数字图像处理习题(三)

数字图像处理习题(三)

文章目录

  • 数字图像处理习题(三)
    • 一、编程题
      • 1. 图像的形态学处理
        • 1.1 完成清华大学教材例9.10、9.11、9.30
          • 1.1.1 例9.10 基于MATLAB编程,打开一幅二值图像进行开、闭运算。
          • 1.1.2 例9.11 基于 MATLAB编程,对一幅二值图像进行矩形块和单向线段、交叉线段特征提取。
          • 1.1.3 例9.30 基于 MATLAB编程,对灰度图像进行 Top-hat 变换和Bottom-hat变换。
        • 1.2 比较灰度形态学开运算结果与重建开运算结果
      • 2. 图像分割
        • 2.1实现k-均值分割
      • 3. 图像的特征提取
      • 3.1 特征点提取(任选一种方法)、灰度共生矩阵(任选一种统计特征)、PCA变换提取第一主成分
        • 3.1.1 Moravecs算法特征点提取
        • 3.1.2 灰度共生矩阵(任选一种统计特征)
        • 3.1.3 PCA变换提取第一主成分


一、编程题

1. 图像的形态学处理

1.1 完成清华大学教材例9.10、9.11、9.30

1.1.1 例9.10 基于MATLAB编程,打开一幅二值图像进行开、闭运算。
  • 编程思路

    (1)读取图片,并用im2bw()函数将其转换为二值图像。

    (2)使用strel(shape, parameters)创建一个方形的结构元素。

    ​ shape 是指定希望形状的字符串,参数parameters是指定形状信息的一系列参数,即SE = strel('square', 10);创建一个10*10的正方形。

    (3)开运算是先腐蚀后膨胀。imdilate(imerode(BW, SE), SE),也可以使用matlab自带的imopen(BW, SE)

    (4)闭运算是先膨胀后腐蚀。imerode(imdilate(BW, SE), SE),也可以使用matlab自带的imclose(BW, SE)

  • 源代码

    Homework1_1_1.m

    %9.10 基于MATLAB编程,打开一幅二值图像进行开、闭运算。
    close all; 
    clear; 
    clc;
    Image = imread('img.jpg');
    BW = im2bw(Image);                            %灰度图像转为二值图像
    subplot(1,3,1),imshow(Image),title('原图'); 
    SE = strel('square', 10);                     %创建方形结构元素
    result1 = imdilate(imerode(BW, SE), SE);      %先腐蚀后膨胀,即开运算
    result2 = imerode(imdilate(BW, SE), SE);      %先膨胀后腐蚀,即闭运算
    subplot(1,3,2),imshow(result1),title('开运算'); 
    subplot(1,3,3),imshow(result1),title('闭运算'); 
    
  • 结果
    数字图像处理习题(三)_第1张图片

  • 分析

    (1)首先分析腐蚀与膨胀

    • 膨胀算法:用结构元素,扫描二值图像的每一个像素,用结构元素与其覆盖的二值图像做“与”运算,如果都为0,结构图像的该像素为0,否则为1。结果:使二值图像扩大一圈。

      膨胀后图像面积扩大,而且相邻的两个孤立成分有了连接。

    • 腐蚀算法:用结构元素,扫描二值图像的每一个像素,用结构元素与其覆盖的二值图像做“与”运算,如果都为1,结构图像的该像素为1,否则为0。结果:使二值图像减小一圈。

      目标集合中比结构元素小的成分被腐蚀消失了,大的成分面积缩小,并且其细连接处经过腐蚀后断裂。

    (2)分析开运算,闭运算

    • 根据腐蚀与膨胀的先后顺序可以实现开运算和闭运算。

    • **先腐蚀后膨胀,即开运算。**开运算一般能平滑图像的轮廓,削弱狭窄部分,去掉细长的突出、边缘毛刺和孤立斑点。

    • **先膨胀后腐蚀,即闭运算。**闭运算也可以平滑图像的轮廓,但与开运算不同,闭运算一般融合窄的缺口和细长的弯口,能填补图像的裂缝及破洞,所起的是连通补缺作用,图像的主要情节保持不变。

1.1.2 例9.11 基于 MATLAB编程,对一幅二值图像进行矩形块和单向线段、交叉线段特征提取。
  • 编程思路

    (1)用imread()函数读取照片.

