matlab 对线路板进行裁剪
缺陷图像算是做出来了，就只针对这个图像（在最后）
test1
%Sobel方法
I = imread('ChuanJian0.jpg');
G = rgb2gray(I);
E1 = edge(G, 'sobel');
figure, subplot(2,2,1);
imshow(I);
title('Original Color Image');
subplot(2,2,2);
imshow(E1);
title('Sobel Edge');
E2 = edge(G, 'roberts');
subplot(2,2,3);
imshow(E1);
title('Roberts Edge');
E3 = edge(G, 'log');
subplot(2,2,4);
imshow(E1);
title('LOG Edge');
% 固定阈值分割
% BW1 = im2bw(G, 220/256);
% 显示结果
% subplot(2,3,4);
% imshow(BW1);
% title('Fixed threshold');
%
% 自动计算分割阈值
% T = graythresh(G);
% 自动阈值分割
% BW2 = im2bw(G, T);
% 显示分割结果
% subplot(2,3,5);
% imshow(BW2);
% title('Auto threshold');
test2
I = imread('ChuanJian0.jpg');
G = rgb2gray(I);
%固定阈值分割
BW1 = im2bw(G, 220/256);
%显示结果
subplot(2,1,1);
imshow(BW1);
title('Fixed threshold');
%自动计算分割阈值
T = graythresh(G);
%自动阈值分割
BW2 = im2bw(G, T);
%显示分割结果
subplot(2,1,2);
imshow(BW2);
title('Auto threshold');
test3
%图像分割（全局阈值，借助直方图）
clc
clear all
I=rgb2gray(imread('ChuanJian0.jpg'));
figure (1)
imhist(I);
R=I>100;%大于125的地方为白（1），小于为黑（0）
figure(2);
imshow(R);
figure(3);
% 竖值相加
G = sum(R');
plot(G);
xlabel('x');
ylabel('f(x)');
% 进行记录
J = G>mean(G);
disp(mean(G));
figure(4);
plot(J);
xlabel('x');
ylabel('J');
% 进行裁剪
%图像分割（全局阈值，借助直方图）
clc
clear all
I=rgb2gray(imread('test1.jpeg'));
figure (1);
imshow(I)
% imhist(I);
R=I>125;%大于125的地方为白（1），小于为黑（0）
% figure(2);
% imshow(R);
% 竖值相加
G = sum(R');
% figure(3);
% plot(G);
% xlabel('x');
% ylabel('f(x)');
% title('G的图像');
% 进行裁剪
% 1. 去字
chang = 600;
[m,n] = size(R);
G2 = imcrop(R,[1,1,n,chang]);
% figure(4);
% imshow(G2);
% title('G2的图像');
% 2. 现在分解，对G2进行处理
% 进行记录
G2 = sum(G2);
% figure(5);
% plot(G2);
% xlabel('x');
% ylabel('f(x)');
% title('G22的图像');
J = G2>100;
% figure(6);
% plot(J);
% xlabel('x');
% ylabel('J');
% title('J的图像');
% 计算切割点
QG = [];
j=1;
for i=1:length(J)
if J(i)==0
QG(j)=i;
j = j+1;
end
end
% figure(7);
% plot(QG);
% xlabel('x');
% ylabel('f(x)');
% title('QG的图像');
% 计算差值，计算板子的宽度
C= zeros(1,length(QG));
for i=1:length(QG)-1
C(i) = QG(i+1)-QG(i);
end
% figure(8);
% plot(C);
% xlabel('x');
% ylabel('f(x)');
% title('C的图像');
% 所以按照这两个数进行分割
QG = (C>2).*QG;
% figure(9);
% plot(QG);
% xlabel('x');
% ylabel('f(x)');
% title('QG的图像');
% 接下来按照QG中的数字进行分割
fenGe = [];
fenGeOne = [];
a = 1;
for i=1:length(QG)
if QG(i)>0
fenGe(a) = QG(i);
a = a + 1;
end
end
fenGe
b= 1;
figure();
for i = 1:length(fenGe)-1
fenGeOne = I(1:chang,fenGe(i):fenGe(i+1));
subplot(3,4,b);
imshow(fenGeOne);
b = b+1;
if i==length(fenGe)-1
