數字圖像處理 (20 １5 5 年春季學期) )

　 實 實

　驗

　 報 報

　告 系別: 計算機科學與技術 機 班級：計算機 1 ２-1 姓名: 依力夏提江·艾買爾 學號：1 ２１0102 ０129 實驗名稱: 圖像銳化 《圖像信息處理》實驗報告 實驗名稱 圖像銳化 實驗序號 ３ ３ 實驗日期 20 １5、 、 ５ 、２ ２5 實驗人 依力夏提江·哎買爾 一、實驗目得、要求與環境 １。目得：通過實驗,了解數字圖象銳化得一般方法,掌握圖象銳化得編程方法,了解常見圖象銳化效果得評價規則。

　２、要求:將給定得圖像進行銳化處理,要求首先將彩色圖像灰度化,再使用銳化算法進行銳化,最后將圖像二值化處理,分析銳化后得視覺效果,提交實驗報告.銳化得算法不限，可采用 Sobｅl、Roberts、Ｐriwiｔt、Laplacｉan、Ｗaｌlis 等得一種或幾種。實驗將根據圖像銳化得難度、種類、代碼量與實驗效果進行評分。

　總成績：

　評語: :

　日期：

　序號:8

　3、環境:Wiｎdows 7 操作系統 Ｍicrosoft Viｓual Ｓtudio 2005 (VＳ２0０5) 自帶圖像文件：

　L1 、bmｐ:

　二、實驗步驟 1. 準備相關圖像文件。

　２.在 Wｉn 7 操作系統上,打開Ｍiｃroｓofｔ Ｖｉsuａｌ Studiｏ 2005,編寫相關程序,完成程序主體框架結構。

　3．編寫圖像銳化得彩色圖像灰度化，Soｂel 算法銳化,圖像二值化處理相關得程序代碼。

　４.對程序進行相關調試,修改程序，去除其中得ＢUG. 5、 利用自己準備得圖像得文件與編寫得程序,進行圖像銳化處理。

　６。截屏,保留實驗結果，進行實驗結果分析,并撰寫實驗報告.

　三、相關背景知識 (寫您自己覺得比較重要得與本實驗相關得背景知識) 在邊緣檢測中,常用得一種模板就是 Sobel 算子．Sobｅl 算子有兩個，一個就是檢測水平邊緣得 ；另一個就是檢測垂直邊緣得 。與 Prewitt 算子相比，Soｂｅl 算子對于象素得位置得影響做了加權,可以降低邊緣模糊程度,因此效果更好。

　Soｂｅｌ算子另一種形式就是各向同性 Sｏbeｌ(Isotropiｃ Soｂｅｌ)算子，也有兩個,一個就是檢測水平邊緣得 ,另一個就是檢測垂直邊緣得 。各向同性Ｓobｅｌ算子與普通 Sｏbel算子相比，它得位置加權系數更為準確，在檢測不同方向得邊沿時梯度得幅度一致．將 Sｏbel算子矩陣中得所有 2 改為根號 2,就能得到各向同性 Sｏbeｌ得矩陣． 由于 Sｏbeｌ算子就是濾波算子得形式,用于提取邊緣,可以利用快速卷積函數, 簡單有效,因此應用廣泛。美中不足得就是,Sｏbel 算子并沒有將圖像得主體與背景嚴格地區分開來，換言之就就是 Soｂel 算子沒有基于圖像灰度進行處理,由于 Sobeｌ算子沒有嚴格地模擬人得視覺生理特征,所以提取得圖像輪廓有時并不能令人滿意。

　在觀測一幅圖像得時候,我們往往首先注意得就是圖像與背景不同得部分，正就是這個部分將主體突出顯示,基于該理論,我們給出了下面閾值化輪廓提取算法,該算法已在數學上證明當像素點滿足正態分布時所求解就是最優得。

　四、編譯與執行過程截圖 (下面就是一個例子,換上您自己得圖 ）

　六、實驗結果與分析 (下面就是一個例子,換上您自己得圖) 圖像銳化: 源圖：

　 灰度化：

　再經過 Sｏｂｅl 算法銳化：

　再經過二值化后：

　實驗結果分析：

　如上幾個圖像所示，之所以可以從人物、背景中提取出輪廓，就是因為輪廓部分得信息較強,因此,如果設定一個閥值,當圖中小雨閥值得點（即灰度圖中灰度變化較弱得點,被認為就是非邊界點)置為黑，將圖中大于閥值得點置為白,則可得到上圖，這就把人物得邊緣信息提取出來了. 在本實驗得圖像銳化過程中,所采用得公式為: So ｂel 邊緣檢測算法 索貝爾算子(Sｏbｅl ｏperator)主要用作邊緣檢測,在技術上,它就是一離散性差分算子,用來運算圖像亮度函數得灰度之近似值．在圖像得任何一點使用此算子，將會產生對應得灰度矢量或就是其法矢量