    (2)并用graythresh()im2bw()将原图转换为二值图像

    ​ ① graythresh(image)函数输入是一副图像,输出就是阈值(TH)。这个函数使用最大类间方差法找到图片的一个合适的阈值(threshold)。

    ​ ② 再利用im2bw(Imgage,TH)函数,将找到的阈值输入,就可以把原图变为一个二值图。

    (3)用strel()函数创建结构元素,用imopen()函数进行开运算。

    ​ ① 利用SE = strel('square',W)和创建方形结构元素,w为正方形边长(像素数)。用于矩形块提取。

    ​ ② 用SE = strel('line', LEN, DEG)创建平坦的线型结构,LEN为长度,DEG为角度。用于线段提取。

    (3)因便于操作前期取反,所一在特征提取结束后需要再次取反,复原原图色彩。

  • 源代码

    Homework1_1_2.m

    %9.11 基于 MATLAB编程,对一幅二值图像进行矩形块和有向线段特征提取。
    close all; 
    clear; 
    clc;
    Image = imread('img3.png');
    Th= graythresh( Image);
    OriginBW= im2bw(Image, Th); % 灰度图像转为二值图像
    
    BW1=1-OriginBW;             % 二值图像取反
    se= strel('square',8);      % 创建边长为8的正方形结构元素
    BW2=1- imopen(BW1, se);     % 用边长为8的正方形结构元素实现二值图像的形态开运算
    
    se45=strel('line',23,45);   % 创建长度为23,角度为45°的平坦线型结构元素
    se135=strel('line',23,135); % 创建长度为23,角度为135°的平坦线型结构元素
    
    BW3=1-imopen(BW1,se45);     % 用长度为23,角度为45°的平坦线型结构元素实现二值图像的形态开运算
    BW4=1-imopen(BW1,se135);    % 用长度为23,角度为45°的平坦线型结构元素实现二值图像的形态开运算
    BW5=1-imopen(BW1,se45)-imopen(BW1,se135);
    
    subplot(2,3,1),imshow(Image),title('原图'); 
    subplot(2,3,2),imshow(OriginBW),title('二值图像'); 
    subplot(2,3,3),imshow(BW2),title('矩形块提取'); 
    subplot(2,3,4),imshow(BW3),title('45°有向线段提取'); 
    subplot(2,3,5),imshow(BW4),title('135°有向线段提取'); 
    subplot(2,3,6),imshow(BW5),title('交叉线段提取'); 
    
  • 结果数字图像处理习题(三)_第2张图片

  • 分析

    (1)开运算是先腐蚀再膨胀,可以消除小物体或小斑块。原图经过开运算后,一些孤立的小点被去掉了。开运算能够去除孤立的小点,毛刺和小桥(即连通两块区域的小点),而总的位置和形状不变。

    (2)程序运行结果的图片线段连续但宽度不均匀,是因为截取的是书上的图片,图片质量较差导致出现此情况。

1.1.3 例9.30 基于 MATLAB编程,对灰度图像进行 Top-hat 变换和Bottom-hat变换。
  • 编程思路

    (1)用imread()函数读取照片,并用rgb2gray()函数将其转换为灰度图像。

    (2)用se = strel('disk', 23);创建一个半径为23的圆盘结构元素,用imtophat()函数进行Top-hat变换;用imbothat()函数进行Bottom-hat变换。

