基于MA TLAB的数字图像处理系统
摘要：数字图像处理技术是20世纪60年代发展起来的一门新兴学科，随着图像处理理论和方法的进
一步完善，使得数字图像处理技术在各个领域得到了广泛应用，并显示出广阔的应用前景。MATLAB既是一种直观、高效的计算机语言,同时又是一个科学计算平台。它为数据分析和数据可视化、算法和应用程序开发提供了最核心的数学和高级图形工具。根据它提供的500多个数学和工程函数，工程技术人员和科学工作者可以在它的集成环境中交互或编程以完成各自的计算。
MATLAB中集成了功能强大的图像处理工具箱。由于MATLAB语言的语法特征与C语言极为相似，而且更加简单，更加符合科技人员对数学表达式的书写格式，而且这种语言可移植性好、可扩展性强，再加上其中有丰富的图像处理函数，所以MATLAB在图像处理的应用中具有很大的优势。
关键词：MATLAB，数字图像处理，GUI,
一、课程设计目的
综合运用MA TLAB工具箱实现图像处理的GUI程序设计。
二、课程设计要求
1）熟悉和掌握MA TLAB 程序设计方法
2）掌握MA TLAB GUI 程序设计
3）学习和熟悉MA TLAB图像处理工具箱
4）学会运用MA TLAB工具箱对图像进行处理和分析
三、课程设计的内容
学习MA TLAB GUI程序设计，利用MA TLAB图像处理工具箱，设计和实现自己的Photoshop 。要求：按照软件工程方法，根据需求进行程序的功能分析和界面设计，给出设计详细说明。然后按照自己拟定的功能要求进行程序设计和调试。
以下几点是程序必须实现的功能。
1）图像的读取和保存。
2）设计图形用户界面，让用户能够对图像进行任意的亮度和对比度变化调整，显示和对比变换前后的图像。
3）设计图形用户界面，让用户能够用鼠标选取图像感兴趣区域进行截图，并显示该选择区域。
5）图像直方图统计，要求显示直方图统计。
四、题目分析
信息化社会中，计算机在各种信息处理中发挥着重要的作用。我们可以借助计算机，
对数字图像进行处理，以达到不同的效果。根据题目的要求，除了实现要求的功能外，还有
很多的功能需要用到。
（1）、将一个RGB图像转换为灰度图像。
（2）、可以对图像做各种变换，如旋转等。
五、总体设计
由于要实现的功能并不是很多，所以在排版的过程中，把各个功能都安排在目录栏上，整体安排如下图5-1所示：
图5-1 整体安排
总体的设计界面如下图5-2所示：
图5-2 总体设计界面
六、具体设计
6.1、文件
6.1.1、打开
为了让使用者更方便的使用，所以在设计的时候，通过对话框的形式来选择文件，选择uigetfile函数来实现，uigetfile函数显示一个打开文件对话框，该对话框自动列出当前路径下的目录和文件，由于这个GUI程序的操作对象是图像文件，所以设置这里的缺省后缀名为“.bmp”。
Uigetfile函数的调用格式为[name,path]=yigetfile(…), 在按下对话框中的执行按钮“打开”后，返回选择的文件名和路径，分别保存到“name”和“path”中。如果按下取消按钮或是发生错误，则返回值是0。根据返回值的情况，如果是0，则弹出提示错误的对话框，否则，通过imread函数读出图像数据，把图像数据赋值给全局变量handles.img。
6.1.2、保存
同样也通过对话框的形式来保存图像数据，通过uigetfile函数选择文件名和路径，用getimage（gca）取出坐标2变换后的图像数据保存到变量i，最后用imwrite
函数，把数据i存到指定的文件。
6.1.3、退出
退出比较简单，程序如下所示：
clc;
close all;
close(gcf);
6.2、旋转
6.2.1、上下翻转
函数flipud是实现一个二维矩阵的上下翻转，如
a=[1 2;3 4],经过该函数处理后，原矩阵变为[3 4;1 2];所以利用该函数也可以对图像进行上下翻转处理，但由于该函数针对二维数据的处理，所以在写程序时，要对RGB图像和灰度图像分开处理，这就要用到isrgb函数来判断，如果是灰度图像，则可以直接用这个函数进行处理，否则就要对RGB图像进行降维处理，
for k=1:3
y(:,:,k)=flipud(x(:,:,k));
end
处理结果如图 6.2-1：
图 6.2-1 图像上下翻转前后
6.2.2、左右翻转
对图像的左右翻转也可以用fliplr函数来处理，同样的，也要对灰度和彩色图像分开处理，处理结果如图6.2-2：
图6.2-2 图像左右翻转前后
6.2.3任意角度翻转
用函数imrotate来实现对图像的插值旋转。
该函数的调用格式如下：
B＝imrotate(A，angle，method，’crop’)
其中，参数method用于指定插值的方法，可选的值可以有三种，分别为邻近插值，双线性插值，双三次插值，缺省时为邻近插值，参数angle代表旋转的角度。
一般来说，旋转后的图像会比原图大，用户可以指定“crop”参数对旋转后的图像进行剪切(取图像的中间部分)，使返回的图像与原图大小相同。执行结果为如图 6.2-.3：
图6.2-3 图像45度翻转前后
6.3、直方图统计
用imhist函数对图像数据进行直方图统计，
x=imhist(handles.img(:,:,1));
bar(horz,x);
其中，x矩阵的数据是0~255灰度值的统计个数，如果直接对x矩阵数据进行图形图显示，由于有256个数据，在坐标系中就会很密集，为了更清楚的显示条形图，所以在程序设计时，把x数据进行部分提取，
x1=x(1:10:256);
horz=1:10:256;
bar(horz,x1);
直方图显示图像分别如图6.3-1，6.3-2，6.3-3所示
图 6.3-1R直方图
6.4、编辑
6.4.1、灰度
由于RGB图像是三维图像，所以图像数据是一个三维数组，为了显示灰度
图像，把三维图像降为二维，可以只取其中的二维数据，实现方法程序为：y=(handles.img(:,:,1)); %当然也可以选择(:,:,2) 或(:,:,3)???? imshow(y);
但是这样的话，根据程序所选的不同，图像数据也不同，显示也就不一样。
另一种方法就是，运用rgb2gray函数实现彩色图像到灰度图像的转换。程序为：
y=rgb2gray(handles.img); ?????
