图像处理实验教学小结

第一篇：图像处理实验教学小结

实验一：通过学习Matlab的开发环境、基本语法和函数，使学生基本熟悉了Matlab的使用方法、开发规则和基本技巧，同时，通过上机独立练习Matlab图像处理的实例，进一步巩固了所学内容，为后续的Matlab图像处理课程，提供了保证。

实验二：通过本次课程的学习和实践，使学生对Matlab的图像编码知识有了全面深入的掌握，对Matlab的图像处理方法有了深入的理解和认识，并进一步熟悉了Matlab的基本语法和程序设计流程，为独立开发图像处理程序奠定了良好的基础。

实验三：本次课程是医学图像实习的最后一次实习课，通过本次课程的学习和实践，使学生基本掌握了平滑滤波、中值滤波、sobel算子和laplacian算子应用方法，同时，进一步熟悉和掌握了在Matlab下，图像模板运算的方法和技巧。

大部分学生能够在老师的指导下，独立完成设计工作，并完整正确运行程序，得到正确结果，但有部分学生由于录入速度较慢，没有在课堂完成代码录入工作，安排其在课后完成剩余部分的录入工作，并能够正确运行。

第二篇：matlab图像处理小结

1.function [center, r] = solve_circle(pt1, pt2, pt3)

2.%Effect: solve the circle which across points 'pt1', 'pt2' and 'pt3' 3.%Inputs:

4.%pt1, pt2, pt3: [x, y]

5.%center: the circle center [x0;y0] 6.%r: the radius of the circle 7.%Author: Su dongcai at 2012/1/2 8.A = zeros(2, 2);B = zeros(2, 1);9.[A(1, :), B(1)] = circle2line(pt1, pt2);10.[A(2, :), B(2)] = circle2line(pt2, pt3);11.center = AB;

12.r = norm(pt1'(y2^2 + y2^2)18.%(a-x2)^2 +(b-y2)^2 = r^2 | 19.%Inputs:

20.%pt1, pt2: [x1, y1], [x2, y2] 21.%Outputs:

22.%A: 2[x1-x2, y1-y2]

23.%B:(x1^2 + y1^2)pt2);

26.B = norm(pt1)^2-norm(pt2)^2;

close all;clear;clc;>> i=imread('rice.png');%>> imshow(i);>> background=imopen(i,strel('disk',15));>> i2=imsubtract(i,background);%>> figure,imshow(i2);>> i3=imadjust(i2,stretchlim(i2),[0 1]);%>> figure,imshow(i3);>> level=graythresh(i3);>> bw=im2bw(i3,level);%>> figure,imshow(bw);>> [labeled,numobjects]=bwlabel(bw,4);graindata=regionprops(labeled,'all');

close all;clear;clc;i=imread('rice.png');background=imopen(i,strel('disk',15));i2=imsubtract(i,background);i3=imadjust(i2,stretchlim(i2),[0 1]);level=graythresh(i3);bw=im2bw(i3,level);[labeled,numobjects]=bwlabel(bw,4);data=regionprops(labeled,'all');

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %2006.6.2 close all;clear;clc;>> i=imread('r.jpg');%>> figure,imshow(i);>> imgray=rgb2gray(i);>> figure,imshow(imgray)>> background=imopen(imgray,strel('disk',15));>> i2=imsubtract(imgray,background);%>> figure,imshow(i2);>> i3=imadjust(i2,stretchlim(i2),[0 1]);%>> figure,imshow(i3);>> level=graythresh(i3);>> bw=im2bw(i3,level);%>> figure,imshow(bw);>> imnobord=imclearborder(bw,4);%>> figure,imshow(imnobord);>> [labeled,numobjects]=bwlabel(bw,4);>> rgb_label=label2rgb(labeled,@spring,'c','shuffle');>> figure,imshow(rgb_label);>> graindata=regionprops(labeled,'all');hold on;for k=1:numobjects lab=sprintf('%d',k);text(graindata(k).Centroid(1),graindata(k).Centroid(2),lab,'Color','k');end hold off;%剔除碎米粒

>> idxdown=find([graindata.Area]<150);%剔除碎米粒 little=ismember(labeled,idxdown);figure,imshow(little);

[lab_little,num_little]=bwlabel(little,4);rgb_little=label2rgb(lab_little,@spring,'c','shuffle');figure,imshow(rgb_little);

little_data=regionprops(lab_little,'all');hold on;for k=1:num_little lab=sprintf('%d',k);text(little_data(k).Centroid(1),little_data(k).Centroid(2),lab,'Color','k');end hold off;%>> graindata(idxdown,:)=[];%剔除碎米粒 %剔除连接米粒

>> idxup=find([graindata.Area]>250);%剔除连接米粒 big=ismember(labeled,idxup);figure,imshow(big);

[lab_big,num_big]=bwlabel(big,4);rgb_big=label2rgb(lab_big,@spring,'c','shuffle');figure,imshow(rgb_big);

big_data=regionprops(lab_big,'all');hold on;for k=1:num_big lab=sprintf('%d',k);text(big_data(k).Centroid(1),big_data(k).Centroid(2),lab,'Color','k');end hold off;%>> graindata(numup,:)=[];%剔除连接米粒 %获取完整米粒

idxsuit=find([graindata.Area]>=150&[graindata.Area]<=250);suit=ismember(labeled,idxsuit);figure,imshow(suit);%获取完整米粒 [lab_suit,num_suit]=bwlabel(suit,4);suit_data=regionprops(lab_suit,'all');hold on;for k=1:num_suit signature=sprintf('%d',k);text(suit_data(k).Centroid(1),suit_data(k).Centroid(2),signature,'Color','r');end hold off;%获取完整米粒 whos graindata whos little_data whos big_data whos suit_data

>> graindata >> mean([graindata.Area])>> mean([graindata.Eccentricity])>> mean([graindata.MajorAxisLength])>> mean([graindata.MinorAxisLength])>> mean([graindata.EquivDiameter])>> figure,hist([graindata.Area],20);>> figure,hist([graindata.Eccentricity],20);>> figure,hist([graindata.MajorAxisLength],20);>> figure,hist([graindata.MinorAxisLength],20);>> figure,hist([graindata.EquivDiameter],20);

data=[graindata.Area] data=[graindata.Centroid] data=[graindata.BoundingBox] data=[graindata.SubarrayIdx] data=[graindata.MajorAxisLength] data=[graindata.MinorAxisLength] data=[graindata.Eccentricity] data=[graindata.Orientation] data=[graindata.ConvexHull] data=[graindata.ConvexImage] data=[graindata.ConvexArea] data=[graindata.Image] data=[graindata.FilledImage] data=[graindata.FilledArea] data=[graindata.EulerNumber] data=[graindata.Extrema] data=[graindata.EquivDiameter] data=[graindata.Solidity] data=[graindata.Extent] data=[graindata.PixelIdxList] data=[graindata.PixelList]