    (3)用imadjust()函数将图像进行灰度线性拉伸。

  • 源代码

    Homework1_1_3.m

    %9.30 基于 MATLAB编程,对灰度图像进行 Top-hat 变换和Bottom-hat变换。
    close all; 
    clear; 
    clc;
    Image1 = rgb2gray(imread('img1.jpg'));
    Image2 = rgb2gray(imread('img2.jpg'));
    se = strel('disk', 23);                                      %选取半径为23的圆盘结构元素
    result1 = imtophat(Image1, se);
    result2 = imbothat(Image2, se);
    subplot(2,3,1),imshow(Image1);title('原始图像');
    subplot(2,3,2),imshow(result1);title ('top-hat 变换');        %对图像Image1进行Top-hat变换
    subplot(2,3,5),imshow(result2);title ('buttom-hat 变换');     %对图像Image2进行Bottom-hat变换
    rr1 = imadjust(result1);                                     %进行灰度线性拉伸
    rr2 = imadjust(result2);                                     %进行灰度线性拉伸
    subplot(2,3,4),imshow(Image2);title('原始图像');
    subplot(2,3,3),imshow(rr1);title('基于top-hat的对比度增强');
    subplot(2,3,6),imshow(rr2);title('基于bottom-hat的对比度增强');
    
  • 结果
    数字图像处理习题(三)_第3张图片
    数字图像处理习题(三)_第4张图片

  • 分析

    (1)程序运行结果如图所示。从图中可以看出Top-hat变换(顶帽变换)提取了图像中的亮细节分量。 Bottom-hat变换(低帽变换)提取了图像中的暗细节分量。

    (2)另外:顶帽变换可以用于校正不均匀关照的影响。低帽变换可以突出比原图轮廓周围更暗的区域。

    (3)最右侧是分别对两张图进行灰度线性拉伸的结果,实现了对比度增强的处理。效果体现更为明显。

1.2 比较灰度形态学开运算结果与重建开运算结果

  • 编程思路

    (1)读取图片。

    (2)使用strel(shape, parameters)创建一个方形的的结构元素。

    ​ shape 是指定希望形状的字符串,参数parameters是指定形状信息的一系列参数,即se = strel('square', 12);创建一个12*12的正方形。形态学开运算

    (3)开运算:直接用imopen()函数做开运算。

    重建开运算:利用imerode()函数对图像进行腐蚀,得到腐蚀图像。使用imreconstruct()函数,将腐蚀图像作为标记,利用原图像作为掩膜进行卷积运算。

  • 源代码

    Homework1_2.m

    % 比较灰度形态学开运算结果与重建开运算结果
    close all; 
    clear; 
    clc;
    Image = imread('img1.png');
    se=strel('square', 12);                            % 创建方形结构元素
    Image1=imerode(Image,se);                          % 腐蚀
    Image2=imreconstruct(Image1,Image);                % 由重构做开运算
    Image3=imopen(Image,se);                           % 开运算
    subplot(1,3,1),imshow(Image),title('原始图像');
    subplot(1,3,2),imshow(Image2),title('重建开运算');
    subplot(1,3,3),imshow(Image3),title('形态学开运算');
    
  • 结果
    数字图像处理习题(三)_第5张图片

  • 分析

    (1)从结果看,开运算能平滑图像的轮廓,削弱狭窄部分,去掉细长的突出、边缘毛刺和孤立斑点。重建开运算可去掉孤立斑点,但不能去除细长的突出及边缘毛刺。

    (2)开运算是对图像进行腐蚀之后再进行膨胀,可以消除小物体或小斑块,一般用来对图像的边缘进行平滑,腐蚀和膨胀所采用的的结构元素是相同的。详细说明见1.1.1。
    (3)重建开运算是对图像先进行腐蚀,然后利用腐蚀所得到的图像作为标记,利用原图像作为掩膜进行卷积运算。从网上搜索资料发现重建开运算可以用来做车牌识别。

