数字图像处理冈萨雷斯第二版答案
【篇一：数字图像处理第三版 (冈萨雷斯,自己整理的2)】
特数。通常的传输是以一个开始比特，一个字节(8 比特)的信息和一
个停止比特组成的包完成的。基于这个概念回答以下问题：
(b) 以750k 波特 [这是典型的电话dsl(数字用户线)连接的速度]传输
要用多少时间？
2.两个图像子集s1和s2图下图所示。对于v＝｛1｝，确定这两个
子集是（a）4-邻接，（b）8-邻接，（c）m-邻接。
a) s1 和s2 不是4 连接，因为q 不在n4(p)集中。
(b) s1 和s2 是8 连接，因为q 在n8(p)集中。
(c) s1 和s2 是m 连接，因为q 在集合nd(p)中，且n4(p)∩ n4(q)
没有v 值的像素
3. 考虑如下所示的图像分割(a) 令v={0,1}并计算p 和q 间的4，8，m 通路的最短长度。如果在这两点间不存在特殊通路，试解释原因。
(b) 对于v={1,2}重复上题。
解：(a) 当v={0,1}时，p 和q 之间不存在4 邻接路径，因为不同时
存在从p 到q 像素的4 毗邻像素和具备v 的值，如图(a)p 不能到达q。8 邻接最短路径如图(b)，最短长度为4。m邻接路径如图(b)虚线
箭头所示，最短长度为5。这两种最短长度路径在此例中均具有唯一性。
(b) 当v={1, 2}时，最短的4 邻接通路的一种情况如图(c)所示，其长
度为6，另一种情况，其长度也为6；8 邻接通路的一种情况如图(d)
实线箭头所示，其最短长度为4；m 邻接通路的一种情况如图(d)虚
线箭头所示，其最短长度为6.
或解: (1) 在v＝{0,1}时，p和q之间通路的d4距离为∞，d8距离
为4，dm距离为5。
(2) 在v＝{1,2}时，p和q之间通路的d4距离为6，d8距离为4，
dm距离为6。
4为什么一般情况下对离散图像的直方图均衡化并不能产生完全平坦
的直方图？【因为同一个灰度值的各个象素没有理由变换到不同灰
度级，所以数字图像的直方图均衡化的结果一般不能得到完全均匀
分布的直方图，只是近似均匀的直方图。】
5 设已用直方图均衡化技术对一幅数字图像进行了增强，如再用这
一方法对所得结果增强会不会改变其结果？【从原理上分析，直方
图均衡化所用的变换函数为原始直方图的累积直方图，均衡化后得到的增强图像的累积直方图除有些项合并外，其余项与原始图像的累积直方图相同。如果再次均衡化，所用的变换函数即为均衡化后得到的增强图像的累积直方图（并且不会有新的合并项），所以不会改变其结果。】
6 设工业检测中工件的图像受到零均值不相关噪声的影响。如果图像采集装置每秒可采集30幅图像，要采用图像平均法将噪声的均方差减少到1／10，那么工件需保持多长时间固定在采集装置前？
7分别应用n=23、25和45的方形均值掩膜处理下面一幅图像。结果发现当n=23、45时，处理后图像中左下角的垂直竖条被模糊了，但是竖条与竖条之间的分割仍然很清楚。当n=25时，竖条却已经融入了整幅图像，尽管产生这幅图像的掩膜比45小得多，请解释这一现象。注：垂直线段是5个像素宽，100个像素高；它们的间隔是20个像素。
8一位考古学家在作流通货币方面的研究。最近发现，有4个罗马帝国时期的罗马硬币对它的研究可以起到决定性作用。它们被列在伦敦大英博物馆的馆藏目录中，遗憾的是，他到达那里之后，被告知现在硬币已经被盗了，但博物馆保存了一些照片。只是由于摄取照片时照相机的散焦，硬币的照片是模糊的，无法看清上面小的标记。
已知用来拍摄图像的原照相机一直能用，另外馆内还有同一时期的其他硬币。你能否帮助教授恢复图像，使他能看清这些标记？请给出解决这一问题的过程。这个问题背后的基本思想是使用相机和代表硬币反应动力学的降解过程，利用这个结果对其进行逆滤波器操作。主要步骤如下：1。选择和丢失的硬币大小和内容尽可能接近的硬币。选择与丢失的硬币照片有接近的纹理和亮度的背景2. 建立博摄影相机几何图像库尽可能的接近类似丢失的硬币的图像。获得一些测试的照片。简化实验，获得能够给出类似测试图片图像的电视相机。这可以通过相机与图像处理系统从而生成将在实验中应用的数字图像。
3。获得每一个硬币的图像有不同的镜头设置。由此产生的图像的角度，大小（这个与背景
区域有关）方面与丢失的硬币的模糊照片接近。4.在第三步中为每一个图像的镜头设置是对丢失的硬币信息图像模糊处理的模型。每个这样的设置，移动硬币及其背景并用一个规定背景下的小亮点来替
