Если у вас возникли сложности с курсовой, контрольной, дипломной, рефератом, отчетом по практике, научно-исследовательской и любой другой работой - мы готовы помочь.
Предоплата всего
Подписываем
Міністерство освіти і науки, молоді та спорту України
Полтавський національний технічний університет
імені Юрія Кондратюка
Кафедра комп’ютерної інженерії
РОЗРАХУНКОВО-ГРАФІЧНА РОБОТА
з навчальної дисципліни
«Цифрова обробка сигналів та зображень»
Тема: «АЛГОРИТМИ ЦИФРОВОЇ ФІЛЬТРАЦІЇ НАД 2-МІРНИМИ СИГНАЛАМИ В СПЕЦІАЛІЗОВАНИХ ПРОГРАМНИХ ПАКЕТАХ»
Виконав:
студент навчальної групи 302-ТК
Бахарєв Олександр Олександрович
Перевірив:
Бульба Євген Миколайович
Полтава
2012
ЗМІСТ
|
ВСТУП……………………………………………………………………..3 |
|
|
|
ВИСНОВОК……………………………………………………………...18 |
|
Література………………………………………………………………...19 ДОДАТКИ………………………………………………………………..20 Додаток 1……………………………………………………………..20 |
ВСТУП
В наш час застосування методів цифрової обробки сигналів та зображень на даний момент досить розширені та майже витіснили аналогові методи обробки сигналів зображень.
ЦОС –це область науки та техніки, в якій розглядаються загальні для технічних додатків алгоритми та методи обробки сигналів та зображень за допомогою обчислювальної техніки. Цифрова передача зображень використовується навіть в космічних апаратах, цифрові канали передачі сигналів та зображень вимагають забезпечення передачі все більших потоків інформації.
На сучасному етапі, предметом досліджень є формування зображень, поліпшення якості та автоматизація обробки медичних зображень, включаючи зображення, що створюються електронними мікроскопами, рентгенівськими апаратами ,томографами.
Досить важко знайти область, у якій можливо обійтися без комп'ютерної обробки зображень. Адже, вирішується широке коло завдань, таких як : поліпшення якості зображень; вимірювання параметрів зображення; спектральний аналіз багатомірних сигналів; розпізнавання зображень; стиск зображень.
1. Постановка задачі:
Варіант №1
|
№ |
Назва зображення |
Кут повороту |
Кількість точок на зображенні |
Маска фільтру |
Параметр сегментації |
Метод виділення |
Зашумлення функцією motion |
Параметр NSR |
|
1 |
Picture1.jpg |
10 |
9 |
laplacian alpha=0,15 |
0,02 |
sobel |
LEN=21, THETA=45 |
0 |
Для завантаження зображення використаємо команду imshow:
L=imread('Picture1.jpg');% Відкриємо
imshow (L);% Відобразимо
Результат:
Рис. 1. Завантажене зображення
Для кадрування зображення використаємо команду imcrop:
L=imread('Picture1.jpg');
imshow (L);
imcrop;% Кадроване зображення
Результат:
Рис. 2. Кадроване зображення
Для зміни розмірів зображення використаємо команду imresize :
L=imread('Picture1.jpg');
L1=imresize(L,0.5);%Вдвічі зменшуємо зображення
imshow (L1)
Результат:
Рис. 3. Вдвічі зменшене зображення
Для повороту зображення на заданий кут використаємо функцію imrotate:
L=imread('Picture1.jpg');
L1=imrotate(L,10,'bicubic');%Задаємо кут повороту
figure,imshow(L1)
Результат:
Рис. 4. Повернене зображення
Для побудови гістограми зображення використаємо функцію imhist :
I=imread('Picture1.jpg');
figure; imshow(I);
figure; imhist(I);%Побудуємо гістограму
Результат:
,
Рис. 5. Гістограма
Для побудови крапок інтенсивності використаємо функцію impixel:
I=imread('Picture1.jpg');
figure, imshow(I);
impixel %Визначимо інтенсивность пікселів
Результат:
Рис. 6. Зображення з крапками інтенсивності
Виведемо значення крапок інтенсивності:
ans =
45 45 45
27 27 27
185 185 185
19 19 19
31 31 31
21 21 21
42 42 42
77 77 77
35 35 35
189 189 189
Для поліпшення зображення використаємо функцію histeq:
L=imread('Picture1.jpg');
figure, imshow(L);
L1=histeq(L);%Поліпшуємо зображення
figure, imshow(L1);%Відобразимо поліпшене зображення
Результат:
Рис. 7. Зображення з перерозподілом яскравостей
Для фільтрації зображення використаємо функцію fspecial:
I=imread('Picture1.jpg');
h=fspecial('laplacian',0.15); %Введемо задану маску фільтру
I1=imfilter(I,h,'replicate');
figure;
imshow(I1);
Результат:
Рис. 8. Високочастотний фільтр Лапласа
Використаємо функцію edge:
I=imread('Picture1.jpg');
BW1=edge(I,'sobel');%функція виділення меж за фільтром Собела
figure;
imshow(BW1);%Відобразимо отримане
title('sobel');%відобразимо назву
Результат:
Рис. 9. Наперед зазначений фільтр Собела
Для зашумлення зображення використаємо алгоритм деконволюції.
