《毕业设计（论文）基于图像处理的细胞面积研究.doc》由会员分享，可在线阅读，更多相关《毕业设计（论文）基于图像处理的细胞面积研究.doc（37页珍藏版）》请在三一办公上搜索。
1、 学院新闻 学院公告 新闻专题 学院简介 学院领导 机构设置 师资力量 规章制度 本科生教育 硕士生教育 课程建设 招生信息 教学工作 科学研究 党团工作 实践实训 就业信息 下载中心 基于图像处理的细胞面积研究摘 要： 随着科学技术的日益发展，数字图像处理与分析技术已经在科学研究，工农业生产，医疗卫生等诸多的领域得到了非常广泛的应用。本论文主要讨论数字图像处理在医学领域中的一项具体应用，即基于数字图像处理的细胞面积研究。通过对所采集的原始细胞图像进行一系列处理，使图像呈现更好的显示效果，从而便于研究。实验表明，该方法适用范围较广，能有效的减小计算误差，提高准确率和精确度。关键词： 细胞图像采
2、集，图像预处理，图像边缘提取，面积计算 ABSTRACTWith the increasing development of science and technology, digital image processing and analysis technology has been widely used in scientific research, industrial and agricultural production, health and many other areas. This thesis mainly discuss digital image processin
3、g, a specific application in the field of medicine, which is based on the digital image processing cell area research. Through the acquisition of the primitive cells image by a series of processing, it makes a better image rendering display, making it easy to study. Experiments show that the method
4、is suitable for a wider scope, which can effectively reduce the calculation error, increase the accuracy and precision.Keywords：Cell image acquisition, Image preprocessing, Edge extraction, Area calculation.目 录1.绪论11.1课题研究目的及意义11.2国内外对本课题涉及问题的研究现状12研究方法与研究内容12.1 研究方法12.2研究内容23课题设计思路23.1设计前提23.2 设计难点
5、33.2.1 细胞图像的模糊性和不均匀性33.2.2 细胞面积的高精度计算33.3设计思路框图44 课题设计与实现44.1图像的预处理44.1.1图像的灰度化44.1.2点处理64.1.3平滑滤波94.2图像的特征提取124.2.1方案一124.2.2方案二164.3 对二值图像的处理174.3.1补空心区域184.3.2 残留噪音斑点的消除234.4细胞面积的测定255实验总结265.1 方法评价265.2 实验误差分析26参考文献28致 谢29附 录301.绪论1.1课题研究目的及意义我们知道图像是人类获取和交换信息的主要来源，那么如何高效率的获取图像信息呢？这就需要应用图像处理技术。图像
6、处理技术是指对图像进行一系列的操作以达到预期目的的一种技术。目前图像处理技术在许多领域都有广泛的应用，包括生物医学，工业军事，通信等。本课题主要是利用图像处理技术对细胞面积进行研究，该研究不但使我们对图像处理技术有了进一步的认识，而且也有利于我们提出更加有效，精确的面积计算方法，具有一定的现实意义。1.2国内外对本课题涉及问题的研究现状目前，针对细胞图像处理技术根据需求的不同出现了两种思路：一种是追求高精确度。另一种则是追求高效率。国际上对细胞面积测定的主要方法主要有仪器测定，系数法，回归方程法和基于图像处理法等方法。但由于数字图像处理发展历史并不长，因此还没有一套固定的标准框架，这就需要我们
