边缘检测时先要把其他格式图像转化为灰度图像
>> f=imread('lbxx.bmp');
>> a=rgb2gray(f);
>> [g,t]=edge(a,'canny');
>> imshow(g)
imread imfinfo colormap imshow subplot subimage imadd imsubtract immultiply imdivide
imresize imrotate(旋转)
imcrop剪贴
>> a=imread('onion.png');
>> b=imcrop(a,[75 68 130 112]);
>> subplot(121);imshow(a);
>> subplot(122);imshow(b);
roipoly选择图像中的多边形区域？？？？？？？？、>> a=imread('onion.png');
>> c=[200 250 278 248 199 172];
>> r=[21 21 75 121 121 75];
>> b=roipoly(a,c,r);
>> subplot(121);imshow(a);
>> subplot(122);imshow(b);
roicolor按灰度值选择的区域
>> a=imread('onion.png');
>> i=rgb2gray(a);
>> b=roicolor(i,128,255);
>> subplot(121);imshow(a);
>> subplot(122);imshow(b);
转化指定的多边形区域为二值掩膜poly2mask
>> x=[63 186 54 190 63];
>> y=[60 60 209 204 60];
>> b=poly2mask(x,y,256,256); >> imshow(b);
>> hold
Current plot held
>> plot(x,y,'b','LineWidth',2)
roifilt2区域滤波
a=imread('onion.png');
i=rgb2gray(a);
c=[200 250 278 248 199 172];
r=[21 21 75 121 121 75];
b=roipoly(i,c,r);
h=fspecial('unsharp');
j=roifilt2(h,i,b);
subplot(121),imshow(i); subplot(122),imshow(j);
roifill区域填充
>> a=imread('onion.png');
>> i=rgb2gray(a);
>> c=[200 250 278 248 199 172]; >> r=[21 21 75 121 121 75]; >> j=roifill(i,c,r);
>> subplot(211);imshow(i);
>> subplot(212);imshow(j);
FFT变换
f=zeros(100,100);
f(20:70,40:60)=1;
imshow(f);
F=fft2(f);
F2=log(abs(F));
imshow(F2),colorbar
补零操作和改变图像的显示象限
f=zeros(100,100);
f(20:70,40:60)=1;
subplot(121);imshow(f);
F=fft2(f,256,256);
F2=fftshift(F);subplot(122); imshow(log(abs(F2)))
离散余弦变换（dct）
>> a=imread('onion.png');
>> i=rgb2gray(a);
>> j=dct2(i);
>> subplot(131);imshow(log(abs(j))),colorbar >> j(abs(j)<10)=0;
>> k=idct2(j);
>> subplot(132);imshow(i);
>> subplot(133);imshow(k,[0,255]);
info=imfinfo('trees.tif')%显示图像信息
edge提取图像的边缘
canny prewitt sobel
radon函数用来计算指定方向上图像矩阵的投影>> a=imread('onion.png');
>> i=rgb2gray(a);
>> b=edge(i);
>> theta=0:179;
>> [r,xp]=radon(b,theta);
>> figure,imagesc(theta,xp,r);colormap(hot); >> xlabel('\theta(degrees)');
>> ylabel('x\prime');
>> title('r_{\theta}(x\prime)');
>> colorbar
imhist histeq
filter2均值滤波
>> a=imread('onion.png');
>> i=rgb2gray(a);
>> imshow(i)
>> k1=filter2(fspecial('average',3),i)/255;%3*3 >> k2=filter2(fspecial('average',5),i)/255;%5*5 >> k3=filter2(fspecial('average',7),i)/255;%7*7 >> figure,imshow(k1)
>> figure,imshow(k2)
>> figure,imshow(k3)
wiener2滤波
eg：k=wiener(I,[3,3]))
medfilt2中值滤波
同上
deconvwnr维纳滤波??????????
马赫带效应（同等差色带条）
减采样??????
>> a=imread('football.jpg');
>> b=rgb2gray(a);
>> [wid,hei]=size(b);
>> quarting=zeros(wid/2+1,hei/2+1); >> i1=1;j1=1;
>> for i=1:2:wid
for j=1:2:hei
quarting(i1,j1)=b(i,j);
j1=j1+1;
end
i1=i1+1;
j1=1;
end
>> figure
>> imshow(uint8(quarting))
>> title('4倍减采样')
>> quarting=zeros(wid/4+1,hei/4+1);
i1=1;j1=1;
for i=1:4:wid
for j=1:4:hei
quarting(i1,j1)=b(i,j);
j1=j1+1;
end
i1=i1+1;
j1=1;
end
>> figure,imshow(uint8(quarting)); title('16倍减采样')
结论：在采用不同的减采样过程中，其图像的清晰度和尺寸均发生了变化灰度级转化
>> a=imread('football.jpg');
>> b=rgb2gray(a);
>> figure;imshow(b)
>> [wid,hei]=size(b);
>> img2=zeros(wid,hei);
>> for i=1:wid
for j=1:hei
img2(i,j)=floor(b(i,j)/128);
end
end
>> figure;imshow(uint8(img2),[0,2]) %2级灰度图像
图像的基本运算
>> i=imread('football.jpg');
>> figure;subplot(231);imshow(i);
>> title('原图');
>> j=imadjust(i,[.3;.6],[.1 .9]);
%Adjust image intensity values or colormap图像灰度值或colormap调整
% J = IMADJUST(I,[LOW_IN; HIGH_IN],[LOW_OUT; HIGH_OUT]) >> subplot(232);imshow(j);title('线性扩展');
>> i1=double(i);i2=i1/255;c=2;k=c*log(1+i2);
>> subplot(233);imshow(k);
>> title('非线性扩展');
>> m=255-i;
>> subplot(234);imshow(m)
>> title('灰度倒置')
>> n1=im2bw(i,.4);n2=im2bw(i,.7);
>> subplot(235);imshow(n1);title('二值化阈值0.4')
>> subplot(236);imshow(n2);title('二值化阈值0.7')
图像的代数运算
加。减，乘法（获取感兴趣的区域）
imresize放大
a=imresize(I,2) %比例
a=imresize(I,[33 24]) %非比例
imrotate旋转
a=imrotate(I,45)
时域旋转多少度，频域也就旋转多少度
>> i=zeros(256,256);
>> i(88:168,124:132)=1;
>> imshow(i)
>> j=fft2(i);f=abs(j);j1=fftshift(f);figure;imshow(j1,[5 50]) >> j=imrotate(i,90,'bilinear','crop');
>> figure;imshow(j);
>> j1=fft2(j);f=abs(j1);j2=fftshift(f);
>> figure;imshow(j2,[5 50])
边缘检测
>> a=imread('kids.tif');
>> subplot(211);imshow(a);title('pri')
>> b=edge(a,'canny');subplot(212);imshow(b);title('by') >> figure,c=edge(a,'prewitt');imshow(c)
腐蚀和膨胀
>> a=imread('football.jpg');
>> subplot(231);imshow(a);
>> title('原灰度图像')
>> t=graythresh(a);
>> bw1=im2bw(a,t);
>> se1=strel('square',3);se2=strel('square',5);
