下载文档原格式
图像增强的基本原理图像增强是一种用于改善图像视觉质量或提取目标特征的技术。
它通过改变图像的亮度、对比度、颜色、清晰度等属性来增强图像的可视性和可识别性。
图像增强的基本原理可以归纳为以下几点：1. 空域增强：采用空域操作，即对图像的每个像素进行操作。
常见的空域增强方法有直方图均衡化、灰度拉伸、滤波等。
直方图均衡化通过重新分布图像中像素的亮度来增加图像的对比度，灰度拉伸则通过线性转换将图像的亮度范围拉伸到整个灰度级范围内。
滤波则通过应用低通、高通、中通等滤波器来增强图像的细节和轮廓。
2. 频域增强：采用频域操作，即将图像转换到频域进行处理。
常见的频域增强方法有傅里叶变换、小波变换等。
傅里叶变换可以将图像从空域转换到频域，通过对频谱进行滤波操作来增强图像的细节和边缘。
小波变换则可以将图像分解为不同频率的子带，可以更加灵活地选择性地增强特定频率的信息。
3. 增强算法：通过应用特定的增强算法来增强图像的视觉效果。
常用的增强算法有Retinex算法、CLAHE算法等。
Retinex算法通过模拟人眼对光源的自适应调整能力来增强图像的亮度和对比度，CLAHE算法则通过分块对比度受限的直方图均衡化来增强图像的细节和纹理。
4. 机器学习方法：利用机器学习算法对图像进行增强。
通过训练模型，学习图像的特征和上下文信息，然后根据学习到的模型对图像进行增强处理。
常见的机器学习方法包括卷积神经网络、支持向量机等。
综上所述，图像增强的基本原理包括空域增强、频域增强、增强算法和机器学习方法等。
这些原理可以单独或结合使用，根据图像的特点和需求，选择合适的方法来对图像进行增强处理，以获得更好的图像视觉质量和目标特征提取效果。
磁共振成像技术中的图像重建算法磁共振成像技术是一种用于观察人体内部结构的非侵入性医学成像技术。
它通过对人体内部的磁场进行扫描，可以得到高分辨率的图像信息，从而帮助医生进行诊断。
在磁共振成像技术中，图像重建算法是非常重要的一环。
它负责从扫描得到的原始数据中重建出人体内部的结构信息，并生成可视化的图像用于医学诊断。
目前，磁共振成像技术的图像重建算法主要分为两类：频域算法和空域算法。
下面将分别对这两种算法进行介绍。
一、频域算法频域算法将磁共振信号转换到频域进行处理，然后再将处理后的数据转换回时域，得到最终的图像。
其中，最常用的频域算法是快速傅里叶变换（FFT）。
它可以将磁共振信号快速地转换到频域进行处理，然后再进行反变换，得到重建后的图像。
虽然快速傅里叶变换的速度很快，但是这种算法存在一定的局限性。
例如，磁共振信号中存在很多不同频率的信号，而快速傅里叶变换对信号的不同频率处理效果不能很好地区分，从而影响图像的质量。
二、空域算法空域算法是通过对原始数据进行处理，直接得到重建后的图像。
其中，最常用的空域算法是反向投影算法。
这种算法可以将不同方向的扫描数据按照一定的规则投影到图像平面上，然后将所有的投影结果叠加起来，得到最终的重建图像。
反向投影算法的优点是可以处理不同方向的扫描数据，其中还可以添加一些先验信息，从而提高图像质量。
然而，这种算法也存在一些问题，比如有时会出现伪影情况。
此外，还有一些其他的空域算法，比如基于大脑并行矩形图像重建的算法（BART）和基于稀疏表示的重建算法（CS-MRI）。
这些算法可以在一定程度上提高图片的质量，并降低成像时间。
总结起来，磁共振成像技术的图像重建算法是非常复杂的，需要结合理论和实践进行优化。
随着计算机技术和算法的不断发展，未来有望实现更快速、更准确、更高质量的图像重建算法，从而实现更好的医学诊断效果。
傅里叶变换空域向频域转换傅里叶变换：从空域向频域转换1. 介绍傅里叶变换是一种重要的数学工具，可以将时间域或空域中的信号转换为频域中的频谱。
通过傅里叶变换，我们可以对信号进行频谱分析，从而揭示信号的频率成分和能量分布。
在本文中，我们将深入探讨傅里叶变换，解释其原理和应用，并分享个人对这一概念的理解。
2. 傅里叶变换的原理傅里叶变换是通过积分运算来实现的，它将一个时域或空域中的函数转换为频域中的函数。
对于一个连续信号f(x)，其傅里叶变换F(k)可以表示为：\[F(k) = \int_{-\infty}^{\infty} f(x)e^{-2\pi ikx} dx\]其中，k表示频率，x表示时间或空间。
