实验报告81.docVIP

实 验 报 告 实验名称 图像分割 课程名称 数字图像处理及MATLAB实现 专 业: 通信工程 班 级： 09秋2班 学生姓名： 杨滨嘉 薛靖 阳婷 学 号:09032215 同 组 人: 指导教师: 刘 伟 实验日期: 成 绩： 实验1：直方图阈值法直方图阈值法ΔT只会引起面积略微减少，因此，把阈值设在直方图的谷，可以把阈值选择中的错误对面积测量的影响降低到最低。 实验方法及程序 完成基本实验内容 改变阈值的大小，选择最合适的阈值进行图像分割 I=imread(cameraman.tif); figure; subplot(2,2,1); imshow(I); title(灰度图像) axis([25,260,25,260]); grid on; axis on; [m,n]=size(I); GP=zeros(1,256); for k=0:255 GP(k+1)=length(find(I==k))/(m*n); end subplot(2,2,2),bar(0:255,GP,g) title(灰度直方图) xlabel(灰度值) ylabel(出现概率) I1=im2bw(I,100/255); subplot(2,2,3),imshow(I1); title(阈值100的分割图像) axis([25,260,25,260]); grid on; axis on; I2=im2bw(I,160/255); subplot(2,2,4),imshow(I2); title(阈值160的分割图像) axis([25,260,25,260]); grid on; axis on; 实验结果 （附图） 结果分析 分析阈值不同对图像分割的影响 当使用阈值规则进行图像分割时，所有灰度值大于或等于某阈值的像素都被判属于物体，所有灰度值小于该阈值的像素被排除在物体之外。 阈值分别设为100和160时，如图所示。当阈值增大时，会引起面积略微减少。 分析阈值分割的应用场合 适用于物体与背景有较强对比的景物分割。 实验2：自动阈值Otsu法自动阈值Otsu法~L-1变化，计算在不同k值下的类间方差，使得最大时的那个k值就是所要求的最优阈值。 实验方法及程序 clc clear all I=imread(tire.tif) subplot(1,2,1),imshow(I) subplot(1,2,1),imshow(I); title(原始图像) axis([0,210,0,210]); grid on; axis on; level=graythresh(I); BW=im2bw(I,level); subplot(1,2,2),imshow(BW); title(Otsu法阈值分割图像) axis([0,210,0,210]); grid on; axis on; 实验结果 （附图） 结果分析 对运行的结果图进行解释 该图是以最佳阈值将图像的灰度直方图分割成两部分，使两部分之间的方差取最大值，即物体和背景分离性达到最大。 实验3：迭代法求阈值实验 实验内容 利用迭代法求阈值 实验原理 图像中前景与背景之间的灰度分布为相互不重叠，在这个前提下，实现两类对象的阈值分割。 实验方法及程序 I=imread(lena.jpg); [width,height]=size(I); I=double(I); T=(min(I(:))+max(I(:)))/2; done=false; i=0; while~done r1=find(I=T); r2=find(IT); Tnew=(mean(I(r1))+mean(I(r2)))/2; done=abs(Tnew-T)1; T=Tnew; i=i+1; end I(r1)=0; I(r2)=1; figure; imshow(I) 实验结果 （附图） 结果分析 分析迭代法的优点 迭代法选取的阈值能区分出图像的前景和背景的主要区域所在。 实验4：分水岭算法分割图像实验 实验内容 利用分水岭算法分割图像 实验原理 分水岭算法不是简单的将图像在最佳灰度级进行阈值处理，而是从一个偏低但仍然能正确分割各个物体的阈值的开始。随着阈值逐渐上升到最佳值，使各个物体不会被合并。解决了由于物体靠的太近而不能用全局阈值解决的问题。 实验方法及程序 center1=-10; center2=-center1; dist=sqrt(2*(2*