imshow(y);
这个程序只能用于RGB图像转换灰度图像，当原始图像本来就是灰度图像时，运行该程序时就会出错，但是使用者在使用时有时并不知道这些，为了使该程序更加完善，应该在使用者原先图像时灰度图像时使用该功能时，应该要显示提示类信息。所以在开始时应该要有一个RGB图像或是灰度图像的判断过程。完整的程序如下：
if isrgb(handles.img)
y=rgb2gray(handles.img);?????
imshow(y);
else
msgbox('这已经是灰度图像','转换失败');
end
如果原图是RGB，执行该操作的结果如图6.4-1：
图 6.4-1 图像灰度转换前后
6.4.2、亮度
用imadjust函数，其调用格式如下：
g=imadust(f,[low_in high_in],[low_out
high_out]),gamma)
gamma 表示映射性质，默认值是1 表示线性映射。
由于该函数有五个参数需要输入，为了方便用户改变，
所以这里设计一个输入对话框，用户通过对话框把五个参数
赋值给[low_in high_in],[low_out high_out],gamma这五个参
数，如下一组命令建立了如图6.4-2所示的输入对话框：
prompt={'输入参数1','输入参数2','输入gamma'};
defans={'[0 0.7]','[0 1]','1'};
p=inputdlg(prompt,'输入参数',1,defans);
但是，这种方法并不能很好的让用户能够对图像进行
任意的亮度和对比度变化调整，有时并不事先知道参数的值要多少，也不关心，而是任意调节的，直到满意为止。
执行该操作，如调节框所示数值，结果如下图6.4-3：
图 6.4-3 图像亮度调节前后
6.4.3、截图
在MATLAB中，用函数imcrop实现对图像的剪切操作。该操作剪切的是图像中的一个矩形子图，用户可以通过参数指定这个矩形四个顶点的坐标，也可以交互地用鼠标选取这个矩形。
Imcrop函数的调用格式如下：
y=imcrop(handles.img);
不管handles.img是三维的还是二维数据，该函数都能进行操作。图6.4-4就是对三维图像的截图：
图 6.4-4 图像截图前后
七、程序调试及结果分析
在程序设计过程中，碰到很多的问题。
1、一个函数只能对灰度图像处理，不能对RGB图像处理，那么如何才
能对RGB图像处理呢？
这主要是对MATLAB函数的不够清楚，用到的很多函数是针对二维数据的，而RGB图像的数据是一个三维矩阵，所以处理要与灰度图像不同，在开始的时候，我认为应该找一个能够应用于三维矩阵的函数，结果却没找到，后来想到可以把三维数据进行降维处理，同样使用二维的函数，只要是同样处理三次。比如，
彩色图像的滤波处理，直方图均衡等。
2、本次设计存在一个比较大的问题，就是每次操作都是独立的，比如：
要对图像旋转，然后在此基础上进行亮度调整，截图，等等就不行。
我认为应该是整个程序设计过程中对变量的设置没有做好，应该每次操作后，把处理后的数据保存在一个全局变量，这样还要对处理后的数据进行在处理时，只要把这个全局变量作为原始数据带入就可。
八、心得体会
在这次课程设计过程中，感触很深，由于对MATLAB图像处理的函数不熟悉，导致自己走了很多的弯路，后来请教同学才找到MATLAB自带的现成函数，通过这次经历后，后来在设计其它程序时，尽量找MATLAB自带的现成函数，而不是一碰到问题就自己想算法，这样可以节省较多的时间。通过本次课程设计，使自己对MATLAB GUI设计流程有了比较深刻的体会，同时也了解了一般软件设计的过程。在设计过程中碰到了很多的问题，通过这些问题，使自己分析问题，解决问题的能力得到了较大的提高。
九、参考文献
【1】郑阿奇，曹戈，赵阳.MATLAB实用教程[M].北京：电子工业出版社
【2】程卫国，冯峰，姚东，徐听.MATLAB5.3应用指南[M].北京：人民邮电出版社
【3】陈杨.MATLAB 6.X图像编程与图像处理[M].西安：西安电子科技大学出版社
十、附录
function varargout = two(varargin)
% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct('gui_Name', mfilename, ...
'gui_Singleton',
gui_Singleton, ...
'gui_OpeningFcn',
@two_OpeningFcn, ...
'gui_OutputFcn',
@two_OutputFcn, ...
'gui_LayoutFcn',
[] , ...
