数字图像处理-实验五

一、实验目的

1.学会使用编程实现不同算法的边缘检测。

2.学会使用编程实现不同算法的图像分割。

3.能够根据实验结果分析各种算法的特点及其应用场合，培养处理实际图像的能力。

二、实验要求

1.实验课前需要写预习实验报告，内容为本次实验要求中的所有程序清单。

2.实验课对预习报告中的编程代码进行上机调试，完成实验指导书中全部实验要求内容。

3.实验课后写出实验报告。报告要求有实验目的，实验内容与步骤，调试完成的准确编程代码，实验小结，回答问题。

三、实验内容（每一个内容编写一个*.m文件）

1.边缘检测：

（1）利用边缘检测函数edge ()对灰度图像(house.tif)进行边缘检测，检测算子分别选择'roberts'、'sobel'、'prewitt'、LOG、'Canny'（其他参数选择：default），比较不同检测算子对边缘检测的效果；

Roberts算子对于细节较多的图像效果不太好，而且对于噪声敏感。

Sobel算子相对于Roberts算子来说能够更好地处理细节部分，但是仍然对噪声比较敏感。

Prewitt算子和Sobel算子类似，但是它对噪声更加稳健。

Laplacian算子对于细节比较多的图像效果比较好，但是对于噪声较多的图像来说效果不太好。

Canny算子能够很好地处理细节复杂的图像，并且对于噪声的抗干扰性也比较好。

clear

% 加载图像

img = imread('house.tif');

% 边缘检测算子

operators = {'roberts', 'sobel', 'prewitt', 'log', 'canny'};

for i = 1:length(operators)

    operator = operators{i};

   

    % 应用不同的算子进行边缘检测

    switch operator

        case 'roberts'

            edges = edge(img, 'Roberts');

        case 'sobel'

            edges = edge(img, 'Sobel');

        case 'prewitt'

            edges = edge(img, 'Prewitt');

        case 'log'

            edges = edge(img, 'log');

        case 'canny'

            edges = edge(img, 'Canny');

    end

   

    % 显示边缘检测结果

    figure;

    imshow(edges);

    title(operator);

end

（2）利用工具箱函数imfilter()和如图1所示四种不同方向的线检测模板w1/w2/w3/w4对图像(Fig0908(a).tif)进行边缘检测，比较不同方向的检测算子对边缘检测的效果；

-1	-2	-1		-1	0	1		0	1	2		-2	-1	0
0	0	0		-2	0	2		-1	0	1		-1	0	1
1	2	1		-1	0	1		-2	-1	0		0	1	2

图1   w1（水平）     w2（垂直）      w3 （+45°）    w4（-45°）

w1（水平方向）：能够检测出图像中水平方向的边缘，如图像中的水平线条。

w2（垂直方向）：能够检测出图像中垂直方向的边缘，如图像中的垂直线条。

w3（+45°方向）：能够检测出图像中+45°方向的边缘，如图像中的斜线。

w4（-45°方向）：能够检测出图像中-45°方向的边缘，如图像中的斜线。

% 读取图像

image = imread('Fig0908(a).tif');

% 定义四个不同方向的线检测模板

w1 = [-1 -2 -1; 0 0 0; 1 2 1];

w2 = [-1 0 1; -2 0 2; -1 0 1];

w3 = [0 1 2; -1 0 1; -2 -1 0];

w4 = [-2 -1 0; -1 0 1; 0 1 2];

% 对图像应用四个模板进行边缘检测

result1 = imfilter(image, w1);

result2 = imfilter(image, w2);

result3 = imfilter(image, w3);

result4 = imfilter(image, w4);

% 显示原始图像和边缘检测结果

figure;

subplot(2, 3, 1), imshow(image), title('原始图像');

subplot(2, 3, 2), imshow(result1), title('w1（水平）');

subplot(2, 3, 3), imshow(result2), title('w2（垂直）');

subplot(2, 3, 4), imshow(result3), title('w3（+45°）');

subplot(2, 3, 5), imshow(result4), title('w4（-45°）');

2.对灰度图像(rice.tif)编程实现图像锐化增强（算子如图2所示）：

（1）利用robert算子检测图像边缘，并采用门限法得到锐化增强图像（T=10，T=50）；

（2）利用sobel算子检测图像边缘并得到锐化增强图像；

（3）利用Laplacian算子检测图像边缘，分H1和H2两种情况，并得到锐化增强图像；

（4）比较采用不同边缘检测算子锐化增强图像的不同效果。

                                                     H1              H2

-1	0		0	-1		-1	0	1		-1	-2	-1		0	1	0		1	1	1
0	1		1	0		-2	0	2		0	0	0		1	-4	1		1	-8	1
						-1	0	1		1	2	1		0	1	0		1	1	1

   图2   robert算子                  sobel算子                      Laplaci算子

% 读取图像

image = imread('rice.tif');

% 定义 Robert 算子模板

robert_h1 = [-1 0; 0 1];

robert_h2 = [0 -1; 1 0];

% 定义 Sobel 算子模板

sobel_h1 = [-1 0 1; -2 0 2; -1 0 1];

sobel_h2 = [-1 -2 -1; 0 0 0; 1 2 1];

% 定义 Laplacian 算子模板

laplacian_h1 = [-1 -1 -1; -1 8 -1; -1 -1 -1];

laplacian_h2 = [0 -1 0; -1 4 -1; 0 -1 0];