Area 计算各个连通区域中的象素总数 BoundingBox 包含相应区域的最小矩形 Centroid 给出每个区域的质心

MajorAxisLength 与区域具有相同标准二阶中心矩（又叫标准差）的椭圆的长轴长度 MinorAxisLength 与区域具有相同标准二阶中心矩的椭圆的短轴长度 Eccentricity 与区域具有相同标准二阶中心矩的椭圆的离心率

Orientation 与区域具有相同标准二阶中心矩的椭圆的长轴与x轴的交角 Image 二值图像，与某区域具有相同大小的逻辑矩阵。

FilledImage 与上相同，唯一区别是这是个做了填充的逻辑矩阵！本例中和上面的没有区别，只有 区域有空洞时才有明显差别。

FilledArea 是标量，填充区域图像中的 on 像素个数

ConvexHull 是p行2列的矩阵，包含某区域的最小凸多边形 ConvexImage 二值图像，用来画出上述的区域最小凸多边形 ConvexArea 是标量，填充区域凸多边形图像中的 on 像素个数 EulerNumber 等于图像中目标个数减去这些目标中空洞的个数 Extrema 8行2列矩阵，八方向区域极值点

EquivDiameter 是标量，等价直径：与区域具有相同面积的圆的直径.计算公式为：sqrt(4*Area/pi)

Solidity 是标量，同时在区域和其最小凸多边形中的像素比例。计算公式为： Area/ConvexArea，这也是个仿射特征，实际上反映出区域的固靠性程度。

Extent 是标量，同时在区域和其最小边界矩形中的像素比例。计算公式为：Area除以边界矩 形面积，这也是个仿射特征，实际上反映出区域的扩展范围程度。

PixelIdxList p元向量，存储区域像素的索引下标

PixelList p行ndims(L)列矩阵，存储上述索引对应的像素坐标 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 基于特定原则的区域选择

当你要基于特定准则条件选择某个区域时，将函数 ismember 和 regionprops 联合使用是很有用处的。例如：创建一个只包含面积大于80的二值图像，用以下命令

idx = find([stats.Area] > 80);BW2 = ismember(L,idx);regionprops函数的扩展思路

在regionprops函数的基础上，你可以使用它提供的基本数据来扩展它的功能，比如我就将区域的曲率数据和骨架数据作为它的另外属性值来开发，从而希望它能用来做更细致的特征提取。

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %2006.6.2 P221图像粒度测定（雪花）>> i=imread('snowflakes.png');>> figure,imshow(i);>> %(2)>> clahei=adapthisteq(i,'numtiles',[10 10]);>> clahei=imadjust(clahei);>> imshow(clahei);>> gi=imadjust(im2double(i),[],[0 1]);>> figure,imshow(gi),title('adjusted grayscale image');>> %(3)>> se=strel('disk',10);>> topi=imtophat(gi,se);>> figure,imshow(topi),title('top-hat image');>> %(4)>> for counter=0:22 remain=imopen(clahei,strel('disk',counter));intensity_area(counter+1)=sum(remain(:));end >> figure,plot(intensity_area,'m-*'),grid on;>> title('sum of opening(pixels)');>> title('sum of opening values in opened image as a function of radius');>> xlabel('radius of opening(pixels)');>> ylabel('pixel value sum of opened objects(intensity)');>> >> >> >> for counter=0:20 remain=imopen(topi,strel('disk',counter));surfarea(counter+1)=sum(remain(:));end >> figure,plot(surfarea,'m-*'),grid on;>> set(gca,'xtick',[0 2 4 6 8 10 12 14 16 18 20]);>> title('surface area of opened objects as a function of radius');>> xlabel('radius of opening(pixels)');>> ylabel('surface area of opened objects(pixels)');>> %(5)>> intensity_area_prime=diff(intensity_area);>> figure,plot(intensity_area_prime,'m-*'),grid on;>> title('Granulometry(size distrubution)of snowflakes');>> set(gca,'xtick',[0 2 4 6 8 10 12 14 16 18 20 22]);>> xlabel('radius of snowflakes(pixels)');>> ylabel('sum of pixel values in snowflakes as a function of radius');>> derivsurfarea=diff(surfarea);>> figure,plot(derivsurfarea,'m-*'),grid on;>> title('granulometry(size distribution)of stars');>> xlabel('radius of stars(pixels)');>> ylabel('loss of pixels between two successive openings');

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %2006.6.2 花椒检测 clc;clear;close all;i=imread('gj.jpg');imshow(i);icanny=edge(i,'canny');imshow(icanny);se90=strel('line',2,90);se0=strel('line',2,0);bwsdil=imdilate(icanny,[se90 se0]);figure,imshow(bwsdil),title('dilated');ifill=imfill(bwsdil,'holes');figure,imshow(ifill);

%bwero=imerode(bwsdil,[se90 se0]);%figure,imshow(bwero);%i2fill=imfill(bwero,'holes');%figure,imshow(bwero);%imshow(i2fill);

%bwnobord=imclearborder(bwsdil,4);%figure,imshow(bwnobord);bwnobord=imclearborder(ifill,4);figure,imshow(bwnobord);se=strel('disk',5);bwc=imclose(bwnobord,se);bwco=imopen(bwnobord,se);figure,imshow(bwc);figure,imshow(bwco);%mask=bwsdil&bwco;%figure,imshow(mask);clc [labeled,numobjects]=bwlabel(bwco);numobjects

jdata=regionprops(labeled,'all');%jdata

jarea=[jdata.Area];mean(jarea)max(jarea)min(jarea)hist(jarea,255)jdata.Eccentricity %std([jdata.Eccentricity]）/(Mean([jdata.Eccentricity])jstd=std([jdata.Eccentricity])jmean=Mean([jdata.Eccentricity])jcv=jstd/jmean

>> std([jdata.Area])/ mean([jdata.Area])%面积的变异系数

>> std([jdata.Eccentricity])/ mean([jdata.Eccentricity])%椭圆的变异系数 >> std([jdata.MajorAxisLength])/ mean([jdata.MajorAxisLength])>> std([jdata.MinorAxisLength])/ mean([jdata.MinorAxisLength])>> std([jdata.EquivDiameter])/ mean([jdata.EquivDiameter])

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %2006.06.06 rice.png close all;clear;clc >> i=imread('rice.png');imshow(i);background=imopen(i,strel('disk',15));figure,imshow(background);i2=imsubtract(i,background);figure,imshow(i2);i3=imadjust(i2,stretchlim(i2),[0 1]);figure,imshow(i3);level=graythresh(i3);bw=im2bw(i3,level);figure,imshow(bw);imnobord=imclearborder(bw);[label,numobjects]=bwlabel(imnobord,4);numobjects rgb_label=label2rgb(label,@spring,'c','shuffle');figure,imshow(rgb_label);graindata=regionprops(label,'all');graindata