代它，或者用另外的机制时期接近于一个光脉冲。数字话这个脉冲。这是模糊处理的变换功能叫傅里叶变换。5.数字化丢失硬币的模糊照
片得到它的傅里叶变换形式。每个硬币有函数h（u,v）和g（u，v）描述。6.用维纳滤波器得到一个近似的f（u，v）。
7.对每个*f（u，v）进行傅里叶反变换可以得出硬币的恢复图像。
通常这样的基本步骤都可以用来解决这样的问题。
9成像时由于长时间曝光受到大气干扰而产生的图像模糊可以用转
移函数h(u,v)=exp[-(u2+v2)/2 ]表示。设噪声可忽略，求恢复这类
模糊的维纳滤波器的方程。解答：噪声可忽略时，维纳滤波器退化
成理想的逆滤波器，所以
10 有一种常见的图像增强技术是将高频增强和直方图均衡化结合起
来以达到使边缘锐化g(u,v)g(u,v)222【有，高频
增?f(u,v)???exp[(u?v)/2?]g(u,v)222强是一种线性操作，所以两个
操作的先后次序对增强效h(u但直方图均衡化是一种非线性操
作，,v)exp[?(u?v)/2?]
果有影响，不能互换。】
11 在天体研究所获得图像中有一些相距很远的对应恒星的亮点。由
于大气散射原因而迭加的照度常使得这些亮点很难看清楚。如果将
这类图像模型化为恒定亮度的背景和一组脉冲的乘积，根据同态滤
波的概念设计一种增强方法将对应恒星的亮点提取出来。【恒定亮
度的背景对应低频成分，脉冲则对应高频成分，所以对乘积取对数
可将两种成分区别开分别处理。根据同态滤波的概念可设计减少低
频成分，增加高频成分的滤波器。】
13如何实现彩色图像灰度直方图匹配（规定化）？
12设一幅图像的模糊是由于物体在x方向的匀加速运动产生的。当
t=0时物体静止，在t=0到t=t间物体加速度是x0(t)=at2/2，求转移
函数h(u,v)。讨论匀速运动和匀加速运动所造成的模糊的不同特点。 14说明彩色图像的补色饱和度分量不能单独从输入图像的饱和度分量局算出来。
我们看到,最基本的问题是许多不同的颜色有相同的饱和度值。在那
里纯红、黄、绿、青色、蓝色,洋红都有一个饱和1。也就是说只要
任何一个rgb组件是0,将产生一个饱和1。
考虑
rgb颜色(1，0,0)和(0，0.59，0),其代表红色和绿色的映射。hsi颜
色值分别为 (0，1，0.33)和(0.33 ，1,0.2)。现在rgb的初始补充值
分别为(0、1,1)和(1,0.41，1),相应的颜色是青和洋红。他们的hsi值
分别为(0.5， 1，0.66)和(0.83,0.48,0.8)。因此为红色,一个起始饱和
度1取得的青色“补充”饱和度1,而为绿色,一个起始饱和度1取得洋
红“互补”饱和度0.48。也就是说,起始同样的饱和度值导致两个不同
的“互补”饱和度。饱和本身并不是足够的信息计算饱和度补充颜色。 15假设一个图像系统的监视器和打印机显示片黄色，描述一下用来
校正不平衡的通用变换。
答：我们就可以通过如下几种方法减少黄色的比例(1)减少黄色、(2)
增加蓝色、(3)增加青色和洋红、(4)减少红色和绿色
16
（1）解释为什么链码起点归一化方法可使所得链码与边界的起点无关？
（2）求出对链码10176722335422进行起点归一化后的起点。
（2）
17（1）解释为什么利用链码旋转归一化方法可使所得链码与边界的
旋转无关？数字图像一般是按固定间距的网格采集的，所以最简单
的链码是顺时针跟踪边界并赋给每两个相邻像素的连线一个方向值。问题的关键是要认识到, 在一个链码中每个元素值是相对于它的前身
的值。这个代码的边界,追踪在一个一致的方式(例如,顺时针)，是一
种独特的循环组编号。在不同的地点开始在这个设定不改变循环序
列的结构。选择的最小整数的函数为出发点仅仅识别中同一点序列。即使出发点并非是独一无二的,该方法仍然会给一个独特的序列。例如,101010年有3个不同的序列的起点,但他们都产生相同的最小整
数010101。
（2）求出链码0101030303323232212111的一阶差分。
【 3131331313031313031300】
【篇二：数字图像处理第三版 (冈萨雷斯,自己整理的1)】txt>图像(image)：使用各种观测系统以不同形式和手段观测客观世
界而获得的，可以直接或间接作用于人眼并进而产生视觉的实体。
包括：
数字图像：为了能用计算机对图像进行加工，需要把连续图像在坐
标空间和性质空间都离散化，这种离散化了的图像是数字图像。
图像中每个基本单元叫做图像的元素，简称像素（pixel）。
