实验报告课程名称医学图像处理实验名称图像分割专业班级姓名学号实验日期实验地点2015—2016学年度第 2 学期050100150200250图1 原图 3 阈值分割后的二值图像分析：手动阈值分割的阈值是取直方图中双峰的谷底的灰度值作为阈值，若有多个双峰谷底，则取第一个作为阈值。
本题的阈值取%例2 迭代阈值分割f=imread('cameraman.tif'); %读入图像subplot(1,2,1);imshow(f); %创建一个一行二列的窗口，在第一个窗口显示图像title('原始图像'); %标注标题f=double(f); %转换位双精度T=(min(f(:))+max(f(:)))/2; %设定初始阈值done=false; %定义开关变量，用于控制循环次数i=0; %迭代，初始值i=0while~done %while ~done 是循环条件，~ 是“非”的意思，此处done = 0; 说明是无限循环，循环体里面应该还有循环退出条件，否则就循环到死了;r1=find(f<=T); %按前次结果对t进行二次分r2=find(f>T); %按前次结果重新对t进行二次分Tnew=(mean(f(r1))+mean(f(r2)))/2; %新阈值两个范围内像素平均值和的一半done=abs(Tnew-T)<1; %设定两次阈值的比较，当满足小于1时，停止循环，1是自己指定的参数T=Tnew; %把Tnw的值赋给Ti=i+1; %执行循坏，每次都加1endf(r1)=0; %把小于初始阈值的变成黑的f(r2)=1; %把大于初始阈值的变成白的subplot(1,2,2); %创建一个一行二列的窗口，在第二个窗口显示图像imshow(f); %显示图像title('迭代阈值二值化图像'); %标注标题图4原始图像图5迭代阈值二值化图像分析：本题是迭代阈值二值化分割，步骤是：1.选定初始阈值，即原图大小取平均；2.用初阈值进行二值分割；3.目标灰度值平均背景都取平均；4.迭代生成阈值，直到两次阈值的灰度变化不超过1，则稳定；5.输出迭代结果。
%例3 Laplacian算子和模板匹配法I=imread('cameraman.tif'); %读入图像subplot(1,3,1);imshow(I); %创建一个一行三列的窗口，在第一个窗口显示图像title('原图像'); %标注标题H=fspecial('laplacian'); %生成laplacian滤波器laplacianH=filter2(H,I); %以laplacian为模板对图像I进行锐化滤波subplot(1,3,2); %创建一个一行三列的窗口，在第二个窗口显示图像imshow(laplacianH); %显示图像title('laplacian算子锐化图像'); %标注标题H=fspecial('prewitt'); %生成Prewitt滤波器prewittH=filter2(H,I); %以prewitt为模板对图像I进行锐化滤波subplot(1,3,3); %创建一个一行三列的窗口，在第三个窗口显示图像imshow(prewittH); %显示图像title('prewitt模板锐化图像'); %标注标题图6原图像图7 laplacian算子锐化图像图8 prewitt模板锐化图像分析：从结果图可以看出，laplacian算子对边缘的处理更明显，它是二阶微分算子，能加强边缘效果，对噪声很敏感，Prewitt算子是平均滤波的一阶的微分算子，不仅能检测边缘点，而且能抑制噪声的影响。
%例4 不同边缘检测方法比较f=imread('cameraman.tif'); %读取图像subplot(2,2,1);imshow(f); %创建一个二行二列的窗口，在第一个窗口显示图像title('原始图像'); %标注标题[g,t]=edge(f,'roberts',[],'both'); %用roberts检测器对图像进行边缘检测，阈值自动选取，检测边缘方向(双向)为bothsubplot(2,2,2);imshow(g); %创建一个二行二列的窗口，在第二个窗口显示图像title('Roberts算子分割结果'); %标注标题[g,t]=edge(f,'sobel',[],'both'); %用sobel检测器对图像进行边缘检测，阈值自动选取，检测边缘方向(双向)为bothsubplot(2,2,3);imshow(g); %创建一个二行二列的窗口，在第三个窗口显示图像title('Sobel算子分割结果'); %标注标题[g,t]=edge(f,'prewitt',[],'both'); %用prewitt检测器对图像进行边缘检测，阈值自动选取，检测边缘方向(双向)为bothsubplot(2,2,4);imshow(g); %创建一个二行二列的窗口，在第四个窗口显示图像title('prewitt算子分割结果'); %标注标题图9原始图像图10 Roberts算子分割结果图像图11 Sobel算子分割结果图像图12 prewitt算子分割结果图像分析：从结果图可以看出，Prewitt 和 Sobel 算子分割效果比 Roberts 效果要好一些，提取边缘较完整，其边缘连续性较好。
但是这三种算子的边缘的连续性都不太好，这时我们需要采用霍夫变换使间断变成连续，连接边缘。
思考题1．分析Sobel算子特点，并给予说明。