>> numdown=find([graindata.Area]<150);>> graindata(numdown,:)=[];>> numup=find([graindata.Area]>250);>> graindata(numup,:)=[];>> graindata

>> std([graindata.Area])/ mean([graindata.Area])%面积的变异系数

>> std([graindata.Eccentricity])/ mean([graindata.Eccentricity])%椭圆的变异系数

>> std([graindata.MajorAxisLength])/ mean([graindata.MajorAxisLength])>> std([graindata.MinorAxisLength])/ mean([graindata.MinorAxisLength])>> std([graindata.EquivDiameter])/ mean([graindata.EquivDiameter])%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %2006.06.06 rice的垩白度检测 >> clear;close all;clc;>> rgb=imread('r.jpg');>> close all;>> imshow(rgb);>> i=rgb2gray(rgb);>> j=medfilt2(i,[5 5]);>> figure,imshow(i);>> figure,imshow(j);>> imhist(j,256);>> t=0.3;>> v=imadjust(j,[t 1],[],1);>> imhist(v,256);>> t_c=0.6;>> bw_v=im2bw(v,0.01);>> chalk=imadjust(v,[t_c 1],[],1);>> bw_chalk=im2bw(chalk,0.01);>> figure,imshow(v);>> figure,imshow(bw_v);>> figure,imshow(chalk);>> figure,imshow(bw_chalk);>> degree_chalkness=bwarea(bw_chalk)/bwarea(bw_v)*100 >> bw=im2bw(j,t);>> figure,imshow(bw);>> se=(ones(3,3));>> bw1=imerode(bw,se);%两次腐蚀 >> figure,imshow(bw1);>> bw2=imerode(bw1,se);>> figure,imshow(bw2);

>> [l,num]=bwlabel(bw2);%标记腐蚀后的大米图像 >> t_chalk=100;%设置垩白面积的下限 >> compare=(l)&(chalk>t_chalk);%>> compare=(bw2)&(bw_chalk>t_chalk);>> [r,c]=find(compare);%标记垩白米粒的位置 >> result=bwselect(l,c,r);%显示只含有垩白米粒的图像 >> figure,imshow(result);

>> [l_chalk,num_chalk]=bwlabel(result);%标记垩白米粒图像，便于计数 >> rate_chalky_grains=num_chalk/num*100;>> rate_chalky_grains

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %2006.6.17 bwmorph函数 >> help bwmorph BWMORPH Perform morphological operations on binary image.BW2 = BWMORPH(BW1,OPERATION)applies a specific morphological operation to the binary image BW1.BW2 = BWMORPH(BW1,OPERATION,N)applies the operation N times.N can be Inf, in which case the operation is repeated until the image no longer changes.OPERATION is a string that can have one of these values: 'bothat' Subtract the input image from its closing 'bridge' Bridge previously unconnected pixels 'clean' Remove isolated pixels(1's surrounded by 0's)'close' Perform binary closure(dilation followed by erosion)'diag' Diagonal fill to eliminate 8-connectivity of background 'dilate' Perform dilation using the structuring element ones(3)'erode' Perform erosion using the structuring element ones(3)'fill' Fill isolated interior pixels(0's surrounded by 1's)'hbreak' Remove H-connected pixels 'majority' Set a pixel to 1 if five or more pixels in its 3-by-3 neighborhood are 1's 'open' Perform binary opening(erosion followed by dilation)'remove' Set a pixel to 0 if its 4-connected neighbors are all 1's, thus leaving only boundary pixels 'shrink' With N = Inf, shrink objects to points;shrink objects with holes to connected rings 'skel' With N = Inf, remove pixels on the boundaries of objects without allowing objects to break apart 'spur' Remove end points of lines without removing small objects completely.'thicken' With N = Inf, thicken objects by adding pixels to the exterior of objects without connected previously unconnected objects 'thin' With N = Inf, remove pixels so that an object without holes shrinks to a minimally connected stroke, and an object with holes shrinks to a ring halfway between the hold and outer boundary 'tophat' Subtract the opening from the input image

Class Support-------------The input image BW1 can be numeric or logical.It must be 2-D, real and nonsparse.The output image BW2 is logical.Examples--------BW1 = imread('circles.png');imview(BW1)BW2 = bwmorph(BW1,'remove');BW3 = bwmorph(BW1,'skel',Inf);imview(BW2)imview(BW3)

See also erode, dilate, bweuler, bwperim.Reference page in Help browser doc bwmorph

BW1 = imread('circles.png');figure,imshow(BW1)BW2 = bwmorph(BW1,'erode');figure,imshow(BW2)

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %边界提取 b=bwmorph(bw,'remove');b=bwperim(bw,8);%又叫边界象素测定 b=edge(bw,'canny');%又叫边界提取 %去除孤立象素点

nosinglepixel=bwmorph(bw,'clean');%去除小面积物体

nosmall=bwareaopen(bw,CNN);%阈值处理再取反

bw=~im2bw(i,graythresh(i));

%开运算（消除小物体）与闭运算（填充物体内细小空洞）se=strel('disk',6);iopen=imopen(bw,se);iclose=imclose(bw,se);%腐蚀与膨胀联合操作 %（1）创建结构元素 se=strel('rectangle',[40 30]);%（2）使用结构元素腐蚀图像 bw1=imread('circbw.tif');bw2=imerode(bw1,se);imshow(bw2);%（3）逆操作，回复矩形原来大小 bw3=imdilate(bw2,se);figure,imshow(bw3);

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %2006.6.18花椒子

%直接对灰度图进行canny运算 >> i=imread('nut.bmp');>> figure,imshow(i);>> ig=rgb2gray(i);>> figure,imshow(ig);%igcanny=edge(ig,'canny');%igcfill=imfill(igcanny,'hole');igcanny_thresh=edge(ig,'canny',(graythresh(ig)*.1));igcfill=imfill(igcanny_thresh,'hole');>> figure,imshow(igcfill);

%先对灰度图滤波，再进行canny运算

>> imed=medfilt2(ig);%中值滤波后对图像边界有一定的损伤！！>> imedcanny=edge(imed,'canny');>> imedfill=imfill(imedcanny,'hole');>> figure,imshow(imedfill);>> nosmall=bwareaopen(imedfill,150);>> figure,imshow(nosmall);

%注意：若对灰度图像先拉氏锐化，在canny提取边界，效果不大好！！%结论：无需拉氏锐化，也不必中值滤波，可直接canny提取边界！！>> ifill=igcfill|imedfill;>> figure,imshow(ifill);>> nosmall=bwareaopen(ifill,150);>> figure,imshow(nosmall);

