MATLAB：Image Processing Toolbox工具箱入门实战(1)

最新推荐文章于 2024-09-24 08:22:44 发布

2401_84182337

最新推荐文章于 2024-09-24 08:22:44 发布

阅读量1.2k

点赞数 29

分类专栏： 2024年程序员学习文章标签： matlab 计算机视觉人工智能

本文链接：https://blog.csdn.net/2401_84182337/article/details/137658511

版权

2024年程序员学习专栏收录该内容

63 篇文章

订阅专栏

% 此段代码是为了清楚对象是比背景亮还是比背景暗，输出灰度图片看一看
% gray_image = rgb2gray(rgb);
% imshow(gray_image)

% 此段代码用来确定imfindcircles函数里的radiusRange，测出来应该是[25 30]
% d = drawline; % 画一条线，大致画出圆的直径
% pos = d.Position % 线的位置
% diffPos = diff(pos); % 各行之间的一阶差分，也就是delta x和delta y
% diameter = hypot(diffPos(1),diffPos(2)) % 平方和的平方根（斜边）

% 这里开始找圆，用的是imfindcircles()函数
% 背景相当亮，大多数塑料片比背景暗，将参数 ‘ObjectPolarity’ 设置为 ‘dark’ 以搜索较暗的圆。
% imfindcircles 有两种不同寻找圆的方法：默认方法（称为相位编码方法）/两阶段方法，这里指定使用两阶段方法
% 两种方法都能准确找到部分可见（遮挡）塑料片的中心和半径。
[centers,radii] = imfindcircles(rgb,[25 30],‘ObjectPolarity’,‘dark’, …
‘Sensitivity’,0.92,‘Method’,‘twostage’);

% 注意到黄色圆都没有被检测到
% 与背景相比，黄色塑料片的强度几乎相同，甚至更亮。因此，要检测黄色塑料片，‘ObjectPolarity’ 改为 ‘bright’。
% [centersBright,radiiBright] = imfindcircles(rgb,[25 30], …
% ‘ObjectPolarity’,‘bright’,‘Sensitivity’,0.95)
% 找到了三个原先未检测到的黄色塑料片，但仍有黄色塑料片未检测到

% 要查找圆，imfindcircles 仅使用图像中的边缘像素。这些边缘像素基本上是具有高梯度值的像素。
% ‘EdgeThreshold’ 参数控制像素的梯度值必须有多高，才能将其视为边缘像素并包含在计算中。
% 该参数的高值（更接近 1）只允许包含强边缘（较高梯度值），而低值（更接近 0）的宽容度更高，可在计算中包含较弱的边缘（较低梯度值）。
% 对于检测不到黄色塑料片的情况，是因为对比度低，一些边界像素（在塑料片的圆周上）预期具有低梯度值。因此，请降低 ‘EdgeThreshold’。
[centersBright,radiiBright,metricBright] = imfindcircles(rgb,[25 30], …
‘ObjectPolarity’,‘bright’,‘Sensitivity’,0.95,‘EdgeThreshold’,0.1);

imshow(rgb)
hBright = viscircles(centersBright, radiiBright,‘Color’,‘b’); % 蓝色画出
h = viscircles(centers,radii); % 红色画出


![](https://img-blog.csdnimg.cn/direct/270e92d7cd1745bf8020aa6533d0983c.png)


#### 3.实战项目二：图像增强（预处理）统计米粒


本案例说明如何在分析前的预处理步骤增强图像。例如校正背景亮度不均匀问题，并将图像转换为二值图像，以便于识别前景对象（单个米粒）。然后分析对象，例如计算每粒大米的面积，并计算图像中所有对象的统计量。


关于**形态学图像处理**的知识（strel腐蚀和imopen形态学开操作），可参考冈萨雷斯的数字图像处理第9章和以下资料：


[形态学运算与仿真：图像处理中形态学操作的简单解释 - 知乎 (zhihu.com)![icon-default.png?t=N7T8](https://csdnimg.cn/release/blog_editor_html/release2.3.6/ckeditor/plugins/CsdnLink/icons/icon-default.png?t=N7T8)https://zhuanlan.zhihu.com/p/628780157](https://zhuanlan.zhihu.com/p/628780157 "形态学运算与仿真：图像处理中形态学操作的简单解释 - 知乎 (zhihu.com)")