数字图像处理（digital image processing）：是指应用计算机来合成、变换已有的数字图像，从而产生一种新的效果，并把加工处理
后的图像重新输出，这个过程称为数字图像处理。也称之为计算机
图像处理（computer image processing）。 1.2 图像处理科学的
意义
图像处理技术发展到今天，许多技术已日益趋于成熟，应用也越来
越广泛。它渗透到许多领域，如遥感、生物医学、通信、工业、航
空航天、军事、安全保卫等。
1.3 数字图像处理的特点 1. 图像信息量大
每个像素的灰度级至少要用6bit（单色图像）来表示，一般采用
8bit（彩色图像），高精度的可用12bit或16bit。
一般来说涉及通信技术、计算机技术、电视技术、电子技术，至于
涉及到的数学、物理学等方面的基础知识就更多。
3.图像信息理论与通信理论密切相关
图像理论是把通信中的一维问题推广到二维空间上来研究的。
通信研究的是一维时间信息，时间域和频率域的问题。任何一个随
时间变化的波形都是由许多频率不同、振幅不同的正弦波组合而成的。
图像研究的是二维空间信息，研究的是空间域和空间频率域（或变
换域）之间的关系。任何一幅平面图像是由许多频率、振幅不同的
x-y方向的空间频率波相叠加而成。
1.4 数字图像处理的主要方法 1.空域法
把图像看作是平面中各个像素组成的集合，然后直接对这一二维函
数进行相应的处理。主要有两大类：
数字图像处理的变换域处理方法是首先对图像进行正交变换，然后
在施行各种处理，处理后再反变换到空间域，得到处理结果。包括
滤波、数据压缩、特征提取等处理。 1.5 数字图像处理的主要内容
完整的数字图像处理系统大体上可分为如下几个方面：
1.图像的信息的获取（image information acquisition）把一幅图
像转换成适合输入计算机和数字设备的数字信号。需要两个部件以
获取数字图像： (1)物理设备，该设备对我们希望成像的物体发射的
能量很敏感。
(2)数字化器，是一种把物理感知装置的输出转化为数字形式的设备。常见的图像输入设备有：扫描仪、摄像机、数码相机、图像采集卡
等
2.图像信息的存储（image information storage）主要有三类：（2）算术处理（arithmetic processing）
翻转和水平翻转。
3.图像信息的传送（image information transmission）可分为系
统内部传送与远距离传送：（1）内部传送：
指在不同设备间交换图像数据。现在有许多用于局域通信的软件和
硬件以及各种标准协议。多采用dma(direct memory access)技术
以解决速度问题。（2）外部远距离传送：
主要问题是图像数据量大而传输通道比较窄。这一状况由于光纤和
其他宽带技术的发展，正在迅速得到改进。另一方面，解决这个问
题需要依靠对图像数据压缩。 4.图像的输出与显示
图像处理的最终目的是为人或机器提供一幅更便于解释和识别的图像。因此图像的输出也是图像处理的重要内容之一。
主要分两类：（1）硬拷贝（记录图像）。如激光打印机、胶片照相机、热敏装置、喷墨装置和数字单元（如cd-rom）等。
（2）软拷贝。如crt (cathode ray tube)显示、液晶显示器（lcd）、场致发光显示（fed）。 5.数字图像处理（digital image processing）主要包括以下几项内容：
（1）几何处理（geometrical image processing）
就是突出图像中感兴趣的信息，而减弱或去除不需要的信息，从而
使有用信息得到加强。
（4）图像复原（或恢复）（image restoration）就是尽可能地减
少或者去除图像在获取过程中的降质（干扰和模糊），恢复被退化
图像的本来面貌，从而改善图像质量。
关键是对每种退化（图像品质下降）建立一个合理的模型。
5）图像重建（image reconstruction）
是从数据到图像的处理。即输入的是某种数据,而处理结果得到的是
图像。典型应用有ct技术和三维重建技术。
（6）图像编码（image encoding）
主要是利用图像信号的统计特性及人类视觉的生理学及心理学特征
对图像信号进行高效编码，其目的是压缩数据量，以解决数据量大
的矛盾。（7）图像识别（image recognition）