2. 图像分割

2.1实现k-均值分割

  • 编程思路

    (1)首先了解knn分类器的原理,创造样本简单实现knn分类器。(参考了网上的代码)

    • 初始化训练集和类别;
    • 计算测试集样本与训练集样本的欧氏距离;
    • 根据欧氏距离大小对训练集样本进行升序排序;
    • 选取欧式距离最小的前K个训练样本,统计其在各类别中的频率;
    • 返回频率最大的类别,即测试集样本属于该类别。

    (2)老师讲的课堂案例

    (3)k-均值分割将图片分类。

  • 源代码

    Homework_2_1_1.m

    %实现KNN算法
    %%算法描述
    %1、初始化训练集和类别;
    %2、计算测试集样本与训练集样本的欧氏距离;
    %3、根据欧氏距离大小对训练集样本进行升序排序;
    %4、选取欧式距离最小的前K个训练样本,统计其在各类别中的频率;
    %5、返回频率最大的类别,即测试集样本属于该类别。
    close all; 
    clear; 
    clc;
    
    %%算法实现
    %step1、初始化训练集、测试集、K%创建一个三维矩阵,二维表示同一类下的二维坐标点,第三维表示类别
    
    trainData1=[0 0;0.1 0.3;0.2 0.1;0.2 0.2];%第一类训练数据
    trainData2=[1 0;1.1 0.3;1.2 0.1;1.2 0.2];%第二类训练数据
    trainData3=[0 1;0.1 1.3;0.2 1.1;0.2 1.2];%第三类训练数据
    trainData(:,:,1)=trainData1;%设置第一类测试数据
    trainData(:,:,2)=trainData2;%设置第二类测试数据
    trainData(:,:,3)=trainData3;%设置第三类测试数据
    
    trainDim=size(trainData);%获取训练集的维数
    
    testData=[1.6 0.3];%设置1个测试点
    
    K=7;
    
    %%分别计算测试集中各个点与每个训练集中的点的欧氏距离
    %把测试点扩展成矩阵
    testData_rep=repmat(testData,4,1);
    %设置三个二维矩阵存放测试集与测试点的扩展矩阵的差值平方
    
    %diff1=zero(trainDim(1),trianDim(2));
    %diff2=zero(trainDim(1),trianDim(2));
    %diff3=zero(trainDim(1),trianDim(2));
    
    for i=1:trainDim(3)
        diff1=(trainData(:,:,1)-testData_rep).^2;
        diff2=(trainData(:,:,2)-testData_rep).^2;
        diff3=(trainData(:,:,3)-testData_rep).^2;
    end
    
    %设置三个一维数组存放欧式距离
    distance1=(diff1(:,1)+diff1(:,2)).^0.5;
    distance2=(diff2(:,1)+diff2(:,2)).^0.5;
    distance3=(diff3(:,1)+diff3(:,2)).^0.5;
    
    %将三个一维数组合成一个二维矩阵
    temp=[distance1 distance2 distance3];
    %将这个二维矩阵转换为一维数组
    distance=reshape(temp,1,3*4);
    %对距离进行排序
    distance_sort=sort(distance);
    %用一个循环寻找最小的K个距离里面那个类里出现的频率最高,并返回该类
    num1=0;%第一类出现的次数
    num2=0;%第二类出现的次数
    num3=0;%第三类出现的次数
    sum=0;%sum1,sum2,sum3的和
    for i=1:K
        for j=1:4
            if distance1(j)==distance_sort(i)
                num1=num1+1;
            end
            if distance2(j)==distance_sort(i)
                num2=num2+1;
            end
            if distance3(j)==distance_sort(i)
                num3=num3+1;
            end
        end
        sum=num1+num2+num3;
        if sum>=K
            break;
        end
    end
    
    class=[num1 num2 num3];
    classname=find(class(1,:)==max(class));
    fprintf('测试点(%f %f)属于第%d类',testData(1),testData(2),classname);
    
