信息工程学院实验报告
课程名称：数字图像处理
成 绩： 实验项目名称：实验六 图像分割 实验时间：2016.12.16 班级： 姓名： 学号：
指导老师(签名)：
一、实验目的
1. 使用MatLab 软件进行图像的分割。使学生通过实验体会一些主要的分割算子对图像处理的效果，以及各种因素对分割效果的影响。
2. 要求学生能够自行评价各主要算子在无噪声条件下和噪声条件下的分割性能。能够掌握分割条件(阈值等)的选择。完成规定图像的处理并要求正确评价处理结果，能够从理论上作出合理的解释。 二、实验内容与步骤
1.边缘检测
(1)使用Roberts 算子的图像分割实验
调入并显示图像room.tif图像；使用Roberts 算子对图像进行边缘检测处理； Roberts 算子为一对模板：
-1 0 0 1
0 1 -1 0 （a）450方向模板 （b）1350方向模板
图 1 matlab 2010的Roberts算子模板
相应的矩阵为：rh = [0 1；-1 0]； rv = [1 0；0 -1]；这里的rh 为45度Roberts 算子，rv为135度Roberts 算子。分别显示处理后的45度方向和135方向的边界检测结果；用“欧几里德距离”和“街区距离”方式计算梯度的模，并显示检测结果；对于检测结果进行二值化处理，并显示处理结果。
提示：先做检测结果的直方图，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。
(2)使用Prewitt 算子的图像分割实验
第 1 页 共 11 页
-1 0 1 -1 0 1 -1 0 1
-1 -1 -1 0 0 0 1 1 1 （a）水平模型 （b）垂直模板
图2. Prewitt算子模板
使用Prewitt 算子进行内容(1)中的全部步骤。 (3)使用Sobel 算子的图像分割实验
使用Sobel 算子进行内容(1)中的全部步骤。 -1 0 1 -2 0 2 -1 0 1
-1 -2 -1 0 0 0 1 2 1 （a）水平模型 （b）垂直模板
图3. Sobel算子模板
(4)使用LoG (拉普拉斯-高斯)算子的图像分割实验
使用LoG (拉普拉斯-高斯)算子进行内容(1)中的全部步骤。提示1：处理后可以直接显示处理结果，无须另外计算梯度的模。提示2：注意调节噪声的强度以及LoG (拉普拉斯-高斯)算子的参数，观察处理结果。
(5) 打印全部结果并进行讨论。
下面是使用sobel算子对图像进行分割的MATLAB程序 f=imread('room.tif');
[gv,t1]=edge(f,'sobel','vertical');%使用edge函数对图像f提取垂直边缘 imshow(gv)
[gb,t2]=edge(f,'sobel','horizontal');%使用edge函数对图像f提取水平边缘 figure,imshow(gb)
w45=[-2 -1 0;-1 0 1;0 1 2];%指定模版使用imfilter计算45度方向的边缘 g45=imfilter(double(f),w45,'replicate'); T=0.3*max(abs(g45(:))); %设定阈值 g45=g45>=T; %进行阈值处理 figure,imshow(g45);
在函数中使用'prewitt'和'roberts'的过程，类似于使用sobel边缘检测器的过程。
第 2 页 共 11 页
三、实验结果及结果分析
1.边缘检测
(1)使用Roberts 算子的图像分割实验 实验结果：
g45g135(1)欧几里得距离计算梯度模(1)欧几里得距离计算梯度模二值化(2)街区距离计算梯度模(2)街区距离计算梯度模二值化
图4. Roberts 算子的图像分割
实验结果分析：
Roberts 算子利用局部差分算子寻找边缘，边缘定位精度比较高，但容易丢失一部分边缘，同时由于图像没经过平滑处理，因此不具备抑制噪声能力。该算子对具有陡峭边缘且噪声少的图像效果较好。
(2)使用Prewitt 算子的图像分割实验 实验结果：
第 3 页 共 11 页
g45g135(1)欧几里得距离计算梯度模(1)欧几里得距离计算梯度模二值化(2)街区距离计算梯度模(2)街区距离计算梯度模二值化
图5 .Prewitt 算子的图像分割
实验结果分析：
Prewitt 算子先对图像做加权平滑处理，然后再做微分运算，所不同的是平滑部分的权值有些差异，因此它们对噪声有一定的抑制能力。
(3)使用Sobel 算子的图像分割实验 实验结果：
g45g135(1)欧几里得距离计算梯度模
(1)欧几里得距离计算梯度模二值化第 4 页 共 11 页
(2)街区距离计算梯度模(2)街区距离计算梯度模二值化(1)欧几里得距离计算梯度模(1)欧几里得距离计算梯度模二值化(2)街区距离计算梯度模(2)街区距离计算梯度模二值化
图6. Sobel 算子的图像分割
实验结果分析：
Sobel 算子和Prewitt 算子一样，都是先对图像做加权平滑处理，然后再做微分运算，因此它们对噪声有一定的抑制能力。比较实验结果可以发现，Sobel 算子比Prewitt 算子在噪声抑制方面略胜一筹，但不能排除检测结果中出现的虚假边缘。虽然这两个算子边缘定位效果不错，但检测出的边缘容易出现多像素的宽度。
(4)使用LoG (拉普拉斯-高斯)算子的图像分割实验 实验结果：
gvgbg45
图7. LoG (拉普拉斯-高斯)算子的图像分割
实验结果分析：
拉普拉斯算子，它是无方向的二阶微分算子，对图像中的阶跃型边缘定位准确，该算子对噪声非常敏感，它使噪声成分得到加强。这两个特性使得该算子容易丢失一部分边缘的方向信息，造成一些不连续的检测边缘。
LoG算子，该算子克服了拉普拉斯算子抗噪声性能比较差的缺点，但是在抑制噪声的同时也可能将原有的比较尖锐的边缘平滑掉了。
(5) 打印全部结果并进行讨论。
第 5 页 共 11 页