'gui_Callback', []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT
% --- Executes just before erzhi is made visible.
function wenjian_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
---------------------------------------------------------
%文件的程序
---------------------------------------------------------
function file_Callback(hObject, eventdata, handles)
--------------------------------------------------------
%文件打开程序
function open_Callback(hObject, eventdata, handles)
[name,path]=uigetfile({'*.bmp'},'载入图像');
if isequal(name,0)|isequal(path,0)
errordlg('没有选中文件','出错');
return;
else
x=imread([path,name]);
axes(handles.axes1);
imshow(x);
handles.img=x;
handles.noise_img=x;
guidata(hObject,handles)
end
---------------------------------------------------
function baocun_Callback(hObject, eventdata, handles)
%文件保存
[filename,pathname] = uiputfile('*.bmp','图片保存为');
if isequal([filename,pathname],[0,0])
errordlg('没有保存','出错');
return;
else
file=strcat(pathname,filename);
(handles.axes2);
i=getimage(gca);
imwrite(i,file);
end
-----------------------------------------------------
function xuanzhuan_Callback(hObject, eventdata, handles)
-------------------------------------------------------
function shangxia_Callback(hObject, eventdata, handles)
%上下翻转
axes(handles.axes2);
x=(handles.img);
if isrgb(handles.img)
for k=1:3
y(:,:,k)=flipud(x(:,:,k));%上下翻转函数
end
imshow(y);
else
x=(handles.img);
y=flipud(x);
imshow(y);
end
---------------------------------------------------------
function zuoyou_Callback(hObject, eventdata, handles)
%左右翻转
axes(handles.axes2);
if isrgb(handles.img)
x=(handles.img);
for k=1:3
y(:,:,k)=fliplr(x(:,:,k));%左右翻转函数
end
imshow(y);
else
x=(handles.img);
y=fliplr(x);
imshow(y);
end
------------------------------------------------------
function wenyi_Callback(hObject, eventdata, handles)
%任意角度旋转
axes(handles.axes2);
prompt={'输入参数1:'};
defans={'30'};
p=inputdlg(prompt,'输入参数',1,defans);
p1=str2num(p{1});
y=imrotate(handles.img,p1);
imshow(y);
-----------------------------------------------------
function Rzhifang_Callback(hObject, eventdata, handles)
%R直方图
set(handles.axes2,'HandleV isibility','ON');
axes(handles.axes2);
x=imhist(handles.img(:,:,1));
%直方图统计
x1=x(1:10:256);
horz=1:10:256;
bar(horz,x1);
set(handles.axes2,'xtick',0:50:255);
---------------------------------------------------------
function Gzhifang _Callback(hObject, eventdata, handles)
%G直方图
set(handles.axes2,'HandleV isibility','ON');
axes(handles.axes2);
if isrgb(handles.img)
x=imhist(handles.img(:,:,2)); %直方图统计
x1=x(1:10:256);
horz=1:10:256;
bar(horz,x1);
set(handles.axes2,'xtick',0:50:255);
else
msgbox('这是灰度图像','旋转失败');
end
------------------------------------------------------
function Bzhifang _Callback(hObject, eventdata, handles)
%B直方图
set(handles.axes2,'HandleV isibility','ON');
axes(handles.axes2);
if isrgb(handles.img)
x=imhist(handles.img(:,:,3));
%直方图统计
x1=x(1:10:256);
horz=1:10:256;
bar(horz,x1);
%axis([0 255 0 150000]);
set(handles.axes2,'xtick',0:50:255);
%set(handles.axes2,'ytick',0:2000:15000);
