实验二 图像的空间域增强

已于 2024-04-18 17:22:51 修改
阅读量936 收藏 29
点赞数 24
分类专栏： 数字图像处理 文章标签： 计算机视觉 opencv 图像处理
于 2024-04-18 17:17:40 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ggsfsa/article/details/137929131
版权

实验二 图像的空间域增强

一、实验目的

  1. 进一步理解图像平滑和图像锐化等空间域增强方法的原理。
  2. 了解图像平滑和图像锐化的效果和作用。
  3. 掌握图像模板运算的流程。

二、实验内容

编程实现车牌图像的去噪和锐化处理。首先对图像去噪，分别采用均值滤波器和中值滤波器进行处理，比较两种滤波器效果；然后对去噪后的图像进行锐化，分别采用一阶导数和二阶导数，比较锐化效果。

三、实验报告要求

1.给出简要的设计思路（原理）

2.给出主要代码

3.给出实验结果的屏幕截图

  1. 实验过程中遇到的主要问题、心得体会或建议

四、报告内容

1.均值滤波：需要构建一个全为1的卷积核，对原图像每个像素进行卷积核计算求和后平均化。注意求和过程中可能会超出类型的最大范围，因此要扩大类型，采用Vec3d sum来存储，vec3f也可以

void averageFilter(const Mat& img, int kernelSize) {

    Mat averageFilter;

    averageFilter.create(img.size(), img.type());

    if (kernelSize % 2 == 0) kernelSize += 1; // 仅当kernelSize为偶数时增加1

    int init = kernelSize / 2;

    for (int y = init; y < img.rows - init; y++) {

        for (int x = init; x < img.cols - init; x++) {

            Vec3d sum = Vec3d(0, 0, 0);

            for (int i = -init; i <= init; i++) {

                for (int j = -init; j <= init; j++) {

                    Vec3b pixel = img.at<Vec3b>(y + i, x + j);

                    sum[0] += pixel[0];

                    sum[1] += pixel[1];

                    sum[2] += pixel[2];

                }

            }

            averageFilter.at<Vec3b>(y, x)[0] = static_cast<uchar>(sum[0] / (kernelSize * kernelSize));

            averageFilter.at<Vec3b>(y, x)[1] = static_cast<uchar>(sum[1] / (kernelSize * kernelSize));

            averageFilter.at<Vec3b>(y, x)[2] = static_cast<uchar>(sum[2] / (kernelSize * kernelSize));

        }

    }

    namedWindow("img");

    imshow("img", img);

    namedWindow("均值滤波");

    imshow("均值滤波", averageFilter);

}

2.中值滤波：对这个核内的每个像素排序，取中值作为最终原图像某像素的值，需注意的是由于排序只能对三通道某一个通道的具体值进行排序，因此要对每个通道都进行一遍取中值才能保持彩色图像

Mat mediumFilter(const Mat& img, int kernelSize) {

    Mat mediumfilter;

    mediumfilter.create(img.size(), img.type());

    if (kernelSize % 2 == 0) kernelSize += 1; // 仅当kernelSize为偶数时增加1

    int init = kernelSize / 2;

    for (int y = init; y < img.rows - init; y++) {

        for (int x = init; x < img.cols - init; x++) {

            vector<uchar> pixels0;

            vector<uchar> pixels1;

            vector<uchar> pixels2;

            for(int i=-init;i<=init;i++)

                for (int j = -init; j <= init; j++) {

                    pixels0.push_back(img.at<Vec3b>(y + i, x + j)[0]);

                    pixels1.push_back(img.at<Vec3b>(y + i, x + j)[1]);

                    pixels2.push_back(img.at<Vec3b>(y + i, x + j)[2]);

