目录
1.基本图像导入、处理和导出
2.实战项目一：利用imfindcircles（）函数检测和测量图像中的圆形目标
3.实战项目二：图像增强（预处理）统计米粒
4.实战项目三：利用Sobel算子进行裂纹检测
1.基本图像导入、处理和导出
Basic Image Import, Processing, and Export- MATLAB & SimulinkThis example shows how to read an image into the workspace, adjust the contrast in the image, and then write the adjusted image to a file.https://www.mathworks.com/help/releases/R2021b/images/image-import-and-export.html以下是输入的缺陷检测图片1.jpg（左），和经过histeq（直方图均衡使强度值扩展分布到了图像的完整范围内）函数提高对比度的2.jpg（右）。
I = imread("1.jpg");
whos I % 使用 whos 命令，检查 imread 函数如何在工作区中存储图像数据。
% 调用 imhist 函数创建直方图。
% 请在调用 imhist 之前使用 figure 命令，这样直方图就不会覆盖当前图窗窗口中显示的图像 I。
imhist(I)
I2 = histeq(I); % 使用 histeq 函数提高图像的对比度
imshow(I2)
imwrite(I2, '2.jpg'); % 使用 imwrite 函数，将刚刚经过调整的图像 I2 写入磁盘文件
imfinfo('2.jpg') % imfinfo 函数返回文件中图像的相关信息
2.实战项目一：利用imfindcircles（）函数检测和测量图像中的圆形目标
Detect and Measure Circular Objects in an Image- MATLAB & Simulink ExampleThis example shows how to automatically detect circular objects in an image and visualize the detected circles.https://www.mathworks.com/help/releases/R2021b/images/detect-and-measure-circular-objects-in-an-image.htmlimfindcircles()使用基于圆形 Hough 变换 (CHT) 的算法在图像中寻找圆形。之所以使用这种方法，是因为当存在噪声、遮挡和变化的光照条件时该方法表现稳健。
有关imfindcircles()的详细信息，请参阅帮助文档：
Find circles using circular Hough transform - MATLAB imfindcirclesThis MATLAB function finds the circles in image A whose radii are approximately equal to radius.https://www.mathworks.com/help/releases/R2021b/images/ref/imfindcircles.html本项目旨在演示调参来寻求圆目标的过程。
rgb = imread('coloredChips.png');
imshow(rgb)
% 此段代码是为了清楚对象是比背景亮还是比背景暗，输出灰度图片看一看
% gray_image = rgb2gray(rgb);
% imshow(gray_image)
% 此段代码用来确定imfindcircles函数里的radiusRange，测出来应该是[25 30]
% d = drawline; % 画一条线，大致画出圆的直径
% pos = d.Position % 线的位置
% diffPos = diff(pos); % 各行之间的一阶差分，也就是delta x和delta y
% diameter = hypot(diffPos(1),diffPos(2)) % 平方和的平方根（斜边）
% 这里开始找圆，用的是imfindcircles()函数
% 背景相当亮，大多数塑料片比背景暗，将参数 'ObjectPolarity' 设置为 'dark' 以搜索较暗的圆。
% imfindcircles 有两种不同寻找圆的方法：默认方法（称为相位编码方法）/两阶段方法，这里指定使用两阶段方法
% 两种方法都能准确找到部分可见（遮挡）塑料片的中心和半径。
[centers,radii] = imfindcircles(rgb,[25 30],'ObjectPolarity','dark', ...
'Sensitivity',0.92,'Method','twostage');
% 注意到黄色圆都没有被检测到
% 与背景相比，黄色塑料片的强度几乎相同，甚至更亮。因此，要检测黄色塑料片，'ObjectPolarity' 改为 'bright'。
% [centersBright,radiiBright] = imfindcircles(rgb,[25 30], ...
% 'ObjectPolarity','bright','Sensitivity',0.95)
% 找到了三个原先未检测到的黄色塑料片，但仍有黄色塑料片未检测到
% 要查找圆，imfindcircles 仅使用图像中的边缘像素。这些边缘像素基本上是具有高梯度值的像素。
% 'EdgeThreshold' 参数控制像素的梯度值必须有多高，才能将其视为边缘像素并包含在计算中。
% 该参数的高值（更接近 1）只允许包含强边缘（较高梯度值），而低值（更接近 0）的宽容度更高，可在计算中包含较弱的边缘（较低梯度值）。
% 对于检测不到黄色塑料片的情况，是因为对比度低，一些边界像素（在塑料片的圆周上）预期具有低梯度值。因此，请降低 'EdgeThreshold'。
[centersBright,radiiBright,metricBright] = imfindcircles(rgb,[25 30], ...