else
msgbox('这是灰度图像','旋转失败');
end
---------------------------------------------------------
function bianju_Callback(hObject, eventdata, handles)
clc;
close all;
close(gcf);
---------------------------------------------------------
%编辑菜单的程序
------------------------------------------------------
function edit_Callback(hObject, eventdata, handles)
-------------------------------------------------
function huidu_Callback(hObject, eventdata, handles)
%灰度处理
axes(handles.axes2);
if isrgb(handles.img)
y=rgb2gray(handles.img); %RGB??????????
imshow(y);
else
msgbox('这已经是灰度图像','转换失败');
end
------------------------------------------------------
function liangdu_Callback(hObject, eventdata, handles)
%亮度处理
prompt={'输入参数1','输入参数2','输入gamma'};
defans={'[0 0.7]','[0 1]','1'};
p=inputdlg(prompt,'输入参数',1,defans);
p1=str2num(p{1});
p2=str2num(p{2});
p3=str2num(p{3});
gamma=p3;
x=(handles.img);
y=imadjust(x,p1,p2,gamma);
axes(handles.axes2);
imshow(y);
------------------------------------------------------
function jietu_Callback(hObject, eventdata, handles)
%截图
set(handles.axes2,'HandleV isibility','ON');
axes(handles.axes2);
y=imcrop(handles.img);
imshow(y);
handles.Timage=y;
------------------------------------------------------
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。
基于数字图像处理的杂草识别 班级：信息5班 组员：李辉李少杰李港深胡欣阳 学号：04141394 04141395 04141393 0414139 指导教师：蔡利梅 组员分工： 李辉：部分程序，查找资料 李少杰：实验报告，PPT，演讲 李港深：部分程序，实验报告 胡欣阳：部分程序，实验报告
摘要 杂草同农田作物争夺阳光和养分，严重影响了农作物的生长。为了达到除草的目的，人们开始喷洒大量的除草剂来进行除草。可是却忽略了除草剂的不当使用给人、畜以及环境造成的危害。本文从实际应用出发，设计了一个基于数字图像处理的杂草图像特征提取及识别设计方案。运行在参考了前人研究成果的基础上，不断将算法改进，找出适合于MATLAB杂草识别的可行性方法。本文对杂草图像的处理和识别方法进行研究。采集来的图像经常会有模糊现象的发生，对模糊图像的恢复处理做了大量的研究试验，得出维纳滤波具有较好的恢复效果；绿色植物和土壤背景的分割试验中，提出了一种基于彩色图像的二值化方法，可以不经过彩色图像灰度化就能够直接把绿色植物与土壤背景分割开，和以往的分割方法相比处理速度快，分割效果好，更加满足实时性；杂草和作物的分割主要研究了行间杂草和作物的分割，参考国内外资料，并进行研究试验，表明运用位置特征识别法有很好的分割效果，寻找作物中心行采用了简单快速的像素位置直方图法，采用了区域生长，和其他方法相比减少了重复操作，节省了时间，满足实时处理的要求；分割后的图像为只含有杂草的二值图像，通常会有一些残余的叶片和颗粒的噪声，通过形态学滤波或中值滤波去除噪声。 1、研究目的及意义 杂草是生态系统中的一员,农田杂草是农业生态系统中的一个
实验一 内容（一） （1）彩色图像变灰度图像 A=imread('1.jpg'); B=rgb2gray(A); figure subplot(1,2,1), imshow(A) title('原图') subplot(1,2,2), imshow(B) title('原图灰度图像') （2）彩色图像变索引图像 A=imread('1.jpg'); figure subplot(1,2,1), imshow(A) title('原图') [X,map]=rgb2ind(A,128); subplot(1,2,2), imshow(X,map) title('原图索引图像') （3）彩色图像变二值图像 A=imread('1.jpg'); figure subplot(1,2,1), imshow(A) title('原图') C=im2bw(A,0.2); subplot(1,2,2), imshow(C) title('原图二值图像') （4）灰度图像变索引图像（一） A=imread('1.jpg'); figure B=rgb2gray(A); subplot(1,2,1), imshow(B) title('灰度图像') C=grayslice(B,39); subplot(1,2,2), imshow(C) title('灰度变索引图像')
（5）灰度图像变索引图像（二） A=imread('1.jpg'); figure B=rgb2gray(A); subplot(1,2,1), imshow(B) title('灰度图像') [X,map]=gray2ind(B,63); subplot(1,2,2), imshow(X,map) title('灰度变索引图像') （6）灰度图像变彩色图像 A=imread('1.jpg'); figure B=rgb2gray(A); subplot(1,2,1), imshow(B) title('灰度图像') C=gray2rgb(B,map); subplot(1,2,2), imshow(C) title('灰度变彩色图像') 内容（二） （1）灰度平均值 A=imread('1.jpg'); figure B=rgb2gray(A); subplot(1,2,1), imshow(B) title('灰度图像') B=double(B); [m,n]=size(B); sumg=0.0; for i=1:m; for j=1:n; sumg=sumg+B(i,j); end end avg=sumg/(m*n) % 均值 maxg=max(max(B)) % 区域最大灰度ming=min(min(B)) % 区域最小灰度 （2）彩色平均值