%当t=0.55时,阈值处理再canny运算的效果 >> imhist(ig);>> t=0.55;>> v=imadjust(ig,[0 t],[],1);>> vcanny=edge(v,'canny');>> vfill=imfill(vcanny,'hole');>> figure,imshow(vfill);>> ifill=igcfill|vfill;>> figure,imshow(ifill);>> nosmall=bwareaopen(ifill,150);>> figure,imshow(nosmall);

%当t=0.6时,阈值处理再canny运算的效果的效果 >> t=0.6;>> v=imadjust(ig,[0 t],[],1);>> vcanny=edge(v,'canny');>> vfill=imfill(vcanny,'hole');>> figure,imshow(vfill);>> ifill=igcfill|vfill;>> figure,imshow(ifill);>> nosmall=bwareaopen(ifill,150);>> figure,imshow(nosmall);

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %处理花椒子

>> i=imread('nut.bmp');%figure,imshow(i);ig=rgb2gray(i);figure,imshow(ig);>> imed=medfilt2(ig);imedcanny=edge(imed,'canny');imedfill=imfill(imedcanny,'hole');%figure,imshow(imedfill);nosmall=bwareaopen(imedfill,150);>> figure,imshow(nosmall);>> [labeled,numobjects]=bwlabel(nosmall,4);>> rgb_label=label2rgb(labeled,@spring,'c','shuffle');%>> figure,imshow(rgb_label);>> nutdata=regionprops(labeled,'all');>> min([nutdata.Solidity])

>> rectangle('Position', [253.5000 207.5000 26.0000 28.0000])%画矩形

>> rectangle('Position', [250.5000 50.5000 27.0000 26.0000])>> figure,imshow(nutdata(1).Image)%只显示1号物体的图像

>> figure,imshow(nutdata(1).ConvexImage)%画出1号物体的凸多边形 >> std([nutdata.Eccentricity])/ mean([nutdata.Eccentricity])std([nutdata.Area])/ mean([nutdata.Area])std([nutdata.Solidity])/ mean([nutdata.Solidity])>> std([nutdata.Centroid])/ mean([nutdata.Centroid])std([nutdata.MajorAxisLength])/ mean([nutdata.MajorAxisLength])std([nutdata.MinorAxisLength])/ mean([nutdata.MinorAxisLength])std([nutdata.Orientation])/ mean([nutdata.Orientation])std([nutdata.EquivDiameter])/ mean([nutdata.EquivDiameter])std([nutdata.Extent])/ mean([nutdata.Extent])std([nutdata.Extrema])/ mean([nutdata.Extrema])

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %处理花椒皮 close all;clc;clear;>> i=imread('p.bmp');imshow(i);ig=rgb2gray(i);figure,imshow(ig);imed=medfilt2(ig);imedcanny=edge(imed,'canny');figure,imshow(imedcanny);>> se90=strel('line',2,90);se0=strel('line',2,0);bwsdil=imdilate(imedcanny,[se90 se0]);figure,imshow(bwsdil),title('dilated');ifill=imfill(bwsdil,'holes');figure,imshow(ifill);>> bwero=imerode(ifill,[se90 se0]);>> figure,imshow(bwero);>> nosmall=bwareaopen(bwero,150,4);>> figure,imshow(nosmall);>> nobord=imclearborder(nosmall,4);>> figure,imshow(nobord);>> [labeled,numobjects]=bwlabel(nobord,4);>> numobjects >> pdata=regionprops(labeled,'all');>> max([pdata.Solidity])>> std([pdata.Solidity])/mean([pdata.Solidity])

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %处理混合图像 >> clear;clc;close all;>> i=imread('m.bmp');%>> figure,imshow(i);>> ig=rgb2gray(i);figure,imshow(ig);imed=medfilt2(ig);%>> figure,imshow(imed);imedcanny=edge(imed,'canny');%>> figure,imshow(imedcanny);>> se90=strel('line',2,90);se0=strel('line',2,0);bwsdil=imdilate(imedcanny,[se90 se0]);%figure,imshow(bwsdil),title('dilated');ifill=imfill(bwsdil,'holes');%figure,imshow(ifill);bwero=imerode(ifill,[se90 se0]);%figure,imshow(bwero);>> nosmall=bwareaopen(bwero,150,4);%figure,imshow(nosmall);nobord=imclearborder(nosmall,4);figure,imshow(nobord);>> [labeled,numobjects]=bwlabel(nobord,4);>> numobjects >> rgb_label=label2rgb(labeled,@spring,'c','shuffle');figure,imshow(rgb_label);>> mexdata=regionprops(labeled,'all');hold on;%以下内容画在同一figure中 centr=[mexdata.Centroid];%寻找重心位置 nums=1:numobjects;for k = 1:numobjects soli=mexdata(k).Solidity;soli_string=sprintf('%2.2f',soli);%等价于转字符串 % signal=num2str(nums(k));signal=sprintf('%d',k);%直接使用打印语句打印序号 text(centr(2*k-1),centr(2*k),signal)%按序标记物体

text(centr(2*k-1)-30,centr(2*k)-30,soli_string)%标注每个Solidity值 end

for k=1:numobjects plot(mexdata(k).ConvexHull(:,1),mexdata(k).ConvexHull(:,2),...'b','Linewidth',2)end

%画出1和2号物体的外接矩形

%>> rectangle('position',[9.5000 224.5000 62.0000 63.0000])%>> rectangle('position',[65.5000 141.5000 34.0000 39.0000])%画出每个物体的外接矩形 bb=[mexdata.BoundingBox];for k=1:numobjects rectangle('position',[bb(4*k-3)bb(4*k-2)bb(4*k-1)bb(4*k)])end

%>> figure,imshow(mexdata(1).Image)%只显示1号物体的图像

%>> figure,imshow(mexdata(1).ConvexImage)%画出1号物体的凸多边形 %>> figure,imshow(mexdata(2).Image)%只显示2号物体的图像

%>> figure,imshow(mexdata(2).ConvexImage)%画出2号物体的凸多边形 %画出单个物体的凸多边形的填充图形 for k=1:numobjects figure,imshow(mexdata(k).ConvexImage)end

%只显示Solidity>0.92的物体的图像 >> idx = find([mexdata.Solidity] > 0.92);>> BW2 = ismember(labeled,idx);>> figure,imshow(BW2)

>> mexdata=regionprops(labeled,'all');>> %只显示Solidity<0.92的物体的图像 idx = find([mexdata.Solidity] < 0.92);bw2 = ismember(labeled,idx);figure,imshow(bw2)%mexdata.Solidity;

>> numdown=find([mexdata.Solidity]<0.92);mexdata(numdown,:)=[];>> mexdata

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %2006.6.19 %roipoly函数的用法 I = imread('eight.tif');c = [222 272 300 270 221 194];r = [21 21 75 121 121 75];BW = roipoly(I,c,r);imview(I), imview(BW)

%可以使用下面的方法创建相应的向量： regionprops(L,'Area');allArea = [stats.Area];