简而言之，形态学运算包括膨胀、腐蚀、开运算、闭运算等。其中：


* 膨胀操作可以将图像中的物体变大，使它更加连通；
* 腐蚀操作则可以将图像中的物体变小，使它更加细化；
* 开运算可以去除噪声，平滑图像的边缘；
* 闭运算可以填补图像中物体的孔洞。


这里应用strel腐蚀和imopen形态学开操作，目的是得到背景。


经过预处理得到图像的二值版本，然后利用bwconncomp（）在二值图像中查找所有连通分量（对象）得到所有米粒的信息。最后展示了经过预处理后的图片和米粒面积的直方图：


![](https://img-blog.csdnimg.cn/direct/82d9cf0012354ea68dc81fed2b33180a.png)

I = imread(‘rice.png’);
% imshow(I)

% strel 对象表示一个平面形态学结构元素，该元素是形态学膨胀和腐蚀运算的重要部分。
se = strel(‘disk’,15);
% 开操作Open先对图像进行腐蚀操作，然后再进行膨胀操作的组合过程，可以用于消除小的物体或细节，并且可以平滑物体的边界
% 闭操作Close则相反，它是先对图像进行膨胀操作，然后再进行腐蚀操作的组合过程。可以用于填补小的空洞或裂缝，并且也可以平滑物体的边界。
% imopen执行形态学开操作，然后得到背景
background = imopen(I,se);
% imshow(background)
I2 = I - background;
% 默认情况下，imadjust 对所有像素值中最低的 1% 和最高的 1% 进行饱和处理。此运算可提高输出图像的对比度。
I3 = imadjust(I2);
bw = imbinarize(I3); % 使用 imbinarize 函数将灰度图像转换为二值图像
bw = bwareaopen(bw,50); % 使用 bwareaopen 函数去除图像中的背景噪声。
cc = bwconncomp(bw,4); % bwconncomp查找二值图像中的连通分量
% cc.NumObjects
labeled = labelmatrix(cc); % 使用 labelmatrix 根据 bwconncomp 的输出创建标签矩阵，将二进制图像中的连通分量标记为唯一的整数值。使用标签矩阵可视化不同的连通分量。
RGB_label = label2rgb(labeled,‘spring’,‘c’,‘shuffle’); % 为了更容易区分不同的连通分量，使用label2rgb将标签矩阵显示为RGB图像，并对标签的颜色随机。
% imshow(RGB_label)
graindata = regionprops(cc,‘basic’); % regionprops返回二值图像中每个8连通分量（对象）的属性集的测量值。
grain_areas = [graindata.Area];
histogram(grain_areas)
title(‘Histogram of Rice Grain Area’)


![](https://img-blog.csdnimg.cn/direct/8680f862733e49edb7efb1c3102d494e.png)



![](https://img-blog.csdnimg.cn/direct/033799967c3e45d99bcdad2168ec2f44.png)


#### 4.实战项目三：利用Sobel算子进行裂纹检测


Sobel算子实现步骤：


1.首先需要两个方向（水平和竖直方向）的滤波核：


![S_x=\begin{bmatrix} -1 &0 &1 \\ -2 &0 &2 \\ -1 &0 &1 \end{bmatrix},S_y=\begin{bmatrix} -1 &-2 &-1 \\ 0 &0 &0 \\ 1 &2 &1 \end{bmatrix}=S_{x}^{T}](https://latex.csdn.net/eq?S_x%3D%5Cbegin%7Bbmatrix%7D%20-1%20%260%20%261%20%5C%5C%20-2%20%260%20%262%20%5C%5C%20-1%20%260%20%261%20%5Cend%7Bbmatrix%7D%2CS_y%3D%5Cbegin%7Bbmatrix%7D%20-1%20%26-2%20%26-1%20%5C%5C%200%20%260%20%260%20%5C%5C%201%20%262%20%261%20%5Cend%7Bbmatrix%7D%3DS_%7Bx%7D%5E%7BT%7D)


