《数字图像处理实验答案》由会员分享，可在线阅读，更多相关《数字图像处理实验答案（17页珍藏版）》请在金锄头文库上搜索。
1、实验名称：图像的锐化处理一、 实验目的学习用锐化处理技术来加强图像的目标边界和图像细节。对图像进行梯度算子、Roberts算子、Sobel算子边缘检测处理和Laplace算子边缘增强处理，使图像的某些特征（如边缘、轮廓等）得以进一步的增强和突出。二、 实验内容（1） 编写梯度算子和Roberts算子滤波函数。（2） 编写Sobel算子滤波函数。（3） 编写Laplace算子边缘增强滤波函数。（4） 观察频域中用高低通滤波技术对图像进行的平滑和锐化处理。三、 实验方法及编程用Matlab进行编程，主要是对照着实验书上面的算法流程图进行代码的编写，主要编写代码如下所示：function newbu
2、f=RobFilter(oldbuf,M,N);% *% 函数名称： % RobFilter() % 说明：% Robert梯度滤波算法。 % *for i=1:M-1for j=1:N-1newbuf(i,j)=abs(oldbuf(i,j)-oldbuf(i+1,j+1)+abs(oldbuf(i+1,j)-oldbuf(i,j+1);endend %- function newbuf=SobFilter(oldbuf,M,N);% *% 函数名称： % SobFilter() % 说明：% Sobel滤波算法。 % *for i=2:M-1for j=2:N-1 sx=oldbuf(i+
3、1,j-1)+2*oldbuf(i+1,j)+oldbuf(i+1,j+1)-oldbuf(i-1,j-1)-2*oldbuf(i-1,j)-oldbuf(i-1,j+1); sy=oldbuf(i-1,j+1)+2*oldbuf(i,j+1)+oldbuf(i+1,j+1)-oldbuf(i-1,j-1)-2*oldbuf(i,j-1)-oldbuf(i+1,j-1);newbuf(i,j)=abs(sx)+abs(sy); endend %-function newbuf=LapFilter(oldbuf,M,N);% *% 函数名称： % LapFilter() % 说明：% Lapla
4、ce滤波算法。 % * for i=2:M-1for j=2:N-1 newbuf(i,j)=5*oldbuf(i,j)-oldbuf(i-1,j)-oldbuf(i+1,j)-oldbuf(i,j-1)-oldbuf(i,j+1); endend 四、 实验结果及分析（原图像和处理后的图像比较及分析）如上图所示即为实验结果。如上图所示Robert算子能够检测出原图像的边缘，并且显示出来；Sobel在Robert算子的基础上增强了边缘，所以图像上结果会显示比原图像边缘要更加粗一些；Laplace算子与其他边缘增强方法不同，即其边缘的增强程度和边缘的方向无关，所以图像的细节明显比原来更加突出。实
5、验名称：图像方块编码三、 实验目的通过编程实验，掌握方块编码的基本方法及压缩性能。四、 实验内容编程实现子块为nxn的方块编码基本算法，分别取n=2,4,8方块尺寸进行编解码实验，计算编码后的均方误差和压缩比。实验图像可为任意图像。五、 实验方法及编程用Matlab进行编程，主要是对照着实验书上面的算法流程图进行代码的编写，下面是主要的实验代码：function newbuf=BtcCode(oldbuf,M,N,n)% *% 函数名称：% BtcCode() 方块编码函数% 参数：% oldbuf 原图像数组% M N 原图像尺寸% n 方块尺寸% 说明：% 调用方块编码算法函数，输出编码后
6、的图像% * newbuf=oldbuf; rowblocks=M/n; colblocks=N/n; for i=1:rowblocks-1 row=i*n; for j=1:colblocks-1 col=j*n; for i=1:n for j=1:n inbuf(i,j)=oldbuf(i+row,j+col); end end outbuf=BtcBlock(inbuf,n); for i=1:n for j=1:n newbuf(i+row,j+col)=outbuf(i,j); end end end end%- function outbuf=BtcBlock(inbuf,n)
7、% *% 函数名称：% btcblock() 方块编码算法函数% 参数：% inbuf 方块数组% n 方块尺寸% outbuf 存放处理后的方块图像% 说明：% 把原图像分成n*n子块，对每个方块的图像数据分别计算xt,a0,a1值，再用分辨率分% 量(a0,a1)替代方块原来的数据 最后放入方块图像数组中并返回该数组。% * temp=0; temp0=0; temp1=0; q=0;m=n*n; inbuf=double(inbuf);for i=1:n for j=1:n temp=temp+inbuf(i,j); endendxt=temp/m;for i=1:n for j=1:n
8、 if (inbuf(i,j)=xt) q=q+1; temp1=temp1+inbuf(i,j); else temp0=temp0+inbuf(i,j); end endendif q=m a0=round(temp0/(m-q);endif q=0 a1=round(temp1/q);endfor i=1:n for j=1:n if (inbuf(i,j)xt) outbuf(i,j)=a0; else outbuf(i,j)=a1; end endEnd六、 实验结果及分析（原图像和处理后的图像比较及分析）如上图所示，即为实验结果。实验将图像分为m=n*n的子图像块，然后进行方块编码
9、；由实验结果可知，窗口愈大时，方块效应越明显，方块编码图像变得越模糊；窗口愈小时，编码图像接近于原图像。实验名称：图像线性预测编码七、 实验目的通过编程设计，掌握帧内DPCM的编解码方法（预测，量化）及其压缩性能。八、 实验内容（1） 编制一维前值预测DPCM编解码程序，预测系数取（1,0,0,0）。（2） 编制二维前值预测DPCM编解码程序，预测系数取（1/2,1/4,0,1/4)。（3） 重建图像与原图像误差图像，用绝对误差表示如下：式中的n为放大因子，以便观察误差的分布情况。本实验采用15个量化分层的主观量化器，其量化电平分别取（0，+5，+10，+17，+28，+39，+52，+67）。分别计算重建后图像的PSNR。实验的图像为cla0或cla1。三、 实验方法及编程用Matlab进行编程，主要是对照着实验书上面的算法流程图进行代码的编写，主要的代码如下所示：function newbuf=Dpcm_code(oldbuf,M,N,dim);% * % 函数名称：% Dpcm_Code() “线性预测编解码器”算法函数% 参数：% oldbuf 原图像数组% M,N 原图像尺度% dim 选择预测编码维数 % newbuf 存放处理后的图像二维数组% 说明：% 根据线性