%创建一个只包含面积大于80的二值图像 idx = find([stats.Area] > 80);BW2 = ismember(L,idx);

%只显示某个下标所对应的物体图像 bw2=ismember(L,N);figure,imshow(bw2);

%在调用regionprops之前必须将二值图像转变为标注矩阵 L = bwlabel(BW);%或者

L = double(BW);

%将matlab数据写到excel中 a=ones(3);success = xlswrite('c:/matlab/work/myworkbook.xls',a,'A2:C4')%将行矩阵转换为列矩阵 a=[1 2 3 4 5 6];b=transpose(a);

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %2006.6.22球形物体的检测和标识（循环检测和标识算法）clc;clear;close all;%Step 1: Read image %Step 2: Threshold the image %Step 3: Remove the noise %Step 4: Find the boundaries %Step 5: Determine which objects are round >> RGB = imread('pillsetc.png');imshow(RGB)>> I = rgb2gray(RGB);threshold = graythresh(I);bw = im2bw(I,threshold);imshow(bw)>> % remove all object containing fewer than 30 pixels bw = bwareaopen(bw,30);>> figure,imshow(bw)>> % fill a gap in the pen's cap se = strel('disk',2);bw = imclose(bw,se);>> figure,imshow(bw)>> % fill any holes, so that regionprops can be used to estimate % the area enclosed by each of the boundaries bw = imfill(bw,'holes');>> figure,imshow(bw)>> [B,L] = bwboundaries(bw,'noholes');>> % Display the label matrix and draw each boundary figure,imshow(label2rgb(L, @jet, [.5.5.5]))>> hold on for k = 1:length(B)boundary = B{k};plot(boundary(:,2), boundary(:,1), 'w', 'LineWidth', 2)end >> stats = regionprops(L,'Area','Centroid');>> stats = regionprops(L,'Area','Centroid');threshold = 0.94;% loop over the boundaries for k = 1:length(B)% obtain(X,Y)boundary coordinates corresponding to label 'k' boundary = B{k};% compute a simple estimate of the object's perimeter delta_sq = diff(boundary).^2;perimeter = sum(sqrt(sum(delta_sq,2)));

% obtain the area calculation corresponding to label 'k' area = stats(k).Area;

% compute the roundness metric metric = 4*pi*area/perimeter^2;

% display the results metric_string = sprintf('%2.2f',metric);% mark objects above the threshold with a black circle if metric > threshold centroid = stats(k).Centroid;plot(centroid(1),centroid(2),'ko');end

text(boundary(1,2)-35,boundary(1,1)+13,metric_string,'Color','y',...'FontSize',14,'FontWeight','bold');end >> title(['Metrics closer to 1 indicate that ',...'the object is approximately round']);

第三篇：图像处理 实验报告

摘要：

图像处理，用计算机对图像进行分析，以达到所需结果的技术。又称影像处理。基本内容 图像处理一般指数字图像处理。数字图像是指用数字摄像机、扫描仪等设备经过采样和数字化得到的一个大的二维数组，该数组的元素称为像素，其值为一整数，称为灰度值。图像处理技术的主要内容包括图像压缩，增强和复原，匹配、描述和识别3个部分。图像处理一般指数字图像处理。

数字图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。目前，图像处理演示系统应用领域广泛医学、军事、科研、商业等领域。因为数字图像处理技术易于实现非线性处理，处理程序和处理参数可变，故是一项通用性强，精度高，处理方法灵活，信息保存、传送可靠的图像处理技术。本图像处理演示系统以数字图像处理理论为基础，对某些常用功能进行界面化设计，便于初级用户的操作。设计要求

可视化界面，采用多幅不同形式图像验证系统的正确性；

合理选择不同形式图像，反应各功能模块的效果及验证系统的正确性 对图像进行灰度级映射，对比分析变换前后的直方图变化；

1.课题目的与要求 目的：

基本功能：彩色图像转灰度图像

图像的几何空间变换：平移，旋转，剪切，缩放 图像的算术处理：加、减、乘

图像的灰度拉伸方法（包含参数设置）； 直方图的统计和绘制；直方图均衡化和规定化； 要求：

1、熟悉图像点运算、代数运算、几何运算的基本定 义和常见方法；

2、掌握在MTLAB中对图像进行点运算、代数运算、几何运算的方法

3、掌握在MATLAB中进行插值的方法

4、运用MATLAB语言进行图像的插值缩放和插值旋转等

5、学会运用图像的灰度拉伸方法

6、学会运用图像的直方图设计和绘制；以及均衡化和规定化

7、进一步熟悉了解MATLAB语言的应用，将数字图像处理更好的应用于实际

2.课题设计内容描述

1>彩色图像转化灰度图像：

大部分图像都是RGB格式。RGB是指红，绿，蓝三色。通常是每一色都是256个级。相当于过去摄影里提到了8级灰阶。

真彩色图像通常是就是指RGB。通常是三个8位，合起来是24位。不过每一个颜色并不一定是8位。比如有些显卡可以显示16位，或者是32位。所以就有16位真彩和32位真彩。

在一些特殊环境下需要将真彩色转换成灰度图像。1单独处理每一个颜色分量。

2.处理图像的“灰度“，有时候又称为“高度”。边缘加强，平滑，去噪，加锐度等。

3.当用黑白打印机打印照片时，通常也需要将彩色转成灰白，处理后再打印 4.摄影里，通过黑白照片体现“型体”与“线条”，“光线”。2>图像的几何空间变化：

图像平移是将图像进行上下左右的等比例变化，不改变图像的特征，只改变位置。

图像比例缩放是指将给定的图像在x轴方向按比例缩放fx倍，在y轴按比例缩放fy倍，从而获得一幅新的图像。如果fx=fy，即在x轴方向和y轴方向缩放的比率相同，称这样的比例缩放为图像的全比例缩放。如果fx≠fy，图像的比例缩放会改变原始图象的像素间的相对位置，产生几何畸变。

旋转。一般图像的旋转是以图像的中心为原点，旋转一定的角度，也就是将图像上的所有像素都旋转一个相同的角度。旋转后图像的的大小一般会改变，即可以把转出显示区域的图像截去，或者扩大图像范围来显示所有的图像。图像的旋转变换也可以用矩阵变换来表示。3>图像的算术处理：

图像代数运算是指对两幅或两幅以上输入图像对应的像素逐个进行和差积商运算以产生增强效果的图像。图像运算是一种比较简单有效的增强处理手段是图像处理中常用方法。三种图像处理代数运算的数学表达式如下： C(x,y)=A(x,y)+B(x,y)C(x,y)=A(x,y)-B(x,y)C(x,y)=A(x,y)*B(x,y)4>图像的灰度拉伸方法：