这是因为边缘检测的**目的**是**标识数字图像中亮度变化明显的点**。**图像属性中的显著变化通常反映了属性的重要事件和变化**。所以通常说来图像中梯度较大的点代表着边缘。边缘检测方法分为两类：


* 基于搜索：利用一阶导数最大值检测边缘。通过寻找图像**一阶导数中的最大值**来**检测边界**，然后**利用计算结果估计边缘的局部方向**，代表算法是**Sobel算子**和**Scharr算子**。这是因为**边缘附近的像素值会有明显突变，即变化最大，也就是一阶导数最大（实际操作中通常设置一个阈值）。那么找到最大的一阶导数也就找到了像素变化最大的点，即边缘点。**
* 基于零穿越：利用二阶导数为0检测边缘。代表算法是**Laplace算子**。因为**在一阶导数的基础上再求一次导，那么此时零点就是变化最大的点，即边缘点。**


导数定义：![f{}'(x)=\lim_{h \to 0}\frac{f(x+h)-f(x-h)}{2h}](https://latex.csdn.net/eq?f%7B%7D%27%28x%29%3D%5Clim_%7Bh%20%5Cto%200%7D%5Cfrac%7Bf%28x&plus;h%29-f%28x-h%29%7D%7B2h%7D)


对于不连续的函数，一阶导数（一阶均差）可以写作：


![f{}'(x)=f(x+1)-f(x)=f(x)-f(x-1)](https://latex.csdn.net/eq?f%7B%7D%27%28x%29%3Df%28x&plus;1%29-f%28x%29%3Df%28x%29-f%28x-1%29)


所以有：![f{}'(x)=\frac{f(x+1)-f(x)+f(x)-f(x-1)}{2}=\frac{f(x+1)-f(x-1)}{2}](https://latex.csdn.net/eq?f%7B%7D%27%28x%29%3D%5Cfrac%7Bf%28x&plus;1%29-f%28x%29&plus;f%28x%29-f%28x-1%29%7D%7B2%7D%3D%5Cfrac%7Bf%28x&plus;1%29-f%28x-1%29%7D%7B2%7D)，也就是后-前。


因此我们有：


x方向的梯度：拿后一列（下标j+1）减去前一列（下标j-1）:


![\frac{\partial f}{\partial x}=\left |[f(i-1,j+1)+f(i,j+1)+f(i+1,j+1)]-[f(i-1,j-1)+f(i,j-1)+f(i+1,j-1)] \right |](https://latex.csdn.net/eq?%5Cfrac%7B%5Cpartial%20f%7D%7B%5Cpartial%20x%7D%3D%5Cleft%20%7C%5Bf%28i-1%2Cj&plus;1%29&plus;f%28i%2Cj&plus;1%29&plus;f%28i&plus;1%2Cj&plus;1%29%5D-%5Bf%28i-1%2Cj-1%29&plus;f%28i%2Cj-1%29&plus;f%28i&plus;1%2Cj-1%29%5D%20%5Cright%20%7C)


y方向的梯度：拿后一行（下标i+1）减去前一行（下标i-1）:


![\frac{\partial f}{\partial y}=\left |[f(i+1,j-1)+f(i+1,j)+f(i+1,j+1)]-[f(i-1,j-1)+f(i-1,j)+f(i-1,j+1)] \right |](https://latex.csdn.net/eq?%5Cfrac%7B%5Cpartial%20f%7D%7B%5Cpartial%20y%7D%3D%5Cleft%20%7C%5Bf%28i&plus;1%2Cj-1%29&plus;f%28i&plus;1%2Cj%29&plus;f%28i&plus;1%2Cj&plus;1%29%5D-%5Bf%28i-1%2Cj-1%29&plus;f%28i-1%2Cj%29&plus;f%28i-1%2Cj&plus;1%29%5D%20%5Cright%20%7C)