    %%使用绘图将训练集点和测试集点绘画出来
    figure(1);
    hold on;
    for i=1:4
        plot(trainData1(i,1),trainData1(i,2),'*');
        plot(trainData2(i,1),trainData2(i,2),'o');
        plot(trainData3(i,1),trainData3(i,2),'>');
    end
    plot(testData(1),testData(2),'x');
    text(0.1,0.1,'第一类');
    text(1.1,0.1,'第二类');
    text(0.1,1,'第三类');
    

    Homework2_1_2.m

    close all; 
    clear; 
    clc;
    img=imread('img.jpg');
    label=textread('img-10.21op7-p-220t000-resized.regions.txt');
    
    %imgl=reshape(img(:,:,2),320*240,1);
    se1=strel('disk',3);
    img_erode=imerode(img, se1);
    img_reop=imreconstruct(img_erode,img);img_stack=cat(3,img,img_reop);
    subplot(1,3,1),imshow(img,[]);
    subplot(1,3,2),imshow(label,[]);
    % imgl=reshape(img_reop,320+240,3);
    % imgl=reshape(img,320*240,3);
    imgl=reshape(img_stack,320*240,6);
    
    lab1=reshape(label,320*240,1);
    % predictlab=knnclassify(imgl,img1,lab1, 5);
    
    mdl = fitcknn(imgl,lab1,'NumNeighbors',5);%k为对应的1,2,3,4.....
    predictlab = predict(mdl,imgl);
    
    accuracy=length(find(predictlab==lab1))/length(lab1)*100;
    subplot(1,3,3),imshow(reshape(predictlab, 320,240),[]);
    

    Homework2_1_3.m

    close all; 
    clear; 
    clc;
    
    org = imread('img.jpg');        %读入图像
    figure;
    subplot(1,5,1);
    imshow(org),title('原始图像');    %显示原图像
    
    % 接下来需要知道图片的尺寸(长和宽),如若直接对RGB图像进行操作,如下
    % [m,n,p]=size(org)                     
    %m,n为所求,p=3为通道数
    
    % 或者用下面的这种方法,转化为灰度图再求
    gray=rgb2gray(org);
    [m,n]=size(gray);
    
    % 将图像进行RGB——3通道分解
    % org(:, :, 1)......分别代表rgb通道
    A = reshape(org(:, :, 1), m*n, 1);   
    B = reshape(org(:, :, 2), m*n, 1);
    C = reshape(org(:, :, 3), m*n, 1);
    data = [A B C];                              % r g b分量组成样本的特征,每个样本有三个属性值,共width*height个样本
    
    % 第二张图
    % kmeans第一个参数: N*P的数据矩阵,N为数据个数,P为单个数据维度
    res = kmeans(double(data), 2);        
    result = reshape(res, m, n);             % 反向转化为图片形式
    subplot(1,5,2);
    % label2rgb功能是转换标记矩阵到RGB图像
    imshow(label2rgb(result)),title(strcat('K=',num2str(2),'时RGB通道分割结果'));   % 显示分割结果
    
    % 第三张图
    res = kmeans(double(data), 3);    
    result = reshape(res, m, n);     
    subplot(1,5,3);
    imshow(label2rgb(result)),title(strcat('K=',num2str(3),'时RGB通道分割结果'));   
    
    % 第四张图
    res = kmeans(double(data),4);    
    result = reshape(res, m, n);     
    subplot(1,5,4);
    imshow(label2rgb(result)),title(strcat('K=',num2str(4),'时RGB通道分割结果'));   
    
    % 第五张图
    res = kmeans(double(data),5);    
    result = reshape(res, m, n);     
    subplot(1,5,5);
    imshow(label2rgb(result)),title(strcat('K=',num2str(5),'时RGB通道分割结果'));   
    