fenGeOne = I(1:chang,fenGe(i+1):n);
subplot(3,4,b);
imshow(fenGeOne);
end
end
实验3 图像分割
实验学时：8学时。
（一）实验目的
1．利用MATLAB研究图像分割与边缘检测的常用算法原理；
2．掌握MATLAB图像域值分割与边缘检测函数的使用方法；
3．了解边缘检测的算法和用途，比较Sobel、Prewitt、Canny等算子边缘检测的差异；
4．对特定场景的图像进行分割。
（二）实验内容和实验原理
1．利用Matlab图像工具箱的图像分割和边缘检测函数对常规图像进行处理。
2．对绿色植物图像分别使用绿色因子法、HSV颜色空间进行分割；
3．对水果图像在YCbCr颜色空间进行分割；
4．对太阳能电池板进行片定位，并对每个单片进行分割，得到缺陷目标图像。
（三）实验步骤
1．灰度阀值分割
(1)全局阈值分割图像
先将一幅彩色图像转换为灰度图像，显示其直方图，参考直方图中灰度的分布，尝试确定阈值；应反复调节阈值的大小，直至二值化的效果最为满意为止。给图像加上零均值的高斯噪声重复上述过程，注意阈值的选择。
（2）局部阈值分割图像
自选图像，对图进行多阈值分割，注意阈值的选择。
2．边缘检测
(1)使用Roberts 算子的图像分割实验，调入并显示一幅图像*.gif或*.tif；
使用Roberts 算子对图像进行边缘检测处理；Roberts 算子为一对模板，相应的矩阵为：
rh = [0 1;-1 0]; rv = [1 0;0 -1];
这里的rh 为水平Roberts 算子，rv为垂直Roberts 算子。可以显示处理后的水平边界和垂直边界检测结果；
用“欧几里德距离”方式计算梯度的模，显示检测结果；对于检测结果进行二值化处理，并显示处理结果。
(2)使用Prewitt 算子的图像分割，过程同(1)中的全部步骤。
(3)使用Sobel 算子的图像分割，过程同(1)中的全部步骤。
(4)使用Canny算子进行图像分割，过程同(1)中的全部步骤。
3．对绿色植物图像分别使用绿色因子法、HSV颜色空间进行分割；
(1)绿色因子法步骤：
对RGB图像进行通道分离；
对每个通道进行归一化；
计算超绿因子；
将超绿因子矩阵转换为灰度图像；
对超绿因子灰度图像进行阈值分割。
(2)基于HSV的绿色植物分割步骤：
将RGB图像转换为HSV图像；
对HSV图像进行通道分离；
确定绿色植物的H范围；
将H分量中范围外的数据置0；
对处理后的H分量进行阈值分割。
4．对水果图像在YCbCr颜色空间进行分割；
5．对太阳能电池板进行片定位，并对每个单片进行分割，得到缺陷目标图像。
对片进行定位
获取每个单片的子图像
对各个单片子图像进行图像分割，得到缺陷目标图像。
（四）实验报告要求
1．描述上述图像处理的算法；
2．列出上述图像处理的程序；
3．记录并分析实验结果；
4．撰写心得体会。
对绿色植物图像分别使用绿色因子法、HSV颜色空间进行分割；
绿色植物分割图
%超绿特征分割
%先用最大类间方差法自动计算最佳阈值T，然后计算超绿分量ExG=2G-R-B，大于等于T，赋值为255，反之赋值为0
clear all;
clc;
image = imread('test2.JPG');
image = im2double(image); %图像运算不能用uint8类型，会发生溢出现象，要转成double类型
R = image(:,:,1);
G = image(:,:,2);
B = image(:,:,3);
ExG = 2*G-R-B;
[m,n] = size(ExG);
T = graythresh(ExG);%graythresh函数是使用OTSU（大津）算法返回输出最佳阈值的算法。
h = ExG;
for i = 1:m
for j= 1:n
if h(i,j) >= T
h(i,j)=255;
else h(i,j)=0;
end
end
end
subplot(131),imshow(image),title('原始图片');
subplot(132),imshow(ExG),title('超绿灰度化')
subplot(133),imshow(h),title('超绿分割二值图')
自己写的
clc
clear all
I=imread('test2.JPG');
figure (1);
imshow(I)
%%R通道
R = I(:,:,1);
figure (2);
imshow(R);
title('R通道');
imhist(R);
%%G通道
G = I(:,:,2);
figure (3);
imshow(G);
title('G通道');
imhist(G);
%%B通道
B = I(:,:,3);
figure (4);
imshow(B);
title('B通道');
imhist(B);
这里是进行HSV与RGB转换
clc
clear all
I=imread('test2.JPG');
figure (1);
imshow(I)
RGB = I;
HSV=rgb2hsv(RGB);%%表示将RGB图像转换为HSV图像。
figure();
imshow(HSV);
title('HSV图像');
基于HSV的绿色植物分割步骤：
拼接：
close all;clear all;clc;
I=imread('test.jpeg');%读入图片
% figure,imshow(I);
I_h=rgb2hsv(I);%RGB转hsv
[height,width,c]=size(I);
h = I_h(:,:,1);
s = I_h(:,:,2);
v = I_h(:,:,3);
figure,