写成卷积表达式就是：


![S_x=\begin{bmatrix} -1 &0 &1 \\ -1 &0 &1 \\ -1 &0 &1 \end{bmatrix},S_y=\begin{bmatrix} -1 &-1 &-1 \\ 0 &0 &0 \\ 1 &1 &1 \end{bmatrix}=S_{x}^{T}](https://latex.csdn.net/eq?S_x%3D%5Cbegin%7Bbmatrix%7D%20-1%20%260%20%261%20%5C%5C%20-1%20%260%20%261%20%5C%5C%20-1%20%260%20%261%20%5Cend%7Bbmatrix%7D%2CS_y%3D%5Cbegin%7Bbmatrix%7D%20-1%20%26-1%20%26-1%20%5C%5C%200%20%260%20%260%20%5C%5C%201%20%261%20%261%20%5Cend%7Bbmatrix%7D%3DS_%7Bx%7D%5E%7BT%7D)


![\frac{\partial f}{\partial x}=S_x\bigotimes f,\frac{\partial f}{\partial y}=S_y\bigotimes f](https://latex.csdn.net/eq?%5Cfrac%7B%5Cpartial%20f%7D%7B%5Cpartial%20x%7D%3DS_x%5Cbigotimes%20f%2C%5Cfrac%7B%5Cpartial%20f%7D%7B%5Cpartial%20y%7D%3DS_y%5Cbigotimes%20f)


梯度：![\nabla f=[\frac{\partial f}{\partial x},\frac{\partial f}{\partial y}],\left \| \nabla f \right \|=\sqrt{\left | \frac{\partial f}{\partial x} \right |^2+\left |\frac{\partial f}{\partial y} \right |^2}](https://latex.csdn.net/eq?%5Cnabla%20f%3D%5B%5Cfrac%7B%5Cpartial%20f%7D%7B%5Cpartial%20x%7D%2C%5Cfrac%7B%5Cpartial%20f%7D%7B%5Cpartial%20y%7D%5D%2C%5Cleft%20%5C%7C%20%5Cnabla%20f%20%5Cright%20%5C%7C%3D%5Csqrt%7B%5Cleft%20%7C%20%5Cfrac%7B%5Cpartial%20f%7D%7B%5Cpartial%20x%7D%20%5Cright%20%7C%5E2&plus;%5Cleft%20%7C%5Cfrac%7B%5Cpartial%20f%7D%7B%5Cpartial%20y%7D%20%5Cright%20%7C%5E2%7D)


为计算方便起见，通常：![\left \| \nabla f \right \|=\left | \frac{\partial f}{\partial x} \right |+\left |\frac{\partial f}{\partial y} \right |](https://latex.csdn.net/eq?%5Cleft%20%5C%7C%20%5Cnabla%20f%20%5Cright%20%5C%7C%3D%5Cleft%20%7C%20%5Cfrac%7B%5Cpartial%20f%7D%7B%5Cpartial%20x%7D%20%5Cright%20%7C&plus;%5Cleft%20%7C%5Cfrac%7B%5Cpartial%20f%7D%7B%5Cpartial%20y%7D%20%5Cright%20%7C)


以上卷积核![S_x=\begin{bmatrix} -1 &0 &1 \\ -1 &0 &1 \\ -1 &0 &1 \end{bmatrix},S_y=\begin{bmatrix} -1 &-1 &-1 \\ 0 &0 &0 \\ 1 &1 &1 \end{bmatrix}=S_{x}^{T}](https://latex.csdn.net/eq?S_x%3D%5Cbegin%7Bbmatrix%7D%20-1%20%260%20%261%20%5C%5C%20-1%20%260%20%261%20%5C%5C%20-1%20%260%20%261%20%5Cend%7Bbmatrix%7D%2CS_y%3D%5Cbegin%7Bbmatrix%7D%20-1%20%26-1%20%26-1%20%5C%5C%200%20%260%20%260%20%5C%5C%201%20%261%20%261%20%5Cend%7Bbmatrix%7D%3DS_%7Bx%7D%5E%7BT%7D)称为**Prewitt算子**。现在我们在计算梯度时引入加权平均，就构成了**Sobel算子**和**Schar算子：**