  • 结果

    Homework2_1_1.m

数字图像处理习题(三)_第6张图片

Homework2_1_2.m

数字图像处理习题(三)_第7张图片

Homework2_1_3.m

数字图像处理习题(三)_第8张图片

数字图像处理习题(三)_第9张图片

  • 分析

    (1)k均值聚类结果受到所选聚类中心的个数K和其初始位置以及模式样本的几何性质及读入次序等的影响。实际应用中需要试探不同的K值和选择不同的聚类中心起始值。

    (2)我是直接用MATLAB里面的kmeans函数(官方文档有详细介绍),聚类起始点并不需要考虑。代码中我们重点关照一下K,并且把不同的K得出的效果放在同一个figure中,这样对比起来效果比较明显。

    (3)其实这个样例分类分的还可以,但仍旧有些误差。可能是图片过于精细,图片内的内容院所过多,这种简单的分类不太容易区分。

    (4)此外,比较有可能影响结果的应该就是模式样本的几何性质了,也就是图片的前景背景的占比,RGB占比等等。

3. 图像的特征提取

3.1 特征点提取(任选一种方法)、灰度共生矩阵(任选一种统计特征)、PCA变换提取第一主成分

3.1.1 Moravecs算法特征点提取

  • 编程思路

    (1)逐像素遍历, 计算垂直,水平,对角,反对角四个方向领域灰度差的平方和。

    (2)四个方向中选最小值,做像素点的响应函数。

    (3)设定一个阈值,将大于该阈值初次候选特征值的选为二次候选特征值。

    (4)设定一个邻域,将该邻域最大的二次候选特征值作为最终要选择的特征值。

    (5)若某点的CRF值大于某个阈值并为局部极大值时,则该像素点即为角点。

    (6)焦点在图像中做标记,赋值为255.

  • 源代码

    Homework3_1_1.m

    % Moravec角点检测
    close all; 
    clear; 
    clc;
    img=double(imread('img4.jpg'));
    [h,w]=size(img);
    subplot(1,2,1),imshow(uint8(img)),title('原图'); 
    
    imgn=zeros(h,w);
    n=4;
    for y=1+n:h-n
       for x=1+n:w-n
           sq=img(y-n:y+n,x-n:x+n);
           V=zeros(1,4);
           for i=2:2*n+1        %垂直,水平,对角,反对角四个方向领域灰度差的平方和
                V(1)=V(1)+(sq(i,n+1)-sq(i-1,n+1))^2;
                V(2)=V(2)+(sq(n+1,i)-sq(n+1,i-1))^2;
                V(3)=V(3)+(sq(i,i)-sq(i-1,i-1))^2;
                V(4)=V(4)+(sq(i,(2*n+1)-(i-1))-sq(i-1,(2*n+1)-(i-2)))^2;
           end
           pix=min(V);          %四个方向中选最小值 做像素点的响应函数
           imgn(y,x)=pix;      
       end
    end
    
    T=mean(imgn(:));        %设阈值,小于均值置零
    ind=find(imgn<T);
    imgn(ind)=0;
    
    for y=1+n:h-n           %选局部最大且非零值作为特征点
        for x=1+n:w-n
            sq=imgn(y-n:y+n,x-n:x+n);
            if max(sq(:))==imgn(y,x) && imgn(y,x)~=0
                img(y,x)=255;% 角点在图像中做标记
            end
        end
    end
    
    subplot(1,2,2),imshow(uint8(img)),title('Moravec角点检测的图片'); 
    
  • 结果数字图像处理习题(三)_第10张图片

    大图

数字图像处理习题(三)_第11张图片

  • 分析

    (1)Moravec角点检测算法思路是以图像某个像素点(x,y)为中心,计算固定窗口内四个主要方向上(水平、垂直、对角线、反对角线)相邻像素灰度差的平方和,选取最小值作为像素点(x,y)的响应函数CRF;

    (2)若某点的CRF值大于某个阈值并为局部极大值时,则该像素点即为角点。

3.1.2 灰度共生矩阵(任选一种统计特征)