>> bw2=imerode(bw1,se1);
>> subplot(232);imshow(bw2)
>> title('3*3腐蚀')
>> bw3=imdilate(bw1,se1);subplot(233);imshow(bw3);title('3*3膨胀') >> bw4=imerode(bw1,se2);subplot(234);imshow(bw4);title('5*5腐蚀') >> bw5=imdilate(bw1,se2);subplot(235);imshow(bw5);title('5*5膨胀')
log算子
>> x=-2:.06:2;
>> y=-2:.06:2;
>> sigma=.6;y=y';
>> for i=1:(4/.06+1)
xx(i,:)=x;
yy(:,i)=y;
end
>>
r=1/(2*pi*sigma^4)*((xx.^2+yy.^2)/(sigma^2)-2).*exp(-(xx.^2+yy.^2)/(sigma^2)); >> colormap(jet(16));mesh(xx,yy,r)
分水岭算法分割图像
>> f=imread('lbxx.bmp');
>> f=rgb2gray(f);subplot(221);imshow(f)
>> title('pri')
>> subplot(222);f=double(f);hv=fspecial('prewitt');hh=hv.';
>> gv=abs(imfilter(f,hv,'replicate'));
>> gh=abs(imfilter(f,hh,'replicate'));
>> g=sqrt(gv.^2+gh.^2);subplot(222);l=watershed(g);wr=l==0;
>> imshow(wr);title('分水岭')
>> f(wr)=255;subplot(223);imshow(uint8(f));title('(c)分割结果')
>> rm=imregionalmin(g);subplot(224);imshow(rm);title('（d）局部极小值')
区域生长法
彩色基础
>> rgb_r=zeros(512,512);
>> rgb_r(1:256,257:512)=1;
>> rgb_g=zeros(512,512);
>> rgb_g(1:256,1:256)=1;
>> rgb_g(257:512,257:512)=1;
>> rgb_b=zeros(512,512);
>> rgb_b(257:512,1:256)=1;
>> rgb=cat(3,rgb_r,rgb_g,rgb_b);
>> figure,imshow(rgb),title('rgb彩色图像')
将上题转化到HIS空间
模糊H分量，得到
rgb=imread('football.jpg');
rgb1=im2double(rgb);
r=rgb1(:,:,1);
g=rgb1(:,:,2);
b=rgb1(:,:,3);
i=(r+g+b)/3;
tmp1=min(min(r,g),b);
tmp2=r+g+b;tmp2(tmp2==0)=eps;
s=1-3.*tmp1./tmp2;
tmp1=.5*((r-g)+(r-b));
tmp2=sqrt((r-g).^2+(r-b).*(g-b));
theta=acos(tmp1./(tmp2+eps));
h=theta;
h(b>g)=2*pi-h(b>g);
h=h/(2*pi);
h(s==0)=0;
subplot(231);imshow(rgb);title('image')
subplot(232);imshow(h),title('h')
subplot(233);imshow(s),title('s')
subplot(234);imshow(i),title('i')
h1=filter2(fspecial('average',25),h)/255;
s1=filter2(fspecial('average',25),s)/255;
subplot(235);imshow(mat2gray(h1)),title('h模糊结果') hsi=cat(3,h1,s,i);
h=hsi(:,:,1)*2*pi;
s=hsi(:,:,2);
i=hsi(:,:,3);
R=zeros(size(hsi,1),size(hsi,2));
G=zeros(size(hsi,1),size(hsi,2));
B=zeros(size(hsi,1),size(hsi,2));
ind=find((h>=0)&(h<2*pi/3));
B(ind)=i(ind).*(1.0-s(ind));
R(ind)=i(ind).*(1.0+s(ind).*cos(h(ind))./cos(pi/3.0-h(ind))); G(ind)=1.0-(R(ind)+B(ind));
ind=find((h>2*pi/3)&(h<4*pi/3));
h(ind)=h(ind)-pi*2/3;
r(ind)=i(ind).*(1.0-s(ind));
g(ind)=i(ind).*(1.0+s(ind).*cos(h(ind))./cos(pi/3.0-h(ind))); b(ind)=1.0-(R(ind)+G(ind));
ind=find((h>4*pi/3)&(h<2*pi));
h(ind)=h(ind)-pi*4/3;
g(ind)=i(ind).*(1.0-s(ind));
b(ind)=i(ind).*(1.0+s(ind).*cos(h(ind))./cos(pi/3.0-h(ind))); r(ind)=1.0-(G(ind)+B(ind));
RGB=cat(3,R,G,B);
subplot(236);imshow(RGB);title('处理后的图像')
结论：图像变柔和
（2）模糊S分量
将hsi=cat(3,h1,s,i);给为hsi=cat(3,h,s1,i);
结论：图像饱和度降低
边缘
clear
rgb_r=zeros(128,128);
rgb_r(1:64,1:64)=1;
rgb_g=zeros(128,128);
rgb_g(1:64,65:128)=1;
rgb_b=zeros(128,128);
rgb_b(65:128,1:64)=1;
rgb=cat(3,rgb_r,rgb_g,rgb_b);
sob=fspecial('sobel');
rx=imfilter(double(rgb(:,:,1)),sob,'replicate');
ry=imfilter(double(rgb(:,:,1)),sob,'replicate');
gx=imfilter(double(rgb(:,:,2)),sob,'replicate');
gy=imfilter(double(rgb(:,:,2)),sob,'replicate');
bx=imfilter(double(rgb(:,:,3)),sob,'replicate');
by=imfilter(double(rgb(:,:,3)),sob,'replicate');
r_gradiant=mat2gray(max(rx,ry));
g_gradiant=mat2gray(max(gx,gy));
b_gradiant=mat2gray(max(bx,by));
rgb_gradiant=rgb2gray(cat(3,r_gradiant,g_gradiant,b_gradiant)); gxx=rx.^2+gx.^2+bx.^2;
gyy=ry.^2+gy.^2+by.^2;
gxy=rx.*ry+gx.*gy+bx.*by;
theta=.5*((atan(2*gxy./(gxx-gyy+eps))));
g1=.5*((gxx+gyy)+(gxx-gyy).*cos(2*theta)+2*gxy.*sin(2*theta)); theta=theta+pi/2;
g2=.5*((gxx+gyy)+(gxx-gyy).*cos(2*theta)+2*gxy.*sin(2*theta)); g1=g1.^5;
g2=g2.^5;
rgb_vectorgradiant=mat2gray(max(g1,g2));
diff=abs(rgb_vectorgradiant-rgb_gradiant);
subplot(331);imshow(rgb);title('彩色原图')
subplot(332);imshow(r_gradiant);title('R分量边缘')
subplot(333);imshow(g_gradiant);title('G分量边缘')
subplot(334);imshow(b_gradiant);title('B分量边缘')
subplot(335);imshow(rgb_gradiant);title('分量合成边缘') subplot(336);imshow(rgb_vectorgradiant);title('向量梯度边缘') subplot(337);imshow(diff);title('差别')
平滑再合成
锐化
rgb1=imread('football.jpg');
rgb=im2double(rgb1);
fr=rgb(:,:,1);
fg=rgb(:,:,2); fb=rgb(:,:,3);
lapmatrix=[1 1 1;1 -8 1;1 1 1];
fr_filtered=imfilter(fr,lapmatrix,'replicate');
fg_filtered=imfilter(fg,lapmatrix,'replicate');
fb_filtered=imfilter(fb,lapmatrix,'replicate');
rgb_tmp=cat(3,fr_filtered,fg_filtered,fb_filtered);
rgb_filtered=imsubtract(rgb,rgb_tmp);
i1=(fr+fg+fb)/3;
tmp1=min(min(fr,fg),fb);
tmp2=fr+fg+fb;
tmp2(tmp2==0)=eps;%???????
