对Lena图片的数字技术处理（matlab）资源-CSDN文库

共19个文件

m：10个

asv：7个

jpg：2个

4星 · 超过85%的资源需积分: 50 161 浏览量 2013-03-07 17:01:27 上传评论 1 收藏 359KB RAR 举报

在数字图像处理领域，Lena图片常常被用作标准测试图像，因其丰富的细节和广泛的知名度。本项目聚焦于使用MATLAB这一强大的计算平台，对Lena图像进行一系列的技术处理，主要包括灰度图直方图提取与均衡化、RGB模式下的色彩均衡化以及Isodata和Ostu两种图像分割算法的应用。我们要理解灰度图直方图的重要性。直方图是描述图像亮度分布的统计图形，它展示了图像中不同亮度级别像素的数量。在MATLAB中，可以使用`imhist`函数来获取图像的直方图。通过对直方图的分析，我们可以了解图像的亮部、暗部以及对比度情况。接下来是图像的灰度图直方图均衡化。直方图均衡化是一种增强图像对比度的方法，特别适用于图像对比度较低的情况。在MATLAB中，`histeq`函数可以帮助我们实现这个过程。通过均衡化，可以使图像的亮度层次更丰富，改善视觉效果。对于RGB模式下的图片，色彩均衡化则是调整各颜色通道的亮度，使得整个图像的色彩分布更加均匀。MATLAB提供了`adapthisteq`函数，它可以对每个颜色通道分别进行直方图均衡化，或者对整个RGB图像进行自适应处理，以达到色彩均衡的效果。接下来，我们讨论图像分割。图像分割是将图像分成多个具有不同特征的区域，它是许多图像处理任务的基础，如目标检测和识别。本项目中涉及了Isodata和Ostu两种阈值选择方法。 Isodata算法是一种迭代方法，它结合了直方图统计和图像二值化的概念。在MATLAB中，可以通过自定义算法实现Isodata方法，通过不断调整阈值直至满足特定条件，以达到最佳的图像分割效果。 Ostu算法，也称为最大类间方差法，是一种自动阈值选择方法。它的目标是找到一个阈值，使两类像素（前景和背景）之间的方差最大化，从而获得最佳的对比度。MATLAB内置的`graythresh`函数可以方便地应用Ostu算法进行图像分割。这个项目涵盖了数字图像处理的核心技术，包括直方图分析、图像增强以及阈值分割，这些都是图像处理领域不可或缺的工具和方法。通过MATLAB的实现，不仅能够深入理解这些概念，还可以实际操作并观察到它们对图像效果的影响，这对于学习和研究数字图像处理具有很高的价值。

资源推荐

资源详情

资源评论

收起资源包目录

DIP.rar （19个子文件）

DIP

miniproject1.m 3KB

Isodata.asv 805B

miniproject1.asv 3KB

Ostu.asv 650B

Isodata.m 742B

rgb2hsi.m 1KB

ihisteq.m 494B

ihisteq.asv 478B

test_lena.m 721B

Ostu.m 653B

miniproject2.m 811B

lena_color.jpg 199KB

imhist.m 215B

cuhist.m 315B

rgb2hsv.asv 2KB

rgb2hsv.m 2KB

miniproject2.asv 214B

lena_gray.jpg 152KB

test_lena.asv 546B

%绘制lena RGB色彩模式下的直方图和累计直方图 I=imread('lena_color.jpg'); R=I(:,:,1); G=I(:,:,2); B=I(:,:,3); %%绘制R直方图和累计直方图 jh1=imhist(R); jhc1=cuhist(R); subplot(3,2,1),stem(0:255,jh1,'r') title('R Histogram') subplot(3,2,2),stem(0:255,jhc1,'r') title('R Cumulative Histogram '); %%绘制G直方图和累计直方图 jh2=imhist(G); jhc2=cuhist(G); subplot(3,2,3),stem(0:255,jh2,'g') title('G Histogram') subplot(3,2,4),stem(0:255,jhc2,'g') title('G Cumulative Histogram '); %%绘制B直方图和累计直方图 jh3=imhist(B); jhc3=cuhist(B); subplot(3,2,5),stem(0:255,jh3,'b') title('B Histogram') subplot(3,2,6),stem(0:255,jhc3,'b') title('B Cumulative Histogram '); %%lena图片直方图均衡化 %将R,G,B三个矩阵分别均衡化 R1=ihisteq(R); G1=ihisteq(G); B1=ihisteq(B); [r,c]=size(R1); %合成均衡化后的图片 I1(:,:,1)=R1; I1(:,:,2)=G1; I1(:,:,3)=B1; %绘制均衡化后的R，G，B三个通道的直方图和累计直方图 %R通道 je1=imhist(R1); jec1=cuhist(R1); figure; subplot(3,2,1),stem(0:255,je1,'r'); title('R Histogram After Equalizaion') ; subplot(3,2,2),stem(0:255,jec1,'r'); title('R Cumulative Histogram After Equalizaion') ; %G通道 je2=imhist(G1); jec2=cuhist(G1); subplot(3,2,3),stem(0:255,je2,'g'); title('G Histogram After Equalizaion') ; subplot(3,2,4),stem(0:255,jec2,'g'); title('G Cumulative Histogram After Equalizaion') ; %B通道 je3=imhist(B1); jec3=cuhist(B1); subplot(3,2,5),stem(0:255,je3,'b'); title('B Histogram After Equalizaion') ; subplot(3,2,6),stem(0:255,jec3,'b'); title('B Cumulative Histogram After Equalizaion') ; %将RGB色彩模式转化为HSV色彩模式的图片 [H,S,V]=rgb2hsv(R,G,B); Hi=cat(3,H,S,V); [m,n]=size(V); for i=1:m for j=1:n V(i,j)=floor((V(i,j)*255)); end end %绘制V通道均衡化前后的直方图和累计直方图 figure; vj1=imhist(V); subplot(2,2,1),stem((0:255)/255,vj1,'r'); title('V Histogram'); vj2=cuhist(V); subplot(2,2,2),stem((0:255)/255,vj2,'g'); title('V Cumulative Histogram '); V1=ihisteq(V); vje1=imhist(V1); subplot(2,2,3),stem((0:255)/255,vje1,'r'); title('V Histogram After Equalization'); vje2=cuhist(V1); subplot(2,2,4),stem((0:255)/255,vje2,'g'); title('V Cumulative Histogram After Equalization'); %绘制两种不同色彩模式均化前后的图片 figure; subplot(2,2,1),imshow(I), title('Lena-rgb before Histogram Equalization'); subplot(2,2,2),imshow(I1), title('Lena-rgb after Histogram Equalization'); %将RGB图像转化为HSV图像 subplot(2,2,3),imshow(Hi), title('Lena-hsi before Histogram Equalization'); %将V通道均衡化后HSV图像 for i=1:m for j=1:n V1(i,j)=floor((V1(i,j)/255)); end end Hi1=cat(3,H,S,V1); subplot(2,2,4),imshow(Hi1); title('Lena-hsi after Histogram Equalization');

评论收藏

内容反馈