                }

            sort(pixels0.begin(), pixels0.end());

            sort(pixels1.begin(), pixels1.end());

            sort(pixels2.begin(), pixels2.end());

            uchar mediumpixel0 = pixels0[pixels0.size() / 2];

            uchar mediumpixel1 = pixels1[pixels1.size() / 2];

            uchar mediumpixel2 = pixels2[pixels2.size() / 2];

            mediumfilter.at<Vec3b>(y, x)[0] = mediumpixel0;

            mediumfilter.at<Vec3b>(y, x)[1] = mediumpixel1;

            mediumfilter.at<Vec3b>(y, x)[2] = mediumpixel2;

        }

    }

    namedWindow("中值滤波");

    imshow("中值滤波", mediumfilter);

    return mediumfilter;

}

3.sobel算子锐化：利用sobel算子核计算原图像的灰度图的x,y方向的梯度值最后求出最终梯度值，通过这两个方向的梯度，可以计算出边缘的方向和强度。对该梯度值要进行格式转换，然后与原图像加和，此处加和也要注意数值范围超限，做好类型转换

void sobelOperatorSharpening(const Mat& img) {

    Mat gray_img;

    cvtColor(img, gray_img, COLOR_BGR2GRAY); // 转换为灰度图

    Mat grad_img = Mat::zeros(gray_img.size(), CV_32F); // 创建一个用于存储梯度幅值的图像

    //sobel算子核

    int sobel_x[3][3] = { {-1, 0, 1}, {-2, 0, 2}, {-1, 0, 1} };

    int sobel_y[3][3] = { {-1, -2, -1}, {0, 0, 0}, {1, 2, 1} };

    for (int y = 1; y < img.rows - 1; y++) {

        for (int x = 1; x < img.cols - 1; x++) {

            float grad_x = 0.0, grad_y = 0.0;

            for (int i = -1; i <= 1; i++) {

                for (int j = -1; j <= 1; j++) {

                    uchar pixel = gray_img.at<uchar>(y + i, x + j);

                    grad_x += pixel * sobel_x[i + 1][j + 1];

                    grad_y += pixel * sobel_y[i + 1][j + 1];

                }

            }

            grad_img.at<float>(y, x) = sqrt(grad_x * grad_x + grad_y * grad_y);

        }

    }

    // 转换梯度图格式

    Mat grad_img_uchar;

    normalize(grad_img, grad_img_uchar, 0, 255, NORM_MINMAX);

    grad_img_uchar.convertTo(grad_img_uchar, CV_8U);

    // 与原图片相加实现边缘增强

    Mat output = img.clone();

    for (int y = 0; y < img.rows; y++) {

        for (int x = 0; x < img.cols; x++) {

            for (int i = 0; i < 3; i++) {

                int val = img.at<Vec3b>(y, x)[i] + grad_img_uchar.at<uchar>(y, x);

                //防止加和后uchar数值超过255做的类型转换

                output.at<Vec3b>(y, x)[i] = saturate_cast<uchar>(val);

            }

        }

    }

    namedWindow("Sobel算子锐化");

    imshow("Sobel算子锐化", output);

}                  

4. 拉普拉斯算子锐化：和上面的sobel算子锐化本质上的区别就在于它不需要关注梯度值，是二阶导数的计算，只需要一个核

void LaplacianSharpening(const Mat& img) {

    Mat gray_img,output0,output1,output2;

    cvtColor(img, gray_img, COLOR_BGR2GRAY); // 转换为灰度图

    output0= Mat::zeros(gray_img.size(), CV_32F);

    // 拉普拉斯核

    int kernel0[3][3] = {

        {1, 1, 1},

        {1, -8, 1},

        {1, 1, 1}

    };

    int kernel1[3][3] = {

        {0, 1, 0},

        {1, -4, 1},

        {0, 1, 0}

    };

    for (int y = 1; y < img.rows - 1; y++) {

        for (int x = 1; x < img.cols - 1; x++) {

            float sum = 0.0;

            for (int k = -1; k <= 1; k++) {

                for (int l = -1; l <= 1; l++) {

                    sum += gray_img.at<uchar>(y + k, x + l) * kernel1[k + 1][l + 1];

                }

            }

            output0.at<float>(y, x) = sum;