s=1-3.*tmp1./tmp2;
tmp1=.5*((fr-fg)+(fr-fb));
tmp2=sqrt((fr-fg).^2+(fr-fb).*(fg-fb));
theta=acos(tmp1./(tmp2+eps));
h1=theta;
h1(fb>fg)=2*pi-h1(fb>fg);
h1=h1/(2*pi);
h1(s==0)=0;
lapmatrix=[1 1 1;1 -8 1;1 1 1];
i=imfilter(i1,lapmatrix,'replicate')
i=imfilter(i1,lapmatrix,'replicate');
subplot(331);imshow(rgb1);title('pri')
subplot(332);imshow(fr_flitered);title('fr_flitered') subplot(333);imshow(fg_filtered);title('fg_filtered') subplot(334);imshow(fb_filtered);title('fb_filtered') subplot(335);imshow(h1);title('h1')
subplot(336);imshow(s);title('s')
subplot(337);imshow(i1);title('i1')
subplot(338);imshow(rgb_tmp);title('mixture') subplot(339);imshow(cat(3,h1,s,i1));title('hsi mixture')
彩色图像向量梯度的计算
>> rgb=imread('football.jpg');
>> sob=fspecial('sobel');
>> rx=imfilter(double(rgb(:,:,1)),sob,'replicate');
>> ry=imfilter(double(rgb(:,:,1)),sob','replicate');
>> gx=imfilter(double(rgb(:,:,2)),sob,'replicate');
gy=imfilter(double(rgb(:,:,2)),sob','replicate');
bx=imfilter(double(rgb(:,:,3)),sob,'replicate');
by=imfilter(double(rgb(:,:,3)),sob','replicate');
>> gxx=rx.^2+gx.^2+bx.^2;
>> gyy=ry.^2+gy.^2+by.^2;
>> gxy=rx.*ry+gx.*gy+bx.*by;
>> theta=.5*(atan(2*gxy./(gxx-gyy+eps)));
>> g1=.5*((gxx+gyy)+(gxx-gyy).*cos(2*theta)+2*gxy.*sin(2*theta)); >> theta=theta+pi/2;
>> g2=.5*((gxx+gyy)+(gxx-gyy).*cos(2*theta)+2*gxy.*sin(2*theta)); >> g1=g1.^.5;
>> g2=g2.^.5;
>> rgb_gradiant=mat2gray(max(g1,g2));
>> subplot(121);imshow(rgb);title('pri')
>> subplot(122);imshow(rgb_gradiant);title('rgb\_gradiant')
图像处理实验报告 姓名：陈琼暖 班级：07计科一班 学号：20070810104
目录： 实验一：灰度图像处理 (3) 实验二：灰度图像增强 (5) 实验三：二值图像处理 (8) 实验四：图像变换 (13) 大实验：车牌检测 (15)
实验一：灰度图像处理题目：直方图与灰度均衡 基本要求： （1） BMP灰度图像读取、显示、保存； （2）编程实现得出灰度图像的直方图； （3）实现灰度均衡算法. 实验过程： 1、BMP灰度图像读取、显示、保存； ?图像的读写与显示操作：用imread( )读取图像。 ?图像显示于屏幕：imshow( ) 。 ?