灰度拉伸又叫对比度拉伸，它是最基本的一种灰度变换，使用的是最简单的分段线性变换函数，它的主要思想是提高图像处理时灰度级的动态范围。可以有选择的拉伸某段灰度区间以改善输出图像。如图，所示的变换函数的运算结果是将原图在a到b之间的灰度拉伸到c到d之间。如果一幅图像的灰度集中在较暗的区域而导致图像偏暗，可以用灰度拉伸功能来拉伸(斜率>1)物体灰度区间以改善图像；同样如果图像灰度集中在较亮的区域而导致图像偏亮，也可以用灰度拉伸功能来压缩(斜率<1)物体灰度区间以改善图像质量。

5>直方图设计和绘制；以及均衡化和规定化：

灰度直方图是将数字图像的所有像素，按照灰度值的大小，统计其所出现的频度。通常，灰度直方图的横坐标表示灰度值，纵坐标为半个像素个数，也可以采用某一灰度值的像素数占全图像素数的百分比作为纵坐标。

直方图均衡方法的基本原理是：对在图像中像素个数多的灰度值（即对画面起主要作用的灰度值）进行展宽，而对像素个数少的灰度值（即对画面不起主要作用的灰度值）进行归并。从而达到清晰图像的目的。

3.总体方案设计

1> GUI图像处理平台的总体设计

图像处理平台设计的目的是能够将图像处理的各个独立算法集成到一个平台内，方便用户选用多种方法对图像进行处理.平台基于ＭatlabGUI设计，实现图像处理过程的交互和可视化，并为用户二次开发提供平台接口，提高图像处理算法的综合利用效率

2>平台总体功能设计 根据一体化的设计思想，平台主要实现算法集成、交互可视化和提供二次开发接口等功能.其中算法集成分为已有算法集成和新算法集成.具体功能描述如下：

（1）已有算法集成是对Ｍatlab图像处理工具

包中提供的算法进行集成，可以通过使用函数名加参数的方式直接调用.依据功能进行分类，将同类算法集成到同一菜单项内，如将傅里叶变换、小波变换、离散变换等算法归类到图像变换中，进行集成.（2）新算法集成是指对自主开发的算法进行集成，如改进水平集算法[12]、交互式图割算法[13]、细胞自动机分割算法[14]等均为自主开发的图像分割算法，同已有算法集成方式类似，集成到平台中，便于综合运用和算法分析与对比.（3）交互式可视化是指对图像处理过程及结果的可视化显示，并提供用户交互区.（4）二次开发接口是指通过调用集成模板方式，为用户提供一个将自己算法集成到平台中的一个接口

3>总体布局设计

一个高性能的图像处理平台应该为用户提供

方便快捷的操作.平台设计中通过菜单和按钮实现快捷操作，其中菜单项提供平台的整体功能，快捷按钮显示具体的独立功能.图像处理平台的布局设计如图1所示.利用ＭatlabGUI提供的工具包和底层代码，可以实现菜单功能区、快捷按钮功能区、DEMO显示区、可视化效果显示区和用户交互区的布局设计

4.程序实现和测试

4.1各个功能模块的主要实现程序 基本功能：彩色图像转灰度图像

I=imread('C:MATLAB7toolboximagesimdemospeppers.png','png');x=rgb2gray(I);figure(1);subplot(121);imshow(I);title('原始图像');subplot(122);imshow(x);title('灰度图像');实验结果：

图像的几何空间变换：平移，旋转，剪切，缩放

img1=imread('C:MATLAB7toolboximagesimdemosguidemo123jujiao3.jpg','jpg');img1=rgb2gray(img1);figure,imshow(img1);imwrite(img1,'a1.jpg');%%%%%%平移

se=translate(strel(1),[20 20]);img2=imdilate(img1,se);figure,imshow(img2);imwrite(img2,'a2.jpg');%%%%%%旋转 img3=imrotate(img1,90);figure,imshow(img3);imwrite(img3,'a3.jpg');% %%%%%缩放 img4=imresize(img1,2);figure,imshow(img4);imwrite(img4,'a4.jpg');

原始图像：

平移图像：

旋转图像：

缩放图像：

图像的算术处理：加、减、乘

加法

A=imread('C:MATLAB7toolboximagesimdemosguidemo123jujiao3.jpg','jpg');B=imread('C:MATLAB7toolboximagesimdemosguidemo123jujiao1.jpg','jpg');subplot(1,3,1);imshow(A);title('图像1');subplot(1,3,2);imshow(B);title('图像2');C=imadd(A,B);subplot(1,3,3);imshow(C);title('相加后的图像')

减法

A=imread('C:MATLAB7toolboximagesimdemosguidemo123jujiao3.jpg','jpg');B=imread('C:MATLAB7toolboximagesimdemosguidemo123jujiao1.jpg','jpg');subplot(2,3,1);imshow(A);title('图像1');subplot(2,3,2);imshow(B);title('图像2');C=imsubtract(A,B);subplot(2,3,3);imshow(C);title('相减后的图像')

乘法

A=imread('C:MATLAB7toolboximagesimdemosguidemo123jujiao3.jpg','jpg');B=imread('C:MATLAB7toolboximagesimdemosguidemo123jujiao1.jpg','jpg');subplot(1,3,1);imshow(A);title('图像1');subplot(1,3,2);imshow(B);title('图像2');C=immultiply(A,B);subplot(1,3,3);imshow(C);title('相乘后的图像')

图像的灰度拉伸方法（包含参数设置）；

img=imread('C:MATLAB7toolboximagesimdemosguidemo123jujiao3.jpg','jpg');figure(1);imshow(img);title('原图');[m,n]=size(img);%测量图像尺寸参数

GreyHist=zeros(1,256);%预创建存放灰度出现概率的向量 for k=0:255 GreyHist(k+1)=length(find(img==k))/(m*n);%计算每级灰度出现的概率，将其存入GreyHist中相应位置

end figure(2);bar(0:255,GreyHist)%绘制直方图 title('原直方图')xlabel('灰度值')ylabel('出现概率')%灰度拉伸 imggrey=img;prompt={'请输入系数a','请输入系数b'};words='请输入线性拉伸函数:';answer = inputdlg(prompt,words,1,{'0.5','2'});a=str2double(answer(1));b=str2double(answer(2));for i=1:m for j=1:n img(i,j)=a*img(i,j)+b;end end figure(3);imshow(img);title('灰度拉伸');GreyHist=zeros(1,256);%预创建存放灰度出现概率的向量 for k=0:255

直方图的统计和绘制；直方图均衡化和规定化；

%一，图像的预处理，读入彩色图像将其灰度化

img=imread('C:MATLAB7toolboximagesimdemosguidemo123jujiao3.jpg','jpg');%读入JPG彩色图像文件

imshow(img)%显示出来 title('输入的彩色JPG图像')imwrite(rgb2gray(img),'PicSampleGray.jpg');%将彩色图片灰度化并保存 img=rgb2gray(img);%灰度化后的数据存入数组 %二，绘制直方图