f=imread('skull.tif'); %读取图像f=double(f); %转化图像f的类型为双精度subplot(3,3,1); %创建有3*3子图像的窗口，原图在位置1imshow(f,[]); %显示原图像ftitle('原始图像'); %给图像加标题为'原始图像'J=imnoise(f,'gaussian',0.02); %对图像加高斯噪声subplot(3,3,2); %创建有3*3子图像的窗口，原图在位置2imshow(J,[]); %显示加噪声的图像title('加高斯噪声图像'); %给图像加标题为'加高斯噪声图像'[g1,t]=edge(f,'sobel',[],'both'); %用sobel检测器对原图像进行边缘检测，阈值自动选取，检测边缘方向(双向)为both[g2,t]=edge(J,'sobel',[],'both'); %用sobel检测器对加噪图像进行边缘检测，阈值自动选取，检测边缘方向(双向)为both[g3,t]=edge(f,'sobel',[],'vertical'); %用sobel检测器对原图像进行边缘检测，阈值自动选取，检测边缘方向为垂直方向[g4,t]=edge(J,'sobel',[],'vertical'); %用sobel检测器对加噪图像进行边缘检测，阈值自动选取，检测边缘方向为垂直方向[g5,t]=edge(f,'sobel',[],'horizontal'); %用sobel检测器对原图像进行边缘检测，阈值自动选取，检测边缘方向为水平方向[g6,t]=edge(J,'sobel',[],'horizontal'); %用sobel检测器对加噪图像进行边缘检测，阈值自动选取，检测边缘方向为水平方向subplot(3,3,3); %创建有3*3子图像的窗口，图在位置3imshow(g1); %显示经sobel算子处理后的图像title('sobel算子双向分割结果'); %给图像加标题为‘sobel算子双向分割结果’subplot(3,3,4);imshow(g2);title('加噪后sobel双向分割结果'); %在3*3子图像的位置4显示加噪后sobel双向分割结果图像subplot(3,3,5);imshow(g3);title('sobel水平方向分割结果'); %在3*3子图像的位置5显示sobel水平方向分割结果结果图像subplot(3,3,6);imshow(g4);title('加噪后sobel水平方向分割结果'); %在3*3子图像的位置6显示加噪后sobel水平方向分割结果图像subplot(3,3,7);imshow(g5);title('sobel垂直方向分割结果'); %在3*3子图像的位置7显示sobel垂直方向分割结果图像subplot(3,3,8);imshow(g6);title('加噪后sobel垂直方向分割结果'); %在3*3子图像的位置8显示加噪后sobel垂直方向分割结果图像图13原始图像图14加高斯噪声图像图15 sobel算子双向分割结果图像图16加噪后sobel双向分割图图17sobel水平方向分割图图18加噪后sobel水平分割图图19 sobel垂直方向分割结果图像图20加噪后sobel垂直方向分割结果图像分析：Sobel相对于先对图像进行加权平均再做差分。
在边缘检测中，常用的一种模板是Sobel 算子。
Sobel 算子有三个，一个是检测双向边缘的，一个是检测水平边缘的;另一个是检测垂直边缘的。
由于Sobel算子是一节微分滤波算子的，用于提取边缘，有方向性，从结果可以看出双向both的分割效果最好。
缺点：Sobel算子并没有将图像的主体与背景严格地区分开来，换言之就是Sobel算子没有基于图像灰度进行处理，由于Sobel算子没有严格地模拟人的视觉生理特征，所以提取的图像轮廓有时并不能令人满意。
2．分析laplacian算子特点，并解释它为何能增强图像的边缘？I=imread('skull.tif'); %读取原图subplot(2,3,1),imshow(I,[]);title('原图像') %在2*3子图像的位置1显示原图像H1=fspecial('laplacian',0); %生成Laplacian算子滤波器，滤波器的标准差为0，说明H1模板的中间系数是-4H2=fspecial('laplacian'); %生成Laplacian算子滤波器，滤波器的标准差为默认值0.2，说明H2模板的中间系数是-3.333 H3=fspecial('laplacian',1); %生成Laplacian算子滤波器，滤波器的标准差为1，说明H3模板的中间系数是-2J=imnoise(I,'salt & pepper',0.02); %添加椒盐噪声subplot(2,3,2),imshow(J,[]);title('添加椒盐噪声图像') %在2*3子图像的位置3显示添加椒盐噪声图像I1=imfilter(I,H1); %用H1模板进行均值滤波subplot(2,3,3),imshow(I1,[]);title('HI模板laplacian算子滤波结果') %在2*3子图像的位置3显示'HI模板laplacian算子滤波结果图像I2=imfilter(I,H2); %用H2模板进行均值滤波subplot(2,3,4),imshow(I2,[]);title('H2模板laplacian算子滤波结果') %在2*3子图像的位置4显示H2模板laplacian算子滤波结果图像I3=imfilter(I,H3); %用H3模板进行均值滤波subplot(2,3,5),imshow(I3,[]);title('H3模板laplacian算子滤波结果') %在2*3子图像的位置5显示H3模板laplacian算子滤波结果图像图21原图像图22添加椒盐噪声图像图23 HI模板laplacian算子滤波图图 24 H2模板laplacian算子滤波结果图像图25 H3模板laplacian算子滤波结果图像分析：laplacian算子对边缘的处理明显，它是二阶微分算子，能加强边缘效果，对噪声很敏感。