傅里叶变换的原理可以从简单的正弦波开始理解。
任何周期为T的信号都可以表示为多个不同频率的正弦波的叠加。
傅里叶变换可以将这个信号在频域中的频率成分展现出来，从而帮助我们了解信号的频谱结构。
3. 傅里叶变换的应用傅里叶变换在工程、物理、生物和信息处理等领域有着广泛的应用。
在信号处理中，傅里叶变换可以用来分析和处理音频、图像和视频等信号。
在通信领域，傅里叶变换被用来分析调制信号的频谱特性。
在物理学中，傅里叶变换可以用来分析光学和量子力学中的波动现象。
在生物学中，傅里叶变换可以用来分析脑电图和心电图等生物信号。
4. 傅里叶变换的个人理解对我而言，傅里叶变换是一种非常强大的工具，它能够帮助我们理解信号的频谱特性，从而揭示信号中隐藏的信息。
在我的工作中，经常需要对音频和图像信号进行处理和分析，傅里叶变换给了我一种全新的视角。
通过傅里叶变换，我可以更加深入地了解信号中的频率成分，并从中发现一些规律和特征。
总结傅里叶变换是一种非常有用的数学工具，可以将时域或空域中的信号转换为频域中的频谱。
通过傅里叶变换，我们可以对信号进行频谱分析，从而揭示信号的频率成分和能量分布。
傅里叶变换在工程、物理、生物和信息处理等领域都有着广泛的应用，并且对于个人而言，也具有重要的意义。
空域处理方法和频域处理方法是数字图像处理中常见的两种基本处理方法，它们在处理图像时有着不同的特点和适用范围。
下面将从原理、应用和效果等方面对两种处理方法进行简要介绍，并对它们的区别进行分析。
一、空域处理方法1. 原理：空域处理是直接对图像的像素进行操作，常见的空域处理包括图像增强、平滑、锐化、边缘检测等。
这些处理方法直接针对图像的原始像素进行操作，通过像素之间的关系来改变图像的外观和质量。
2. 应用：空域处理方法广泛应用于图像的预处理和后期处理中，能够有效改善图像的质量，增强图像的细节和对比度，以及减轻图像的噪声。
3. 效果：空域处理方法对图像的局部特征和细节有很好的保护和增强作用，能够有效地改善图像的视觉效果，提升图像的清晰度和质量。
二、频域处理方法1. 原理：频域处理是通过对图像的频率分量进行操作，常见的频域处理包括傅立叶变换、滤波、频域增强等。
这些处理方法将图像从空间域转换到频率域进行处理，再通过逆变换得到处理后的图像。
2. 应用：频域处理方法常用于图像的信号处理、模糊去除、图像压缩等方面，能够有效处理图像中的周期性信息和干扰信号。
3. 效果：频域处理方法能够在频率域对图像进行精细化处理，提高图像的清晰度和对比度，对于一些特定的图像处理任务有着独特的优势。
三、空域处理方法和频域处理方法的区别1. 原理不同：空域处理方法直接对图像像素进行操作，而频域处理方法是通过对图像进行频率分析和变换来实现图像的处理。
2. 应用范围不同：空域处理方法适用于对图像的局部特征和细节进行处理，而频域处理方法适用于信号处理和频率信息的分析。
3. 效果特点不同：空域处理方法能更好地保护和增强图像的细节和对比度，频域处理方法能更好地处理图像中的周期性信息和干扰信号。
空域处理方法和频域处理方法是数字图像处理中常用的两种处理方法，它们在原理、应用和效果等方面有着不同的特点和适用范围。
在实际应用中，可以根据图像的特点和处理需求选择合适的方法，以获得更好的处理效果。
空域滤波器与频域滤波器的关系频域滤波和空域滤波有着密不可分的关系。
频域滤波器是通过对图像变化频率的控制来达到图像处理的⽬的，⽽空域滤波器是通过图像矩阵对模板进⾏卷积运算达到处理图像的效果。
由卷积定理可知，空域上的卷积数值上等于图像和模板傅⾥叶变换乘积的反变换。
也就是说如果将空域上的模板进⾏离散傅⾥叶变化得到频域上的模板，那么⽤空域模板进⾏空域滤波和⽤得到的频域模板进⾏频域滤波最后结果是⼀样的，两种⽅法有时可以互换。
但需要注意的⼀点是，将原始图像与空域模板进⾏卷积运算，得到卷积结果的长度要⽐原来的图像长，就算对图像和模板进⾏填充，得到的卷积结果的第⼀位也不是模板在原始图像第⼀个像素处的卷积。