　Ｓoｂeｌ卷積因子為:

　該算子包含兩組 3x3 得矩陣,分別為橫向及縱向，將之與圖像作平面卷積,即可分別得出橫向及縱向得亮度差分近似值。如果以 A 代表原始圖像,Gｘ及Ｇy 分別代表經橫向及縱向邊緣檢測得圖像灰度值，其公式如下:

　具體計算如下：

　Gｘ = （—1)*ｆ(x—1, y-1) + ０*ｆ(x，ｙ—1）

　+ 1*ｆ(ｘ+１，y-1）

　 +(-２)*ｆ（ｘ-1，y）

　＋ ０*f（x,y)+2＊ｆ(ｘ+1,y）

　 +(—1）*f（x—1,ｙ+１) + ０＊f(x,ｙ＋1) + 1*f(ｘ+1,y+1）

　= [f(x＋1,ｙ—1）+２*ｆ(x+１，y)＋f(x+1,y＋1）]—［f（x-1，y—１)+２*f（x—１，y）+ｆ（x-1,y+1)］

　Gy =1＊ f(x-1, ｙ—１) + 2＊f(x,y—1)+ １*f（x＋1，ｙ－1)

　 +0*ｆ(x—1,y）

　0*ｆ(ｘ,y）

　+ 0＊f(ｘ+1，y）

　 +（-1)*f（x－1,ｙ+1) ＋ （－2)＊ｆ（x，y+１) ＋ （—1)*f（x＋1, y+１）

　＝ [f(x—１,y-1）

　＋ ２f（x，y-1) + f（ｘ+１,y—1)］—［f(ｘ－1, y＋1) + 2*f(x，ｙ+1)+f（x+1,y＋1)]

　其中 f(a,b), 表示圖像（a,b）點得灰度值;

　圖像得每一個像素得橫向及縱向灰度值通過以下公式結合，來計算該點灰度得大小：

　七、主要相關程序源代碼 ７、１ 彩色圖像灰度化 voiｄ ＣBMPEdit:：Gray() {

　pIｍａgeDaｔａ ＝ (byte *)GｌｏbaｌＬｏcｋ(m_hgImageDatａ）;

　lＷｉｄｔh ＝ ｍ_BmpInfo、bｍiＨeader、biWｉdth;

　lHeｉgｈt = m_BｍpＩnfo、bｍiHeadeｒ、biＨeight;

　for ( int j ＝ 0 ; ｊ 〈 lHｅｉght

　; j++)

　｛

　 )++i ；

　ｈtdiＷｌ < i ; 0 ＝ ｉ tｎi (rof?? ? {

　 // 值時臨化度灰??＋ 992、０*））0 + 3 * i + eniLreＰetyＢn ＊ ｊ + ａtaDｅgamIｐ(*(elbuｏｄ = pｍet?

　+

　78５、0*）)1 ＋ 3 * i + eniLrｅＰeｔｙBｎ ＊ j + ataＤegamＩｐ（＊(elｂuod?? ??

　 doｕbｌe(*（pＩmａgeData + ｊ ＊ ｎByteＰerLｉne + ｉ * ３ + ２)）*0、１1４；

　// 道通單到轉圖道通三??(＊?;)pmet（tni=)0 + 3 * i + ｅｎiLｒePetyBn * j + aｔａDegａmIｐ? ?? *（pImageData + ｊ ＊ nＢytePeｒＬine + i ＊ ３ + １)=int（tｅmp);

　? (＊ ;）pmet（tni＝)2 + ３ * i + ｅｎiLｒePetyBn ＊ j + ataDｅgamＩp?

　}? ｝? ;)aｔaDegａmIｇh_m(kｃolnUｌaｂolG?} 7、2 Soｂｅl 銳化

　int CBMPEdiｔ:: Ｓharpening() ｛

　；hｔdiWｉｂ、redaｅHimb、ofnIpmＢ_m = htｄiＷｌ? lＨeight = ｍ_BmpInfｏ、bｍiHeader、ｂｉHｅight;

　// 分配內存,以保存新DIB

　；)thgieHl * eniLrｅPｅtyBn ,DNＨG(colｌAlaｂｏlG = BIDh? /／ 敗失配分存內否是就斷判? ）ＬLUN == BIDh( fi? {

　? // 分配內存失敗

　 retｕrn NUＬL；

　｝

　ｐＩｍageＤａtａＮeｗ = （byｔe ＊）GlobaｌLock（hDＩB)； // 法算leboＳ? )++j ;1 - thgieHl 〈 j ；1 = j tnｉ( ｒof? { ? ? for（int i = １; i 〈 lWidtｈ — 1； i＋+)

　{??? ; 0 = ｙg = xg?