利用计算机识别出图像中的目标并分类、用机器的智能代替人的智能。它所研究的领域十分广泛，如，机械加工中零部件的识别、分类；从遥感图片中分辨农作物、森林、湖泊和军事设施；从气象观
测数据或气象卫星照片准确预报天气；从x光照片判断是否发生肿瘤；从心电图的波形判断被检查者是否患有心脏病；在交通中心实
现交通管制、识别违章行驶的汽车及司机，等等。 1.6 数字图像处理的起源与应用数字图像处理的起源：
最早可追溯到20世纪20年代，借助打印设备进行数字图像的处理。基于光学还原的技术，该技术在电报接收端用穿孔纸带打出图片。
到1929年由早期的用5个灰度等级对图像编码，增加到15个等级。真正数字图像处理技术的诞生可追溯到20世纪60年代早期。
数字图像处理技术在20世纪60年代末和20世纪70年代初开始用
于医学图像、地球遥感监测和天文学等领域。
数字图像处理主要应用于下面的几个领域: （1）通讯
按业务性能划分可分为：电视广播传真、可视电话、会议电视、图
文电视、可视图文以及电缆电视。按图像变化性质分可分为：静止
图像和活动图像通信。（2）遥感
航空遥感和卫星遥感图像都需要数字图像处理技术的加工处理，并
提取出有用的信息。主要用于土地测绘，资源调查，气候监测，农
作物估产，自然灾害预测预报，环境污染监测，气象卫星云图处理
以及地面军事目标的识别。（3）生物医学领域中的应用
计算机图像处理在医学上应用最成功的例子就x射线ct(x-ray computed tomography)，20世纪70年代发明的计算机轴向断层
术（cat），简称计算机断层。
（4）工业生产中的应用
从70年代起得到了迅速的发展，图像处理技术的重要应用领域。在生产线中对产品及部件进行无损检测，如食品、水果质量检查，无
损探伤，焊缝质量或表面缺陷等等。
（5）军事、公安等方面的应用
军事目标的侦察、制导和警戒系统、自动灭火器的控制及反伪装；
公安部门的现场照片、指纹、手迹、人像等的处理和辨识；历史文
字和图片档案的修复和管理等。
（6）教学和科研领域
如科学可视化技术，远程培训及教学也将大量使用图像处理技术的
成果。（7）电子商务
如身份认证、产品防伪、水印技术等。 1.7 数字图像处理领域的发
展动向需进一步研究的问题：
（1）在进一步提高精度的同时着重解决处理速度问题。
（2）加强软件研究、开发新的处理方法。（3）加强边缘学科的研
究工作，促进图像处理技术的发展。
（4）加强理论研究，逐步形成图像处理科学自身的理论体系。
（5）图像处理领域的标准化。未来发展动向大致可归纳为：
（1）图像处理的发展将围绕hdtv的研制，开展实时图像处理的理
论及技术研究，向着高速、高分辨率、立体化、多媒体化、智能化
和标准化方向发展。
（2）图像、图形相结合，朝着三维成像或多维成像的方向发展。（3）硬件芯片研究。（4）新理论与新算法研究。
2－1. 数字数据传输通常用波特率度量，其定义为每秒中传输的比特数。通常的传输是以一个开始比特、一个字节（8比特）的信息和一
个停止比特组成的包完成的。基于这个概念回答下列问题：
（类似题目）在串行通信中，常用波特率描述传输的速率，它被定
义为每秒传输的数据比特数。串行通信中，数据传输的单位是帧，
也称字符。假如一帧数据由一个起始比特位、8 个信息比特位和一个
结束比特位构成。根据以上概念，请问：
（2）如果是用波特率为750kbps 的信道来传输上述图像，所需时
间又是多少？
2．11 两个图像子集s1和s2图下图所示。对于v＝｛1｝，确定
这两个子集是（a）4-邻接，（b）8-邻接，还是（c）m邻接的？
解a) s1 和s2 不是4 连接，因为q 不在n4(p)集中。
(b) s1 和s2 是8 连接，因为q 在n8(p)集中。
(c) s1 和s2 是m 连接，因为q 在集合nd(p)中，且n4(p)∩ n4(q)
没有v 值的像素
２－３．考虑如下所示的图像分割：
（ａ）令v＝｛０，１｝并计算ｐ和ｑ间的４，８，ｍ通路的最短
长度。如果在这两点间不存在特殊通路，其解释原因。
（ｂ）对v＝｛１，２｝重复上题。
解: (1) 在v＝{0,1}时，p和q之间通路的d4距离为∞，d8距离为4，dm距离为5。
(2) 在v＝{1,2}时，p和q之间通路的d4距离为6，d8距离为4，dm距离为6。解：(a) 当v={0,1}时，p 和q 之间不存在4 邻接路径，因为不同时存在从p 到q 像素的4 毗邻像素和具备v 的值，情
况如图(a)所示。p 不能到达q。8 邻接最短路径如图(b)所示，其最