subplot(2,2,1),imshow(I_h);title('hsv格式图');
subplot(2,2,2),imshow(h);title('h');
subplot(2,2,3),imshow(s);title('s');
subplot(2,2,4),imshow(v);title('v');
% figure,
% imhist(h);
% % 得到阈值 0.5
% one = h>0;
% figure,
% imshow(one);
for i=1:height
for j=1:width
h=I_h(i,j,1);
s=I_h(i,j,2);
v=I_h(i,j,3);
% 通过将h通道颜色值特定范围内饱和度设为0，保留范围外颜色值
if 0.38找的代码
clear all;
clc;
flag = imread('test.jpeg'); % 读取图像
figure;
imshow(flag); % 展示图像
% 将图像的rgb色彩空间转化至hsv色彩空间
flag_hsv = rgb2hsv(flag);
% 创建一个白色图像，将特定颜色提取到此处
flag_new = 255*ones(size(flag));
% 将该图像转至hsv色彩空间
flag_new_hsv = rgb2hsv(flag_new);
% 找出图像中绿色的像素
[row, col] = ind2sub(size(flag_hsv),find(flag_hsv(:,:,1)>0.12...
& flag_hsv(:,:,1)< 0.6 & flag_hsv(:,:,2)>0.16 & flag_hsv(:,:,3)>0.18));
% 将图像中的绿色像素复制到刚才新建的白色图像中
for i = 1 : length(row)
flag_new_hsv(row(i),col(i),:) = flag_hsv(row(i),col(i),:);
end
% 将提取出来的绿色，转化至rgb空间，进行展示
flag_green = hsv2rgb(flag_new_hsv);
figure
imshow(flag_green)
4. 对水果图像在YCbCr颜色空间进行分割
% I = imread("test2.jpeg");
% % I = rgb2gray(I);
% YCBCR = rgb2ycbcr(RGB);
% imshow(YCBCR),title('YCBCR');
clc,clear,close all;
f=imread('test2.jpeg');
imshow(f);
fy=rgb2ycbcr(f);
cr=fy(:,:,3);
figure,imshow(cr);
% figure();imhist(cr);
cr(cr<100|cr>132)=0;
cr(cr~=0)=255;
% figure,imshow(cr);
bw=imbinarize(cr);
% figure,imshow(bw);
bw=imfill(bw,'holes');
% figure,imshow(bw);
bwao=bwareaopen(bw,500);
figure,imshow(bwao);
[r,c]=find(bwao);
resual=f(min(r):max(r),min(c):max(c),:);
figure,imshow(resual);
5. 边缘检测
clc;clear all;
img = imread('test.png');
figure;
img = rgb2gray(img);
imshow(img),title("原图像");
[ROW,COL] = size(img);
img = double(img);
new_img = zeros(ROW,COL); %新建画布
%定义robert算子
roberts_x = [1,0;0,-1];
roberts_y = [0,-1;1,0];
for i = 1:ROW - 1
for j = 1:COL - 1
funBox = img(i:i+1,j:j+1);
G_x = roberts_x .* funBox;
G_x = abs(sum(G_x(:)));
G_y = roberts_y .* funBox;
G_y = abs(sum(G_y(:)));
roberts_xy = G_x * 0.5 + G_y * 0.5;
new_img(i,j) = roberts_xy;
end
end
figure(2);
imshow(new_img/255),title("robert算子的图像");
% 定义laplace算子
laplace = [0,1,0;1,-4,1;0,1,0];
for i = 1:ROW - 2
for j = 1:COL - 2
funBox = img(i:i+2,j:j+2);
G = laplace .* funBox;
G = abs(sum(G(:)));
new_img(i+1,j+1) = G;
end
end
figure(3)
imshow(new_img/255),title("laplace算子的图像");
%定义sobel算子
sobel_x = [-1,0,1;-2,0,2;-1,0,1];
sobel_y = [-1,-2,-1;0,0,0;1,2,1];
for i = 1:ROW - 2
for j = 1:COL - 2
funBox = img(i:i+2,j:j+2);
G_x = sobel_x .* funBox;
G_x = abs(sum(G_x(:)));
G_y = sobel_y .* funBox;
G_y = abs(sum(G_y(:)));
