第六讲M A T L A B可视化(三)
图像显示
M a t l a b进行图像处理的步骤如下：
【目录】
一、图像文件格式 (1)
1、调色板 (1)
2、图像类型 (2)
3、图像文件格式 (2)
二、读图像和图像信息 (3)
1、读取图像 (3)
2、读取图像信息 (3)
三、图像类别与数据格式 (4)
四、图像显示 (6)
1、i m s h o w(I,n) (6)
2、i m s h o w(I,[l o w,h i g h]) (7)
3、i m s h o w(B W) (8)
4、i m s h o w(X,M A P) (11)
5、i m s h o w(R G B) (12)
6、i m s h o w f i l e n a m e (13)
7、s u b i m a g e (13)
五、保存图像 (14)
1、i m w r i t e函数 (14)
六、图像数据格式转换 (15)
1、索引图像 (15)
2、灰度图像 (15)
3、真彩色图像 (15)
4、二值图像 (15)
【正文】
一、图像文件格式
1、调色板
调色板是包含不同颜色的颜色表，每种颜色以红、绿、蓝三种颜色的组合来表示，图像的每一个像素对应一个数字，而该数字对应调色板中的一种颜色。
调色板的单元个数是与图像的颜色数相对应的，256色图像的调色板就有256个单元。
真彩图像的每个像素直接用R、G、B三个字节来表示颜色，因此不需要调色板。
2、图像类型
3、图像文件格式
二、读图像和图像信息
1、读取图像
函数i m r e a d可以从任何M a t l a b支持的图像文件格式中，以任意位深度读取一幅图像。格式为：
[X,M A P]=i m r e a d(F I L E N A M E,'F M T')，其中：
F I L E N A M E－为需要读入的图像文件名称，F M T－为图像格式。
【例】图像读取演示
[X1,M A P1]=i m r e a d('演示图像－1位黑白.t i f');
[X2,M A P2]=i m r e a d('演示图像－8位灰度.t i f');
[X3,M A P3]=i m r e a d('演示图像－256色.t i f');
[X4,M A P4]=i m r e a d('演示图像－16位灰度.t i f');
[X5,M A P5]=i m r e a d('演示图像－24位色.t i f');
[X6,M A P6]=i m r e a d('演示图像－48位色.t i f');
w h o s
N a m e S i z e B y t e s C l a s s
M A P10x00d o u b l e a r r a y
M A P20x00d o u b l e a r r a y
M A P3256x36144d o u b l e a r r a y
M A P40x00d o u b l e a r r a y
M A P50x00d o u b l e a r r a y
M A P60x00d o u b l e a r r a y
X1427x427182329l o g i c a l a r r a y
X2427x427182329u i n t8a r r a y
X3427x427182329u i n t8a r r a y
X4427x427364658u i n t16a r r a y
X5427x427x3546987u i n t8a r r a y
X6427x427x31093974u i n t16a r r a y
G r a n d t o t a l i s1824058e l e m e n t s u s i n g2558750b y t e s
2、读取图像信息
可以通过调用i m f i n f o函数获得与图像文件有关的信息，格式如下：
I N F O=i m f i n f o(F I L E N A M E,'F M T')其中：
返回的I N F O是M a t l a b的一个结构体。
【例】查看图像信息
I N F O=i m f i n f o('演示图像－48位色.t i f')
I N F O=
F i l e n a m e:[1x36c h a r]
F i l e M o d D a t e:'23-M a y-200422:14:23'
F i l e S i z e:1107548
F o r m a t:'t i f'
F o r m a t V e r s i o n:[]
W i d t h:427
H e i g h t:427
B i t D e p t h:48
C o l o r T y p e:'t r u e c o l o r'
F o r m a t S i g n a t u r e:[7373420]
B y t e O r d e r:'l i t t l e-e n d i a n'
N e w S u b f i l e T y p e:0
B i t s P e r S a m p l e:[161616]
C o m p r e s s i o n:'U n c o m p r e s s e d'
P h o t o m e t r i c I n t e r p r e t a t i o n:'R G B'
S t r i p O f f s e t s:13528
S a m p l e s P e r P i x e l:3
R o w s P e r S t r i p:427
S t r i p B y t e C o u n t s:1093974
X R e s o l u t i o n:2.7115
Y R e s o l u t i o n:2.7115
R e s o l u t i o n U n i t:'I n c h'
C o l o r m a p:[]
P l a n a r C o n f i g u r a t i o n:'C h u n k y'