7、对图像处理技术做进一步的研究和完善。2研究方法与研究内容2.1 研究方法本论文主要利用数字图像处理手段，对细胞图像进行一系列的图像处理，例如图像的灰度化，直方图均衡，平滑滤波等，从而提高图像质量，并提取出所要研究的重点对象，实现细胞面积的高精度计算。2.2研究内容主要研究内容包括以下几个方面：细胞图像的采集、细胞的图像处理以及细胞面积的测定。其中，细胞图像的处理过程是本课题研究的重点与难点。对细胞图像的处理过程主要包括以下几方面的内容：图像的预处理部分，图像特征提取部分以及细胞面积测定部分。3课题设计思路3.1设计前提3.1.1 研究对象：全彩色医学细胞图片。其图片即图片信息如下：3.1.2
8、实验平台：MATLAB7.13.2 设计难点3.2.1 细胞图像的模糊性和不均匀性医学细胞图像与普通图像相比在本质上具有一定的模糊性和不均匀性，这些特征主要表现在以下几个方面:首先是医学图像具有灰度上的模糊性。统一组织中图像的灰度值会出现一定的变化，另外，由于成像机理以及技术上的原因，图像中的噪声信号往往模糊了物体边缘的高频信号，造成图像的模糊效应。其次是局部效应。医学图像的边缘，拐角以及区域间的关系难以精确描述，其边缘无法明确确定。3.2.2 细胞面积的高精度计算 由于细胞图片在拍摄过程中所遇到的光线问题，噪声等问题，使得细胞图片即使经过一系列的图像处理后，仍然存在一些问题，即仍然有好部分噪
9、音存在（非细胞的微小颗粒），或者个别细胞图像自身在处理过程中被损坏。以上几各方面都给我们的细胞面积分析造成了很大的影响，而如何解决这些不可避免的问题就是该课题的一大难点。3.3设计思路框图4 课题设计与实现4.1图像的预处理为增强数据的可视化效果，通常要对数据进行各种处理，以得到更好的显示效果。预处理操作的目的是消除图像数据中的噪声，提高图像质量，增强纹理效果，突出图像所要研究的主体部分。细胞图像的预处理部分主要包括：灰度化，点处理，平滑滤波等操作。4.1.1图像的灰度化RGB模型是目前常用的一种彩色信息表达方式，它使用红、绿、蓝原色来定量表示颜色，该模型也称为加色混色模型，其混色效果图如图1
10、所示。而HSI模型则是用H（色度）、S（饱和度）、I（强度或亮度）三个参数来描述颜色特征的，如图1所示。由于这种颜色描述更加自然和直观，因此它在图像处理领域被广泛应用。而我们所说的灰度化就是通过将RGB模型转化成HSI模型实现的。二者之间的转换关系为：I=1/3(R+G+B)当R=G=B时，图像就是灰度图像，欣慰R,G,B，的取值范围为0255，因此，灰度图像的灰度级有256级，也就是说灰度图像只可以表示出256个颜色（灰度）。对于本论文所研究的课题而言，我们主要是对细胞面积进行分析和研究，关键在于准确的对其细胞轮廓进行提取，因此我们通常将彩色图像转化为灰度图像，既便于分析研究，又节省了存储空
11、间。图1原始细胞图像为：处理后处理后的灰度图像如下：4.1.2点处理 我们所说的点处理是通过变换亮度值（灰度值）来实现的，也就是指将输入图像中某点（x,y）的像元值f(x,y)，通过映射函数T（ ） ，映射成输出图像中的元值g(x,y)，即g(x,y)=T(f(x,y)，根据映射方式的不同，点处理的方法可以分为灰度变换和直方图调整。其中，灰度变换可以增大图像的动态范围，同时也能扩展其对比度，使图像更加的清晰。而直方图调整能更好的使图像的细节清晰，突出一些目标，从而达到增强图像的目的。直方图调整方法以概率作为基础，通过改变直方图的形状来增加图像的对比度。常见的直方图调整方法有两种：直方图均衡化和
12、直方图规定化。本课题采用直方图均衡化来处理图像。直方图均衡化是指将一已知灰度图像概率密度分布的图像转化成具有均匀灰度概率密度分布的新图像，最终增强图像的整体对比度。为了改变图像整体偏暗或整体偏亮，再或灰度层次不丰富的情况，可以将原图的直方图通过变换函数修正为均匀的直方图，使其不再偏于低端或高端，形成较为均匀的分布，这称之为直方图均衡化技术。设r和s分别表示原始图像灰度级【1】和经过直方图均衡化以后的图像灰度级。理想情况下，对r和s进行归一化，使：，归一化后，灰度级分布在范围内。可以对【0,1】区间内的任意r值进行如下变换：，也就是说，变换后每个原始图像的像素灰度值r都对应产生一个s值。变换函数