sobelxy = G_x * 0.5 + G_y * 0.5;
new_img(i+1,j+1) = sobelxy;
end
end
figure(4);
imshow(new_img/255),title("sobel的图像");
%定义Prewitt算子
sobel_x = [-1,0,1;-1,0,1;-1,0,1];
sobel_y = [-1,-1,-1;0,0,0;1,1,1];
for i = 1:ROW - 2
for j = 1:COL - 2
funBox = img(i:i+2,j:j+2);
G_x = sobel_x .* funBox;
G_x = abs(sum(G_x(:)));
G_y = sobel_y .* funBox;
G_y = abs(sum(G_y(:)));
sobelxy = G_x * 0.5 + G_y * 0.5;
new_img(i+1,j+1) = sobelxy;
end
end
figure(5);
imshow(new_img/255),title("Prewitt的图像");
function test(I_in)
figure(1),subplot(121),imshow(I_in),title('原图');
[row,col] = size(I_in);
I=double(I_in);
I(:, size(I_in, 2) + 1) = 195;
I(size(I_in, 1) + 1, :) = 195;
g = zeros(row,col);
g_x=zeros(row,col); % 水平方向
g_y=zeros(row,col); % 垂直方向
for i=1:row
for j=1:col
x=abs(I(i+1,j+1)-I(i,j));
y=abs(I(i+1,j)-I(i,j+1));
sum=x+y;
g(i,j) = sum;
g_x(i,j)=x;
g_y(i,j)=y;
end
end
NumPixel = zeros(1,row); % 建立一个256列的行向量，以统计各灰度级的像素个数
for i = 1 : row
for j = 1 : col
k = g(i,j); % k是像素点(i,j)的灰度值
NumPixel(k+1) = NumPixel(k+1) + 1; % 对应灰度值像素点数量加1
end
end
figure(2),bar(NumPixel); % 灰度图像的直方图
figure(1),subplot(122),imshow(g,[]),title('卷积结果');
I2=g;
for i = 1 : row
for j = 1 : col
if I2(i,j) < 80
I2(i,j) = 1;
else
I2(i,j) = 0;
end
end
end
figure(3),subplot(121),imshow(g_x,[]),title('水平边界检测结果');
figure(3),subplot(122),imshow(g_y,[]),title('垂直边界检测结果');
figure,imshow(I2),title('二值化图像');
end
%图像分割（全局阈值，借助直方图）
clc
clear all
I=rgb2gray(imread('test.jpeg'));
figure (1);
imshow(I)
% imhist(I);
R=I>125;%大于125的地方为白（1），小于为黑（0）
% figure(2);
% imshow(R);
% 竖值相加
G = sum(R');
% figure(3);
% plot(G);
% xlabel('x');
% ylabel('f(x)');
% title('G的图像');
% 进行裁剪
% 1. 去字
chang = 600;
[m,n] = size(R);
G2 = imcrop(R,[1,1,n,chang]);
% figure(4);
% imshow(G2);
% title('G2的图像');
% 2. 现在分解，对G2进行处理
% 进行记录
G2 = sum(G2);
% figure(5);
% plot(G2);
% xlabel('x');
% ylabel('f(x)');
% title('G22的图像');
J = G2>100;
% figure(6);
% plot(J);
% xlabel('x');
% ylabel('J');
% title('J的图像');
% 计算切割点
QG = [];
j=1;
for i=1:length(J)
if J(i)==0
QG(j)=i;
j = j+1;
end
end
% figure(7);
% plot(QG);
% xlabel('x');
% ylabel('f(x)');
% title('QG的图像');
% 计算差值，计算板子的宽度
C= zeros(1,length(QG));
for i=1:length(QG)-1
C(i) = QG(i+1)-QG(i);
end
% figure(8);
% plot(C);
% xlabel('x');
% ylabel('f(x)');
% title('C的图像');
% 所以按照这两个数进行分割
QG = (C>2).*QG;
% figure(9);
% plot(QG);
% xlabel('x');
% ylabel('f(x)');
% title('QG的图像');
% 接下来按照QG中的数字进行分割
fenGe = [];
fenGeOne = [];
a = 1;
for i=1:length(QG)
if QG(i)>0
fenGe(a) = QG(i);
a = a + 1;