[m,n]=size(img);%测量图像尺寸参数

GP=zeros(1,256);%预创建存放灰度出现概率的向量 for k=0:255 GP(k+1)=length(find(img==k))/(m*n);%计算每级灰度出现的概率，将其存入GP中相应位置 end figure,bar(0:255,GP,'g')%绘制直方图 title('原图像直方图')xlabel('灰度值')ylabel('出现概率')%三，直方图均衡化 S1=zeros(1,256);for i=1:256 for j=1:i S1(i)=GP(j)+S1(i);%计算Sk end end S2=round((S1*256)+0.5);%将Sk归到相近级的灰度 for i=1:256 GPeq(i)=sum(GP(find(S2==i)));%计算现有每个灰度级出现的概率 end figure,bar(0:255,GPeq,'b')%显示均衡化后的直方图 title('均衡化后的直方图')xlabel('灰度值')ylabel('出现概率')%四，图像均衡化 PA=img;for i=0:255 PA(find(img==i))=S2(i+1);%将各个像素归一化后的灰度值赋给这个像素 end figure,imshow(PA)%显示均衡化后的图像 title('均衡化后图像')imwrite(PA,'PicEqual.jpg');

4.3.问题说明和总结：对在调试中发现的问题和解决方法做说明。

图像处理，是对图像进行分析、加工、和处理，使其满足视觉、心理以及其他要求的技术。图像处理是信号处理在图像域上的一个应用。目前大多数的图像是以数字形式存储，因而图像处理很多情况下指数字图像处理。

进行程序调试的过程中，最重要的是输入图像，刚开始是为了找到原始图像耗费了很多时间，一般的条件书上有，但要对其进行磨合。程序编写时，应该注意大小写。应该注意最后的输出部分，保证输出条件与输入条件相同。

5．总结与体会 这次使用MATALB进行图像处理的编写，是我对MATALB软件有了更深入的了解，对其的应用能力也有了相应的提高，更深入的了解到MATALB作为绘图软件的方便与快捷。在进行程序调试的过程中，最重要的是输入图像，只有找到图像的原始位置，才能进行下面的程序编码。编码程序时，应该在MATLAB原始文档的位置先行输入，输入时应该注意大小写。程序应该尽可能地简单，只要能达到目的就行，程序越复杂，运行时的错误就越多。以上是我的程序编码经验与感受。

6．参考文献

《数字图像处理实验指导书》 厍向阳 曹颖超 编著 《MATLAB与数学实验》 艾冬梅 李艳晴 编著 《图像处理和分析技术》 章毓晋 编著 《MATLAB实用教程》 郑阿奇 编著

第四篇：matlabGUI图像处理

图像处理

一、实习任务

利用MATLAB里面的一些特定函数和GUI可视化图形界面设计一个属于自己的photoshop,使其完成简易的放大、缩小、截图以及直方图统计等功能。

二、实习内容

1、布局设计

2、程序设计 %文件打开

[name,path]=uigetfile({'*.*';'*.bmp';'*.tif';'*.png';'*.gif';'*.jpg'},'载入图像');if isequal(name,0)|isequal(path,0)errordlg('没有选中文件','出错');return;else x=imread([path,name]);axes(handles.axes1);imshow(x);handles.img=x;handles.noise_img=x;guidata(hObject,handles)end

%文件保存

[filename,pathname] = uiputfile({'*.*';'*.bmp';'*.tif';'*.png';'*.gif';'*.jpg'},'图片保存为');if isequal([filename,pathname],[0,0])errordlg('没有保存','出错');return;else file=strcat(pathname,filename);(handles.axes2);i=getimage(gca);imwrite(i,file);end

%文件退出 clc;close all;close(gcf);

%灰度处理

axes(handles.axes2);if isrgb(handles.img)y=rgb2gray(handles.img);%RGB•••••••••• imshow(y);else msgbox('这已经是灰度图像','转换失败');end %截图

set(handles.axes2,'HandleVisibility','ON');axes(handles.axes2);y=imcrop(handles.img);imshow(y);handles.Timage=y;

%双线性缩小

axes(handles.axes2);prompt={'输入放大倍数:'};defans={'0.2'};p=inputdlg(prompt,'输入放大倍数',1,defans);p1=str2num(p{1});y=imresize(handles.img,p1,'bilinear');%法缩小 imshow(y);

%双线放大

axes(handles.axes2);prompt={'输入放大倍数:'};defans={'2'};p=inputdlg(prompt,'输入放大倍数',1,defans);p1=str2num(p{1});y=imresize(handles.img,p1,'bilinear');%值法放大 imshow(y);

%上下翻转

最近邻插值最近邻插axes(handles.axes2);x=(handles.img);if isrgb(handles.img)for k=1:3 y(:,:,k)=flipud(x(:,:,k));%上下翻转函数 end imshow(y);else x=(handles.img);y=flipud(x);imshow(y);end

%左右翻转

axes(handles.axes2);if isrgb(handles.img)x=(handles.img);for k=1:3 y(:,:,k)=fliplr(x(:,:,k));%左右翻转函数 end imshow(y);else x=(handles.img);y=fliplr(x);imshow(y);end

%左转90度

axes(handles.axes2);x=(handles.img);y=imrotate(x,90);imshow(y);

%右转90度

axes(handles.axes2);x=(handles.img);y=imrotate(x,-90);imshow(y);

%任意角度旋转 axes(handles.axes2);prompt={'输入参数1:'};defans={'30'};p=inputdlg(prompt,'输入参数',1,defans);p1=str2num(p{1});y=imrotate(handles.img,p1);imshow(y);

%亮度处理

prompt={'输入参数1','输入参数2','输入gamma'};defans={'[0 0.7]','[0 1]','1'};p=inputdlg(prompt,'输入参数',1,defans);p1=str2num(p{1});p2=str2num(p{2});p3=str2num(p{3});gamma=p3;x=(handles.img);y=imadjust(x,p1,p2,gamma);axes(handles.axes2);imshow(y);%G直方图

set(handles.axes2,'HandleVisibility','ON');axes(handles.axes2);if isrgb(handles.img)x=imhist(handles.img(:,:,2));%直方图统计 x1=x(1:10:256);horz=1:10:256;bar(horz,x1);set(handles.axes2,'xtick',0:50:255);else msgbox('这是灰度图像','旋转失败');end %R直方图

set(handles.axes2,'HandleVisibility','ON');axes(handles.axes2);x=imhist(handles.img(:,:,1));%统计

x1=x(1:10:256);horz=1:10:256;bar(horz,x1);set(handles.axes2,'xtick',0:50:255);%B直方图

set(handles.axes2,'HandleVisibility','ON');axes(handles.axes2);if isrgb(handles.img)