13、应满足以下条件： 在的区间内，T（r）的值单调增加； 对于，有。这里的第一个条件保证了图像的灰度级从白到黑的次序不变。第二个条件保证了映射变换后的像素灰度值在允许的范围内。从s到r的反变换可表示为，由概率理论理论可知，若已知随机变量r的概率密度为，而随机变量s是r的函数，即s=T(r)，则s的概率密度可由求出。由于直方图的物理意义是属于某灰度r所包含的像素总数，故某一段直方图表示了该段灰度范围所包含的像素总数应等于其单调函数一一映射变换到新一段s灰度后所包含的像素总数，故有：等式两边对s求导：均衡化直方图要求为常数，可令：有，积分有：。上式右边为的累积分布函数。它表明当变换函数为r的累积分布函
14、数时，能达到直方图均衡化的目的。上面的修正方法是以连续随机变量为基础进行讨论的。为了对图像数字进行处理，需引用离散形式的公式：设一幅图像的像元数为n,共有l个灰度级，代表灰度级为r的像元的数目，则第k个灰度级出现的概率可表示为：而上述T(r)可改写为：式中，可见，均衡化后个像素的灰度值可直接有原图的直方图算出。处理后的图像如下：由图可以看出，利用累积分布函数作为灰度变换函数所实现的直方图变得平坦很多，而且其动态范围也也大大的扩展了。因此，该直方图均衡化处理操作是很有效的。4.1.3平滑滤波众所周知，对于任何衣服我们所采集的细胞原始图像，都会不可避免的在图像获取和传输的过程当中受到各种噪声的影响
15、而在背景区域留下“噪音”。因此，为了提高图像质量，便于分析研究，我们需要对这些“噪音”进行处理，这就需要对图像进行平滑滤波操作。其优点在于既可以消除性这些随机噪声又不会使图像的边缘轮廓和线条变得模糊不清。常用的平滑滤波有两种，分别为均值滤波和中值滤波。均值滤波又称作局部平滑法或邻域平均法，它是一种直接在空间与上进行平滑的技术。大部分图像噪声对某一像素的影像一般可以被认为是孤立的，因此与邻近个像素相比，该像素的灰度值会有明显的差异。据此，可以用均值法来平滑噪声。在图2中，f（x,y）表示点（x,y）的实际灰度值，以它为中心取一个N*N的窗口，一般N取奇数（这里N=3），窗口内像素组成的集合用A表
16、示，经过邻域平均法滤波后，像素（x,y）的对应输出g(x,y)为：图像邻域平均法【2】的算法简单，计算速度快。它的平滑效果与所用的半径有关，如图3。半径越大，平滑效果越好，但图像的模糊程度也就越大，特别是图像的边缘不清晰。为了尽可能的减少这种模糊失真，我们引入了平滑处理的另一种方法中值滤波法。中值滤波的优势在于它在消除噪声的同时还能保持图像中的细节部分，防止边缘模糊。中值滤波法是基于排序统计理论的一种能高效抑制噪声的非线性图像处理技术，其原理与邻域平均法类似，但计算的不是加权求和，而是将临域中的图像的像素按照灰度级进行排序，然后选择改组的中间值作为输出像素值。这种方法权衡来平滑噪声和保持边缘清
17、晰之间的矛盾，是较为理想的方法。设二维图像信号，中值滤波的数学表达式为式子中，N为自然数集，W为截取图像的窗口，可以有不同的形式，通常为线段窗，方形窗，圆形窗等。中值滤波就是用一个N*N窗口( )在图像上滑动，将窗口中像素的灰度值按升序（或降序）排列，则排列在最中央的灰度值既可作为窗口中心所在像素的灰度值。以图4为例，是一个3*3窗口内的某幅图像的一部分，共9个像素。其中心像素的灰度值为208，按灰度值升序排列得到205 207 208 209 210 211 212 213 215，可知灰度中间值为210，用它取代窗口中心像素的灰度值208，结果如下：在实际使用窗口时，窗口的尺寸通常从3*3
18、开始逐渐增大，稚到货的较为满意的滤波效果为止。利用不同模板进行平滑处理后的图像结果如下：从图中各模板的效果对比可知5*5模板处理后的图片效果最佳且在误差允许范围内没有失真，因此我们选择该模板进行平滑处理。4.2图像的特征提取对于图像的特征提取有两种方案：一种方案是先利用边缘检测算子的方法对先前处理过的灰度图像进行边缘检测，再对其进行二值化处理。另一种方案则是先将处理过的灰度图像二值化，再对其进行后续操作。4.2.1方案一（1） 边缘检测：边缘检测的实质是采用某种算法来提取出图像中对象与背景的交界线。首先我们要明确边缘的含义，所谓边缘是指图像中灰度发生急剧变化的区域边界。而其灰度变化情况可以用图