        }

    }

    convertScaleAbs(output0, output1);// 转换为8位图像

    cvtColor(output1, output2, COLOR_GRAY2BGR); // 将灰度图转换为三通道图像以匹配原图

    output2 = img + output2;

    namedWindow("拉普拉斯算子锐化");

    imshow("拉普拉斯算子锐化", output2);

}          

实验结果：

可以看出，对于原图像有很多噪点的椒盐噪声利用中值滤波处理的最好，画面尤为干净。两种算子的锐化结果对比看，拉普拉斯锐化的噪点更加明显

#include <opencv2/opencv.hpp>
#include <algorithm>
using namespace cv;
using namespace std;

void averageFilter(const Mat& img, int kernelSize) {
    Mat averageFilter;
    averageFilter.create(img.size(), img.type());
    if (kernelSize % 2 == 0) kernelSize += 1; // 仅当kernelSize为偶数时增加1
    int init = kernelSize / 2;
    for (int y = init; y < img.rows - init; y++) {
        for (int x = init; x < img.cols - init; x++) {
            Vec3d sum = Vec3d(0, 0, 0); 
            for (int i = -init; i <= init; i++) {
                for (int j = -init; j <= init; j++) {
                    Vec3b pixel = img.at<Vec3b>(y + i, x + j);
                    sum[0] += pixel[0];
                    sum[1] += pixel[1];
                    sum[2] += pixel[2];
                }
            }
            averageFilter.at<Vec3b>(y, x)[0] = static_cast<uchar>(sum[0] / (kernelSize * kernelSize));
            averageFilter.at<Vec3b>(y, x)[1] = static_cast<uchar>(sum[1] / (kernelSize * kernelSize));
            averageFilter.at<Vec3b>(y, x)[2] = static_cast<uchar>(sum[2] / (kernelSize * kernelSize));
        }
    }
    namedWindow("img");
    imshow("img", img);
    namedWindow("均值滤波");
    imshow("均值滤波", averageFilter);
}
Mat mediumFilter(const Mat& img, int kernelSize) {
    Mat mediumfilter;
    mediumfilter.create(img.size(), img.type());
    if (kernelSize % 2 == 0) kernelSize += 1; // 仅当kernelSize为偶数时增加1
    int init = kernelSize / 2;
    for (int y = init; y < img.rows - init; y++) {
        for (int x = init; x < img.cols - init; x++) {
            vector<uchar> pixels0;
            vector<uchar> pixels1;
            vector<uchar> pixels2;
            for(int i=-init;i<=init;i++)
                for (int j = -init; j <= init; j++) {
                    pixels0.push_back(img.at<Vec3b>(y + i, x + j)[0]);
                    pixels1.push_back(img.at<Vec3b>(y + i, x + j)[1]);
                    pixels2.push_back(img.at<Vec3b>(y + i, x + j)[2]);
                }
            sort(pixels0.begin(), pixels0.end());
            sort(pixels1.begin(), pixels1.end());
            sort(pixels2.begin(), pixels2.end());
            uchar mediumpixel0 = pixels0[pixels0.size() / 2];
            uchar mediumpixel1 = pixels1[pixels1.size() / 2];
            uchar mediumpixel2 = pixels2[pixels2.size() / 2];
            mediumfilter.at<Vec3b>(y, x)[0] = mediumpixel0;
            mediumfilter.at<Vec3b>(y, x)[1] = mediumpixel1;