短长度为4。m邻接路径如图(b)虚线箭头所示，最短长度为5。这
两种最短长度路径在此例中均具有唯一性。
(b) 当v={1, 2}时，最短的4 邻接通路的一种情况如图(c)所示，其长度为6，另一种情况，其长度也为6；8 邻接通路的一种情况如图(d)
实线箭头所示，其最短长度为4；m 邻接通路的一种情况如图(d)虚
线箭头所示，其最短长度为
6.
3.6试解释为什么离散直方图均衡技术一般不能得到平坦的直方图？答：（翻译答案）所有均衡直方图是大规模的映射组件。获得一个
统一的直方图要求对像素强度进行重新分配，这样使n/l像素组具有
相同的强度，l是离散的强度水平。n=mn是输入图像的总像素。直
方图均衡方法没有规定这类（人工）强度的再分配过程。
（百度答案：）由于离散图像的直方图也是离散的，其灰度累积分
布函数是一个不减的阶梯
函数。如果映射后的图像仍然能取到所有灰度级，则不发生任何变化。如果映射的灰度级小于256，变换后的直方图会有某些灰度级空缺。即调整后灰度级的概率基本不能取得相同的值，故产生的直方
图不完全平坦。
问题3.21
分别应用n=23、25和45的方形均值掩膜处理下面一幅图像。结果
发现当n=23、45时，处理后图像中左下角的垂直竖条被模糊了，但是竖条与竖条之间的分割仍然很清楚。当n=25时，
竖条却已经融入了整幅图像，尽管产生这幅图像的掩膜比45小得多，请解释这一现象。
注：垂直线段是5个像素宽，100个像素高；它们的间隔是20个像素。
3.22 以下的三幅图像是分别通过n=23,25和45的方形均值掩模处
理后的模糊图像。图(a)和(c)中左下角的垂直竖条被模糊了，但竖条
与竖条之间的分割仍然很清楚。但图(b)中的竖条却已经融人了整幅
图像，尽管产生这幅图像的掩模要比处理图像(c)的小得多，请解释
这一现象。
【篇三：数字图像处理的答案】
>i=imread(2.jpg);%读取图片
g=rgb2gray(i);%彩色图像灰度化
figure;imshow(i);%显示原图片
figure;imshow(g);%显示灰度值图片
%降低图像分辨率
g_down_1=g(1:2:end,1:2:end);%512
g_down_2=g_down_1(1:2:end,1:2:end);%256
g_down_3=g_down_2(1:2:end,1:2:end);%128
g_down_4=g_down_3(1:2:end,1:2:end);%64
g_down_5=g_down_4(1:2:end,1:2:end);%32
figure;imshow(g_down_1);%显示
figure;imshow(g_down_2);%显示
figure;imshow(g_down_3);%显示
figure;imshow(g_down_4);%显示
figure;imshow(g_down_5);%显示
%把降低分辨率的图像恢复原大小
g_up_5_near=imresize(g_down_3,8,nearest);%最近邻法放大 g_up_5_bil=imresize(g_down_5,32,bilinear);%双线性插值法放大 g_up_5_bic=imresize(g_down_5,32,bicubic);%三次内插法放大 figure;imshow(g_up_5_near);%显示
figure;imshow(g_up_5_bil);%显示
figure;imshow(g_up_5_bic);%显示
图像的四则运算和减法运算
clear;clc;%清空变量及工作区
i=imread(11.jpg);%读取图片
i=rgb2gray(i);%彩色图像灰度化
i2=imread(22.jpg);%读取图片
i2=rgb2gray(i2);%彩色图像灰度化
k=imlincomb(0.6,i,0.4,i2);%计算两幅图像的线性组合
k=histeq(k);%进行直方图均衡化
imshow(k);
figure;
i1=imread(1.jpg);
i2=imread(2.jpg);
i=i1-i2;%图像相减
imshow(i);
histeq（x）函数实现直方图均衡。因为此函数只能对灰度图像进行直方图均衡。故应先将彩图转为灰度图像
位图显示
clear;clc;
i=imread(aerial.tif
);
i=double(i);
g_7=bitand(i,128);%求灰度值第七位