⽐如假设p位原始图像长度为P，q为卷积模板长度为Q，则由卷积的运算公式易得不产⽣混淆下图像的最⼩填充后尺⼨为P+Q-1，填充后p，q为运⾏如下程序import numpy as np# 保留效数点后三位np.set_printoptions(precision=3)# 不使⽤科学计数法np.set_printoptions(suppress=True)p = np.array([[1,2,3,0,0],[4,5,6,0,0],[7,8,9,0,0],[0,0,0,0,0],[0,0,0,0,0]])q = np.array([[1,1,1,0,0],[1,-8,1,0,0],[1,1,1,0,0],[0,0,0,0,0],[0,0,0,0,0]])pp = np.fft.fft2(p)qq = np.fft.fft2(q)tt = pp*qqt = np.fft.ifft2(tt)print('p\n', p)print('q\n', q)print('t\n', t.real)利⽤卷积定理可以得到卷积后的结果t为从上述运⾏结果可知，虽然进⾏零填充可以有效避免混淆，但⽆法改变的⼀点是，卷积后图像的尺⼨会变⼤。
射频信号三种抗干扰设计方法射频信号在现代通信中起着至关重要的作用，但它们也容易受到各种干扰的影响。
因此，为了保证射频信号的质量和可靠性，需要采取一些抗干扰设计方法。
下面将介绍三种常用的抗干扰设计方法。
第一种是频域抗干扰设计方法。
这种方法主要通过在射频电路中添加滤波器或者陷波器来削弱或消除干扰信号。
滤波器可以选择合适的频带，使所需要的信号通过而削弱或阻断干扰信号。
常见的滤波器有低通滤波器、高通滤波器、带通滤波器和带阻滤波器等。
陷波器则是选择其中一特定频率的信号进行抵消干扰。
频域抗干扰设计方法常用于消除来自其他通信设备或电子设备的干扰信号。
第二种是时域抗干扰设计方法。
这种方法主要通过选择合适的时序设计，避免干扰信号与所需信号在时间上重叠，从而减少干扰的影响。
例如，在通信系统中，可以通过调整时钟频率和数据发送速度，使干扰信号无法与所需信号完全重合，从而降低干扰的影响。
此外，还可以利用时延电路来控制信号的到达时间，使所需信号先到达接收器，从而保证信号的完整性和可靠性。
第三种是空域抗干扰设计方法。
这种方法主要通过合理布置天线和改善接收系统的增益分布特性来减少外界干扰的影响。
例如，在无线通信系统中，可以调整天线的方向、高度和功率等参数，使得所需信号接收到的功率最大，而干扰信号接收到的功率最小。
同时，还可以通过增加天线的方向性和选择合适的天线极化方式，减少来自其他方向的干扰信号。
空域抗干扰设计方法常用于无线通信系统和雷达系统等领域。
除了以上三种主要的抗干扰设计方法，还有一些辅助的方法可以同时使用来增强抗干扰能力。
例如，可以使用差分信号来抵消共模干扰，使用屏蔽材料来减少外界信号的干扰，使用抗干扰芯片来提高系统的抗干扰能力等。
此外，还可以通过合理的布线和接地设计来减少信号线之间的串扰和电磁辐射。
综上所述，射频信号的抗干扰设计至关重要。
通过频域抗干扰设计、时域抗干扰设计和空域抗干扰设计等方法，可以有效地降低来自其他信号源的干扰，提高射频信号的质量和可靠性。
图像滤波原理图像滤波是数字图像处理中常用的一种技术，它可以对图像进行去噪、增强、边缘检测等操作，是图像处理中的重要环节。
图像滤波的原理是利用滤波器对图像进行卷积运算，通过改变像素值来实现对图像的处理。
在图像处理中，滤波器通常是一个矩阵，它可以对图像进行不同程度的平滑或锐化处理。
图像滤波的原理可以分为线性滤波和非线性滤波两种。
线性滤波是指滤波器的响应与图像的像素值之间存在线性关系，常见的线性滤波器有均值滤波、高斯滤波等。
均值滤波是一种简单的线性滤波器，它将图像中每个像素的值替换为其周围像素值的平均值，从而起到平滑图像的作用。
高斯滤波则是利用高斯函数来构造滤波器，对图像进行平滑处理的同时保留图像的细节。
非线性滤波则是指滤波器的响应与图像的像素值之间不存在线性关系，常见的非线性滤波器有中值滤波、最大值滤波、最小值滤波等。
中值滤波是一种常用的非线性滤波器，它将每个像素的值替换为其周围像素值的中值，适用于去除图像中的椒盐噪声等非线性噪声。
图像滤波的原理还涉及到频域滤波和空域滤波两种方法。
频域滤波是指将图像转换到频域进行滤波处理，然后再将处理后的图像转换回空域。