2、编程实现得出灰度图像的直方图； 3、实现灰度均衡算法； ?直方图均衡化可用histeq( )函数实现。 ?imhist(I) 显示直方图。直方图中bin的数目有图像的类型决定。如果I是个灰度图像，imhist将 使用默认值256个bins。如果I是一个二值图像，imhist使用两bins。 实验总结： Matlab 语言是一种简洁，可读性较强的高效率编程软件，通过运用图像处理工具箱中的有关函数,就可以对原图像进行简单的处理。 通过比较灰度原图和经均衡化后的图形可见图像变得清晰，均衡化后的直方图形状比原直方图的形状更理想。
实验二：灰度图像增强 题目：图像平滑与锐化 基本要求： （1）使用邻域平均法实现平滑运算； （2）使用中值滤波实现平滑运算； （3）使用拉普拉斯算子实现锐化运算. 实验过程： 1、 使用邻域平均法实现平滑运算； 步骤：对图像添加噪声，对带噪声的图像数据进行平滑处理； ? 对图像添加噪声 J = imnoise(I,type,parameters)
[收稿日期]20050228 [作者简介]黄书先(1962),女,1983年大学毕业,硕士,副教授,现主要从事石油勘探开发研究与科研管理工作。 基于MATLAB 平台的可视化图像处理系统 设计方法 黄书先 (长江大学科学技术处,湖北荆州434023) [摘要]以MATLAB 为工作语言和开发环境,开发了一个在M AT LAB 平台下的可视化图像处理系统, 可实现包括对测井图像在内的一般图像的精细处理,并能和用户开发的程序接口。为M AT LAB 的再开发 和可视化系统的设计作了有益的探索。 [关键词]MATLAB;图像处理;可视化GUI 界面 [中图分类号]TP 311111 [文献标识码]A [文章编号]16731409(2005)04015803 MAT LAB 的图像处理工具为自然科学各学科领域的学者、研究人员和工程师提供了一个直观的灵活的环境,用以解决复杂的图像处理问题。用MAT LAB 语言开发的图像处理算法可以在所有支持MAT LAB 的平台上共享。也可以将m 语言算法和现存的C 程序集成在一起或者将MATLAB 开发的m 语言算法和GU Is 编译为C/C++代码,供其他程序调用,或者发布为一个独立的应用程序。下面笔者提出一个基于MATLAB 平台的可视化图像处理系统设计方法,可用于包括测井图像资料在内的一般图像的精细处理。 1 系统总体设计 在MAT LAB 中有个重要的图像处理工具包[1],该工具包是由一系列支持图像处理操作的函数组成的,按功能可以分为以下几类:图像显示;图像文件输入与输出;几何操作;像素值统计;图像增强;图像识别;图像滤波;图像变换;邻域和块操作;二值图像操作;颜色映射和颜色空间转换;图像格式转换等。和其他工具包一样,用户还可以根据需要书写自己的函数,以满足特定的需要;也可以将这个工具包和信号处理工具包或小波工具包等其他工具包联合起来使用。 MAT LAB 提供了交互式的GU I 开发环境[2~4],用户只需要设置各个对象相应的属性,系统自动生成与之对应的界面,大大减少了开发的难度。本设计的MAT LAB 图像处理系统由封面、主界面和各个子功能界面组成,其框图如图1所示。程序总流程图如图2所示。 2 封面界面设计 首先用MAT LAB 编辑封面的脚本文件,生成系统的封面界面,然后再进入处理的主界面。 在设计封面时,要做好封面的总体布局,力求完美。要插入背景,首先要找到所用的函数(这在一般的书中很难找到);其次要注意设置axes 的属性。在显示背景图像时,不能用imshow ()函数,如果用此函数,背景图像只能显示在封面的一部分,不能整屏覆盖;而要用imagesc ()函数。MATLAB 提供修改文本中文字的字体,它支持华文中宋、华文彩云、华文仿宋、楷书、黑体等,功能较强。 在设计封面的过程中,最主要的技术是要解决时间的显示,如果只用MATLAB 中的clock ()函数,则显示的是静态时间,而不会显示和电脑同步的动态时间。为了解决这个问题,需做一个循环判断语句:while find (get (0,'c hildren'))==h0。成立的条件是,只要是当前窗口循环,否则停止,这样可以减少CPU 的负担。同时,要实时提取clock ()函数,可用fix (clock),使提取的时间更美观。#158#长江大学学报(自科版)2005年4月第2卷第4期/理工卷第2卷第2期 Jour nal of Yangtze University (Nat Sci Edit)Apr 12005Vol 12No 14/Sci &Eng V,Vol 12No 12
图像读入 ●从图形文件中读入图像 imread Syntax: A = imread(filename, fmt) filename：指定的灰度或彩色图像文件的完整路径和文件名。 fmt:指定图形文件的格式所对应的标准扩展名。如果imread没有找到filename所制定的文件,会尝试查找一个名为filename.fmt的文件。 A：包含图像矩阵的矩阵。对于灰度图像,它是一个M行N列的矩阵。如果文件包含 RGB真彩图像,则是m*n*3的矩阵。 ●对于索引图像，格式[X, map] = imread(filename, fmt) X：图像数据矩阵。 MAP：颜色索引表 图像的显示 ●imshow函数：显示工作区或图像文件中的图像 ●Syntax： imshow(I) %I是要现实的灰度图像矩阵 imshow(I,[low high]，param1, val1, param2, val2,...) %I是要现实的灰度图像矩阵，指定要显示的灰度范围，后面的参数指定显示图像的特定参数 imshow(RGB) imshow(BW) imshow(X,map) %map颜色索引表 imshow(filename) himage = imshow(...) ●操作：读取并显示图像 I=imread('C:\Users\fanjinfei\Desktop\baby.bmp');%读取图像数据 imshow(I);%显示原图像 图像增强 一．图像的全局描述 直方图（Histogram）：是一种对数据分布情况的图形表示，是一种二维统计图表，它的两个坐标分别是统计样本和该样本对应的某个属性的度量。 图像直方图（Image Histogram）：是表示数字图像中亮度分布的直方图，用来描述图象灰度值，标绘了图像中每个亮度值的像素数。 灰度直方图：是灰度级的函数，它表示图像中具有某种灰度级的像素的个数，反映了图 像中某种灰度出现的频率。描述了一幅图像的灰度级统计信息。是一个二维图，横坐标为图像中各个像素点的灰度级别，纵坐标表示具有各个灰度级别的像素在图像中出现的次数或概率。 归一化直方图：直接反应不同灰度级出现的比率。纵坐标表示具有各个灰度级别的像
课程设计任务书 学生姓名：专业班级： 指导教师：工作单位： 题目: 基于MATLAB的图像处理的基本运算 初始条件： 要求完成的主要任务:（包括课程设计工作量及其技术要求，以及说明书撰写等具体要求） （1）能够对图像亮度和对比度变化调整，并比较结果 （2）编写程序通过最近邻插值和双线性插值等算法将用户所选取的图像区域进行放大和缩小整数倍的和旋转操作，并保存，比较几 种插值的效果 （3）图像直方图统计和直方图均衡，要求显示直方图统计，比较直方图均衡后的效果。 （4）对图像加入各种噪声，比较效果。 时间安排： 指导教师签名：年月日 系主任（或责任教师）签名：年月日 目录 摘要.......................................................................................................................... 错误!未定义书签。 1 MATLAB简介 ........................................................................................................ 错误!未定义书签。2图像选择及变换................................................................................................... 错误!未定义书签。 2.1 原始图像选择读取....................................................................................... 错误!未定义书签。 2.1.1 原理图的读入与基本变换 .................................................................... 错误!未定义书签。