end
end
% fenGe
b= 1;
figure();
for i = 1:length(fenGe)-1
fenGeOne = I(1:chang,fenGe(i):fenGe(i+1));
subplot(3,4,b);
imshow(fenGeOne);
b = b+1;
if i==1
c = fenGeOne;
end
if i==2
d = fenGeOne;
end
if i==length(fenGe)-1
fenGeOne = I(1:chang,fenGe(i+1):n);
subplot(3,4,b);
e=fenGeOne;
imshow(fenGeOne);
end
end
c = c(1:255,1:255);
d = d(1:255,1:255);
e = e(1:255,1:255);
figure();imshow(c);
figure();imshow(d);
figure();imshow(e);
a = corr2(c,d);
disp(a);
b = corr2(d,e);
disp(b);
最终结果：
%图像分割（全局阈值，借助直方图）
clc
clear all
I=rgb2gray(imread('ChuanJian0.jpg'));
figure (1);
imshow(I)
% imhist(I);
R=I>125;%大于125的地方为白（1），小于为黑（0）
% figure(2);
% imshow(R);
% 竖值相加
G = sum(R');
figure(3);
plot(G);
xlabel('x');
ylabel('f(x)');
title('G的图像');
% 进行裁剪
% 1. 去字
chang = 600;
[m,n] = size(R);
G2 = imcrop(R,[1,1,n,chang]);
% figure(4);
% imshow(G2);
% title('G2的图像');
% 2. 现在分解，对G2进行处理
% 进行记录
G2 = sum(G2);
% figure(5);
% plot(G2);
% xlabel('x');
% ylabel('f(x)');
% title('G22的图像');
J = G2>100;
% figure(6);
% plot(J);
% xlabel('x');
% ylabel('J');
% title('J的图像');
% 计算切割点
QG = [];
j=1;
for i=1:length(J)
if J(i)==0
QG(j)=i;
j = j+1;
end
end
% figure(7);
% plot(QG);
% xlabel('x');
% ylabel('f(x)');
% title('QG的图像');
% 计算差值，计算板子的宽度
C= zeros(1,length(QG));
for i=1:length(QG)-1
C(i) = QG(i+1)-QG(i);
end
% figure(8);
% plot(C);
% xlabel('x');
% ylabel('f(x)');
% title('C的图像');
% 所以按照这两个数进行分割
QG = (C>2).*QG;
% figure(9);
% plot(QG);
% xlabel('x');
% ylabel('f(x)');
% title('QG的图像');
% 接下来按照QG中的数字进行分割
fenGe = [];
fenGeOne = [];
a = 1;
for i=1:length(QG)
if QG(i)>0
fenGe(a) = QG(i);
a = a + 1;
end
end
fenGe
b= 1;
fen = zeros([1,12]);
for i = 1:length(fenGe)-1
fenGeOne = I(1:chang,fenGe(i):fenGe(i+1));
subplot(3,4,b);
imshow(fenGeOne);
s = judge(fenGeOne);
fen(i) = s;
b = b+1;
if i==length(fenGe)-1
fenGeOne = I(1:chang,fenGe(i+1):n);
subplot(3,4,b);
imshow(fenGeOne);
fen(i) = s;
end
end
% 对缺陷图像进行显示
for i = 1:length(fenGe)
fenGeOne = I(1:chang,fenGe(i):fenGe(i+1));
if fen(i)==1
figure('Name','缺陷图像');
imshow(fenGeOne);
end
if i==length(fenGe)-1
fenGeOne = I(1:chang,fenGe(i+1):n);
if fen(i)==1
figure('Name','缺陷图像');
imshow(fenGeOne);
end
end
end
fen
% 进行判断
function s = judge(img)
% figure();
% subplot(1,2,1),imshow(img);
% subplot(1,2,2),
I = sum(img);
I=I>109000;
% plot(I);
z = 0;
for i = 1:length(I)
if I(i)==1
z = z+1;
end
end
if z*100/length(I)>10
s = 1;
else s = 0;
end
end
运行结果：
知识点：
- 转换hsv和RGB图像
ImgHSV = rgb2hsv(ImgRGB);
ImgRGB = hsv2rgb(ImgHSV);