% Robert 算子锐化增强（门限法）

robert_result1 = abs(imfilter(image, robert_h1)) > 10;

robert_result2 = abs(imfilter(image, robert_h1)) > 50;

% Sobel 算子锐化增强

sobel_result = abs(imfilter(image, sobel_h1)) + abs(imfilter(image, sobel_h2));

% Laplacian 算子锐化增强

laplacian_result1 = abs(imfilter(image, laplacian_h1));

laplacian_result2 = abs(imfilter(image, laplacian_h2));

% 显示原始图像和锐化增强结果

figure;

subplot(2, 4, 1), imshow(image), title('原始图像');

subplot(2, 4, 2), imshow(robert_result1), title('Robert算子 T=10');

subplot(2, 4, 3), imshow(robert_result2), title('Robert算子 T=50');

subplot(2, 4, 4), imshow(sobel_result), title('Sobel算子');

subplot(2, 4, 5), imshow(laplacian_result1), title('Laplacian算子 H1');

subplot(2, 4, 6), imshow(laplacian_result2), title('Laplacian算子 H2');

Robert算子通常对图像中细节和边缘有着较好的响应，但对噪声比较敏感。它的锐化结果可能会突出一些细微的纹理和边缘特征。

Sobel算子在检测边缘时会考虑到像素的梯度变化，因此在图像锐化中会产生更加平滑和连续的边缘效果。它相对对噪声有一定的抑制作用。

Laplacian算子可以在不同方向上检测边缘，其H1和H2两种情况会产生不同的效果。它通常对于边缘的粗略检测有比较好的表现，并且在图像锐化中会强调更加整体的边缘特征。

3. 对灰度图像(Fig1018(a).tif)实现基于阈值处理的图像分割（1为必做内容，2-4为选做内容）：

（1）利用函数graythresh ()和otsuthresh()找到全局阈值，对图像进行分割；

（2）采用迭代阈值选取方法，编程实现基于图像数据自动地选择阈值，对图像进行全局阈值分割；

（3）使用Otsu阈值选取方法，编程实现对图像进行最佳全局阈值分割；

（4）比较迭代法和Otsu法两种不同的阈值处理方法对图像进行分割的效果。

clear

% 读取图像

image = imread('Fig1018(a).tif');

% 计算直方图

counts = imhist(image);

global_thresh = graythresh(image);

segmented_image_1 = imbinarize(image, global_thresh);

threshold = mean(image(:));

prev_threshold = 0;

while abs(threshold - prev_threshold) > 1e-3

    prev_threshold = threshold;

    foreground = image > threshold;

    background = image <= threshold;

    threshold = (mean(image(foreground)) + mean(image(background))) / 2;

end

segmented_image_2 = imbinarize(image, threshold);

otsu_thresh = otsuthresh(counts);

segmented_image_3 = imbinarize(image, otsu_thresh);

figure;

subplot(2, 2, 1), imshow(image), title('原始图像');

subplot(2, 2, 2), imshow(segmented_image_1), title('全局阈值分割(graythresh)');

subplot(2, 2, 3), imshow(segmented_image_2), title('迭代法阈值分割');

subplot(2, 2, 4), imshow(segmented_image_3), title('Otsu阈值分割');

四、问题与讨论

1.比较不同检测算子对灰度图像('house.tif')边缘检测的效果有什么不同？

w1（水平方向）：能够检测出图像中水平方向的边缘，如图像中的水平线条。

w2（垂直方向）：能够检测出图像中垂直方向的边缘，如图像中的垂直线条。

w3（+45°方向）：能够检测出图像中+45°方向的边缘，如图像中的斜线。

w4（-45°方向）：能够检测出图像中-45°方向的边缘，如图像中的斜线。

2.比较不同方向的检测算子对边缘检测的效果有什么不同？

Robert算子通常对图像中细节和边缘有着较好的响应，但对噪声比较敏感。它的锐化结果可能会突出一些细微的纹理和边缘特征。

Sobel算子在检测边缘时会考虑到像素的梯度变化，因此在图像锐化中会产生更加平滑和连续的边缘效果。它相对对噪声有一定的抑制作用。

Laplacian算子可以在不同方向上检测边缘，其H1和H2两种情况会产生不同的效果。它通常对于边缘的粗略检测有比较好的表现，并且在图像锐化中会强调更加整体的边缘特征。

3.迭代法和Otsu法两种不同的阈值处理方法对图像进行分割的效果有什么不同？  

迭代法是一种基于统计信息的阈值选取方法。它通过迭代计算前景和背景的平均灰度值，并以它们的平均值作为阈值进行分割。该方法需要预设一个初始阈值，并在每次迭代中根据前景和背景的平均灰度值来更新阈值，直到阈值收敛为止。迭代法的优点是简单易实现，但对于复杂图像可能需要较多的迭代次数才能达到较好的分割效果。

Otsu法是一种基于类间方差最大化的自适应阈值选取方法。它通过计算不同阈值下前景和背景之间的类间方差，选择使得类间方差最大的阈值作为全局阈值。Otsu法的优点是能够自动选择最佳的阈值，不需要事先设定初始阈值。它适用于不同光照条件下的图像分割，并且对于复杂图像也有较好的效果