19、像灰度分布的梯度来反映，因此我们可以用局部图像为分技术来获得边缘检测算子【3】。设：为图像的梯度，中包含局部灰度变化信息。记：为梯度的幅度，可以用作边缘检测算子，为了方便进行计算，可以简单记作：。以这些理论为依据，我们提出了许多算子。其中比较常用的算子有：Sobel边缘检测算子，Roberts边缘检测算子，Prewitt 边缘检测算子，LOG算子和Canny算子。 Sobel边缘检测算子：对数字图像的每个像素，考察它上下左右邻点灰度的加权差【4】，与之接近的邻点的权大。据此，定义该算子如下：卷计算子为：适当选取门限TH，并作如下判断：如果R(i,j)TH,则(i,j)为阶跃状边缘点，R(i,j
20、)为边缘图像。Sobel算子很容易在空间上实现，这种方法不仅能产生较好的边缘检测效果，而且受噪声的影响也很小。当使用大的邻域时，抗噪性也会更好。 Roberts边缘检测算子该算子根据任意一对相互垂直方向上的差分可用来计算梯度【6】的原理，采用对角线方向相邻两像素之差，即：有了之后，可以根据侠士计算出该算子的梯度幅度值： 或它们的卷积算子为：适当选取门限TH，并作如下判断：若，则为阶跃状边缘点，为边缘图像。Roberts算子采用对角线方向相邻两像素之差近似梯度幅值检测边缘。对噪声敏感。 Prewitt边缘检测算子该算子是一种边缘样板算子。这些算子样板由理想的边缘子图像构成。依次用边缘样板去检测图
21、像，与被监测区域最为相似的样板给出最大值。这个最大值作为算子的输出值P（i,j），这样可经边缘像素检测出来。定义算子模板如下：8个算子样板所对应的边缘方向如下图所示：适当选取门限TH，并作如下判断：如果P（i,j）TH，则（i,j）作为阶跃状边缘点， P（i,j）为边缘图像。经过几种不同算子处理过后的图像如下：观察效果可知Sobel边缘检测算子，Prewitt边缘检测算子和LOG边缘检测算子处理过后的图像效果相对较好。这里我们选择Sobel边缘检测算子进行后续实验。（2） 图像的二值化：为了可以更加清楚的得到细胞图像的边缘以及更准确的获取图像边缘的数据，我们需要将图像的目标和背景分割开来。常用
22、的图像分割方法是把图像灰度分成不同的等级，再用设置阀值的方法来确定有意义的区域或分隔物体的边界。普遍应用的阀值化处理就是图像的“二值化处理”，即将图像转化为黑白二值图像。处理后的图像如下：观察处理后的图像可以看出，使用该方案处理的图像整体效果可以识别，但单个细胞图像的轮廓提取效果并不好。4.2.2方案二（1）二值化：方法同上，处理后图像为：从该处理后的二值图像上来看，细胞边界比较清晰，所含噪声也较小。处理后的整体效果较为理想。通过对比以上两个方案不难看出，方案二的处理效果较为理想。因此选择方案二处理后的细胞图像进行后续操作。4.3 对二值图像的处理经过上述一系列的处理，我们最终得到了上述的二值
23、图像，虽然对于图片本身来说，处理的效果已经较为理想，但对于本课题来说还存在着一些问题。如下图所示，一方面是图像处理后所造成的部分细胞图像中心缺失，也就是下图红色区域的孔洞，这些红色区域是细胞本身的一部分，因此我们首先要想办法将其补上，才能进行细胞面积的计算。另一方面就是图像处理后仍然残留的噪声，如下图蓝色线圈出的部分，它并不属于细胞，因此应想办法将该斑点去掉，否则在计算中将会产生很大的误差。因此下面的工作主要围绕解决这两方面问题而进行。4.3.1补空心区域对该问题的处理方案主要有两个，一种方案是利用二值图像的膨胀，以达到填充缺失的中心区域的目的。另一种方案则是利用细胞面积筛选的方法。4.3.1
24、.1 二值图像膨胀法:膨胀是与腐蚀对立存在的一种基本的形态学运算，主要真对二值图像中像素值为1的部分（白色区域）操作的。其中腐蚀是消除物体的所有边界点的一种过程。而膨胀则恰恰相反，它是将与某物体接触的所有背景点合并到该物体中的过程。过程的结果是使物体的面积增大了相应数量的点。如果物体是圆的，它的直径在每次膨胀后增大两个像素。如果两个物体在某一点相隔少于3个像素，它们将在该点连通起来（合并成一个物体）。膨胀在填补分割后物体中的空洞很有用。一般膨胀定义为：也就是说，S对B膨胀产生的二值图像D是由这样的点（X,Y）组成的集合，如果S的原点位移到（X,Y），那么它与B的交集非空。采用基本的3*3构造元