T i l e W i d t h:[]
T i l e L e n g t h:[]
T i l e O f f s e t s:[]
T i l e B y t e C o u n t s:[]
O r i e n t a t i o n:1
F i l l O r d e r:1
G r a y R e s p o n s e U n i t:0.0100
M a x S a m p l e V a l u e:[655356553565535]
M i n S a m p l e V a l u e:0
T h r e s h o l d i n g:1
N e w S u b F i l e T y p e:0
S o f t w a r e:'A d o b e P h o t o s h o p7.0'
D a t e T i m e:'2004:05:2322:14:23'
三、图像类别与数据格式
） （无调色板） （无调
四、图像显示
M a t l a b 的图像显示函数主要有i m s h o w 、c o l o r b a r 和s u b i m a g e 三个。 1、i m s h o w (I ,n )
显示灰度级为n 的图像，n 缺省
为256。 【例】按256灰度级显示
I =i m r e a d ('m o o n .t i f '); i m s h o w (I ,256) c o l o r b a r
250
200
150
100
50
显示
I=i m r e a d('m o o n.t i f');
w,h i g h])
以灰度范围[l o w,h i g h]显示图像，如果不知道灰度范围，可以用i m s h o w(I,[])显示。
【例】按最大灰度范围显示
I=i m r e a d('m o o n.t i f');
i m s h o w(I,[])
c o l o r b a r
250
200
150
100
50
范围显示
I=i m r e a d('m o o n.t i f');
128])
120
110
100
90
80
70
显示二值图像。
【例】双精度灰度图像
b w1=z e r o s(100,100);
b w1(2:2:98,2:2:98)=1;
i m s h o w(b w1);
w h o s b w1
N a m e S i z e B y t e s C l a s s
b w1100x10080000d o u b l e a r r a y
G r a n d t o t a l i s10000e l e m e n t s u s i n g80000b y t e s
【例】8位的灰度图像
b w 1=z e r o s (100,100); b w 1(2:2:98,2:2:98)=1; b w 2=u i n t 8(b w 1); i m s h o w (b w 2,[]);
c o l o r b a r w h o s b w 2
N a m e S i z e B y t e s C l a s s
0.10.20.30.40.50.60.70.80.91图像
b w 1=z e r o s (100,100); b w 1(2:2:98,2:2:98)=1; b w 2=u i n t 8(b w 1); b w 3=b w 2~=0; i m s h o w (b w 3);
w h o s b w3
N a m e S i z e B y t e s C l a s s
b w3100x10010000l o g i
c a l a r r a y
G r a n d t o t a l i s10000e l e m e n t s u s i n g10000b y t e s
【例】显示二值图像
B W=i m r e a d('c i r c l e s.t i f');
i m s h o w(B W);
【例】取反显示二值图像
B W=i m r e a d('c i r c l e s.t i f');
i m s h o w(~B W);
【例】显示二值图像
c l f
B W=i m r e a d('c i r c l e s.t i f');
i m s h o w(B W,[100;001]);
4、i m s h o w(X,M A P)
显示索引图像，X为数据图像矩阵，M A P为调色板。【例】显示索引图像
[X,M A P]=i m r e a d('c a n o e.t i f');
i m s h o w(X,M A P);
c o l o r b a r
250
200
150
100
50
示伪彩色图像
I=i m r e a d('m o o n.t i f');
o w(I,j e t(256))
r b a r
250
200
150
100
50
显示真彩色图像。
【例】
r g b=i m r e a d('f l o w e r s.t i f');
i m s h o w(r g b);
6、i m s h o w f i l e n a m e
直接显示图像。
【例】直接显示图像
i m s h o w('m o o n.t i f');
I=g e t i m a g e;
w h o s I
N a m e S i z e B y t e s C l a s s
I537x358192246u i n t8a r r a y
G r a n d t o t a l i s192246e l e m e n t s u s i n g192246b y t e s
moon.tif
7、s u b i m a g e
多图显示多个调色板的图像。
【例】
l o a d t r e e s;
[x2,m a p2]=i m r e a d('f o r e s t.t i f');
50
100
150
200
250
300
350