Matlab图像处理的几个实例（初学者用） 1.图像的基本信息及其加减乘除 clear,clc; P=imread('yjx.jpg'); whos P Q=imread('dt.jpg'); P=im2double(P); Q=im2double(Q); gg1=im2bw(P,0.3); gg2=im2bw(P,0.5); gg3=im2bw(P,0.8); K=imadd(gg1,gg2); L=imsubtract(gg2,gg3); cf=immultiply(P,Q); sf=imdivide(Q,P); subplot(421),imshow(P),title('郁金香原图'); subplot(422),imshow(gg1),title('0.3'); subplot(423),imshow(gg2),title('0.5'); subplot(424),imshow(gg3),title('0.8'); subplot(425),imshow(K),title('0.3+0.5'); subplot(426),imshow(L),title('0.5-0.3'); subplot(427),imshow(cf),title('P*Q'); subplot(428),imshow(sf),title('P/Q'); 2.图像缩放 clear,clc; I=imread('dt.jpg'); A=imresize(I,0.1,'nearest'); B=imresize(I,0.4,'bilinear'); C=imresize(I,0.7,'bicubic'); D=imresize(I,[100,200]); F=imresize(I,[400,100]); figure subplot(321),imshow(I),title('原图'); subplot(322),imshow(A),title('最邻近插值'); subplot(323),imshow(B),title('双线性插值'); subplot(324),imshow(C),title('二次立方插值'); subplot(325),imshow(D),title('水平缩放与垂直缩放比例为2:1'); subplot(326),imshow(F),title('水平缩放与垂直缩放比例为1:4');
基于M A T L A B图像处理报告一、设计题目 图片叠加。 二、设计要求 将一幅礼花图片和一幅夜景图片做叠加运算，使达到烟花夜景的美图效果。 三、设计方案 3.1、设计思路 利用matlab强大的图像处理功能，通过编写程序，实现对两幅图片的像素进行线性运算，利用灰度变换的算法使图片达到预期的效果。 3.2、软件介绍 MATLAB是matrix&laboratory两个词的组合，意为矩阵工厂（矩阵实验室）。是由美国mathworks公司发布的主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言（如C、Fortran）的编辑模式，代表了当今国际科学计算软件的先进水平。 MATLAB和Mathematica、Maple并称为三大数学软件。它在数学类科技应用软件中在数值计算方面首屈一指。MATLAB可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等，主要应用于工程计算、控制设计、信号处理与通讯、图像处理、信号检测、金融建模设计与分析等领域。 MATLAB的基本数据单位是矩阵，它的指令表达式与数学、工程中常用的形式十分相似，故用MATLAB来解算问题要比用C，FORTRAN等语言完成相同的事情简捷得多，并且MATLAB 也吸收了像Maple等软件的优点，使MATLAB成为一个强大的数学软件。在新的版本中也加入了对C，FORTRAN，C++，JAVA的支持。可以直接调用，用户也可以将自己编写的实用程序导入到MATLAB函数库中方便自己以后调用，此外许多的MATLAB爱好者都编写了一些经典的程序，用户直接进行下载就可以用。
MATLAB课程设计 设计题目：应用图像处理 班级： 学号： 姓名： 指导老师： 设计时间：2013年4月8号-4月14号
摘要 21世纪是一个充满信息的时代，图像作为人类感知世界的视觉基础，是人类获取信息、表达信息和传递信息的重要手段。图像处理，是用计算机对图像进行分析，以达到所需结果的技术。又称影像处理。基本容图像处理一般指数字图像处理。数字图像是指用数字摄像机、扫描仪等设备经过采样和数字化得到的一个大的二维数组，该数组的元素称为像素，其值为一整数，称为灰度值。图像处理技术的主要容包括图像压缩，增强和复原，匹配、描述和识别3个部分。常见的处理有图像数字化、图像编码、图像增强、图像复原、图像分割和图像分析等。图像处理一般指数字图像处理。所谓数字图像处理[7]就是利用计算机对图像信息进行加工以满足人的视觉心理或者应用需求的行为。实质上是一段能够被计算机还原显示和输出为一幅图像的数字码。 关键词：DCT变换；图像压缩；真色彩增强；平滑；锐化；直方图均衡； 灰度变换；滤波；M文件的使用 目录 摘要………………………………………………………………I 1 概述……………………………………………………………II 2 课程设计任务及要求...............................III 2.1.1设计任务 2.1.2设计要求 3 系统设计原理 (Ⅳ)
3.1 DCT图像压缩原理 3.2 真彩色增强 3.2.1平滑 3.2.2锐化 3.3 灰度变换（直方图均衡化） 3.4 图像滤波 3.4.1中值滤波器 3.4.2维纳滤波器 4 程序代码及实验结果与分析 (Ⅵ) 4.1 DCT图像压缩 4.1.1程序代码 4.1.2实验结果 4.1.3结果分析 4.2 真彩色增强 4.2.1平滑程序代码 4.2.2实验结果 4.2.3结果分析 4.2.4锐化程序代码 4.2.5实验结果 4.2.6结果分析 4.3 灰度变换（直方图均衡化） 4.3.1程序代码
第一部分数字图像处理
实验一图像的点运算 实验1.1 直方图 一．实验目的 1．熟悉matlab图像处理工具箱及直方图函数的使用； 2．理解和掌握直方图原理和方法； 二．实验设备 1.PC机一台； 2.软件matlab。 三．程序设计 在matlab环境中，程序首先读取图像，然后调用直方图函数，设置相关参数，再输出处理后的图像。 I=imread('cameraman.tif');%读取图像 subplot(1,2,1),imshow(I) %输出图像 title('原始图像') %在原始图像中加标题 subplot(1,2,2),imhist(I) %输出原图直方图 title('原始图像直方图') %在原图直方图上加标题 四．实验步骤 1. 启动matlab 双击桌面matlab图标启动matlab环境； 2. 在matlab命令窗口中输入相应程序。书写程序时，首先读取图像，一般调用matlab自带的图像， 如:cameraman图像；再调用相应的直方图函数，设置参数；最后输出处理后的图像； 3．浏览源程序并理解含义； 4．运行，观察显示结果； 5．结束运行，退出； 五．实验结果 观察图像matlab环境下的直方图分布。 (a)原始图像 (b)原始图像直方图 六．实验报告要求 1、给出实验原理过程及实现代码； 2、输入一幅灰度图像，给出其灰度直方图结果，并进行灰度直方图分布原理分析。