25、素时，一般膨胀简化为简单膨胀。腐蚀与膨胀对比如下图：利用MATLAB处理步骤如下：首先用命令将原图取反，处理后的图像为：然后对其进行膨胀运算，处理后的图像为：由图可以看出，一部分小的孔洞已经补上，而较大的孔洞也相应减小，同时也不可避免的，细胞外围也产生膨胀，这也是该方法的一个缺点，但若是在误差允许范围内也是可取的。因此是否采用该方法还需要在计算面积的过程中再评判。当然，也可以连续使用两次膨胀运算来填充孔洞，但很显然该方法会产生很大误差和失真，故不建议采用。下面我们计算一下该方法所产生的误差大小：在MATLAB下利用命令段：可以计算出膨胀前后的面积变化（像素变化）如下：S1=3.4539e+00
26、4;S2=4.0725e+004;S3=6.1861e+003S4=0.1791=17.91%可以看出选用此方法所进行的面积计算在膨胀后增加了6186.1个像素，即增加了17.91%，这部分包含两部分，一部分为外围膨胀值，属于无用功；另一部分为内部膨胀值，属于有用功。因此实际的面积增加值相对实际值来讲小于17.91%，从理想角度可大胆假设为实际增加了9%。可以看出，尽管如此这种由细胞面积所带来的计算误差仍旧很大。4.3.1.2 面积筛选法从图中我们可以看出像素值为1的部分（白色区域）的面积主要由两大部分组成，一部分为细胞所包围的孔洞区域即为下图所示的黄色区域，另一部分为细胞外围的区域，即为下图
27、中所示的粉色区域这部分白色区域均为连通的。该方法的设计思路是通过观察这两部分的面积对比可知，它们的面积相差很大，因此可以利用面积筛选的方法，去除图像中面积过小的部分，利用命令将面积较小的黄色区域面积筛选掉，筛选掉的部分像素值置0，即有白色变为黑色。通过实验容易知道筛选临界值取124较为合适。处理后的细胞图像如下图所示：观察处理后图片，利用该方法处理的细胞图像效果非常好，所有的孔洞均被填充满，而且在面积计算角度上来说不会产生细胞大小的变化，从而也就不会产生这方面的误差。比较上述两种方案，可以很快看出方案二较为理想，不但处理效果理想，而且基本不会产生误差。因此我们采用方案二进行后续的操作。4.3.
28、2 残留噪音斑点的消除通过观察可以看出该细胞的残留噪音斑点只有一个，同样的，我们可以采用面积筛选的方法来剔除该斑点。先取反，处理后的图像如下：再利用面积筛选法剔除斑点，处理后的细胞图像如下：从图像对比可知，该方法成功的将斑点剔除掉了。 至此，对图像的所有处理已经基本完成了。最终得到的细胞图像也基本符合要求，较为理想。这为后续的细胞面积计算带来了较大便利。4.4细胞面积的测定在MATLAB下利用命令计算图像中细胞总面积（总像素）为：35562个像素。接下来进行喜报个数统计，如下图所示，完整细胞个数：29个1/2细胞图像：4个 1/2细胞图像个数：4个1/2细胞图像个数：8个故根据以上统计结果，计
29、算出细胞总个数约为：37个最终计算出图像中每个细胞的平均面积（像素值）为：3556237=961.1351该像素值即为细胞图像中平均每个细胞的像素值。至此，对细胞面积的计算已经全部完成。5实验总结5.1 方法评价本课题的目的是计算出细胞图片中细胞的面积平均值，面积的计算方法有很多，例如仪器测定法，回归方程法等，而本论文采用的方法是基于数字图像处理的细胞面积测定。应用图片处理的手段将细胞图片进行一系列转化，使其不断向有利于面积计算的方向靠近。这种通过处理图片从而实现面积统计的方法处理速度较快，准确率较高，目的性很强，通过本论文中的一系列实验验证，该方法具有可操作性和一定的实用性。当然，这种方法也
30、存在一定的缺陷，就是针对性较强，即应用范围不够广。由于图片间的差异，使得每一种处理操作后所达到的效果不同，而该论文中所用到的图像处理方法很大程度上是基于上一步操作的结果而定的，因此该方法具有一定的局限性，要视具体图片而选择具体的每步操作。5.2 实验误差分析我们知道，任何一种实验或多或少都会存在一定的误差，本实验也不例外。对于本实验来说误差的来源主要有以下几个方面：（1）原始图片本身的误差。由于光线，噪声，仪器自身精确度等原因，使得原始细胞图片在采集的过程中就已经产生了一定的失真。（2）图片处理过程中的误差。该实验对图片进行了多步的图片处理，不可避免的会在步骤当中产生一定的误差（3）面积计算过