50100150200250
50
100150200250
50
100
150
200
250
300
350
400
50100
150200250300
50100150
200
250
示多图
l o a d t r e e s ;
[x 2,m a p 2]=i m r e a d ('f o r e s t .t i f ');
s u b p l o t (2,1,1),i m s h o w (x 2,m a p 2);c o l o r b a r 50
1001502002501、i m w r i t e 函数
i m w r i t e (I ,'文件名','文件格式')－保存无调色板的图像
i m w r i t e (X ,M A P ,'文件名','文件格式')－保存有调色板的图像 i m w r i t e (...,'文件名')－文件名中含格式 i m w r i t e (...,'参数','值')－指定保存参数 文件格式：b m p 、j p g 、p c x 、t i f 。
【例】将t i f图像保存为j p g图像
[x,m a p]=i m r e a d('c a n o e.t i f');
i m w r i t e(x,m a p,'c a n o e.j p g','J P G','Q u a l i t y',75)
六、图像数据格式转换
1、索引图像
假设：X8－表示8位的索引图像，X16－表示16位的索引图像，X64－表示双精度的索引图像，则有：
X64=d o u b l e(X8)+1－u i n t8格式转d o u b l e格式
X64=d o u b l e(X16)+1－u i n t16格式转d o u b l e格式
X8=u i n t8(X64-1)－d o u b l e格式转u i n t8格式
X16=u i n t16(X64-1)－d o u b l e格式转u i n t16格式
X8=u i n t8(X16)－u i n t16格式转u i n t8格式
X16=u i n t16(X8)－u i n t8格式转u i n t16格式
2、灰度图像
假设：I8－表示8位的灰度图像，I16－表示16位的灰度图像，I64－表示双精度的灰度图像，则有：
I64=d o u b l e(I8/255)－u i n t8格式转d o u b l e格式
I64=d o u b l e(I16/65535)－u i n t16格式转d o u b l e格式
I8=u i n t8(r o u n d(I64*255))－d o u b l e格式转u i n t8格式
I16=u i n t16(r o u n d(I64*65535))－d o u b l e格式转u i n t16格式
I8=u i n t8(r o u n d(I16/257))－u i n t16格式转u i n t8格式
I16=u i n t16(r o u n d(I8*257))－u i n t8格式转u i n t16格式
3、真彩色图像
假设：R G B8－表示8位的真彩图像，R G B16－表示16位的真彩图像，R G B64－表示双精度的真彩图像，则有：
R G B64=d o u b l e(R G B8/255)－u i n t8格式转d o u b l e格式
R G B64=d o u b l e(R G B16/65535)－u i n t16格式转d o u b l e格式
R G B8=u i n t8(r o u n d(R G B64*255))－d o u b l e格式转u i n t8格式
R G B16=u i n t16(r o u n d(R G B64*65535))－d o u b l e格式转u i n t16格式
R G B8=u i n t8(r o u n d(R G B16/257))－u i n t16格式转u i n t8格式
R G B16=u i n t16(r o u n d(R G B8*257))－u i n t8格式转u i n t16格式
4、二值图像
假设B W8表示8位二值图像，B W64表示双精度二值图像，则有：B W64=d o u b l e(B W8)u i n t8格式转d o u b l e格式B W8=u i n t8(B W64)~=0d o u b l e格式转u i n t8格式p l o t3(X,Y,Z,'b o')
MATLAB数字图像处理 1 概述 BW=dither(I)灰度转成二值图； X=dither(RGB,map)RGB转成灰度图，用户需要提供一个Colormap； [X,map]=gray2ind(I,n)灰度到索引； [X,map]=gray2ind(BW,n)二值图到索引，map可由gray(n)产生。灰度图n默认64，二值图默认2； X=graylice(I,n)灰度图到索引图，门限1/n,2/n,…,(n-1)/n，X=graylice(I,v)给定门限向量v； BW=im2bw(I,level)灰度图I到二值图； BW=im2bw(X,map,level)索引图X到二值图；level是阈值门限，超过像素为1，其余置0，level在[0,1]之间。 BW=im2bw(RGB,level)RGB到二值图； I=ind2gray(X,map)索引图到灰度图； RGB=ind2rgb(X,map)索引图到RGB； I=rgb2gray(RGB)RGB到灰度图。 2 图像运算 2.1 图像的读写 MATLAB支持的图像格式有bmp,gif,ico,jpg,png,cur，pcx,xwd和tif。 读取（imread）： [1] A=imread(filename,fmt) [2] [X,map]=imread(filename,fmt) [3] […]=imread(filename) [4] […]=imread(URL,…) 说明：filename是图像文件名，如果不在搜索路径下应是图像的全路径，fmt是图像文件扩展名字符串。