常见的频域滤波包括傅里叶变换、小波变换等。
空域滤波则是直接在图像的空间域进行滤波处理，常见的空域滤波包括均值滤波、中值滤波等。
总的来说，图像滤波的原理就是利用滤波器对图像进行卷积运算，通过改变像素值来实现对图像的处理。
不同的滤波器和滤波方法都有各自的特点和适用场景，选择合适的滤波器和滤波方法对图像进行处理，可以达到去噪、增强、边缘检测等不同的效果。
在实际应用中，需要根据具体的图像处理任务来选择合适的滤波器和滤波方法，以达到最佳的处理效果。
里仁学院课程设计说明书题目：空域滤波和频域滤波的实现及比较学院（系）：里仁学院年级专业：09工业自动化仪表2班学号： 09学生姓名：苏胜指导教师：赵彦涛、程淑红教师职称：讲师、副教授燕山大学课程设计（论文）任务书学号0120 学生姓名苏胜专业（班级）09工业自动化仪表2班设计题目5空域滤波和频域滤波的实现及比较设计技术参数要求用不同的滤波器分别实现图像的空域和频域滤波，然后比较结果。
设计要求数字信号处理中，图像的空域滤波和频域滤波可以实现相同的目的，用不同的滤波器实现其空域和频域滤波，然后比较其结果。
要求用不同的滤波器同时实现图像的空域和频域滤波。
设计中应具有自己的设计思想、设计体会。
工作量1周工作计划周一：分析题目，查阅相关资料，熟悉MATLAB程序设计方法。
周二至周三：方案设计周四：编写程序代码、调试、运行周五：答辩考核参考资料1.数字图像处理学电子工业出版社贾永红 20032.数字图像处理（Matlab版）电子工业出版社冈萨雷斯 20063.其他数字图像处理和matlab编程方面的书籍及相关学习资料指导教师签字基层教学单位主任签字说明：此表一式四份，学生、指导教师、基层教学单位、系部各一份。
2012年6 月29日燕山大学课程设计评审意见表指导教师评语：成绩：指导教师：2012年6月29 日答辩小组评语：成绩：评阅人：2012年6月29 日课程设计总成绩：答辩小组成员签字：2012年6月29 日目录第一章摘要 (1)第二章引言 (2)第三章空域滤波和频域滤波 (3)3.1 空域滤波器的设计 (3)3.1.1 空域低通滤波器 (3)3.1.2 空域高通滤波器 (5)3.2 时域滤波器的设计 (5)3.2.1 时域低通滤波器 (6)3.2.2 时域高通滤波器 (6)3.3空域与时域滤波的比较 (12)第四章心得体会 (15)第五章参考文献 (16)一、摘要此次课程设计是在MATLAB软件下进行数字滤波技术的仿真分析，有助于我对数字图像处理技术的分析和理解。
频域一 实验目的1了解图像变换的意义和手段；2熟悉傅里叶变换的基本性质；3热练掌握FFT 方法及应用；4通过实验了解二维频谱的分布特点；5通过本实验掌握利用MATLAB 编程实现数字图像的傅立叶变换及滤波锐化和复原处理；二 实验原理1应用傅立叶变换进行图像处理傅里叶变换是线性系统分析的一个有力工具，它能够定量地分析诸如数字化系统、采样点、电子放大器、卷积滤波器、噪音和显示点等的作用。
通过实验培养这项技能，将有助于解决大多数图像处理问题。
对任何想在工作中有效应用数字图像处理技术的人来说，把时间用在学习和掌握博里叶变换上是很有必要的。
2傅立叶（Fourier ）变换的定义对于二维信号，二维Fourier 变换定义为：⎰⎰∞∞-∞∞-+-=dy dx e y x f v u F vy ux j )(2),(),(π ⎰⎰∞∞-∞∞-+=dv du e v u F y x f vy ux j )(2),(),(π θθθsin cos j e j += 二维离散傅立叶变换为：1,...,2,1,0,1,...,2,1,0for ),(1),(1010)//(2 N v M u e y x f MN v u F M x N y N vy M ux j1,...,2,1,0,1,...,2,1,0for ),(),(1010)//(2 N y M x e v u F y x f M u N v N vy M ux j图像的傅立叶变换与一维信号的傅立叶变换变换一样，有快速算法，具体参见参考书目，有关傅立叶变换的快速算法的程序不难找到。
实际上，现在有实现傅立叶变换的芯片，可以实时实现傅立叶变换。