实验报告 专业：信息与计算科学班级：07级（1）班指导老师：汪太月老师姓名：刘莲学号：0641210224 实验室：K7-407 实验名称：Matlab图像工具箱的使用时间：2010.6.13 一、实验目的及要求 （一）实验目的 1、掌握MATLAB中常用的图像处理语句； 2、掌握图像的读入，信息查询以及显示； 3、掌握采用不同的模板对图像进行滤波； 4、掌握图像显示的调用格式； （二）实验要求 1、练习MATLAB中常用的图像处理语句； 2、练习图像的读入，信息查询以及显示； 3、练习采用不同的模板对图像进行滤波； 4、练习图像显示的调用格式； 二、实验设备（环境）及要求 1、支持Intel Pentium Ⅲ及其以上CPU，内存256MB以上、硬盘1GB以上容量的微机；软件配有 Windows98/2000/XP操作系统及MATLAB软件； 2、实验过程中，务必分析实验结果，按要求写出实验报告。（建议同时网上提交电子版实验报告： yw6895@https://www.doczj.com/doc/bc17915795.html,） 三、实验内容与步骤 1、练习MATLAB中常用的图像处理语句 Matlab中为用户提供了一些特殊的函数，用于从图像格式的文件中读写图像。其中：a、读取图形文件格式的图像需要用imread函数； b、写入一个图形文件格式的图像需要调用imwrite函数； c、获取图形文件格式的图像的信息需要调用imfinfo、ind2rgb函数； d、以Mat文件加载或保存矩阵数据用load、save函数； e、显示加载到Matlab中的图像用image、imagesc. 此外，Matlab工具箱中还提供了图像转化函数，可以对图像类型进行转化，以达到某些图像处理工作的要求。 下面，我们将分别对这些常用的图像处理语句在Matlab中进行练习，并观察其输出结果： （1）在Matlab中读入一个灰度图像，并利用相关函数进行图像处理，并显示结果。 Matlab程序如下： I=imread('lena.bmp'); %读入原图像文件 imshow(I) %图像文件的显示 imwrite(I,'lena1.bmp'); %将原图像重命名为lena1.bmp,并保存图像 figure,imhist(I,225) %显示原图像的直方图，225为指定的灰度级数目 X=grayslice(I,64); %将原图像I均匀量化成64个等级，然后转化成索引色图像X figure,imshow(X,pink(64)) %显示索引色图像，pink(64)产生一个64×3的调色板，色度为粉红运行结果如下： 500 1000 1500 2000 2500 3000 3500 050100150200250 （2）练习图像的读入，信息查询以及显示 Matlab程序如下： load trees image(50,80,X) %显示加载到Matlab中的图像 imwrite(X,map,'trees.tif'); %将图像以tif格式保存 inf=imfinfo('trees.tif') %图像文件信息的查询 BW=im2bw(X,map,0.4); %将索引图像转化成二值图像 figure,imshow(X,map) %显示图像 figure,imshow(BW) 运行结果如下： 50100150200250300350 100 150 200 250 300 %显示从Matlab中加载的图像文件的信息 inf = Filename: 'trees.tif' FileModDate: '18-六月-2010 19:41:48' FileSize: 75764 Format: 'tif' FormatVersion: [] Width: 350 Height: 258 BitDepth: 8 ColorType: 'indexed' FormatSignature: [73 73 42 0] ByteOrder: 'little-endian' NewSubFileType: 0 BitsPerSample: 8 Compression: 'PackBits'
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,Val1,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：Ｅmｐtｙor not，Mode:ｌossy oｒｌossless，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。
论文（设计）题目： 基于MATLAB的数字图像处理系统设计 姓名宋立涛 学号２０１２１１８６７ 学院信息学院 专业电子与通信工程 年级２０１２级 ２０１３年６月１６日
基于MATLAB的数字图像处理系统设计 摘要 MATLAB 作为国内外流行的数字计算软件，具有强大的图像处理功能，界面简洁，操作直观，容易上手，而且是图像处理系统的理想开发工具。 笔者阐述了一种基于MATLAB的数字图像处理系统设计，其中包括图像处理领域的大部分算法，运用MATLAB 的图像处理工具箱对算法进行了实现，论述了利用系统进行图像显示、图形表换及图像处理过程，系统支持索引图像、灰度图像、二值图像、RGB 图像等图像类型；支持BMP、GIF、JPEG、TIFF、PNG 等图像文件格式的读，写和显示。 上述功能均是在MA TLAB 语言的基础上，编写代码实现的。这些功能在日常生活中有很强的应用价值，对于运算量大、过程复杂、速度慢的功能，利用MATLAB 可以既能快速得到数据结果，又能得到比较直观的图示。 关键词：MATLAB 数字图像处理图像处理工具箱图像变换
第一章绪论 1.1 研究目的及意义 图像信息是人类获得外界信息的主要来源，近代科学研究、军事技术、工农业生产、医学、气象及天文学等领域中，人们越来越多地利用图像信息来认识和判断事物，解决实际问题，由此可见图像信息的重要性，数字图像处理技术将会伴随着未来信息领域技术的发展，更加深入到生产和科研活动中，成为人类生产和生活中必不可少的内容。 MATLAB 软件不断吸收各学科领域权威人士所编写的实用程序，经过多年的逐步发展与不断完善，是近几年来在国内外广泛流行的一种可视化科学计算软件。MATLAB 语言是一种面向科学与工程计算的高级语言，允许用数学形式的语言来编写程序，比Basic、Fortan、C 等高级语言更加接近我们书写计算公式的思维方式，用MATLAB 编写程序犹如在演算纸上排列出公式与求解问题一样。它编写简单、编程效率高并且通俗易懂。 1.2 国内外研究现状 1.2.1 国内研究现状 国内在此领域的研究中具有代表性的是清华大学研制的数字图像处理实验开发系统TDB-IDK 和南京东大互联技术有限公司研制的数字图像采集传输与处理实验软件。 TDB-IDK 系列产品是一款基于TMS320C6000 DSP 数字信号处理器的高级视频和图像系统，也是一套DSP 的完整的视频、图像解决方案，该系统适合院校、研究所和企业进行视频、图像方面的实验与开发。该软件能够完成图像采集输入程序、图像输出程序、图像基本算法程序。可实现对图像信号的实时分析，图像数据相对DSP独立方便开发人员对图像进行处理，该产品融合DSP 和FPGACPLD 两个高端技术，可以根据用户的具体需求合理改动，可以分析黑白和彩色信号，可以完成图形显示功能。 南京东大互联技术有限公司研制的数字图像采集传输与处理实验软件可实现数字图像的采集、传输与处理。可利用软件及图像采集与传输设备，采集图像并实现点对点的数字图像传输，可以观察理解多种图像处理技术的效果和差别，