            mediumfilter.at<Vec3b>(y, x)[2] = mediumpixel2;
        }
    }
    namedWindow("中值滤波");
    imshow("中值滤波", mediumfilter);
    return mediumfilter;
}
void sobelOperatorSharpening(const Mat& img) {
    Mat gray_img;
    cvtColor(img, gray_img, COLOR_BGR2GRAY); // 转换为灰度图
    Mat grad_img = Mat::zeros(gray_img.size(), CV_32F); // 创建一个用于存储梯度幅值的图像
    //sobel算子核
    int sobel_x[3][3] = { {-1, 0, 1}, {-2, 0, 2}, {-1, 0, 1} };
    int sobel_y[3][3] = { {-1, -2, -1}, {0, 0, 0}, {1, 2, 1} };
    for (int y = 1; y < img.rows - 1; y++) {
        for (int x = 1; x < img.cols - 1; x++) {
            float grad_x = 0.0, grad_y = 0.0;
            for (int i = -1; i <= 1; i++) {
                for (int j = -1; j <= 1; j++) {
                    uchar pixel = gray_img.at<uchar>(y + i, x + j);
                    grad_x += pixel * sobel_x[i + 1][j + 1];
                    grad_y += pixel * sobel_y[i + 1][j + 1];
                }
            }
            grad_img.at<float>(y, x) = sqrt(grad_x * grad_x + grad_y * grad_y);
        }
    }
    // 转换梯度图格式
    Mat grad_img_uchar;
    normalize(grad_img, grad_img_uchar, 0, 255, NORM_MINMAX);
    grad_img_uchar.convertTo(grad_img_uchar, CV_8U);
    // 与原图片相加实现边缘增强
    Mat output = img.clone();
    for (int y = 0; y < img.rows; y++) {
        for (int x = 0; x < img.cols; x++) {
            for (int i = 0; i < 3; i++) {
                int val = img.at<Vec3b>(y, x)[i] + grad_img_uchar.at<uchar>(y, x);
                //防止加和后uchar数值超过255做的类型转换
                output.at<Vec3b>(y, x)[i] = saturate_cast<uchar>(val);
            }
        }
    }
    namedWindow("Sobel算子锐化");
    imshow("Sobel算子锐化", output);
}
void LaplacianSharpening(const Mat& img) {
    Mat gray_img,output0,output1,output2;
    cvtColor(img, gray_img, COLOR_BGR2GRAY); // 转换为灰度图
    output0= Mat::zeros(gray_img.size(), CV_32F);
    // 拉普拉斯核
    int kernel0[3][3] = {
        {1, 1, 1},
        {1, -8, 1},
        {1, 1, 1}
    };
    int kernel1[3][3] = {
        {0, 1, 0},
        {1, -4, 1},
        {0, 1, 0}
    };
    for (int y = 1; y < img.rows - 1; y++) {
        for (int x = 1; x < img.cols - 1; x++) {
            float sum = 0.0;
            for (int k = -1; k <= 1; k++) {
                for (int l = -1; l <= 1; l++) {
                    sum += gray_img.at<uchar>(y + k, x + l) * kernel1[k + 1][l + 1];
                }
            }
            output0.at<float>(y, x) = sum;
        }
    }
    convertScaleAbs(output0, output1);// 转换为8位图像
    cvtColor(output1, output2, COLOR_GRAY2BGR); // 将灰度图转换为三通道图像以匹配原图
    output2 = img + output2;
    namedWindow("拉普拉斯算子锐化");
    imshow("拉普拉斯算子锐化", output2);
}
int main() {
	Mat	img = imread("H://文档//Tencent Files//ASE//噪声图像.bmp");
    Mat img1;
	averageFilter(img, 3);
    img1=mediumFilter(img, 3);
    