前者可读入二值图、灰度图、彩图(主要是RGB)；第二个读入索引图，map 为索引图对应的Colormap,即其相关联的颜色映射表，若不是索引图则map为空。URL表示引自Internet URL中的图像。 写入（imwrite）： [1] R=imwrite(A,filename,fmt); [2] R=imwrite(X,map,filename,fmt); [3] R=imwrite(…,filename); [4] R=imwrite(…,Param1,V al1,Param2,Val2) 说明：针对第四个，该语句用于指定HDF,JPEG,PBM,PGM,PNG,PPM,TIFF等类型输出文件的不同参数。例如HDF的Quality,Compression,WriteMode;JPEG的BitDepth，Comment:Empty or not，Mode:lossy or lossless，Quality等。 2.2 图像的显示 方法1：使用Image Viewer(图像浏览器)，即运用imview函数。 同时显示多帧图像的所有帧，可用到montage函数。
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
第 5 章图像平滑滤波在MATLAB上的实现 本课程设计在MATLAB上实现的程序和结果 I=imread('b.bmp'); v=0.5*ones(size(I)); I1=imnoise(I,'localvar',v); I2=imnoise(I,'salt & pepper',0.02); I3=imnoise(I,'speckle',0.02); figure; subplot(221); hold on; title('原图像'); imshow(I); hold off; subplot(222); hold on; title('受高斯噪声污染的图像'); imshow(I1); hold off; subplot(223); hold on; title('受椒盐噪声污染的图像'); imshow(I2); hold off; subplot(224); hold on; title('受乘性噪声污染的图像'); imshow(I3); hold off;
原图像受高斯噪声污染的图像 受椒盐噪声污染的图像受乘性噪声污染的图像 h=ones(3,3)/9; J1=imfilter(I1,h); J2=imfilter(I2,h); J3=imfilter(I3,h); figure; subplot(221); hold on; title('原图像'); imshow(I); hold off; subplot(222); hold on; title('对有高斯噪声的3*3邻域平均后的图像'); imshow(J1); hold off; subplot(223); hold on; title('对有椒盐噪声的3*3邻域平均后的图像'); imshow(J2); hold off; subplot(224); hold on; title('对有乘性噪声的3*3邻域平均后的图像'); imshow(J3);
基于matlab的图像识别与匹配 摘要 图像的识别与匹配是立体视觉的一个重要分支，该项技术被广泛应用在航空测绘，星球探测机器人导航以及三维重建等领域。 本文意在熟练运用图像的识别与匹配的方法，为此本文使用一个包装袋并对上面的数字进行识别与匹配。首先在包装袋上提取出来要用的数字，然后提取出该数字与包装袋上的特征点，用SIFT方法对两幅图进行识别与匹配，最终得到对应匹配数字的匹配点。仿真结果表明，该方法能够把给定数字与包装袋上的相同数字进行识别与匹配，得到了良好的实验结果，基本完成了识别与匹配的任务。
1 研究内容 图像识别中的模式识别是一种从大量信息和数据出发，利用计算机和数学推理的方法对形状、模式、曲线、数字、字符格式和图形自动完成识别、评价的过程。 图形辨别是图像识别技术的一个重要分支，图形辨别指通过对图形的图像采用特定算法，从而辨别图形或者数字，通过特征点检测，精确定位特征点，通过将模板与图形或数字匹配，根据匹配结果进行辨别。 2 研究意义 数字图像处理在各个领域都有着非常重要的应用，随着数字时代的到来，视频领域的数字化也必将到来，视频图像处理技术也将会发生日新月异的变化。在多媒体技术的各个领域中，视频处理技术占有非常重要的地位，被广泛的使用于农业，智能交通，汽车电子，网络多媒体通信，实时监控系统等诸多方面。因此，现今对技术领域的研究已日趋活跃和繁荣。而图像识别也同样有着更重要的作用。 3 设计原理 3.1 算法选择 Harris 角点检测器对于图像尺度变化非常敏感，这在很大程度上限制了它的应用范围。对于仅存在平移、旋转以及很小尺度变换的图像，基于Harris 特征点的方法都可以得到准确的配准结果，但是对于存在大尺度变换的图像，这一类方法将无法保证正确的配准和拼接。后来，研究人员相继提出了具有尺度不变性的特征点检测方法，具有仿射不变性的特征点检测方法，局部不变性的特征检测方法等大量的基于不变量技术的特征检测方法。 David.Lowe 于2004年在上述算法的基础上，总结了现有的基于不变量技术的特征检测方法，正式提出了一种基于尺度空间的，对图像平移、旋转、缩放、甚至仿射变换保持不变性的图像局部特征，以及基于该特征的描述符。并将这种方法命名为尺度不变特征变换（Scale Invariant Feature Transform），以下简称SIFT 算法。SIFT 算法首先在尺度空间进行特征检测，并确定特征点的位置和特征点所处的尺度，然后使用特征点邻域梯度的主方向作为该特征点的方向特征，以实现算子对尺度和方向的无关性。利用SIFT 算法从图像中提取出的特征可用于同一个物体或场景的可靠匹配，对图像尺度和旋转具有不变性，对光照变化、