i_7=im2uint8(mat2gray(g_7));%转换为无符号八位整型
figure;imshow(i_7);%显示第七位位图
g_6=bitand(i,64);%求灰度值第6位
i_6=im2uint8(mat2gray(g_6));%转换为无符号八位整型
figure;imshow(i_6);%显示第6位位图
g_5=bitand(i,32);
i_5=im2uint8(mat2gray(g_5));
figure;imshow(i_5);
g_4=bitand(i,16);
i_4=im2uint8(mat2gray(g_4));
figure;imshow(i_4);
g_3=bitand(i,8);
i_3=im2uint8(mat2gray(g_3));
figure;imshow(i_3);
g_2=bitand(i,4);
i_2=im2uint8(mat2gray(g_2));
figure;imshow(i_2);
g_1=bitand(i,2);
i_1=im2uint8(mat2gray(g_1));
figure;imshow(i_1);
g_0=bitand(i,1);
i_0=im2uint8(mat2gray(g_0));
figure;imshow(i_0);
i_restore=g_7+g_6+g_5+g_4+g_3+g_2+g_1+g_0;%读取重新储存的图片 figure;imshow(uint8(i_restore));%显示
骨骼图的显示
%读取图像
i=imread(fig0343(a)(skeleton_orig).tif);
%显示a图像
a=im2double(i);
subplot(2,4,1);
imshow(a);
title((a)全身骨骼扫描图像);
%显示b图像
subplot(2,4,2);
a=double(a);
w1=fspecial(laplacian,0);
b=imfilter(a,w1,corr,replicate);
imshow(b);%得到拉普拉斯变换后的图像
title((b)经过拉普拉斯操作后的结果);
%显示c图像
subplot(2,4,3);
c=a+b; %得到a+b的结果
imshow(c);
title((c)图a加图b得到的锐化图像);
%显示d图像
subplot(2,4,4);
w1=fspecial(sobel); %得到水平sobel模板
w2=w1;%转置得到竖直sobel模板
g1=imfilter(a,w1); %水平sobel梯度
g2=imfilter(a,w2); %竖直sobel梯度
d=abs(g1)+abs(g2);%sobel梯度
imshow(d);
title((d)图a经sobel梯度处理后的结果);
%显示e图像
subplot(2,4,5);
e=fspecial(average,5);
e=imfilter(d,e,corr,replicate);
imshow(e);
title((e)使用5*5均值滤波器平滑后的sobel图像); %显示f图像
subplot(2,4,6);
c=im2double(c);
e=im2double(e);
f=c.*e; imshow(f);
title((f)图c和图e相乘形成的掩蔽图像);
%显示g图像
subplot(2,4,7);
g=abs(a)+abs(f);
imshow(g);
title((g)由图a和图f求和得到的锐化后的图像); %显示h图像
subplot(2,4,8);
imshow(imadjust(g,[],[],0.5));
title((h)对图g应用幂律变换得到的最终结果);
灰度直方图操作
clear;clc;
i=imread(moon.tif);
figure;imshow(i);
figure;imhist(i); %显示灰度直方图
h=imhist(i，256); %长条图显示，宽度为1， figure;bar(h); h_scale=imhist(i,25);
x=linspace(0,255,25);%创建向量
figure;bar(x,h_scale); %长条图显示，宽度为25
i_equ=histeq(i,256); %直方图均衡化 figure;imhist(i_equ); figure;imshow(i_equ);
figure;bar(imhist(i_equ));
图像锐化梯度算子的应用