  • 编程思路

    (1)matlab中的介绍

    • 以(1,1)点为例,GLCM(1,1)值为1说明只有一对灰度为1的像素水平相邻。GLCM(1,2)值为2,是因为有两对灰度为1和2的像素水平相邻。(MatLab说明文档)

数字图像处理习题(三)_第12张图片

  • GLCM表其实就是所有像素可能的组合,比如,GLCM(1,1)就是I中像素值为1和1的组合,GLCM(4,5)就是I中像素4和像素5的组合,GLCM(i,j)的值呢就是I中像素为i,像素为j的有有多少和相邻的成对点。这个相邻有个规则:就是f(x,y),f(x+a,y+b)相邻,就是只有x相隔a的单位,y相隔b个单位,我们认为是相邻的。

  • 平时我们说相邻:B点在A点右边,其实就是这里的a=1,b=0,也就是f(x,y)和f(x+1,y+0)相邻。
    于是就有了:

    • a=1,b=0 时我们就说水平相邻:也就是0度的时候

    • a=1,b=1 时我们就说对角相邻,也就是45度的时候

    • a=-1,b=1时 即135度

    • 其他角度类似。

    • 在a=1,b=0时:GLCM(1,1)=1;其实就是I中有几个1和1相邻(1个)(按上面的规则)GLCM(1,2)=2,几个1和2相邻(2个)。

  • 源代码

    Homework3_1_2.m

    close all; 
    clear; 
    clc;
    IN1 = [ 0 0 1 1 2 2 3 3;0 0 1 1 2 2 3 3; 0 0 1 1 2 2 3 3;0 0 1 1 2 2 3 3;0 0 1 1 2 2 3 3;0 0 1 1 2 2 3 3;0 0 1 1 2 2 3 3;0 0 1 1 2 2 3 3];
    IN2 = [ 0 1 2 3 0 1 2 3;1 2 3 0 1 2 3 0;2 3 0 1 2 3 0 1;3 0 1 2 3 0 1 2;0 1 2 3 0 1 2 3;1 2 3 0 1 2 3 0;2 3 0 1 2 3 0 1;3 0 1 2 3 0 1 2];
    IN3 = [ 2 1 2 1 2 1 2 1;1 2 1 2 1 2 1 2;2 1 2 1 2 1 2 1;1 2 1 2 1 2 1 2;2 1 2 1 2 1 2 1;1 2 1 2 1 2 1 2;2 1 2 1 2 1 2 1;1 2 1 2 1 2 1 2];
    [p451,p901] = comatrix(IN1,4);
    [p452,p902] = comatrix(IN2,4);
    [p453,p903] = comatrix(IN3,4);
    

    comatrix.m

    %灰度共生矩阵函数
    function[p45,p90] = comatrix(IN,gray)
    % gray 是灰度级个数,也是灰度共生矩阵的维数
        g=gray;
        [R,C]=size(IN);
        p45 = zeros(g);
        p90 = zeros(g);
        %计算45°方向的共生矩阵
        for M = 1:(R - 1)
            for N=2:C
                p45(IN(M,N)+1,IN(M + 1,N - 1)+1)=p45(IN(M,N)+1,IN(M + 1,N - 1)+1)+1;
                p45(IN(M+1,N - 1)+1,IN(M,N)+1)=p45(IN(M + 1,N - 1)+1,IN(M,N)+1)+1;
            end
        end
        %计算90°方向的共生矩阵
        for M = 1:(R-1)
            for N=1:C
                p90(IN(M,N)+1,IN(M+1,N)+1)=p90(IN(M,N)+1,IN(M+1,N)+1)+1;
                p90(IN(M+1,N)+1,IN(M,N)+1)=p90(IN(M+1,N)+1,IN(M,N)+1)+1;
            end
        end
    end
    