图像灰度变换 内容摘要 1 引言 通常经输入系统获取的图像信息中含有各种各样的噪声与畸变，例如室外光照度不够均匀会造成图像灰度过于集中；由摄像头获得的图像经过A/D转换、线路传送都会产生噪声污染等等，这些不可避免地影响系统图像清晰度，降低了图像质量，轻者表现为图像不干净，难以看清细节；重者表现为图像模糊不清，连概貌都看不出来。因此，在对图像经行分析前，必须对图像质量经行改善，一般情况下改善的方法有两类：图像增强和图像复原。图像增强的目的是设法改善图像的视觉效果，提高图像的可读性，将图像中感兴趣的特征有选择的突出，便于人与计算机的分析和处理。图像增强不考虑图像质量下降的原因，只将图像中感兴趣的特征有选择的突出，而衰减不需要的特征。灰度变换是图像增强处理中一种非常基础直接的空间域图像处理方法。灰度变换是根据某种条件按一定变换关系逐点改变原图像中每一个像素灰度值的方法。 1.灰度的线性变换 当图像由于成像时曝光不足或过度, 由于成像设备的非线性或图像记录设备动态范围太窄等因素, 都会产生对比度不足的弊病, 使图像中的细节分辨不清。这时如将图像灰度线性扩展, 常能显著改善图像的主观质量。假设原图像f (x, y ) 的灰度范围是[ a, b ] 希望变换后图像的灰度范围扩展到[ c, d ] 则： M f 表示f ( x, y ) 的最大值。在线性灰度变换中,灰度执照完全线性变换函数进行变换。该线性灰度线性变换函数f ( r ) 是一个一维线性函数: 其中, a 为线性变换的斜率, b 为线性变换函数在y 轴的截距, 如图1所示。
在灰度的线性变换中, 当a > 1时, 输出图像的对比度将增大; 当a < 1时, 输出图像的对比 度将减小; 当a = 1且b ?0时, 所进行的操作仅使所有像素的灰度值上移或下移, 其效果 是使整个图像更暗或更亮; 如果a < 0, 则暗区域将变亮, 亮区域将变暗。 2分段线性灰度变换 为了突出感兴趣的目标或者灰度区间, 相对抑制那些不感兴趣的灰度区域, 可采用分段线性法。常用的是三段线性变换。分段线性变换称为图像直方图的拉伸, 它与完全线性变换类似, 其不同之处在于其变换函数是分段的, 如图2所示： 其变换函数表达式如下: 灰度拉伸可以更加灵活地控制输出灰度直方图的分布, 它可以有选择地拉伸某段灰度区间以改善输出图像。图2所示的变换函数的运算结果是将原图在r1 和r2 之间的灰度拉伸到s1 和s2 之间。如果一幅图像灰度集中在较暗的区域而导致图像偏暗, 可以用灰度拉伸功能来拉伸(斜率> 1) 物体灰度区间以改善图像; 同样如果图像灰度集中在较亮的区域而导致图像偏亮, 也可以用灰度拉伸功能来压缩(斜率< 1) 物体灰度区间来改善图像质量。 3非线性灰度变换
用MATLAB实现频域平滑滤波以及图像去噪代码 悬赏分：50 - 解决时间：2008-11-8 14:21 是数字图象处理的实验，麻烦高人给个写好的代码，希望能在重要语句后面附上一定的说明，只要能在MATLAB上运行成功，必然给分。具体的实验指导书上的要求如下： 频域平滑滤波实验步骤 1. 打开Matlab 编程环境；
2. 利用’imread’函数读入图像数据； 3. 利用’imshow’显示所读入的图像数据； 4. 将图像数据由’uint8’格式转换为’double’格式，并将各点数据乘以 (-1)x+y 以便FFT 变换后的结果中低频数据处于图像中央； 5. 用’fft2’函数对图像数据进行二维FFT 变换，得到频率域图像数据； 6. 计算频率域图像的幅值并进行对数变换，利用’imshow’显示频率域图 像； 7. 在频率图像上去除滤波半径以外的数据(置0)； 8. 计算频率域图像的幅值并进行对数变换，利用’imshow’显示处理过的 频域图像数据； 9. 用’ifft2’函数对图像数据进行二维FFT 逆变换，并用’real’函数取其实部，得到处理过的空间域图像数据； 10. 将图像数据各点数据乘以(-1)x+y； 11. 利用’imshow’显示处理结果图像数据； 12. 利用’imwrite’函数保存图像处理结果数据。 图像去噪实验步骤： 1. 打开Matlab 编程环境； 2. 利用’imread’函数读入包含噪声的原始图像数据； 3. 利用’imshow’显示所读入的图像数据； 4. 以3X3 大小为处理掩模，编写代码实现中值滤波算法，并对原始噪声 图像进行滤波处理； 5. 利用’imshow’显示处理结果图像数据； 6. 利用’imwrite’函数保存图像处理结果数据。 即使不是按这些步骤来的也没关系，只要是那个功能，能实现就OK，谢谢大家 %%%%%%%%spatial frequency (SF) filtering by low pass filter%%%%%%%% % the SF filter is unselective to orientation (doughnut-shaped in the SF % domain). [FileName,PathName,FilterIndex] = uigetfile ; filename = fullfile(PathName, FileName) ; [X map] = imread(filename, fmt); % read image L = double(X); % transform to double %%%%%%%%%%%%% need to add (-1)x+y to L % calculate the number of points for FFT (power of 2) fftsize = 2 .^ ceil(log2(size(L))); % 2d fft Y = fft2(X, fftsize(1), fftsize (2));
附录1 课程实验报告格式 每个实验项目包括：1)设计思路，2)程序代码，3）实验结果，4）实验中出现的问题及解决方法。 实验一：直方图灰度变换 A：读入灰度图像‘debye1.tif’，采用交互式操作，用improfile绘制一条线段的灰度值。 imread('rice.tif'); imshow('rice.tif'),title('rice.tif'); improfile,title('主对角线上灰度值')