'ObjectPolarity','bright','Sensitivity',0.95,'EdgeThreshold',0.1);
imshow(rgb)
hBright = viscircles(centersBright, radiiBright,'Color','b'); % 蓝色画出
h = viscircles(centers,radii); % 红色画出
3.实战项目二：图像增强（预处理）统计米粒
本案例说明如何在分析前的预处理步骤增强图像。例如校正背景亮度不均匀问题，并将图像转换为二值图像，以便于识别前景对象（单个米粒）。然后分析对象，例如计算每粒大米的面积，并计算图像中所有对象的统计量。
关于形态学图像处理的知识（strel腐蚀和imopen形态学开操作），可参考冈萨雷斯的数字图像处理第9章和以下资料：
形态学运算与仿真：图像处理中形态学操作的简单解释 - 知乎 (zhihu.com)https://zhuanlan.zhihu.com/p/628780157
简而言之，形态学运算包括膨胀、腐蚀、开运算、闭运算等。其中：
- 膨胀操作可以将图像中的物体变大，使它更加连通；
- 腐蚀操作则可以将图像中的物体变小，使它更加细化；
- 开运算可以去除噪声，平滑图像的边缘；
- 闭运算可以填补图像中物体的孔洞。
这里应用strel腐蚀和imopen形态学开操作，目的是得到背景。
经过预处理得到图像的二值版本，然后利用bwconncomp（）在二值图像中查找所有连通分量（对象）得到所有米粒的信息。最后展示了经过预处理后的图片和米粒面积的直方图：
I = imread('rice.png');
% imshow(I)
% strel 对象表示一个平面形态学结构元素，该元素是形态学膨胀和腐蚀运算的重要部分。
se = strel('disk',15);
% 开操作Open先对图像进行腐蚀操作，然后再进行膨胀操作的组合过程，可以用于消除小的物体或细节，并且可以平滑物体的边界
% 闭操作Close则相反，它是先对图像进行膨胀操作，然后再进行腐蚀操作的组合过程。可以用于填补小的空洞或裂缝，并且也可以平滑物体的边界。
% imopen执行形态学开操作，然后得到背景
background = imopen(I,se);
% imshow(background)
I2 = I - background;
% 默认情况下，imadjust 对所有像素值中最低的 1% 和最高的 1% 进行饱和处理。此运算可提高输出图像的对比度。
I3 = imadjust(I2);
bw = imbinarize(I3); % 使用 imbinarize 函数将灰度图像转换为二值图像
bw = bwareaopen(bw,50); % 使用 bwareaopen 函数去除图像中的背景噪声。
cc = bwconncomp(bw,4); % bwconncomp查找二值图像中的连通分量
% cc.NumObjects
labeled = labelmatrix(cc); % 使用 labelmatrix 根据 bwconncomp 的输出创建标签矩阵，将二进制图像中的连通分量标记为唯一的整数值。使用标签矩阵可视化不同的连通分量。
RGB_label = label2rgb(labeled,'spring','c','shuffle'); % 为了更容易区分不同的连通分量，使用label2rgb将标签矩阵显示为RGB图像，并对标签的颜色随机。
% imshow(RGB_label)
graindata = regionprops(cc,'basic'); % regionprops返回二值图像中每个8连通分量（对象）的属性集的测量值。
grain_areas = [graindata.Area];
histogram(grain_areas)
title('Histogram of Rice Grain Area')
4.实战项目三：利用Sobel算子进行裂纹检测
Sobel算子实现步骤：
1.首先需要两个方向（水平和竖直方向）的滤波核：
这是因为边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。所以通常说来图像中梯度较大的点代表着边缘。边缘检测方法分为两类：
- 基于搜索：利用一阶导数最大值检测边缘。通过寻找图像一阶导数中的最大值来检测边界，然后利用计算结果估计边缘的局部方向，代表算法是Sobel算子和Scharr算子。这是因为边缘附近的像素值会有明显突变，即变化最大，也就是一阶导数最大（实际操作中通常设置一个阈值）。那么找到最大的一阶导数也就找到了像素变化最大的点，即边缘点。
- 基于零穿越：利用二阶导数为0检测边缘。代表算法是Laplace算子。因为在一阶导数的基础上再求一次导，那么此时零点就是变化最大的点，即边缘点。
导数定义：
对于不连续的函数，一阶导数（一阶均差）可以写作：
所以有：，也就是后-前。
因此我们有：
x方向的梯度：拿后一列（下标j+1）减去前一列（下标j-1）:
y方向的梯度：拿后一行（下标i+1）减去前一行（下标i-1）:
写成卷积表达式就是：
梯度：
为计算方便起见，通常：
以上卷积核称为Prewitt算子。现在我们在计算梯度时引入加权平均，就构成了Sobel算子和Schar算子：
Sobel算子提高了4邻域的权重：
Schar算子能弥补Sobel内核为3时的误差:
以下是Sobel算子的代码实现（Matlab）：
%% 1.导入
img=imread("2.png");
[x,y,z]=size(img);
img=im2double(img); % 数据类型转化uint8-->double，uint8类型参与运算容易溢出
if(z==3) % rgb-->gray
img_gray=(img(:,:,1).*229+img(:,:,2).*578+img(:,:,3).*114)./1000;
end
%% 2.Sobel算子锐化
img_sobel=zeros(x,y);
img_sobelx=img_sobel;