  • 结果

数字图像处理习题(三)_第13张图片
数字图像处理习题(三)_第14张图片
数字图像处理习题(三)_第15张图片

  • 分析

    (1)灰度共生矩阵被定义为从灰度为i的像素点出发,离开某个固定位置(相隔距离为d,方位为)的点上灰度值为的概率,所有估计的值可以表示成一个矩阵的形式,以此被称为灰度共生矩阵。

    (2)对于纹理变化缓慢的图像(分布较均匀的图像),其灰度共生矩阵对角线上的数值较大;而对于纹理变化较快的图像,其灰度共生矩阵对角线上的数值较小,对角线两侧的值较大。

    (3)由于灰度共生矩阵的数据量过于庞大,一般不直接作为区分纹理的特征,而是基于它构建的一些统计量作为纹理分类特征。

    (4)另外,Haralick曾提出了14种基于灰度共生矩阵计算出来的统计量:即:能量、熵、对比度、均匀性、相关性、方差、和平均、和方差、和熵、差方差、差平均、差熵、相关信息测度以及最大相关系数。这些信息量能更加直观的体现出图像。

3.1.3 PCA变换提取第一主成分

  • 编程思路

    (1)读取图片

    (2)调用自定义的pca函数,提取图像的各主成分。

    • 求各通道的均值
    • 数据去中心化
    • 求协方差矩阵
    • 求特征向量与特征值
    • 特征值和特征向量从大到小排序

    (3)遍历结果将其显示出来。

  • 源代码

    Homework3_1_3.m

    close all; 
    clear; 
    clc;
    %PCA 提取主成分
    img = imread('img2.jpg');
    subplot(2,2,1);
    imshow(img,[]);title('原图');
    [width,length,heigth]=size(img);
    [vector,~,tempImg]= pca(img);
    
    PC = tempImg*vector; 
    % 提取图像的各个主成分
    for i = 1:heigth
        res = PC(:,i);
        min_value = min(res);
        max_value = max(res);
        res = reshape(res,[width,length]);
        str = sprintf('%s%d%s','第',i,'主成分');
        subplot(2,2,i+1);
        imshow(res,[min_value,max_value]);title(str);
    end
    

    pca.m

    function [vector ,value,tempImg] = pca(img)
    img=double(img)/255;
    [r ,c ,bands]=size(img);
    pixels = r*c;
    img = reshape(img, [pixels,bands]);
    tempImg = img;
    % 求各通道的均值
    meanValue =  mean(img,1);
    % 数据去中心化
    img = img - repmat(meanValue,[r*c,1]);
    % 求协方差矩阵
    correlation = (img'*img)/pixels;
    %求特征向量与特征值
    [vector ,value] = eig(correlation);
    % 特征值和特征向量从大到小排序
    vector = fliplr(vector);
    value = rot90(value,2);
    end
    
  • 结果

    • 第一主成分
  • 分析

    (1)PCA是主成分分析。也是用于降维常用的一中方法。PCA 主要用于数据降维,对于高维的向量,PCA 方法求得一个 kk 维特征的投影矩阵,这个投影矩阵可以将特征从高维降到低维。

    • 数据降维的目的:

      • 减少预测变量的个数。
      • 确保这些变量是相互独立的。
      • 提供一个框架来解释结果。
      • 降维后的特征向量减少冗余,具有低相关性等性质,在某些程度上反应了特征的本质,且在以后做分类预测等时,不容易陷入过拟合。

    (2)PCA的一般用途:

    • 聚类:把复杂的多维数据转为少量数据,易于分簇
    • 降维:降低高维数据,简化计算,达到数据降维,压缩,降噪(去掉不太重要的特征)的目的

    (3)PCA的作用:

    • 将原有的d维数据集,转为k维数据,k

    • 新生成的k维数据尽可能多的保留原来d维数据的信息,投影到对角线上的话,保留的数据信息会多一些。

你可能感兴趣的:(数字图像处理,matlab,图像处理,计算机视觉)