B：读入RGB图像‘flowers.tif’，显示所选线段上红、绿、蓝颜色分量的分布imread('flowers.tif'); imshow('flowers.tif'),title('flowers.tif'); improfile,title('主对角线红绿蓝分量') C：图像灰度变化 f=imread('rice.png'); imhist(f,256); %显示其直方图 g1=imadjust(f,[0 1],[1 0]); %灰度转换，实现明暗转换(负片图像) figure,imshow(g1)%将0.5到0.75的灰度级扩展到范围[0 1] g2=imadjust(f,[0.5 0.75],[0 1]); figure,imshow(g2) 图像灰度变换处理实例： g=imread('me.jpg'); imshow(g),title('原始图片'); h=log(1+double(g)); %对输入图像对数映射变换 h=mat2gray(h); %将矩阵h转换为灰度图片
h=im2uint8(h); %将灰度图转换为8位图 imshow(h),title('转换后的8位图'); 运行后的结果： 实验二：直方图变换 A：直方图显示 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运行结果如下：
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
江苏科技大学 数字图像处理本科生课程论文 论文题目：图像平滑方法综述与MATLAB实现完成时间：11月20日 所在专业：信息与计算科学
图像平滑方法综述与MATLAB实现 摘要：在图像的生成、传输或变换的过程中，由于多种因素的影响，总要造成图像质量的下降，这就需要进行图像增强。随着图像处理领域的迅速发展，图像平滑作为图像增强的重要环节，也逐渐受到人们的关注。图像平滑的目的为了消除噪声。图像平滑可以在空间域进行，也可以在频率域进行。空间域常用的方法有领域平均法、中值滤波和多图像平均法；在频率域，因为噪声频谱多在高频段，因此可以采用各种形式的低通滤波方法进行平滑处理。 关键词：图像平滑；消除噪声；领域平均法；中值滤波；低通滤波法……… 1 研究背景 总所周知，实际获得的图像在形成、传输接收和处理的过程中，不可避免地存在着外部干扰和内部干扰，如光电转换过程中敏感元件灵敏度的不均匀性、数字化过程中的量化噪声、传输过程中的误差以及人为因素等，均会使图像质量变差，需要进行图像的平滑处理。 图像平滑是一种实用的熟悉图像处理技术，一个较好的平滑处理方法应该既能消除图像噪声，又不使图像边缘轮廓和线条变模糊，这就是研究数字图形平滑处理要追求的目标。 2.主要理论概况 2.1 邻域平均法 邻域平均法就是对含噪声的原始图像的每一个像素点取一个邻域，计算中所有像素灰度级的平均值，作为邻域平均处理后的图像的像素值。即 式中， ），为邻域中像素的点数。
是预先设定的阈值，当某些点的灰度值与其邻域点灰度平均值之差不超过阈值式中， 时，仍保留这些点的灰度值。当某些点的灰度值与其邻点灰度的均值差别较大时，这些点必然是噪声，这时再取其邻域平均值作为这些点的灰度点。这样平滑后的图像比单纯的进行邻域平均后的图像要清晰一些，平滑效果仍然很好。 2.2 中值滤波 中值滤波是一种非线性处理技术，由于它在实际运算过程中并不需要知道图像的统计特性，所以比较方便。中值滤波最初是应用在一维信号处理技术中，后来被二维的图像处理技术所引用。在一定条件下，中值滤波可以克服线性滤波器所带来的图像细节模糊，而且对滤波除脉干扰及图像扫描噪声非常有效。但是对一些细节多，特别是点、线、尖顶较多的图像则不宜采用中值滤波的方法。中值滤波的目的是保护图像边缘的同时去除噪声。 2.2.1 中值滤波的主要原理 中值滤波实际上就是用一个含有奇数个像素的滑动窗口，将窗口正中点的灰度值用窗口内各点的中值代替。例如若窗口长度为5，窗口中像素的灰度值分别为80、90、200、110、120，则中值为110，于是原来窗口正中的200就由110代替。 设有一个一维序列，用窗口长度为m(m为奇数)的窗口对该序列进行中值 滤波，就是从序列中相继抽出m 个数其中为窗口中心值，，再将这m个点的值按其数值大小排列，取其序号为正中间的那个值作为滤波器的输出。用数学公式可表示为 对二维序列进行中值滤波时，滤波窗口也是二维的，只不过这种二维窗口可以有各种不同的形状，如线状、方形，圆形、十字形和圆环形等。二维数据的中值滤波可以表示为 A为窗口
实验一Matlab图像处理基础及图像灰度变换 一、实验目的 了解Matlab平台下的图像编程环境，熟悉Matlab中的DIP (Digital Image Processing)工具箱；掌握Matlab中图像的表示方法，图像类型、数据类型的种类及各自的特点，并知道怎样在它们之间进行转换。掌握Matlab环境下的一些最基本的图像处理操作，如读图像、写图像、查看图像信息和格式、尺寸和灰度的伸缩等等；通过实验掌握图像直方图的描绘方法，加深直方图形状与图像特征间关系间的理解；加深对直方图均衡算法的理解。 二、实验内容 1．从硬盘中读取一幅灰度图像； 2．显示图像信息，查看图像格式、大小、位深等内容； 3．用灰度面积法编写求图像方图的Matlab程序，并画图； 4．把第3步的结果与直接用Matlab工具箱中函数histogram的结果进行比较，以衡量第3步中程序的正确性。 5．对读入的图像进行直方图均衡化，画出处理后的直方图，并比较处理前后图像效果的变化。 三、知识要点 1.Matlab6.5支持的图像图形格式 TIFF, JEPG, GIF, BMP, PNG, XWD (X Window Dump)，其中GIF不支持写。 2.与图像处理相关的最基本函数 读：imread; 写：imwrite; 显示：imshow; 信息查看：imfinfo; 3.Matlab6.5支持的数据类 double, unit8, int8, uint16, int16, uint32, int32, single, char (2 bytes per element), logical. 4.Matlab6.5支持的图像类型 Intensity images, binary images, indexed images, RGB image 5.数据类及图像类型间的基本转换函数 数据类转换：B = data_class_name(A);