3利用MATLAB 软件实现数字图像傅立叶变换的程序：I=imread('f:\11.jpg');; %读入原图像文件imshow(I); %显示原图像fftI=fft2(I); %二维离散傅立叶变换sfftI=fftshift(fftI); %直流分量移到频谱中心RR=real(sfftI); %取傅立叶变换的实部II=imag(sfftI); %取傅立叶变换的虚部A=sqrt(RR.^2+II.^2);%计算频谱幅值A=（A-min(min(A))）/(max(max(A))-min(min(A)))*225;%归一化figure; %设定窗口imshow(A); %显示原图像的频谱程序运行结果图及其频谱三实验步骤1打开计算机，安装和启动MATLAB程序；程序组中“work”文件夹中应有待处理的图像文件；2利用MatLab工具箱中的函数编制FFT频谱显示的函数;3 a).调入、显示“实验一”获得的图像；图像存储格式应为“.gif”;b)对这三幅图像做FFT并利用自编的函数显示其频谱;c)讨论不同的图像内容与FFT频谱之间的对应关系。
4 对频谱分别进行巴特沃兹和理想低通滤波，比较效果。
5 记录和整理实验报告。
四实验仪器1计算机；2 MATLAB程序；3移动式存储器。
4记录用的笔、纸。
五实验报告内容1叙述实验过程；2提交实验的原始图像和结果图像，并对结果进行比较。
实验过程:对三幅图像做FFT并利用自编的函数显示其频谱figure(1);a=imread ('F:\11.jpg');imshow(a);figure(2);s=fftshift(fft2(a));imshow(log(abs(s)),[]);程序运行结果图及其频谱由以上二幅图像各自做傅里叶变化之前之后的图像进行比较可知：原图像中若出现较多急剧变化的内容则其傅里叶变换后高频成分较多，反之若原图像中变化比较平缓则其傅里叶变换后低频成分较多，介于二者之间的图像，频率分量较分散。
对频谱分别进行巴特沃兹和理想低通滤波理想低通滤波J=imread ('F:\11.jpg');subplot(331);imshow(J);J=double(J);f=fft2(J);g=fftshift(f);subplot(332);imshow(log(abs(g)),[]),color(jet(64)); [M,N]=size(f);n1=floor(M/2);n2=floor(N/2);d0=5;for i=1:Mfor j=1:Nd=sqrt((i-n1)^2+(j-n2)^2);if d<=d0h=1;elseh=0;endg(i,j)=h*g(i,j);endendg=ifftshift(g);g=uint8(real(ifft2(g)));subplot(333);imshow(g);巴特沃兹滤波I=imread ('F:\11.jpg');J=imnoise(I,'salt & pepper',0.02); subplot(121);imshow(J);title('含有椒盐噪声的图像')J=double(J);f=fft2(J);g=fftshift(f);[M,N]=size(f);n=3;d0=20;n1=floor(M/2);n2=floor(N/2);for i=1:Mfor j=1:Nd=sqrt((i-n1)^2+(j-n2)^2) h=1/(1+(d/d0)^(2*n));g(i,j)=h*g(i,j);endendg=ifftshift(g);g=uint8(real(ifft2(g)));subplot(122);imshow(g);由以上理想低通滤波及巴特沃兹滤波所得图像比较可知：滤波后所得图像与原图像相比都不理想，但毕竟可以起到一定作用，在不同的情况下可以根据情况采用不同的滤波方法得到所需的图像和结果空域一 实验目的1结合实例学习如何在视频显示程序中增加图像处理算法；2理解和掌握图像的线性变换和直方图均衡化的原理和应用；3了解平滑处理的算法和用途，学习使用均值滤波、中值滤波和拉普拉斯锐化进行图像增强处理的程序设计方法；二 实验原理1 灰度线性变换就是将图像中所有点的灰度按照线性灰度变换函数进行变换。