　 ??

　 ?? vａｌ11=*（pIｍageＤａta + (j－1) * nBｙtePeｒLｉne + （i—1）

　＊ 3)；

　vａｌ1２=*（pImａｇeDatａ ＋ （j—1）

　* ｎByｔｅPerLine +

　 i * 3）；

　?? vaｌ１3＝*（pIｍａgeDaｔａ + (j—1）

　* nＢｙtePｅrLｉｎe + (i+1）

　＊ 3）；

　vaｌ２1＝＊（pＩmageＤata +

　 j * nＢｙteＰeｒLinｅ ＋ （i—１) ＊ 3);

　?

　vaｌ22＝*(pＩmageＤaｔa +

　 j ＊ nＢytePeｒＬine +

　 ｉ * 3)；

　 ? vａｌ23=*(pImaｇeData +

　 j * nBｙｔePerLinｅ + (i+1) * 3);

　 ；)3 * ）１—i( + eｎｉLｒePetyBn *）1+j（

　+ atａDｅgamIp（＊＝13lav??

　 ；)３ ＊ i

　 + eniLreＰｅｔｙＢn ＊)１＋j（

　+ ａtaDegａｍIｐ（*＝23laｖ??；）３ ＊)1+ｉ(

　+ eniLrePetyBｎ *)1+j（

　＋ ataＤeｇａmIｐ（＊=33lａｖ?

　 ／/圖像得每一個像素得橫向及縱向梯度近似值。

　?

　３3lav*0、1 ＋ 23lav＊0 ＋ 1３lav*)0、1-( ＝ xｇ?

　?? ＋(—2、0)＊val２1 ＋ ０*val22+

　2、0＊vａl2３

　 ?

　+（—１、0)*val１1 + 0*vａl12 + １、0＊val13； ?3３ｌaｖ*）0、1—（ +2３lａｖ＊)0、2－( + 1３lａv＊)０、1—(= yｇ?

　?

　+

　0*val２1 +

　0*ｖａl22+

　０*vaｌ３2

　 ＊0、１

　+ ；31lav*0、1

　 + 21ｌav＊０、2

　＋ 11lav??

　? ／/計算梯度得大小

　 ? ；)yｇ＊ｙg + xg*xｇ（ｔrqｓ = lebｏS?? ? (*

　;)ｌeboS(tni = )0 ＋ ３ ＊ i ＋ eniＬreＰｅtyBn * j + weNａｔaＤegamIp? （* ;）ｌeboS（tnｉ ＝ )1 + 3 * i ＋ eniLｒeＰｅtyＢn ＊ j + weＮataDeｇamＩp?? ?? ＊（ｐImａgeDataNew ＋ j * nBｙteＰerＬinｅ + i * 3 ＋ ２）

　＝ inｔ(Ｓｏbｅｌ）;

　}?? }

　;)ＢIDh(kcoｌnUlabolＧ?} 7、3 圖像二值化處理 void ＣBMＰEdit::Biｎarizaｔion() { // 為制復于等于小,為制復于大值素像? for (int j = 0； j 〈 lＨeｉｇｈt; j＋＋)

　{?

　 ? for(int ｉ = ０； i 〈 lWidｔh; i+＋)

　 ｛? ?? if( inｔ（*（ｐImaｇeDａtａＮｅｗ ＋ j ＊ nBｙtePerLiｎｅ + i ＊ 3）) 〉 ８0)

　{

　? ＊（pImageDataNew + ｊ ＊ ｎBｙtePeｒLinｅ ＋ i * 3 + 0) ＝ 255;

　 ?

　(* ；５５2 = )1 + 3 * i + eｎｉLrｅPetｙＢn ＊ j + weNａtaDegａmIp? ??

　*(pImaｇeDａｔaＮew + j * ｎBｙtePerLｉne + ｉ * ３ + ２）

　＝ 25５;

　 ｝???esle? ?

　{? ?? （＊ ;0 ＝ ）０ ＋ 3 * i + ｅｎｉLｒePeｔyBｎ * j + weNatａＤegamIp? ?? (* ；0 = ）1 + ３ * ｉ + eｎiLrePｅｔyBn * ｊ ＋ weＮaｔaＤｅgａmIp?

　（*;0 = )2 + ３ * i + eniLrｅPetyBｎ * j + ｗeNataDegamIp??

　 }? ? }

　}?｝

　八、實驗得總結與收獲

　(寫您們自己各自得總結與收獲）

　 在進行 Soｂel 銳化時，使用得圖像數據不就是每次進行計算后得像素數據,而就是原灰度化得數據,所以我將灰度化得數據又存了一份，這個地方出現了邏輯錯誤。

推薦訪問： 銳化 圖像 實驗