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,[]);
《图像处理中的数学方法》实验报告 学生姓名：赵芳舟 教师姓名：曾理 学院：数学与统计学院 专业：信息与计算科学 学号： 联系方式： 梯度和拉普拉斯算子在图像边缘检测中的应用
一、数学方法 边缘检测最通用的方法是检测灰度值的不连续性，这种不连续性用一阶和二阶导数来检测。 1.（1）一阶导数：一阶导数即为梯度，对于平面上的图像来说，我们只需用到二维函数 的梯度，即：,该向量的幅值： ,为简化计算，省略上式平方根，得到近似值；或通过取绝对值来近似，得到：。 （2）二阶导数：二阶导数通常用拉普拉斯算子来计算，由二阶微分构成： 2.边缘检测的基本思想： （1）寻找灰度的一阶导数的幅度大于某个指定阈值的位置； （2）寻找灰度的二阶导数有零交叉的位置。 3.几种方法简介 （1）Sobel边缘检测器：以差分来代替一阶导数。Sobel边缘检测器使用一个3×3邻域的行和列之间的离散差来计算梯度，其中，每行或每列的中心像素用2来 加权，以提供平滑效果。 -1-21 000 121 -101 -202 -101
（2）Prewitt边缘检测器:使用下图所示模板来数字化地近似一阶导数。与Sobel检测器相比，计算上简单一些，但产生的结果中噪声可能会稍微大一些。 -1-1-1 000 111 -101 -101 -101 （3）Roberts边缘检测器：使用下图所示模板来数字化地将一阶导数近似为相邻像素之间的差，它与前述检测器相比功能有限（非对称，且不能检测多种45°倍数的边缘）。 -10 01 0-1 10 （4）Laplace边缘检测器：二维函数的拉普拉斯是一个二阶的微分定义： 010 1-41 010
模板匹配MATLAB实现及算法优化 一、引言 现代社会已进入信息时代，随着计算机技术、通信技术和数学的发展，图像信息处理能力和水平也不断提高，相应的也得到和更多关注、研究和更加广泛的应用。图像匹配是图像处理的一项关键技术，可广泛用于目标识别与跟踪、立体视觉、变化检测、车场车牌识别、人脸识别、机器人导航、测绘、等领域，已成为一门新兴的分支学科。由于拍摄时间、拍摄角度、自然环境的变化、多种传感器的使用和传感器本身的缺陷，使拍摄的图像不仅受噪声的影响，而且存在严重的灰度失真和几何畸变。在这种条件下，如何有效地进行图像匹配一直是人们研究的热点和难点。 要研究模板匹配，首先必须明确模板匹配的定义：模板匹配是指通过一定的匹配算法在两幅或多幅图像之间识别同名点，如二维图像匹配中通过比较目标区和搜
索区中相同大小的窗口的相关系数，取搜索区中相关系数最大所对应的窗口中心点作为同名点。其实质是在基元相似性的条件下，运用匹配准则的最佳搜索问题。简单的讲就是，要判读一幅大图像中是否存在某种已知的图案，则以一幅与该图案有着相同尺寸和方向的小图像为模板，通过一定的算法可以在图中找到目标，确定其坐标位置。 那么如何实现模板与原图像的匹配呢？下面将结合一个具体例子说明模板匹配的实现过程。 二、 问题描述及解决方法 1. 问题描述 现有模板如下图： 原图如下图： 问题：如何在原图中找到模板所处的位置，并把该位置标记出来。 2. 解决方法 首先必须建立判断模板与原图相应位置相似程度的准则。对于彩色图像，是基于图像的特征匹配；而灰度图像，则是基于相关函数。本实验的处理对象主要是灰度图片。 相关函数又分成两类： （1） 差值测度。计算公式如下： max |(,)(,)|f x y g x y ε=- |(,)(,)|D f x y g x y dxdy ε=-?? 22[(,)(,)]D f x y g x y dxdy ε=-??
《基础强化训练》设计报告 题目：二维灰度图象的统计分析及变换处理专业班级： 学生姓名： 指导教师： 2010 年7 月17 日
《基础强化训练》设计任务书 学生姓名：专业班级： 指导教师：工作单位： 题目: 二维灰度图象的统计分析及（FFT）变换处理 课程设计目的： ①较全面了解常用的数据分析与处理原理及方法； ②能够运用相关软件进行模拟分析； ③掌握基本的文献检索和文献阅读的方法； ④提高正确地撰写论文的基本能力。 课程设计内容和要求 ①采集一幅像素大于64*64黑白图像； ②常规的数学统计数据处理：计算图象各象素点灰度值得均值、标准差、方差，并绘出灰度直方图； ③采用[FFT（傅立叶变换）]对图像进行分析 初始条件： ①MATLAB软件。 ②数字信号处理与图像处理基础知识。 时间安排： 第18周周一：安排任务 19～20周：仿真设计（鉴主13楼计算机实验室） 第20周周六：完成（答辩，提交报告，演示） 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 (1) Abstract (2) 1 数据采集 (3) 1.1图像的选取 (3) 1.2 MATLAB读取方法 (4) 1.2.1 编辑M文件 (4) 1.2.2 图像的读取 (4) 1.2.3查看图像的格式 (6) 1.2.4 灰度值的获取 (7) 2 数据统计处理 (8) 2.1 均值计算 (8) 2.1.1 原理及计算公式 (8) 2.1.2 计算程序及结果 (9) 2.2 各像素点灰度值的标准差 (9) 2.3 各像素点灰度值的方差 (10) 2.4 灰度直方图 (11) 3.傅立叶变化 (13) 3.1 原理及计算公式 (13) 3.2 变换及逆变换程序及结果 (14) 3.3对变换后的图像的说明 (16) 4.总结（心得体会） (17) 5.参考文献 (18)
