small1=~ Image_Small1; Image_Small2=bwareaopen(Image_Small1,90); figure,imshow(~Image_Small2); title(求反去小面积后图像); SE = strel(disk,9); Image_Small_PZ=imerode(Image_Small2,SE); Image_Small_PZ=~Image_Small_PZ; figure,imshow(Image_Small_PZ) k2=bwlabel(~