数字图像处理 实验指导书
目录 实验一MATLAB数字图像处理初步实验二图像的代数运算 实验三图像增强-空间滤波 实验四图像分割 3
实验一 MATLAB数字图像处理初步 一、实验目的与要求 1．熟悉及掌握在MATLAB中能够处理哪些格式图像。 2．熟练掌握在MATLAB中如何读取图像。 3．掌握如何利用MATLAB来获取图像的大小、颜色、高度、宽度等等相关信息。 4．掌握如何在MATLAB中按照指定要求存储一幅图像的方法。 5．图像间如何转化。 二、实验原理及知识点 1、数字图像的表示和类别 一幅图像可以被定义为一个二维函数f(x,y),其中x和y是空间(平面)坐标，f 在任何坐标处(x,y)处的振幅称为图像在该点的亮度。灰度是用来表示黑白图像亮度的一个术语，而彩色图像是由单个二维图像组合形成的。例如，在RGB彩色系统中，一幅彩色图像是由三幅独立的分量图像(红、绿、蓝)组成的。因此，许多为黑白图像处理开发的技术适用于彩色图像处理，方法是分别处理三副独立的分量图像即可。 图像关于x和y坐标以及振幅连续。要将这样的一幅图像转化为数字形式，就要求数字化坐标和振幅。将坐标值数字化成为取样；将振幅数字化成为量化。采样和量化的过程如图1所示。因此，当f的x、y分量和振幅都是有限且离散的量时，称该图像为数字图像。 作为MATLAB基本数据类型的数值数组本身十分适于表达图像，矩阵的元素和图像的像素之间有着十分自然的对应关系。 图1 图像的采样和量化 根据图像数据矩阵解释方法的不同，MA TLAB把其处理为4类： ?亮度图像(Intensity images)
本科毕业论文（设计） 题目：基于MATLAB的数字图像分割的研究与实现 学院：计算机与信息工程学院学生： 学号： 专业： 年级： 完成日期：2012 年04 月 指导教师：
基于MATLAB的数字图像分割的研究与实现 摘要：视觉和听觉是我们认识和感知外部世界的主要途径，而视觉又是其中最重要的，因此要想更细致、全面地把握这些图像信息就需要对其进行必要的处理。在数字图像处理的研究和应用中很多时候我们只对图像的某些部分和特征感兴趣，此时就需要利用图像分割技术将所需的目标与图片的其他部分区分开，以供我们对图像进一步研究和分析。图像分割即通过一些必要的算法把图像中有意义的部分或特征提取出来，将图像分为若干有意义的区域，使得这些区域对应图像中的不同目标，进而能够对所感兴趣的区域进行研究。基于图像分割技术在图像处理之中的重要性，本研究在此对图像分割的一些经典算法进行了学习和对比，并通过MATLAB对其进行了实验，通过不同的算法对不同的图片进行处理，分析其优缺点，以便在进行图像分割时可以根据图片的特征选择合适的算法。 关键字：数字图像；分割；MATLAB
The Research and Implementation of Digital Image Segmentation Based on the MATLAB Abstract : Vision and auditory are the main ways which we use to understand and perceive the world outside, while vision is the most important. Therefore, it's require to process the image data to grasp them more painstaking and completely. In digital image processing of research and application we are only interested to some parts of the image and characteristic in many times, then you need to use the image segmentation technology to separate the goal and the picture for other parts for our further research and analysis of the image.Image segmentation is dividing the image into some significant areas through some necessary algorithms, then make these areas corresponding to different goals and we can do some research about the areas we are interested to. Based on the importance of image segmentation technology in image processing, I compared several classical algorithms of image segmentation. In the meanwhile, I used the MATLABto do some research and to process the various images with different algorithms so that it's convinent to find the advantages of these algorithms. Then, I can base on the characteristics of the images to choose the suitable algorithms when to make some digital image segmentation. Key words : D igital Image; Segmentation; MATLAB
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