    sobelOperatorSharpening(img1);
    LaplacianSharpening(img1);
    waitKey(0);
	return 0;
}

z君埋了吧
关注
专栏目录
实验二 图像增强
m0_52014276的博客
07-04 3550
数字图像 实验二 图像增强
空间域图像增强实验_空间域图像增强实验_图像增强_
09-28
通过MATLAB实现空间与图像增强，注意图像和文件放在同一目录下
数字图像处理OpenCV——实验二 图像的空间域增强
加载中.......
08-18 1644
实验二 图像的空间域增强 实验项目名称：图像的空间域增强 (1) 进一步理解图像平滑和图像锐化等空间域增强方法的原理。 (2) 了解图像平滑和图像锐化的效果和作用。 (3) 掌握图像模板运算的流程。 1、图像平滑 众所周知，实际获得的图像在形成、传输、接收和处理的过程中，不可避免地存在着外部和内部的噪声干扰。噪声恶化了图像质量，使图像模糊，给分析带来困难。因此，去除噪声，恢复原始图像时图像处理中的一个重要内容。消除图像噪声的工作称之为图像平滑或滤波。 图像平滑方法包括空域法和频域法两大类。在空域法中，图像平
数字图像处理实验 实验名称：空间域图像增强
07-04
数字图像处理实验 实验名称：空间域图像增强，里面包含了整个实验的设计过程。
数字图像处理-实验2-空域图像增强
weixin_56822454的博客
04-15 1206
本实验中，我先观察原图像的三个通道的灰度直方图，然后小范围的改变灰度级，图像变暗处理就是对应的将灰度直方图的灰度级分布向左移，即灰度级范围整体减小；从以上三种不同a、c取值范围处理后的结果来看，我们可以看出a=10，c=10时的图像整体偏暗，接下来使a=20，c=20，可以看出暗区对比度被增强，同时能看到花瓣上的露水，所以增加c的值可以看到更多的图像细节。通过改变γ值的取值，我们发现γ值以1为分界，值越小，对图像低灰度部分的扩展作用就越强，值越大，对图像高灰度部分的扩展作用就越强。
ENVI中图像处理-对比度增强和图像变换
ysyqz111的博客
03-21 4623
任务四：利用“规定化图像数据”，使用19970504的图像作为参考，对19970112的图像进行规定化，将规定化后的图像输出为Geotiff格式，与19970112 图像联合窗口对比规定化前后图像和直方图的变化。由图6，即使为真彩色合成，但植被色彩并不突出，假彩色合成能够以实际目的设置方案突出显示地物颜色，本例采取（7,4,1）和（5,4,3）假彩色合成方案，如图7，发现植被绿色突出。要使长江水体呈黄色，则使图像中水体颜色尽可能表现实际水体颜色，因此对图像进行真彩色合成，即采用（3,2,1）合成方案，如。
实验四_数字图像空间域增强_自己的数字图像处理作业_
10-01
绘制图像灰度直方图的方法，对图像进行均衡化处理。 请自己编程和调用Matlab函数完成如下实验。a.显示的图像及灰度直方图，可以发现其灰度值...对实验图像进行如图所示的分段线形变换处理，试比较与直方图均衡化处理
图像空间域锐化和频域增强matlab代码及实验分析
12-26
图像空间域锐化和频域增强matlab代码及原理、结果分析实验： 一、实验内容 1． 图像锐化：运行已给程序对月球影像进行图像锐化： （1）分析对比不同锐化方法边缘提取效果； （2）观察滤波后图像取值范围，分析对比...
频率域图像增强实验_图像增强_频率域图像增强实验_
09-30
6. 将结果转换回图像空间：`img Enhanced = real(ifft2(F_filtered));` 7. 显示原图和增强后的图像：`imshow(img), title('Original Image');` `figure, imshow(Enhanced), title('Enhanced Image');` 这个实验...
图像增强（空间域二）
thecentury的博客
06-18 5635
（一）图像的空间域平滑      为了抑制噪声改善图像质量所进行的处理称图像平滑或去噪。它可以在空间域和频率域中进行。本文介绍空间域的几种平滑法。（二）局部平滑法       局部平滑法是一种直接在空间域上进行平滑处理的技术。假设图像是由许多灰度恒定的小块组成，相邻像素间存在很高的空间相关性，而噪声则是统计独立的。因此，可用邻域内各像素的灰度平均值代替该像素原来的灰度值，实现图像的平滑。     ...