)],([),(y x f T y x g =⎪⎩⎪⎨⎧<≤+-<≤+-≤≤=255),(]),([),( ]),([),(0 ),(),(y x f b g b y x f b y x f a g a y x f a y x f y x f y x g b a γβαn y m x ,2,1 ,,,2,1==2 直方图均衡化通过点运算将输入图像转换为在每一级上都有相等像素点数的输出图像。
按照图像概率密度函数PDF 的定义：1,...,2,1,0 )(-==L k nn r p k k r 通过转换公式获得：1,...,2,1,0 )()(00-====∑∑==L k n n r p r T s k j k j j j r k k3 均值（中值）滤波是指在图像上，对待处理的像素给定一个模板，该模板包括了其周围的临近像素。
将模板中的全体像素的均值（中值）来代替原来像素值的方法。
4 拉普拉斯算子如下：⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡--------111181111拉普拉斯算子首先将自身与周围的8个像素相减，表示自身与周围像素的差异，再将这个差异加上自身作为新像素的灰度。
三实验步骤1 启动MATLAB程序，对图像文件分别进行灰度线性变换、直方图均衡化、均值滤波、中值滤波和梯度锐化操作。
添加噪声，重复上述过程观察处理结果。
2记录和整理实验报告四实验仪器1计算机；2 MATLAB程序；3记录用的笔、纸。
五实验报告内容1叙述实验过程；2提交实验的原始图像和结果图像。
实验过程：对图像文件进行灰度线性变换I= ('F:\11.jpg');imshow(I);I=double(I);[M,N]=size(I);for i=1:Mfor j=1:Nif I(i,j)<=30I(i,j)=I(i,j);else if I(i,j)<=150I(i,j)=(200-30)/(150-30)*(I(i,j)-30)+30;elseI(i,j)=(255-200)/(255-150)*(I(i,j)-150)+200;endendendendfigure(2);imshow(uint8(I));直方图均衡化I=imread ('F:\11.jpg'); figuresubplot(221);imshow(I); subplot(222);imhist(I)I1=histeq(I);figure;subplot(221);imshow(I1) subplot(222);imhist(I1)均值滤波I=imread ('F:\11.jpg');[M,N]=size(I);II1=zeros(M,N);for i=1:16II(:,:,i)=imnoise(I,'gaussian',0,0.01); II1=II1+double(II(:,:,i));if or(or(i==1,i==4),or(i==8,i==16));figure;imshow(uint8(II1/i));endend中值滤波I=imread ('F:\11.jpg');J=imnoise(I,'salt & pepper',0.02);subplot(231),imshow(I);title('原始图像');subplot(232),imshow(J);title('添加椒盐噪声图像') k1=medfilt2(J);k2=medfilt2(J,[5,5]);k3=medfilt2(J,[7,7]);k4=medfilt2(J,[9,9]);subplot(233),imshow(k1);title('3x3模板中值滤波') subplot(234),imshow(k2);title('5x5模板中值滤波') subplot(235),imshow(k3);title('7x7模板中值滤波') subplot(236),imshow(k4);title('9x9模板中值滤波')梯度锐化操作I=imread ('F:\11.jpg'); subplot(131);imshow(I)H=fspecial('Sobel');H=H';TH=filter2(H,I);subplot(132),imshow(TH,[]); H=H';TH=filter2(H,I);subplot(133),imshow(TH,[])。