数字图像去噪典型算法及matlab实现 希望得到大家的指点和帮助 图像去噪是数字图像处理中的重要环节和步骤。去噪效果的好坏直接影响 到后续的图像处理工作如图像分割、边缘检测等。图像信号在产生、传输过程中都可能会受到噪声的污染，一般数字图像系统中的常见噪声主要有：高斯噪声（主要由阻性元器件内部产生）、椒盐噪声（主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声）等； 目前比较经典的图像去噪算法主要有以下三种： 均值滤波算法：也称线性滤波，主要思想为邻域平均法，即用几个像素灰度 的平均值来代替每个像素的灰度。有效抑制加性噪声，但容易引起图像模糊， 可以对其进行改进，主要避开对景物边缘的平滑处理。 中值滤波：基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号处理技术。中值滤波的特点即是首先确定一个以某个像素为中心点的邻域，一般为方形邻域，也可以为圆形、十字形等等，然后将邻域中各像素的灰度值排序，取其中间值作为中心像素灰度的新值，这里领域被称为窗口，当窗口移动时，利用中值滤波可以对图像进行平滑处理。其算法简单，时间复杂度低，但其对点、线和尖顶多的图像不宜采用中值滤波。很容易自适应化。 Wiener维纳滤波：使原始图像和其恢复图像之间的均方误差最小的复原方法，是一种自适应滤波器，根据局部方差来调整滤波器效果。对于去除高斯噪声效果明显。 实验一：均值滤波对高斯噪声的效果 l=imread（'C:\Documents and 桌面\1.gif'）;% 读取图像
J=imnoise(l,'gaussian',0,0.005);% 加入均值为0 ,方差为 0.005 的高斯噪声subplot(2,3,1);imshow(l); title(' 原始图像'); subplot(2,3,2); imshow(J); ti tle('加入高斯噪声之后的图像’)； %采用MATLAB 中的函数filter2 对受噪声干扰的图像进行均值滤波 K1=filter2(fspecial('average',3),J)/255; % 模板尺寸为3 K2=filter2(fspecial('average',5),J)/255;% 模板尺寸为5 K3=filter2(fspecial('average',7),J)/255; % 模板尺寸为7 K4= filter2(fspecial('average',9),J)/255; % 模板尺寸为9 subplot(2,3,3);imshow(K1); ti tle(' 改进后的图像1'); subplot(2,3,4); imshow(K2); title(' 改进后的图像2'); subplot(2,3,5);imshow(K3); title(' 改进后的图像3'); subplot(2,3,6);imshow(K4); title(' 改进后的图像4');
迭代与分形 姓名：吴涛班级：2007级电科一班学号：20074053053 摘要：几何学研究的对象是客观世界中物体的形状。传统欧氏几何学的研究对象，都是规则并且光滑的，比如：直线、曲线、曲面等。但客观世界中物体的形状，并不完全具有规则光滑等性质，因此只能近似当作欧氏几何的对象，比如：将凹凸不平的地球表面近似为椭球面。虽然多数情况下通过这样的近似处理后，能够得到符合实际情况的结果，但是对于极不规则的形态，比如：云朵、烟雾、树木等，传统的几何学就无能为力了。 如何描述这些复杂的自然形态？如何分析其内在的机理？这些就是分形几何学所面对和解决的问题。 关键字：迭代；分形；树形 一、问题分析 在我们的世界上，存在着许多极不规则的复杂现象，比如：弯弯曲曲的海岸线、变化的云朵、宇宙中星系的分布、金融市场上价格的起伏图等，为了获得解释这些极端复杂现象的数学模型，我们需要认识其中蕴涵的特性，构造出相应的数学规则。 曼德尔布罗特（Mandelbrot）在研究英国的海岸线形状等问题时，总结出自然界中很多现象从标度变换角度表现出对称性，他将这类集合称作自相似集，他发现维数是尺度变换下的不变量，主张用维数来刻划这类集合。Mandelbrot将这类几何形体称为分形(fractal)，意思就是不规则的、分数的、支离破碎的，并对它们进行了系统的研究，创立了分形几何这一新的数学分支。Mandelbrot认为海岸、山峦、云彩和其他很多自然现象都具有分形的特性，因此可以说：分形
是大自然的几何学。 分形几何体一般来说都具有无限精细的自相似的层次结构，即局部与整体的相似性，图形的每一个局部都可以被看作是整体图形的一个缩小的复本。早在19世纪就已经出现了一些具有自相似特性的分形图形，比如：瑞典数学家科赫（von Koch）设计的类似雪花和岛屿边缘的一类曲线，即Koch曲线；英国植物学家布朗通过观察悬浮在水中的花粉的运动轨迹，提出来的布朗运动轨迹。 分形几何把自然形态看作是具有无限嵌套的层次结构，并且在不同尺度下保持某种相似的属性，于是，简单的迭代过程，就是描述复杂的自然形态的有效方法。 （Koch曲线） （布朗运动轨迹） 二、背景知识介绍 1、分形几何的形成。 分形几何的概念是美籍法国数学家曼德尔布罗特（Mandelbrot）于1975年首先提出的，但最早的工作可追朔到1875年，德国数学家维尔斯特拉斯（Weierestrass）构造了处处连续但处处不可微的函数，集合论创始人康托尔（Cantor，德国数学家）构造了有许多奇异性质的康托尔三分集。1890年，意大利数学家皮亚诺（Peano）构造了填充空间的曲线。1904年，瑞典数学家科赫（Koch）设计出类似雪花和岛屿边缘的一类曲线。1915年，波兰数学家谢尔宾斯基（Sierpinski）设计了象地毯和海绵一样的几何图形。这些都是为解决分析与拓朴学
MATLAB 数字图像处理技术 4 MATLAB 图像增强 4.1 原理、方法及体系结构 三个阶段：图像预处理、特征抽取阶段、识别分析阶段。 目的：改善图像的视觉效果，提高图像成分的清晰度；是图像变得有利于计算机处理。 方法：空间域增强方法、频域增强方法。 体系： 图像增强：空间域、频率域、彩色增强 空间域：像素点处理（图像灰度变换、直方图修正（中值滤波、均值滤波））、领域处理（图像平滑滤波、图像锐化滤波） 频率域：低通滤波、高通滤波、同态滤波 彩色处理：真彩色处理、伪彩色处理（灰度分层法、灰度变换法、频域伪彩色） 4.2 对比度增强 线性变换：(,)[(,)]N n g x y f x y m n M m -= -+-。其中功能是把函数的灰度值(,)f x y 从 范围[m,M]变为[n,N]。 非线性变换：分为对数变换和Gamma 变换。前者表达式为(,)log[(,)1]g x y c f x y =+， 其中c 为常数。后者表达式为r f cr =，r 为CCD 图像传感器或胶片等的入射光的强度，为 常数，灰度与光强成正比，则有1 ()r f g kr k c ==，k 为常数通常为1，1/r 取0.4~0.8。 我们可以用一个函数imadjust 函数来实现： J=imadjust(I)； J=imadjust(I,[low_in;high_in],[low_out;high_out]); J=imadjust(I,[low_in;high_in],[low_out;high_out],gamma)。 其中灰度范围用归一化灰度值，范围[0,1]。整个图像的[low_in;high_in]可以用函数stretch 函数来获得。 MATLAB image toolbox5.4还提供一个手动调节的控制面板，调用函数imconstrast 。 4.3 空域变换增强 分为基于像素点和基于模板的两类方法。 像素选择：pixval 和impixel 。用法如下： Pixval(‘on/off ’)；pixval ；pixval(fig,option); [C,R,P]=impixel(X,MAP)。 说明：MAP 仅仅当是索引图的时候采用此参数。C 为像素的颜色，R,P 为像素的坐标。Pixval 可以得到更多的像素信息，impixel 可以返回指定像素的颜色值。 强度描述图：improfile ，用以描述图像一条线段或多条线段的强度值。格式：