31、程中的误差。这部分误差主要来自两方面，一方面是用MATLAB命令计算细胞总面积时所产生的误差。另一方面是喜报个数统计过程中的误差。虽然实验过程中伴随着一定的误差，但在误差允许的范围内，该实验的准确率还是很高的，而且应用图像处理技术进行细胞面积研究的这种方法也是可行的。 参考文献【1】龚声蓉，刘纯平，王强等 数字图像处理与分析 北京 清华大学出版社2006年7月【2】汤乐民，丁斐生物科学图像处理与分析北京 科学出版社 2005年【3】贺兴华，周媛媛，王继阳等 MATLAB7.X数字图像处理北京 人民邮电出版社 2006年11月【4】杨杰，黄朝兵 数字图像处理及MATLAB实现北京 电子工业出版社
32、2010年2月【5】于殿泓图像检测与处理技术 西安 西安电子科技大学出版社 2006年12月【6】王洪元，石澄贤，郑明芳等MATLAB语言及其在电子信息工程中的应用 北京 清华大学出版社 2004年12月【7】景振毅，张泽兵MATLAB7.0实用宝典北京 中国铁道出版社 2008年12月【8】张鑫基于数字图像处理的植物叶面积测定方法的研究 硕士学位论文致 谢在整个毕业设计的过程中，我得到了许多的帮助：首先我要感谢李向群老师从论文选题到论文的写作过程中所给予我的真诚的鼓励、中肯的建议和悉心的指导。其次还要感谢我的同学在整个论文写作过程中所给予我的帮助和支持。最后感谢所有在大学四年里教过我的老师们
33、，特别是专业课的老师们。虽然我的毕业设计仍存在着许多不足，但我愿意虚心的去完善，也衷心的希望老师们给予修改建议。最后，再次向帮助过我的老师和同学呈上我最诚挚的谢意。 附 录实验源程序PICTORE=imread(c6.bmp);figure,imshow(PICTORE);I=rgb2gray(PICTORE);%灰度化figure,imshow(I);M=16;H=histeq(I,M);%直方图均衡figure,subplot(2,2,1),imshow(I,)subplot(2,2,2),imshow(H,),hold onsubplot(2,2,3),hist(double(I),16
34、),subplot(2,2,4),hist(double(H),16)figure,subplot(2,2,1),imshow(I);subplot(2,2,2),imshow(H)K1=medfilt2(H,3,3);%3*3模板的平滑K2=medfilt2(H,5,5);K3=medfilt2(H,7,7);figure,subplot(2,2,1),imshow(H);subplot(2,2,2),imshow(K1)subplot(2,2,3),imshow(K2)subplot(2,2,4),imshow(K3)A=im2bw(K2);%二值化figure,imshow(A);C=n
35、ot(A);%取反figure,imshow(C);B1=bwmorph(C,dilate);%膨胀运算figure,imshow(B1);S1=bwarea(C)%处理前细胞面积（不含内孔）S2=bwarea(B1)%处理后细胞面积（不含内孔）S3=bwarea(B1)-bwarea(C)%膨胀运算增加的面积S4=(bwarea(B1)-bwarea(C)/bwarea(C)%膨胀运算增加的面积百分比B0=bwareaopen(A,124);%去除图像中面积过小的-补孔figure,imshow(B0);b0=not(B0);%取反figure,imshow(b0);b1=bwareaope
36、n(b0,124);%去除图像中面积过小的-去斑点figure,imshow(b1);S0=bwarea(b1)%计算面积 方案一程序:PICTURE=imread(c6.bmp);I=rgb2gray(PICTURE);M=16;H=histeq(I,M);K2=medfilt2(H,5,5);B1=edge(K2,sobel);%不同算子下的边缘提取B2=edge(K2,roberts);B3=edge(K2,prewitt);B4=edge(K2,log); B5=edge(K2,canny);figure,subplot(2,3,1),imshow(B1)%选择它subplot(2,3,2),imshow(B2)subplot(2,3,3),imshow(B3)subplot(2,3,4),imshow(B4)subplot(2,3,5),imshow(B5)A=im2bw(B1);figure,imshow(A)