数字图像处理实验记录四（图像的空间域增强-平滑处理）
qq_62791684的博客
10-20 1687
本文章描述了图像处理中的滤波器，以及展示滤波器怎么除去某些噪声
实验4 图像空间滤波
最新发布
一名混沌的大学生
06-29 952
⑴不调用Matlab / OpenCV中的函数，编程实现图像的均值滤波，高斯滤波和中值滤波。⑵与3.2、3.3的实验结果进行对比，观察实验结果是否相同，分析原因并改进、优化所编写程序。⑶将所编写程序段封装为自定义函数。① 均值滤波源代码及实验结果 (添加必要注释)"""均值滤波函数:param image: 输入图像:param kernel_size: 滤波器大小:return: 滤波后的图像"""② 高斯滤波"""高斯滤波函数:param image: 输入图像。
图像增强的计算机实现实验报告,空域图像增强实验报告
weixin_42177768的博客
07-25 1234
一、实验名称：空域图像增强二、实验目的：掌握Matlab语言图像工具箱中空域图像增强的实现三、实验要求：在掌握图像灰度调整、直方图修正和图像锐化的指令基础上，编写程序实现图像的灰度变换，直方图均衡和图像锐化的处理四、实验仪器和设备：计算机，Matlab软件五、实验原理：1、 亮度变换S=T(r)点对点的变换(灰度级对灰度级的变换)matlab函数：imadjust()亮度变换的基本函数g=imad...
空间域图像增强
weixin_30878501的博客
12-23 618
图像增强是数字图像处理相对简单却最具艺术性的领域之一，增强的目的是消除噪声， 显现那些被模糊了的细节或简单突出一幅图像中我们感兴趣的特征。一个简单例子是增强图 像的对比度， 使其看起来更加一目了然。增强是图像处理中非常主观的领域， 它以怎样构成 好的增强效果这种人为主观偏好为基础， 也正是这一点为其赋予了艺术性。这与图像复原技 术刚好相反， 图像复原也是改进图像外貌的一...
空间域图像增强（matlab实现）
热门推荐
baidu_39044178的博客
07-27 1万+
图像增强的目的：消除噪声，显现那些被模糊了的细节或简单地突出衣服图像中读者感兴趣的特征   1.图像增强基础 图像增强概念：根据特定的需要突出一幅图像中的某些信息，同时削弱或除去某些不需要的信息处理方法。其主要目的是使处理后的图像对某种特定的应用来说，比原始图像更适用。处理的结果是使图像更适合于人的观察或机器的识别系统。 空间域图像增强是基于图像中每个小范围（邻域）内的像素进行灰度变换运算...
实验5_空间滤波_数字图像的空间域滤波和频域滤波_空间平滑_
09-30
本实验“实验5_空间滤波_数字图像的空间域滤波和频域滤波_空间平滑_”着重探讨了平滑空间滤波和锐化空间滤波这两种基本的空间滤波方法，并涉及傅立叶变换作为频率分析工具的基础知识。 1. **空间滤波**： 空间滤波...
（3）MATLAB 空间域图像增强
Rana专栏
11-26 3630
方法包括：直方图修正，灰度变换，图像平滑化，图像锐化等。     卷积时模板是相对中心点做镜像后再对F位于模板下的子图像作加权和的。只有模板本身是关于中心点对称，相关和卷积结果才会相同。% 均值滤波 f = imread('../lena_AdaptiveMedianFilter.bmp'); %读入图像 imshow(f); %得到图5.2（a）的图像 w = [1 1 1; 1 1 1;
【五】空间域图像增强
略知12的博客
02-27 3871
1 空间域增强基础 空间域增强是对图像的一个邻域，用滤波、平滑、锐化等方法，从而增强图像。 2 空间域滤波 滤波就是将信号中特定波段频率滤除，常用傅里叶变换及其逆变换等实现。 具体过程就是取一个方形模板（一般多是3*3），逐点对图像进行乘积（模板上的点乘图像上对应的点再求和），对于边界上的点，有三种常用策略：(1)收缩处理范围；(2)使用常数填充；(3)使用复制像素。 卷积是一种特殊的滤波过程，区别在模板与对应的点相乘之前，需要先围绕中心点旋转180度。而相关就是最普通的滤波。 Matlab实现 f= im
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值