2017数字图像处理第次作业附答案.docxVIP

数字图像处理第四次作业摘要本次报告主要记录第四次作业中的各项任务完成情况。本次作业以Matlab 2013为平台，结合matlab函数编程实现对所给图像文件的相关处理：1.分别用高斯滤波器和中值滤波器去平滑测试图像test1和2，模板大小分别是3x3 ， 5x5 ，7x7，利用固定方差 sigma=1.5产生高斯滤波器；2.利用高通滤波器滤波测试图像test3,4：包括unsharp masking, Sobel edge detector, and Laplace edge detection。以上任务完成后均得到了预期的结果。1.分别用高斯滤波器和中值滤波器去平滑测试图像test1和2，模板大小分别是3x3 ， 5x5 ，7x7，利用固定方差 sigma=1.5产生高斯滤波器（1）实验原理及方法中值滤波器是一种非线性统计滤波器，对一幅图像上的某点进行中值滤波处理的过程是首先根据模板大小，将领域内的像素分类排序，确定其中值，然后将中值赋予滤波后图像中的相应像素点，遍历图像除边缘外的所有点后，即可对这幅图像作中值滤波处理。它比小尺寸的线性平滑滤波器的模糊程度明显要低，对处理脉冲噪声（椒盐噪声）非常有效。中值滤波器的主要功能是使拥有不同灰度的点看起来更接近于它的邻近值，去除那些相对于其邻域像素更亮或更暗，并且其区域小于滤波器区域一半的孤立像素集。高斯滤波是一种根据高斯函数的形状来选择模板权值的线性平滑滤波方法，对去除服从正态分布的噪声很有效果。高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。高斯滤波的具体操作是：用一个模板（或称卷积）扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。高斯函数具有5个重要性质： ①二维高斯函数具有旋转对称性，即滤波器在各个方向上的平滑程度是相同的。高斯滤波器在后续的图像处理中不会偏向任一方向。②高斯函数是单值函数。高斯滤波器用像素邻域的加权均值来代替该点的像素值，而每一邻域像素点的权值是随着该点与中心点距离单调递减的。③高斯函数的傅立叶变换频谱是单瓣的。这意味着平滑图像不会被不需要的高频信号所污染，同时保留了大部分所需要的信号。 ④高斯滤波器的宽度(决定平滑程度)是由参数σ表征的，而且σ越大，高斯滤波器的频带就越宽，平滑程度就越好。通过调节平滑程度参数σ，可在图像特征分量模糊(过平滑)与平滑图像中由于噪声和细纹理所引起的过多的不希望突变量(欠平滑)之间取得折衷。 ⑤由于高斯函数的可分离性，大高斯滤波器可以有效实现。通过二维高斯函数的卷积可以分两步来进行，首先将图像与一维高斯函数进行卷积，然后将卷积的结果与方向垂直的相同一维高斯函数进行卷积。因此，二维高斯滤波的计算量随滤波模板宽度成线性增长而不是成平方增长。（2）处理结果（3）结果分析从处理结果看，两种滤波方法得到图像的平滑效果较为明显，且窗口越大，滤波器模板的越大，平滑效果越明显，图像细节越模糊。如test2中人脸图像的眼睛、鼻子及手掌外侧部分，随着滤波器模板的增大，可以明显的感受到图像模糊的效果。将两种滤波方法的处理结果进行对比，可以发现高斯滤波虽然也是在很大程度上对图像进行了平滑处理，但更好的保留了图像的细节，图像的模糊程度低于中值滤波。如从test1可以明显的看出，左上角的小白条，在中值滤波中消除掉了，而在高斯滤波中仍然存在，只是看起来更加模糊了而已。2. 利用高通滤波器滤波测试图像test3,4：包括unsharp masking, Sobel edge detector, and Laplace edge detection.（1）实验原理及方法锐化滤波能减弱或消除图像中的低频率分量，但不影响高频率分量。因为低频分量对应图像中灰度值缓慢变化的区域，与图像的整体特性，如整体对比度和平均灰度值等有关。锐化滤波将这些分量滤去可使图像反差增加，边缘明显。在实际应用中，锐化滤波可用于增强被模糊的细节或者低对比度图像的目标边缘。 图像锐化的主要目的有两个：一是增强图像边缘，使模糊的图像变得更加清晰，颜色变得鲜明突出，图像的质量有所改善，产生更适合人眼观察和识别的图像；二是希望经过锐化处理后，目标物体的边缘鲜明，以便于提取目标的边缘、对图像进行分割、目标区域识别、区域形状提取等，为进一步的图像理解与分析奠定基础。 由于锐化使噪声受到比信号还要强的增强，所以要求锐化处理的图像有较高的信噪比；否则，锐化后图像的信噪比更低。 1) unsharp masking 首先将原图像低通滤波后产生一个钝化模糊图像，将原图像与这模糊图像相减得到保留高频成份的图像，再将高频图像用参数放大后与原图像叠加，这就产生一个增强了边缘的图像。最初将原图像通过低通滤波器后，因为高频