优秀论文审核通过 未经允许切勿外传 摘要 数字图像处理是一门新兴技术，随着计算机硬件的发展，数字图像的实时处理已经成为可能，由于数字图像处理的各种算法的出现，使得其处理速度越来越快，能更好的为人们服务。数字图像处理是一种通过计算机采用一定的算法对图形图像进行处理的技术。数字图像处理技术已经在各个领域上都有了比较广泛的应用。图像处理的信息量很大，对处理速度的要求也比较高。MATLAB强大的运算和图形展示功能，使图像处理变得更加的简单和直观。本文介绍了MATLAB 语言的特点,基于MATLAB的数字图像处理环境，介绍了如何利用MATLAB及其图像处理工具箱进行数字图像处理，并通过一些例子来说明利用MATLAB图像处理工具箱进行图像处理的方法。主要论述了利用MATLAB实现图像增强、二值图像分析等图像处理。关键词：MATLAB，数字图像处理，图像增强，二值图像
Abstract Digital image processing is an emerging technology, with the development of computer in various areas on the processing speed requirement is relatively ），线性量化（liner quantization ），对数量化，MAX 量化，锥形量化（tapered quantization ）等。 3. 采样、量化和图像细节的关系 上面的数字化过程，需要确定数值N 和灰度级的级数K 。在数字图像处理中，一般都取成2的整数幂，即: (2.1) (2.2) 一幅数字图像在计算机中所占的二进制存储位数b 为: *log(2)**()m N N b N N m bit == (2.3) 例如，灰度级为256级(m=8)的512×512的一幅数字图像，需要大约210万个存储位。随着N 和m 的增加，计算机所需要的存储量也随之迅速增加。 由于数字图像是连续图像的近似，从图像数字化的过程可以看到。这种近似的程度主要取决于采样样本的大小和数量(N 值)以及量化的级数K(或m 值)。N 和K 的值越大，图像越清晰。 2.2 数字图像处理概述 2.2.1 基本概念 数字图像处理(Digital Image Processing)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。数字图像处理的产生和迅速发展主要受三个因素的影响：一是计算机的发展；二是数学的发展(特别是离散数学理论的创立和完善)；三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的
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]);
实验一 MATLAB数字图像处理初步 一、实验目的与要求 1．熟悉及掌握在MATLAB中能够处理哪些格式图像。 2．熟练掌握在MATLAB中如何读取图像。 3．掌握如何利用MATLAB来获取图像的大小、颜色、高度、宽度等等相关信息。 4．掌握如何在MATLAB中按照指定要求存储一幅图像的方法。 5．图像间如何转化。 6. 了解图像的算术运算在数字图像处理中的初步应用。 7．体会图像算术运算处理的过程和处理前后图像的变化。 二、实验原理及知识点 1、数字图像的表示和类别 一幅图像可以被定义为一个二维函数f(x,y),其中x和y是空间(平面)坐标，f 在任何坐标处(x,y)处的振幅称为图像在该点的亮度。灰度是用来表示黑白图像亮度的一个术语，而彩色图像是由单个二维图像组合形成的。例如，在RGB彩色系统中，一幅彩色图像是由三幅独立的分量图像(红、绿、蓝)组成的。因此，许多为黑白图像处理开发的技术适用于彩色图像处理，方法是分别处理三副独立的分量图像即可。 图像关于x和y坐标以及振幅连续。要将这样的一幅图像转化为数字形式，就要求数字化坐标和振幅。将坐标值数字化成为取样；将振幅数字化成为量化。采样和量化的过程如图1所示。因此，当f的x、y分量和振幅都是有限且离散的量时，称该图像为数字图像。 作为MATLAB基本数据类型的数值数组本身十分适于表达图像，矩阵的元素和图像的像素之间有着十分自然的对应关系。
图1 图像的采样和量化 根据图像数据矩阵解释方法的不同，MA TLAB把其处理为4类： 亮度图像(Intensity images) 二值图像(Binary images) 索引图像(Indexed images) RGB图像(RGB images) (1) 亮度图像 一幅亮度图像是一个数据矩阵，其归一化的取值表示亮度。若亮度图像的像素都是uint8类或uint16类，则它们的整数值范围分别是[0，255]和[0，65536]。若图像是double类，则像素取值就是浮点数。规定双精度型归一化亮度图像的取值范围是[0，1] (2) 二值图像 一幅二值图像是一个取值只有0和1的逻辑数组。而一幅取值只包含0和1的uint8类数组，在MA TLAB中并不认为是二值图像。使用logical函数可以把数值数组转化为二值数组或逻辑数组。创建一个逻辑图像，其语法为： B=logical(A) 其中，B是由0和1构成的数值数组。 要测试一个数组是否为逻辑数组，可以使用函数: islogical(c) 若C是逻辑数组，则该函数返回1；否则，返回0。 (3) 索引图像 索引颜色通常也称为映射颜色，在这种模式下，颜色都是预先定义的，并且可供选用的一组颜色也很有限，索引颜色的图像最多只能显示256种颜色。 一幅索引颜色图像在图像文件里定义，当打开该文件时，构成该图像具体颜色的索引值就被读入程序里，然后根据索引值找到最终的颜色。 (4) RGB图像 一幅RGB图像就是彩色像素的一个M×N×3数组，其中每一个彩色相似点都是在特定空间位置的彩色图像相对应的红、绿、蓝三个分量。按照惯例，形成一幅RGB彩色图像的三个图像常称为红、绿或蓝分量图像。 令fR，fG和fB分别代表三种RGB分量图像。一幅RGB图像就利用cat(级联)操作将这些分量图像组合成彩色图像： rgb_image=cat(3,fR,fG,fB) 在操作中，图像按顺序放置。 2、数据类和图像类型间的转化 表1中列出了MATLAB和IPT为表示像素所支持的各种数据类。表中的前8项称为数值数据类，第9项称为字符类，最后一项称为逻辑数据类。 工具箱中提供了执行必要缩放的函数(见表2)。以在图像类和类型间进行转化。