**Sobel算子提高了4邻域的权重：**![S_x=\begin{bmatrix} -1 &0 &1 \\ -2 &0 &2 \\ -1 &0 &1 \end{bmatrix},S_y=\begin{bmatrix} -1 &-2 &-1 \\ 0 &0 &0 \\ 1 &2 &1 \end{bmatrix}=S_{x}^{T}](https://latex.csdn.net/eq?S_x%3D%5Cbegin%7Bbmatrix%7D%20-1%20%260%20%261%20%5C%5C%20-2%20%260%20%262%20%5C%5C%20-1%20%260%20%261%20%5Cend%7Bbmatrix%7D%2CS_y%3D%5Cbegin%7Bbmatrix%7D%20-1%20%26-2%20%26-1%20%5C%5C%200%20%260%20%260%20%5C%5C%201%20%262%20%261%20%5Cend%7Bbmatrix%7D%3DS_%7Bx%7D%5E%7BT%7D)


**Schar算子**能弥补Sobel**内核为3**时的误差:![S_x=\begin{bmatrix} -3 &0 &3 \\ -10 &0 &10 \\ -3 &0 &3 \end{bmatrix},S_y=\begin{bmatrix} -3 &-10 &-3 \\ 0 &0 &0 \\ 3 &10 &3 \end{bmatrix}=S_{x}^{T}](https://latex.csdn.net/eq?S_x%3D%5Cbegin%7Bbmatrix%7D%20-3%20%260%20%263%20%5C%5C%20-10%20%260%20%2610%20%5C%5C%20-3%20%260%20%263%20%5Cend%7Bbmatrix%7D%2CS_y%3D%5Cbegin%7Bbmatrix%7D%20-3%20%26-10%20%26-3%20%5C%5C%200%20%260%20%260%20%5C%5C%203%20%2610%20%263%20%5Cend%7Bbmatrix%7D%3DS_%7Bx%7D%5E%7BT%7D)


以下是Sobel算子的代码实现（Matlab）：

%% 1.导入
img=imread(“2.png”);
[x,y,z]=size(img);
img=im2double(img); % 数据类型转化uint8–>double，uint8类型参与运算容易溢出
if(z==3) % rgb–>gray
img_gray=(img(:,:,1).229+img(:,:,2).578+img(:,:,3).114)./1000;
end
%% 2.Sobel算子锐化
img_sobel=zeros(x,y);
img_sobelx=img_sobel;
img_sobely=img_sobel;
for i=2:x-1
for j=2:y-1
img_sobelx(i,j)=abs(img_gray(i-1,j+1)-img_gray(i-1,j-1)+2img_gray(i,j+1)-2img_gray(i,j-1)+img_gray(i+1,j+1)-img_gray(i+1,j-1));
img_sobely(i,j)=abs(img_gray(i-1,j-1)-img_gray(i+1,j-1)+2img_gray(i-1,j)-2*img_gray(i+1,j)+img_gray(i-1,j+1)-img_gray(i+1,j+1));
end
end
img_sobel=img_sobelx+img_sobely;
for i=1:x
for j=1:y
if img_sobel(i,j)>0.3
img_sobel(i,j)=1;
else
img_sobel(i,j)=0;
end
end
end
figure(1)
imshow(img) % 原图
figure(2)
imshow(img_sobel) % 进行过Sobel之后的
%% 3.去噪
BW = bwareaopen(img_sobel,8);
figure(3)
imshow(BW)
%% 4.求连通分量，统计裂纹特征
cc = bwconncomp(BW,4);
labeled = labelmatrix(cc);
graindata = regionprops(cc,‘basic’);
grain_areas = [graindata.Area];
%% 5.画图
figure
histogram(grain_areas)
title(‘Histogram of Crack Area’)




![](https://img-blog.csdnimg.cn/direct/527daa3e290c4c56b40fb836dbf002fc.png)

 原图 
 




![](https://img-blog.csdnimg.cn/direct/25b652d3782c44e1a5c5f0749509cb8e.png)

 经过Sobel算子锐化后的图像 
 




![](https://img-blog.csdnimg.cn/direct/55b0749f335c4389af02d0d4e82a03b0.png)

 对上述锐化过的图像进行去噪 
 




![](https://img-blog.csdnimg.cn/direct/02350f434f9943619830c012af8c97de.png)

 裂纹面积特征统计直方图 
 


以下是用Canny算子检测的图像代码（Python）：

import cv2
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image