实验1.2 灰度均衡 一．实验目的 1．熟悉matlab图像处理工具箱中灰度均衡函数的使用； 2．理解和掌握灰度均衡原理和实现方法； 二．实验设备 1.PC机一台； 2.软件matlab； 三．程序设计 在matlab环境中，程序首先读取图像，然后调用灰度均衡函数，设置相关参数，再输出处理后的图像。 I=imread('cameraman.tif');%读取图像 subplot(2,2,1),imshow(I) %输出图像 title('原始图像') %在原始图像中加标题 subplot(2,2,3),imhist(I) %输出原图直方图 title('原始图像直方图') %在原图直方图上加标题 a=histeq(I,256); %直方图均衡化，灰度级为256 subplot(2,2,2),imshow(a) %输出均衡化后图像 title('均衡化后图像') %在均衡化后图像中加标题 subplot(2,2,4),imhist(a) %输出均衡化后直方图 title('均衡化后图像直方图') %在均衡化后直方图上加标题 四．实验步骤 1. 启动matlab 双击桌面matlab图标启动matlab环境； 2. 在matlab命令窗口中输入相应程序。书写程序时，首先读取图像，一般调用matlab自带的图像， 如:cameraman图像；再调用相应的灰度均衡函数，设置参数；最后输出处理后的图像； 3．浏览源程序并理解含义； 4．运行，观察显示结果； 5．结束运行，退出； 五．实验结果 观察matlab环境下图像灰度均衡结果及直方图分布。 (a)原始图像 (b)均衡化后图像
1.function [center, r] = solve_circle(pt1, pt2, pt3) 2.%Effect: solve the circle which across points 'pt1', 'pt2' and 'pt3' 3.%Inputs: 4.%pt1, pt2, pt3: [x, y] 5.%center: the circle center [x0; y0] 6.%r: the radius of the circle 7.%Author: Su dongcai at 2012/1/2 8. A = zeros(2, 2); B = zeros(2, 1); 9.[A(1, :), B(1)] = circle2line(pt1, pt2); 10.[A(2, :), B(2)] = circle2line(pt2, pt3); 11.center = A\B; 12.r = norm(pt1' - center); 13. 14.function [A, B] = circle2line(pt1, pt2) 15.%Effect: cast 2 circles equation into 1 linear equation: 16.%(a-x1)^2 + (b-y1)^2 = r^2 | 17.% |==> 2(x1-x2)a + 2(y1-y2)b = (x1^2 + y1^2) - (y2^2 + y2^2) 18.%(a-x2)^2 + (b-y2)^2 = r^2 | 19.%Inputs: 20.%pt1, pt2: [x1, y1], [x2, y2] 21.%Outputs: 22.%A: 2[x1-x2, y1-y2] 23.%B: (x1^2 + y1^2) - (x2^2 + y2^2) 24.%Author: Su dongcai at 2012/1/2 25.A = 2*(pt1 - pt2); 26.B = norm(pt1)^2 - norm(pt2)^2; close all;clear;clc; >> i=imread('rice.png'); %>> imshow(i); >> background=imopen(i,strel('disk',15)); >> i2=imsubtract(i,background); %>> figure,imshow(i2); >> i3=imadjust(i2,stretchlim(i2),[0 1]); %>> figure,imshow(i3); >> level=graythresh(i3); >> bw=im2bw(i3,level); %>> figure,imshow(bw); >> [labeled,numobjects]=bwlabel(bw,4); graindata=regionprops(labeled,'all');
程序实例 1旋转: x=imread('d:\MATLAB7\work\flower.jpg'); y=imrotate(x,200,'bilinear','crop'); subplot(1,2,1); imshow(x); subplot(1,2,2); imshow(y) 2.图像的rgb clear [x,map]=imread('D:\Program Files\MATLAB\R2012a\bin\shaohaihe\shh1.jpg');y=x(90:95,90:95);imshow(y)R=x(90:95,90:95,1);G=x(90:95,90:95,2);B=x(90:95,90:95,3);R,G,B 3.加法运算clear I=imread('D:\Program Files\MATLAB\R2012a\bin\shaohaihe\shh3.jpg');J=imnoise(I,'gaussian',0,0.02);%向图片加入高斯噪声subplot(1,2,1),imshow(I);%显示图片subplot(1,2,2),imshow(J);K=zeros(242,308);%产生全零的矩阵，大小与图片的大小一样for i=1:100%循环100加入噪声J=imnoise(I,'gaussian',0,0.02);J1=im2double(J);K=K+J1;end K=K/100; figure,imshow(K);save
4.减法 clear I=imread('D:\Program Files\MATLAB\R2012a\bin\shaohaihe\shao.jpg'); J=imread('D:\Program Files\MATLAB\R2012a\bin\shaohaihe\shao1.jpg'); K=imsubtract(I,J);%实现两幅图相减 K1=255-K;%将图片求反显示 figure;imshow(I); title('有噪声的图'); figure;imshow(J); title('原图'); figure;imshow(K1); title('提取的噪声'); save 5.图像的乘法 H=imread('D:\Program Files\MATLAB\R2012a\bin\shaohaihe\shao.jpg'); I=immultiply(H,1.2);将此图片乘以1.2 J=immultiply(H,2); subplot(1,3,1),imshow(H); title('原图'); subplot(1,3,2),imshow(I); title('·放大1.2'); subplot(1,3,3),imshow(J); title('放大2倍'); 6除法运算 moon=imread('moon.tif'); I=double(moon); J=I*0.43+90; K=I*0.1+90; L=I*0.01+90; moon2=uint8(J); moon3=uint8(K); moon4=uint8(L); J=imdivide(moon,moon2); K=imdivide(moon,moon3); L=imdivide(moon,moon4); subplot(2,2,1),imshow(moon); subplot(2,2,2),imshow(J,[]); subplot(2,2,3),imshow(K,[]); subplot(2,2,4),imshow(L,[]);