img_sobely=img_sobel;
for i=2:x-1
for j=2:y-1
img_sobelx(i,j)=abs(img_gray(i-1,j+1)-img_gray(i-1,j-1)+2*img_gray(i,j+1)-2*img_gray(i,j-1)+img_gray(i+1,j+1)-img_gray(i+1,j-1));
img_sobely(i,j)=abs(img_gray(i-1,j-1)-img_gray(i+1,j-1)+2*img_gray(i-1,j)-2*img_gray(i+1,j)+img_gray(i-1,j+1)-img_gray(i+1,j+1));
end
end
img_sobel=img_sobelx+img_sobely;
for i=1:x
for j=1:y
if img_sobel(i,j)>0.3
img_sobel(i,j)=1;
else
img_sobel(i,j)=0;
end
end
end
figure(1)
imshow(img) % 原图
figure(2)
imshow(img_sobel) % 进行过Sobel之后的
%% 3.去噪
BW = bwareaopen(img_sobel,8);
figure(3)
imshow(BW)
%% 4.求连通分量，统计裂纹特征
cc = bwconncomp(BW,4);
labeled = labelmatrix(cc);
graindata = regionprops(cc,'basic');
grain_areas = [graindata.Area];
%% 5.画图
figure
histogram(grain_areas)
title('Histogram of Crack Area')
以下是用Canny算子检测的图像代码（Python）：
import cv2
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image
# 读取图像
img = cv2.imread('F:/2.png')
img_RGB = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 转成RGB方便后面显示
# 灰度化处理图像
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 高斯滤波
gaussianBlur = cv2.GaussianBlur(grayImage, (3, 3), 0)
# 阈值处理
ret, binary = cv2.threshold(gaussianBlur, 127, 255, cv2.THRESH_BINARY)
# Roberts算子
kernelx = np.array([[-1, 0], [0, 1]], dtype=int)
kernely = np.array([[0, -1], [1, 0]], dtype=int)
x = cv2.filter2D(binary, cv2.CV_16S, kernelx)
y = cv2.filter2D(binary, cv2.CV_16S, kernely)
absX = cv2.convertScaleAbs(x)
absY = cv2.convertScaleAbs(y)
Roberts = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)
# Prewitt算子
kernelx = np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]], dtype=int)
kernely = np.array([[-1, 0, 1], [-1, 0, 1], [-1, 0, 1]], dtype=int)
x = cv2.filter2D(binary, cv2.CV_16S, kernelx)
y = cv2.filter2D(binary, cv2.CV_16S, kernely)
absX = cv2.convertScaleAbs(x)
absY = cv2.convertScaleAbs(y)
Prewitt = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)
# Sobel算子
x = cv2.Sobel(binary, cv2.CV_16S, 1, 0)
y = cv2.Sobel(binary, cv2.CV_16S, 0, 1)
absX = cv2.convertScaleAbs(x)
absY = cv2.convertScaleAbs(y)
Sobel = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)
# Laplacian算子
dst = cv2.Laplacian(binary, cv2.CV_16S, ksize=3)
Laplacian = cv2.convertScaleAbs(dst)
# Canny算子
Canny = cv2.Canny(gaussianBlur, 50, 150)
## 显示图形
plt.imshow(Canny, cmap=plt.cm.gray)
plt.axis('off')
plt.savefig('F:/Canny.png', bbox_inches='tight', pad_inches=0)
plt.show()
文章来源：https://www.toymoban.com/news/detail-840915.html
1文章来源地址https://www.toymoban.com/news/detail-840915.html
到了这里，关于MATLAB：Image Processing Toolbox工具箱入门实战的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
