数字图像作业

第三次作业完成情况报告。

课程：数字图像处理课程编号：21909601

摘要：这次的作业主要任务是学习利用拉布拉斯公式对图像进行处理，并学会调用matlab中的函数对图像进行处理，最后是绘制所需的函数图像。

技术说明：

task1.

利用拉布拉斯公式求矩阵的梯度场、输出梯度场图像以及角度的矩阵。

task2.

调用contour函数和quiver函数绘制出lena图像的等高线图像和3d mesh model的图。并和lena的图像加入高斯噪声后的等高线图像和3d mesh model的图像进行对比。

task3.

利用拉布拉斯公式处理矩阵。

task4.

调用matlab函数：imfiter处理，并输出处理后的lena图像。

task5.

先利用盒子平滑处理器处理lena和livin groom的图像，计算mse，然后利用g（x，y）=f（x,y）-αf(x,y)公式对图像进行锐化，计算mse，并绘制mse对α的函数图像。最后是绘制每一幅处理后的图像的一列的数据对矩阵列数的函数图像。

任务成果：task1.

这是梯度场的图像计算出来的梯度计算出来的角度。

task2.

原图像：等高线图梯度场图3d mesh modle图。

加入高斯噪声后：

等高线图梯度场图 3d mesh modle图。

task3.

这是拉布拉斯公式处理后得出的矩阵：

task4.

函数：imfilter处理后得出的掩膜图像：

task5.

原图像平滑处理后的图像。

0.1的锐化 α=0.2的锐化 α=0.25的锐化。

原图像平滑处理后的图像。

=0.1的锐化 α=0.2的锐化 α=0.25的锐化。

lena锐化后的mse对α的函数图像 livingroom锐化后的mse对α的函数图像。

从图中我们可以看出：随着α的逐渐变大，mse逐渐变小。

原图像、平滑后图像、锐化后图像的第50列数据对列数的函数图像。

蓝色为原图像的第50列数据函数图像。

绿色为平滑后图像第50列数据函数图像。

红色为锐化后图像第50列数据函数图像。

编写的函数。

计算角度的函数。

function v=fjiaodu(a)

m,n]=size(a);

jiaodu=zeros(m,n);

for i=2:m-1

for j=2:n-1

gx=(a(i+1,j-1)+2*a(i+1,j)+a(i+1,j+1))-a(i-1,j-1)+2*a(i-1,j)+a(i-1,j+1));

gy=(a(i-1,j+1)+2*a(i,j+1)+a(i+1,j+1))-a(i-1,j-1)+2*a(i,j-1)+a(i+1,j-1));

jiaodu(i,j)=atan(gy/gx);

endend

v=jiaodu;

end计算梯度的函数。

function v=ftidu(a)

m,n]=size(a);

tidu=a;

for i=2:m-1

for j=2:n-1

gx(i,j)=(a(i+1,j-1)+2*a(i+1,j)+a(i+1,j+1))-a(i-1,j-1)+2*a(i-1,j)+a(i-1,j+1));

gy(i,j)=(a(i-1,j+1)+2*a(i,j+1)+a(i+1,j+1))-a(i-1,j-1)+2*a(i,j-1)+a(i+1,j-1));

tidu(i,j)=abs(gx(i,j))+abs(gy(i,j));

endend

v=tidu;

end平滑处理的函数。

function y=fpinghua(a)

m,n]=size(a);

a1=a;for i=2:1:m-1

for j=2:1:n-1

a1(i,j)=mean(mean(a(i-1:i+1,j-1:j+1)))

endend

y=a1;end

锐化处理的函数。

function v=fsharpening(a,a)

m,n]=size(a);

for i=2:m-1

for j=2:n-1

b(i,j)=(a(i+1,j)+a(i-1,j)+a(i,j+1)+a(i,j-1))-4*a(i,j);

endend

a1=a;for i=2:m-1

for j=2:n-1

a1(i,j)=a(i,j)-a*b(i,j);

endend

v=a1;end

编写的**。

task1.

a=[110,110,110,145,180,200;110,110,145,185,200,210;110,145,185,200,210,215;140,185,200,210,215,220;180,200,210,220,220,220;200,210,215,220,220,220];

a1=ftidu(a);

m,n]=size(a);

jiaodu=zeros(m,n);

for i=2:m-1

for j=2:n-1

gx=(a(i+1,j-1)+2*a(i+1,j)+a(i+1,j+1))-a(i-1,j-1)+2*a(i-1,j)+a(i-1,j+1));

gy=(a(i-1,j+1)+2*a(i,j+1)+a(i+1,j+1))-a(i-1,j-1)+2*a(i,j-1)+a(i+1,j-1));

jiaodu(i,j)=atan(gy/gx);

endend

quiver(gx,gy);title('梯度场');

a2=jiaodu;

task2.

a=imread('g:\homework\lena_')

m,n]=size(a);

a1=double(a);

for i=2:m-1

for j=2:n-1

gx(i,j)=(a1(i+1,j-1)+2*a1(i+1,j)+a1(i+1,j+1))-a1(i-1,j-1)+2*a1(i-1,j)+a1(i-1,j+1));

gy(i,j)=(a1(i-1,j+1)+2*a1(i,j+1)+a1(i+1,j+1))-a1(i-1,j-1)+2*a1(i,j-1)+a1(i+1,j-1));

endend

figure;

contour(a); title('lena-frag图像的等高线图');

figure;

quiver(gx,gy);title('lena-frag图像的梯度场');

figure;

mesh(a1); title('lena-frag图像的3d mesh model');

a2=imnoise(a,'gaussian',0.05);

a3=double(a2);

for i=2:m-1

for j=2:n-1

gx1(i,j)=(a2(i+1,j-1)+2*a2(i+1,j)+a2(i+1,j+1))-a2(i-1,j-1)+2*a2(i-1,j)+a2(i-1,j+1));

gy1(i,j)=(a2(i-1,j+1)+2*a2(i,j+1)+a2(i+1,j+1))-a2(i-1,j-1)+2*a2(i,j-1)+a2(i+1,j-1));

endend

figure;

contour(a2); title('加入噪声的lena-frag图像的等高线图');

figure;

quiver(gx1,gy1);title('加入噪声的lena-frag图像的梯度场');

figure;

mesh(a3); title('加入噪声的lena-frag图像的3d mesh model');

task3.

a=[100,100,110,125,120,100;105,110,145,185,170,110;110,160,200,200,200,115;140,185,200,200,200,115;140,180,200,200,200,120;100,110,120,120,120,120];

a1=flaplacian(a);

task4.

a=imread('g:\homework\lena_')

b1=[-1,-1,-1;-1,8,-1;-1,-1,-1];

a1=imfilter(a,b1);

imshow(a1,title('掩膜后图像');

task5.

a=imread('g:\homework\lena_')

b=imread('g:\homework\')

a1=fpinghua(a);

b1=fpinghua(b);

figure;

subplot(1,2,1);

imshow(a,title('原图像');

subplot(1,2,2);

imshow(a1,title('平滑处理后的图像');

figure;

subplot(1,2,1);

imshow(b,title('原图像');

subplot(1,2,2);

imshow(b1,title('平滑处理后的图像');

a=double(a);

b=double(b);

a1= double(a1);

b1= double(b1);

a1_mse=fmse(a,a1);

b1_mse=fmse(b,b1);

v1=0.1;

数字图像作业

数字图像作业

数字图像作业

数字图像处理作业

其他用户还读了