基于MATLAB的运动模糊图像处理 提醒： 我参考了文献里的书目和网上的一些代码而完成的，所以误差会比较大，目前对于从网上下载的模糊图片的处理效果很不好，这是我第一次上传自己完成的实验的文档，希望能帮到一些人吧。 研究目的 在交通系统、刑事取证中图像的关键信息至关重要，但是在交通、公安、银行、医学、工业监视、军事侦察和日常生活中常常由于摄像设备的光学系统的失真、调焦不准或相对运动等造成图像的模糊，使得信息的提取变得困难。但是相对于散焦模糊，运动模糊图像的复原在日常生活中更为普遍，比如高速运动的违规车辆的车牌辨识，快速运动的人群中识别出嫌疑人、公安刑事影像资料中提取证明或进行技术鉴定等等，这些日常生活中的重要应用都需要通过运动模糊图像复原技术来尽可能地去除失真，恢复图像的原来面目。因此对于运动模糊图像的复原技术研究更具有重要的现实意义。 图像复原原理 本文探讨了在无噪声的情况下任意方向的匀速直线运动模糊图像的复原问题，并在此基础上讨论了复原过程中对点扩散函数(PSF)的参数估计从而依据自动鉴别出的模糊方向和长度构造出最为近似的点扩散函数，构造相应的复原模型，实现运动模糊图像的复原；在模糊图像自动复原的基础上，根据恢复效果图的纹理特征和自动鉴别出的模糊长度和角度，人工调整模糊方向和长度参数，使得复原效果达到最佳。 实验过程 模糊方向的估计： 对图1(a)所示的原始图像‘车牌’图像做方向θ=30?，长度L=20像素的匀速直线运动模糊，得到退化图像如图1(b)
1(a) 1(b) j=imread('车牌1.jpg'); figure(1),imshow(j); title('原图像'); len=20; theta=30; psf=fspecial('motion',len,theta); j1=imfilter(j,psf,'circular','conv'); figure,imshow(j1); title('PSF 模糊图像'); 图1(c)和1(d)分别为原图像和模糊图像的二次傅里叶变化
最常用的一些图像处理Matlab源代 码 #1：数字图像矩阵数据的显示及其傅立叶变换 #2：二维离散余弦变换的图像压缩 #3：采用灰度变换的方法增强图像的对比度 #4：直方图均匀化 #5：模拟图像受高斯白噪声和椒盐噪声的影响 #6：采用二维中值滤波函数medfilt2对受椒盐噪声干扰的图像滤波 #7：采用MATLAB中的函数filter2对受噪声干扰的图像进行均值滤波 #8：图像的自适应魏纳滤波 #9：运用5种不同的梯度增强法进行图像锐化 #10：图像的高通滤波和掩模处理 #11：利用巴特沃斯（Butterworth）低通滤波器对受噪声干扰的图像进行平滑处理 #12：利用巴特沃斯（Butterworth）高通滤波器对受噪声干扰的图像进行平滑处理 1.数字图像矩阵数据的显示及其傅立叶变换 f=zeros(30,30); f(5:24,13:17)=1; imshow(f, 'notruesize'); F=fft2(f,256,256); % 快速傅立叶变换算法只能处矩阵维数为2的幂次，f矩阵不 % 是，通过对f矩阵进行零填充来调整 F2=fftshift(F); % 一般在计算图形函数的傅立叶变换时，坐标原点在 % 函数图形的中心位置处，而计算机在对图像执行傅立叶变换 % 时是以图像的左上角为坐标原点。所以使用函数fftshift进 %行修正，使变换后的直流分量位于图形的中心； figure,imshow(log(abs(F2)),[-1 5],'notruesize');
2 二维离散余弦变换的图像压缩I=imread('cameraman.tif'); % MATLAB自带的图像imshow(I); clear;close all I=imread('cameraman.tif'); imshow(I); I=im2double(I); T=dctmtx(8); B=blkproc(I,[8 8], 'P1*x*P2',T,T'); Mask=[1 1 1 1 0 0 0 0 1 1 1 0 0 0 0 0 1 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]; B2=blkproc(B,[8 8],'P1.*x',Mask); % 此处为点乘(.*) I2=blkproc(B2,[8 8], 'P1*x*P2',T',T); figure,imshow(I2); % 重建后的图像 3.采用灰度变换的方法增强图像的对比度I=imread('rice.tif'); imshow(I); figure,imhist(I); J=imadjust(I,[0.15 0.9], [0 1]); figure,imshow(J); figure,imhist(J);
rice=imread(‘rice.png’); % 读入图像 I=double(rice); % 数据类型转换 J=I*0.43+60; % 像素点算术运算 rice2=uint8(J) % 数据类型转换subplot(1,2,1),imshow(rice); % 原图绘制subplot(1,2,2),imshow(rice2); % 计算后图像绘制
X = uint8([ 255 10 75; 44 225 100]); Y = uint8([ 50 20 50; 50 50 50 ]); Z = imdivide(X,Y)
I = imread('rice.png'); % 读入图像background = imopen(I,strel('disk',15)); % 图像开运算Ip = imdivide(I,background); % 图像除法运算imshow(Ip,[]) % 显示运算后的图像
I = imread('rice.png'); % 读入图像 J = imdivide(I,2); % 图像除以一个常数subplot(1,2,1), imshow(I) % 显示原始图像subplot(1,2,2), imshow(J) % 显示运算后的图像
I = imread('cameraman.tif'); % 读入图像J = imlincomb(2,I); % 灰度值放大imshow(J) % 显示运算后的图像
I = imread('cameraman.tif'); % 读入图像 J = uint8(filter2(fspecial('gaussian'), I)); % 图像滤波 K = imlincomb(1,I,-1,J,128); % K(r,c) = I(r,c) - J(r,c) + 128 % 图像相减后加上一个常数figure, imshow(K) % 显示运算后的图像
目录 第一章绪论 (2) 1.1 研究背景 (2) 1.2 人脸图像识别的应用前景 (3) 1.3 本文研究的问题 (4) 1.4 识别系统构成 (4) 1.5 论文的内容及组织 (5) 第二章图像处理的Matlab实现 (6) 2.1 Matlab简介 (6) 2.2 数字图像处理及过程 (6) 2.2.1图像处理的基本操作 (6) 2.2.2图像类型的转换 (7) 2.2.3图像增强 (7) 2.2.4边缘检测 (8) 2.3图像处理功能的Matlab实现实例 (8) 2.4 本章小结 (11) 第三章人脸图像识别计算机系统 (11) 3.1 引言 (11) 3.2系统基本机构 (12) 3.3 人脸检测定位算法 (13) 3.4 人脸图像的预处理 (18) 3.4.1 仿真系统中实现的人脸图像预处理方法 (19) 第四章基于直方图的人脸识别实现 (21) 4.1识别理论 (21) 4.2 人脸识别的matlab实现 (21) 4.3 本章小结 (22) 第五章总结 (22) 致谢 (23) 参考文献 (24) 附录 (25)