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
图像平滑的Matlab实现 20101602310035 黄汉杰 摘要 随着图像处理领域的迅速发展，图像平滑作为图像处理中的重要环节，也逐渐受到人们的关注。图像平滑的目的主要是消除噪声。图像平滑方法按空间域和频率域的分类及各种方法的特点，图像平滑是对图像作低通滤波,可在空间域或频率域实现。空间域图像平滑方法主要用均值滤波、中值滤波等；频率域图像平滑常用的低通滤波器有理想低通滤波器、布特沃斯低通滤波器、低通指数滤波器、低通梯形滤波器等。 关键词：图像平滑；噪声；空间域低通滤波；频域低通滤波 引言： （1）在图像的获取和传输过程中原始图像会受到各种噪声的干扰，使图像质量下降。为了抑制噪声、改善图像质量，要对图像进行平滑处理。抑制或消除这些噪声而改善图像质量的过程称为图像的平滑。图像平滑的目的是为了消除噪声。噪声消除的方法又可以分为空间域或频率域，亦可以分为全局处理或局部处理，亦可以按线性平滑、非线性平滑和自适应平滑来区别。图像的平滑是一种实用的数字图像处理技术，一个较好的平滑处理方法应该既能消除图像噪声，又不使图像边缘轮廓和线条变模糊，这就是研究数字图像平滑处理要追求的目标。一般情况下，减少噪声的方法可以在空间域或频率域进行处理，主要有邻域平均法、中值滤波法、低通滤波法等，邻域平均法即通过提高信噪比，取得较好的平滑效果；空间域低通滤波采用低通滤波的方法去除噪声；以及频域低通滤波法通过除去其高频分量就能去掉噪声，从而使图像得到平滑。 （2）本设计将对图像平滑处理的两大方面即空间域和频率域,以及两种处理
方向里的几种处理方法进行介绍，并对一些常用的简单平滑算法进行分析。 （3）图像平滑主要是为了消除被污染图像中的噪声,这是遥感图像处理研究的最基本内容之一,被广泛应用于图像显示、传输、分析、动画制作、媒体合成等多个方面。该技术是出于人类视觉系统的生理接受特点而设计的一种改善图像质量的方法。处理对象是在图像生成、传输、处理、显示等过程中受到多种因素扰动形成的加噪图像。在图像处理体系中,图像平滑是图像复原技术针对“一幅图像中唯一存在的退化是噪声”时的特例。 1.论文目的 1.1 通过几种图像平滑的方法，实现被噪声污染过的图像的平滑处理，其中包括空间域和频率域； 1.2 在加深对数字图像处理课本知识理解的基础上，学会运用已学的知识对图像 平滑的处理方法的结果进行分析。 2.理论及方案 (1)图像噪声来源及类型 一幅图像在获取和传输等过程中，会受到各种各样噪声的干扰，其主要来源有三：一为在光电、电磁转换过程中引入的人为噪声；二为大气层电（磁）暴、闪电、电压、浪涌等引起的强脉冲性冲激噪声的干扰；三为自然起伏性噪声，由物理量的不连续性或粒子性所引起，这类噪声又可分成热噪声、散粒噪声等。一般在图像处理技术中常见的噪声有：加性噪声、乘性噪声、量化噪声、“盐和胡椒”噪声等。下面介绍两种主要的噪声。 2.1.1、高斯噪声(Gaussian noise) 这种噪声主要来源于电子电路噪声和低照明度或高温带来的传感器噪声,也
模板匹配MATLAB实现及算法优化
一、引言 现代社会已进入信息时代，随着计算机技术、通信技术和数学的发展，图像信息处理能力和水平也不断提高，相应的也得到和更多关注、研究和更加广泛的应用。图像匹配是图像处理的一项关键技术，可广泛用于目标识别与跟踪、立体视觉、变化检测、车场车牌识别、人脸识别、机器人导航、测绘、等领域，已成为一门新兴的分支学科。由于拍摄时间、拍摄角度、自然环境的变化、多种传感器的使用和传感器本身的缺陷，使拍摄的图像不仅受噪声的影响，而且存在严重的灰度失真和几何畸变。在这种条件下，如何有效地进行图像匹配一直是人们研究的热点和难点。 要研究模板匹配，首先必须明确模板匹配的定义：模板匹配是指通过一定的匹配算法在两幅或多幅图像之间识别同名点，如二维图像匹配中通过比较目标区和搜索区中相同大小的窗口的相关系数，取搜索区中相关系数最大所对应的窗口中心点作为同名点。其实质是在基元相似性的条件下，运用匹配准则的最佳搜索问题。简单的讲就是，要判读一幅大图像中是否存在某种已知的图案，则以一幅与该图案有着相同尺寸和方向的小图像为模板，通过一定的算法可以在图中找到目标，确定其坐标位置。 那么如何实现模板与原图像的匹配呢？下面将结合一个具体例子说明模板匹配的实现过程。 二、问题描述及解决方法 1.问题描述 现有模板如下图： 原图如下图： 问题：如何在原图中找到模板所处的位置，并把该位置标记出来。 2.解决方法
首先必须建立判断模板与原图相应位置相似程度的准则。对于彩色图像，是基于图像的特征匹配；而灰度图像，则是基于相关函数。本实验的处理对象主要是灰度图片。 相关函数又分成两类： （1） 差值测度。计算公式如下： max |(,)(,)|f x y g x y ε=- |(,)(,)|D f x y g x y dxdy ε=-?? 22[(,)(,)]D f x y g x y dxdy ε=-?? （2） 相关测度。计算公式如下： 1222(,)(,)(,)[(,)(,)]D D D f x y g x y dxdy p x y f x y dxdy g x y dxdy = ??????? 显然，上式中的p(x,y)取值范围是0到1。越接近于0，表示两图像相差越大；越接近于1，表示两图像越相似。 有了描述相似程度的数学模型，接下来就可以用MATLAB 编程实现模板匹配，从而解决上述问题了。 三、 MATLAB 实现 要实现这个程序，必须有三个重要组成部分： 1. 模板循环 功能：实现模板扫过原图的每一个像素点。 语句： for i=1:M-m for j=1:N-n end end 描述：以模板左上角第一个点为标志点，使其依次从左到右、从上到下扫过原图每一个像素点。 2. 相似性判断 功能：在每一次循环时，计算模板与覆盖的原图区域的相似程度，并判断两图像是否相似。 语句： temp=imcrop(im,[j,i,n-1,m-1]);