I=imread('Picture1.jpg');
PSF=fspecial('gaussian',7,10);%Розмиття шляхом згортки філтру Гауса
Blurred=imfilter(I,PSF,'symmetric','conv');%Зашумлення Blur
figure;
imshow(Blurred);
title('Blurred image');
Результат:
Рис. 10. Розмите зображення
Відновимо зображення використавши команду deconvblind:
I=imread('Picture1.jpg');
figure;
imshow(I); %Оригінал зображення
title('Original image');
PSF=fspecial('gaussian',7,10);
Blurred=imfilter(I,PSF,'symmetric','conv');
figure;
imshow(Blurred); %Зашумленне зображення
title('Blurred image');
INITPSF=padarray(PSF,[22],'replicate','both');%використаємо одиничний масив для реставрації
[J3 P3]=deconvblind(Blurred,INITPSF);
figure;
imshow(J3); %Відновлене зображення
title('Dedluring with INITPSF');
Результат:
Рис. 11. Реставрація по маломірному масиву INITPSF
Для зашумлення зображення зімітуємо розмитість рухом:
I=imread('Picture1.jpg');
LEN=21; %Точка розповсюдження функції
THETA=45; %Кут розповсюдження функції
PSF=fspecial('motion',LEN,THETA);%Розмиття зображення
blurred=imfilter(I,PSF,'conv','circular');
imshow(blurred);
title('Blurred image');
Результат:
Рис. 12. Розмите зображення
Для відновлення зображення застосуємо деконволюцію Вінера:
I=im2double(imread('Picture1.jpg'));%Завантажимо зображення з подвійною точністю
imshow(I);
LEN=21;
THETA=45;
PSF=fspecial('motion',LEN,THETA);
blurred=imfilter(I,PSF,'conv','circular');
imshow(blurred);
title('Blurred image');
wnr1=deconvwnr(blurred,PSF,.0);%Відновимо зображення крізь фільтр Вінера
imshow(wnr1);
title('Restored Image');
Результат:
Рис. 13. Відновлене зображення
ВИСНОВОК
Опрацювавши поданий матеріал , можна зробити висновок, що IPT, є потужним інструментом для моделювання та дослідження методів цифрової обробки зображень. Він надає можливість користуватися великою кількістю вбудованих функцій, що реалізують найбільш поширені методи обробки зображень. Дана робота була виконана за допомогою цих функцій.
З допомогою програми Matlab, а саме пакету прикладних програм Image Processing Toolbox, було виконано геометричні перетворення, аналіз і гістограму зображення, фільтрацію, зашумлення і відновлення зображення. Це було здійснено за допомогою різних вбудованих функцій та фільтрів системи.
Виконавши дану розрахунково-графічну роботу можна помітити, що відновлення зображення за допомогою фільтру Вінера є більш вдалим, ніж реставрація по маломірному масиву INITPSF. Зображення, що відновлено з допомогою цього фільтру – більш чітке,зрозуміле та більш точно відповідне оригіналу. Також, відмітимо, що зі зміною параметра NSR – змінюється чіткість зображення. При NSR=0,як в виконаному варіанті - зображення ідеально відтворене.
СПИСОК ВИКОРИСТАНОЇ ЛІТЕРАТУРИ
ДОДАТКИ
Додаток 1
Лістинг коду
\\>>L=imread('Picture1.jpg');% Відкриємо
imshow (L);% Відобразимо
>>L=imread('Picture1.jpg');
imshow (L);
imcrop;% Кадроване зображення
>>L=imread('Picture1.jpg');
L1=imresize(L,0.5);%Вдвічі зменшуємо зображення
imshow (L1)
>>L=imread('Picture1.jpg');
L1=imrotate(L,10,'bicubic');%Задаємо кут повороту
figure,imshow(L1)
>>I=imread('Picture1.jpg');
figure; imshow(I);
figure; imhist(I);%Побудуємо гістограму
>> I=imread('Picture1.jpg');
figure, imshow(I);
impixel %Визначимо інтенсивность пік селів
>>L=imread('Picture1.jpg');
figure, imshow(L);
L1=histeq(L);%Поліпшуємо зображення
figure, imshow(L1);%Відобразимо поліпшене зображення
>>I=imread('Picture1.jpg');
h=fspecial('laplacian',0.15); %Введемо задану маску фільтру
I1=imfilter(I,h,'replicate');
figure;
imshow(I1);
>> I=imread('Picture1.jpg');
BW1=edge(I,'sobel');%функція виділення меж за фільтром Собела
figure;
imshow(BW1);%Відобразимо отримане
title('sobel');%відобразимо назву
>> I=imread('Picture1.jpg');
PSF=fspecial('gaussian',7,10);%Розмиття шляхом згортки філтру Гауса
Blurred=imfilter(I,PSF,'symmetric','conv');%Зашумлення Blur
figure;
imshow(Blurred);
title('Blurred image');
>> I=imread('Picture1.jpg');
figure;
imshow(I); %Оригінал зображення
title('Original image');
PSF=fspecial('gaussian',7,10);
Blurred=imfilter(I,PSF,'symmetric','conv');
figure;
imshow(Blurred); %Зашумленне зображення
title('Blurred image');
INITPSF=padarray(PSF,[22],'replicate','both');%використаємо одиничний масив для реставрації
[J3 P3]=deconvblind(Blurred,INITPSF);
figure;
imshow(J3); %Відновлене зображення
title('Dedluring with INITPSF');
>> I=imread('Picture1.jpg');
LEN=21; %Точка розповсюдження функції
THETA=45; %Кут розповсюдження функції
PSF=fspecial('motion',LEN,THETA);%Розмиття зображення
blurred=imfilter(I,PSF,'conv','circular');
imshow(blurred);
title('Blurred image');
>> I=im2double(imread('Picture1.jpg'));%Завантажимо зображення з подвійною точністю
imshow(I);
LEN=21;
THETA=45;