第一章绪论 本章提出了本文的研究背景及应用前景。首先阐述了人脸图像识别意义；然后介绍了人脸图像识别研究中存在的问题；接着介绍了自动人脸识别系统的一般框架构成；最后简要地介绍了本文的主要工作和章节结构。 1.1 研究背景 自70年代以来.随着人工智能技术的兴起.以及人类视觉研究的进展.人们逐渐对人脸图像的机器识别投入很大的热情，并形成了一个人脸图像识别研究领域，.这一领域除了它的重大理论价值外，也极具实用价值。 在进行人工智能的研究中，人们一直想做的事情就是让机器具有像人类一样的思考能力，以及识别事物、处理事物的能力，因此从解剖学、心理学、行为感知学等各个角度来探求人类的思维机制、以及感知事物、处理事物的机制，并努力将这些机制用于实践，如各种智能机器人的研制。人脸图像的机器识别研究就是在这种背景下兴起的，因为人们发现许多对于人类而言可以轻易做到的事情，而让机器来实现却很难，如人脸图像的识别，语音识别，自然语言理解等。如果能够开发出具有像人类一样的机器识别机制，就能够逐步地了解人类是如何存储信息，并进行处理的，从而最终了解人类的思维机制。 同时，进行人脸图像识别研究也具有很大的使用价依。如同人的指纹一样，人脸也具有唯一性，也可用来鉴别一个人的身份。现在己有实用的计算机自动指纹识别系统面世，并在安检等部门得到应用，但还没有通用成熟的人脸自动识别系统出现。人脸图像的自动识别系统较之指纹识别系统、DNA鉴定等更具方便性，因为它取样方便，可以不接触目标就进行识别，从而开发研究的实际意义更大。并且与指纹图像不同的是，人脸图像受很多因素的干扰:人脸表情的多样性;以及外在的成像过程中的光照，图像尺寸，旋转，姿势变化等。使得同一个人，
MATLAB实用源代码 图像读取及灰度变换 I=imread('cameraman.tif');%读取图像 subplot(1,2,1),imshow(I)%输出图像 title('原始图像')%在原始图像中加标题 subplot(1,2,2),imhist(I)%输出原图直方图 title('原始图像直方图')%在原图直方图上加标题 图像旋转 I=imread('cameraman.tif'); figure,imshow(I); theta=30; K=imrotate(I,theta);%Try varying the angle,theta. figure,imshow(K) 边缘检测 I=imread('cameraman.tif'); J1=edge(I,'sobel'); J2=edge(I,'prewitt'); J3=edge(I,'log'); subplot(1,4,1),imshow(I); subplot(1,4,2),imshow(J1); subplot(1,4,3),imshow(J2); subplot(1,4,4),imshow(J3); 1.图像反转 MATLAB程序实现如下： I=imread('xian.bmp'); J=double(I); J=-J+(256-1);%图像反转线性变换 H=uint8(J); subplot(1,2,1),imshow(I); subplot(1,2,2),imshow(H); 2.灰度线性变换 MATLAB程序实现如下： I=imread('xian.bmp'); subplot(2,2,1),imshow(I); title('原始图像'); axis([50,250,50,200]); axis on;%显示坐标系 I1=rgb2gray(I); subplot(2,2,2),imshow(I1); title('灰度图像'); axis([50,250,50,200]);
《数字图像处理》 实验报告 学院： 专业： 班级： 姓名： 学号：
实验一 实验名称：图像增强 实验目的：1.熟悉图像在Matlab下的读入，输出及显示； 2.熟悉直方图均衡化； 3.熟悉图像的线性指数等； 4.熟悉图像的算术运算及几何变换. 实验仪器：计算机，Matlab软件 实验原理： 图像增强是为了使受到噪声等污染图像在视觉感知或某种准则下尽量的恢复到原始图像的水平之外，还需要有目的性地加强图像中的某些信息而抑制另一些信息，以便更好地利用图像。图像增强分频域处理和空间域处理，这里主要用空间域的方法进行增强。空间域的增强主要有：灰度变换和图像的空间滤波。 图像的直方图实际上就是图像的各像素点强度概率密度分布图，是一幅图像所有像素集合的最基本统计规律，均衡化是指在每个灰度级上都有相同的像素点过程。 实验内容如下： I=imread('E:\cs.jpg');%读取图像 subplot(2,2,1),imshow(I),title('源图像') J=rgb2gray(I)%灰度处理 subplot(2,2,2),imshow(J) %输出图像 title('灰度图像') %在原始图像中加标题 subplot(2,2,3),imhist(J) %输出原图直方图 title('原始图像直方图') 0100200
I=imread('E:\cs.jpg');%读取图像 subplot(1,2,1),imshow(I); theta = 30; K = imrotate(I,theta); subplot(1,2,2),imshow(K) 对数运算： I=imread('E:\dog.jpg'); subplot(2,2,1),imshow(I),title('源图像') J=rgb2gray(I)%灰度处理 subplot(2,2,2),imshow(J),title('灰度变换后图像') J1=log(1+double(J)); subplot(2,2,3),imshow(J1,[]),title('对数变换后') 指数运算: I=imread('E:\dog.jpg'); f=double(I); g=(2^2*(f-1))-1 f=uint8(f); g=uint8(g);
基本数字图像处理算法的matlab实现 1.数字图像处理的简单介绍 所谓数字图像就是把传统图像的画面分割成为像素的小的离散点，各像素的灰度值也是用离散值来表示的。 数字图像处理是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。 2.图像的显示与运算 2.1图像的显示 Matlab显示语句 imshow（I,[lowhigh]）%图像正常显示 I为要显示的图像矩阵。,[lowhigh]为指定显示灰度图像的灰度范围。高于high的像素被显示成白色；低于low的像素被显示成黑色；介于high和low之间的像素被按比例拉伸后显示为各种等级的灰色。 subplot(m,n,p) 打开一个有m行n列图像位置的窗口，并将焦点位于第p个位置上。 2.2图像的运算 灰度化将彩色图像转化成为灰度图像的过程成为图像的灰度化处理。彩色图像中的每个像素的颜色有R、G、B三个分量决定，而每个分量有255中值可取，这样一个像素点可以有1600多万（255*255*255）的颜色的变化范围。而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像，其一个像素点的变化范围为255种，所以在数字图像处理种一般先将各种格式的图像转变成灰度图像以使后续的图像的计算量变得少一些。灰度图像的描述与彩色图像一样仍然反映了整幅图像的整体和局部的色度和亮度等级的分布和特征。图像的灰度化处理可用两种方法来实现。
第一种方法使求出每个像素点的R、G、B三个分量的平均值，然后将这个平均值赋予给这个像素的三个分量。 第二种方法是根据YUV的颜色空间中，Y的分量的物理意义是点的亮度，由该值反映亮度等级，根据RGB和YUV颜色空间的变化关系可建立亮度Y与R、G、B三个颜色分量的对应：Y=0.3R+0.59G+0.11B，以这个亮度值表达图像的灰度值。 灰度是灰度级的函数，它表示图象中具有每种灰度级的象素的个数，反映图象中每种灰度出现的频率。 图像增强的目标是改进图片的质量，例如增加对比度，去掉模糊和噪声，修正几何畸变等；图像复原是在假定已知模糊或噪声的模型时，试图估计原图像的一种技术。 Matlab图像格式转换语句 rgb2gray(I) %从RGB图创建灰度图 imhist(I) %画灰度直方图 图像的线性变换 D B=f(D A)=f A*D A+f B Matlab源代码： I1=imread('F:\图片2.jpg'); subplot(2,2,1);imshow(I1);title('原图'); I2=rgb2gray(I1); %灰度化图像 subplot(2,2,2);imshow(I2);title('灰度化后图'); [M,N]=size(I2); subplot(2,2,3) [counts,x]=imhist(I2,60); %画灰度直方图 counts=counts/M/N; stem(x,counts);title('灰度直方图'); g=zeros(M,N);%图像增强