直方图x=imhist(handles.img(:,:,3));%直方图统计

x1=x(1:10:256);horz=1:10:256;bar(horz,x1);%axis([0 255 0 150000]);set(handles.axes2,'xtick',0:50:255);%set(handles.axes2,'ytick',0:2000:15000);else msgbox('这是灰度图像','旋转失败');end

%直方图均衡

set(handles.axes2,'HandleVisibility','ON');axes(handles.axes2);if isrgb(handles.img)a=histeq(handles.img(:,:,1));b=histeq(handles.img(:,:,2));c=histeq(handles.img(:,:,3));k(:,:,1)=a;k(:,:,2)=b;k(:,:,3)=c;imshow(k);else h=histeq(handles.img);%直方图均衡 imshow(h);end

3、效果图

三、遇到的问题及解决方法

1、遇到的问题

最开始在Command里面用imread打开图片是可行的，但到了GUI里面之后，会出现一些错误，主要就是提示说：找不到对应的地方。还有就是在编写完程序之后，放大感觉没有任何变化。

2、解决方法

在查询资料后发现，在GUI里面打开图片是需要编写图片的地址以及格式的，要先判断你要操作的图片是否存在，如果不存在，应该提示你不存在的错误；在不能放大这个问题上，后来发现是axes2不够大，也就是画布不够大，再放大了画布后，放大就明显多了，缩小的时候也是这样。

四、主要收获和心得体会

在俩周的自动化软件实训里面，最大的感触就是MATLAB很强大，不但可以用自己自带的函数，还可以和C语言Java等语言连接共用，在处理图像上有自己独特的优势，在编辑菜单之后再进行相应的编程，做出来的界面和网页一样好看，这俩周特别快，不过收获很多，在很大程度上锻炼了我们的设计能力。

第五篇：图像处理教学大纲

《医学数字图像处理》课程教学大纲

课程编号: 课程名称：医学数字图像处理

英文名称：Medical Digital Image Processing 课程类型：专业课

总学时：54（理论学时：27 实验学时：27）适用对象：卫生信息管理专业（本科）课程简介：

本课程介绍了有关医学图像处理的基本理论、概念、方法，并结合先修课程的基础理论，来详细阐述部分目前最常用的医学图像处理算法，强调医学图像处理的目的性，特别注重图像处理结果的应用、解释和算法的物理含义。在此基础上，结合图像的计算机处理方法，引导学生处理一些实际的医学图像。

一、课程性质、目的和任务

性质：医学数字图像处理是卫生信息管理（本科）专业的必修课程。

目的：通过本课程的学习，不仅要使学生打下坚实的医学图像处理的基础理论，掌握现代医学数字图像处理的内容、模式和发展趋势，更要使同学们对数字图像处理理论在医学图像分析中的应用与发展有一个清楚的认识，提高其计算机图像处理的编程、动手能力。

任务：能够掌握一些基本的医学数字图像处理的技术技能，培养创新思维，提高发现问题和解决问题的能力，为学生建立健全合理的知识结构打下坚实的基础。

二、教学基本要求

通过本课程的学习，学生应能达到以下要求：

1、掌握数字图像处理的基本概念、基本原理和重要的常规算法，并在此基础上掌握数字图像处理在医学图像分析中的特殊之处与发展概况，其中注重引导图像处理总体流程思路及结构框架的掌握。

2、掌握数字图像处理的基本方法，逐渐形成观察、思考、分析和解决有关理论和实践问题的能力，提高学生为社会服务的能力。

3、能较熟练的运用至少一种编程语言对基本算法进行代码实现，以加深对课程中理论知识的理解。

三、教学内容及要求

（一）数字图像处理概述

【了解】DIP的发展及应用实例；DIP的基本步骤及内容（课程结构）；数字图像处理系统简介；医学图像发展概况；

【掌握】图像的描述方法；数字图像处理（DIP）的基本概念。

（二）医学影像的数字化及图像的运算 【了解】图像的数字化；图像的几何运算。

【掌握】医学数字影像的获取途径；数字图像的矩阵表示；图像直方图；图像点运算、代数 运算。

（三）医学影像图像增强处理

【了解】图像的频域增强；傅里叶变换；卷积；Z变换。【熟悉】频域滤波过程；空域滤波与频域滤波的对应关系。

【掌握】医学图像直方图均衡；医学图像的空域滤波模板设计；平滑空间滤波器；锐化空间滤波器。

（四）医学影像图像的成像与重建

【了解】X-CT影像重建基本流程与算法；MRI图像的重建。【掌握】X-CT影像成像原理；MRI图像成像原理。

（五）医学影像图像分割

【了解】医学影像图像分割方法的分类。

【掌握】基于统计的图像分割；基于区域的图像分割；基于边缘的医学图像分割。

（六）医学影像图像描述

【了解】医学影像图像的形状特征描述；医学影像图像的纹理特征描述。

【熟悉】图像形状描述子；图像纹理描述子；图像骨架的抽取；灰度图像的形态学滤波。

（七）医学影像图像的配准

【了解】图像配准的概念，图像相似度测度。【熟悉】基于图像灰度的图像配准方法；基于特征点的配准方法；基于边缘的图像配准方法。

（八）医学图像模式识别

【了解】图像特征的选择、提取；基于统计的模式识别方法；基于结构的模式识别方法；基于人工神经网络的模式识别方法。

（九）专题：医学图像存储通信系统标准：DICOM3.0 【了解】医学图像存储与通信系统；DICOM3.0标准。

四、教学方法与手段

本课程采用理论讲授与上机实践相结合的教学方式，讲授采用多媒体教学。

五、各教学环节学时分配

内容

（一）数字图像处理概述

（二）医学影像的数字化及图像的运算

（三）医学影像图像增强处理

（四）医学影像图像的成像与重建

（五）医学影像图像分割

（六）医学影像图像描述

（七）医学影像图像的配准 3 5 4 2 4 5 1 3 9 9 3

理论课 3 3

实验课 3 8

小计 6 11 2

（八）医学图像模式识别

（九）专题：医学图像存储通信系统:DICOM3.0 总 计 1 27 1 54

六、考核方式

考试采用闭卷笔试（60%），上机实验、作业、课堂提问为平时成绩（40%）。

七、教材和教学参考书

教材：拟选用《医学影像图像处理》（普通高等教育“十一五”国家级规划教材），陈武凡 主编，人民卫生出版社，2009年3月第一版。参考书：（1）宋余庆编，数字医学图像，清华大学出版社，2008,5第一版；

（2）章鲁，陈瑛等，医学图像处理与分析，上海科学技术出版社，2006,8第一版；（3）章毓晋，图象工程（上册）：图象处理和分析，清华大学出版社，1999（4）Kenneth R.Castleman(美), Digital Image Processing

八、说明

本教学大纲根据高等医药院校计算机基础课程（医学图像处理）基本要求编写而成。

九、本大纲主要起草人、审阅人

主要起草人： 年 月 日 审 阅 人： 年 月 日

卫生管理系 年 月 日