下载文档原格式
使用Matlab进行数字图像增强的方法引言：数字图像增强是一种改善图像质量和提升可视化效果的方法。
在实际应用中，我们常常需要对图像进行增强，以便更好地分析和理解图像内容。
使用Matlab作为工具，可以方便地对图像进行各种增强操作。
本文将介绍几种常用的数字图像增强方法，并结合具体示例演示其在Matlab中的实现。
一、直方图均衡化直方图均衡化是一种通过调整图像像素值的分布来增强对比度的方法。
它可以将像素值均匀分布在整个灰度级范围内，从而增强图像的细节和清晰度。
在Matlab中，我们可以使用函数histeq来实现直方图均衡化。
实例：假设我们有一张灰度图像lena.jpg，我们想对它进行直方图均衡化。
首先，我们可以使用imread函数读取图像，并将其转换为灰度图像。
```matlabimg = imread('lena.jpg');gray_img = rgb2gray(img);```然后，利用histeq函数对图像进行直方图均衡化。
```matlabenhanced_img = histeq(gray_img);``````matlabimshow(enhanced_img);```运行以上代码，我们可以得到一张直方图均衡化后的图像。
二、滤波增强滤波增强是一种通过应用滤波器来减少噪声和增强图像细节的方法。
在Matlab 中，我们可以使用各种滤波器函数来实现滤波增强，如均值滤波、中值滤波和高斯滤波等。
实例：假设我们有一张包含噪声的图像cameraman.jpg，我们想对其进行滤波增强。
首先，我们可以使用imnoise函数在图像中添加高斯噪声。
```matlabimg = imread('cameraman.jpg');noisy_img = imnoise(img, 'gaussian', 0, 0.01);```然后，我们可以使用imfilter函数对图像进行滤波增强。
实验一图像增强实验一、实验目标：掌握图像增强的算法。
二、实验目的：1. 了解灰度变换增强和空域滤波增强的Matlab实现方法2. 掌握直方图灰度变换方法3. 掌握噪声模拟和图像滤波函数的使用方法三、实验内容：（1）图像的点操作、邻域操作算法。
（2）图像的直方图处理算法。
四、实验设备：1．PIII以上微机； 2．MATLAB6.5；五、实验步骤：（1）读入图像：用matlab函数实现图像读入（可读入Matlab中的标准测试图像）(原始图像)（2）实现图像点操作运算（如gamma校正，对数校正等）（3）实现图像的邻域处理（实现均值滤波，拉普拉斯滤波）（4）实现直方图均衡处理matlab 源程序clear all;clc;f=imread('girl_noise.jpg');figure,imshow(f),title('原始图像');[m,n]=size(f);f0= im2double(f); % 整型转换为double 类f1=f0;std_i=zeros(1,m-2);%灰线处理for i=2:m-1%灰线处理std_i(i-1)=std(f0(i,:));if(std_i(i-1)<0.1)for j=1:mf0(i,j)=(f0(i-1,j)+f0(i+1,j))/2;endendendfigure,imshow(f0),title('滤除灰线后的图像');fz=f0-f1;[r,c]=find(fz~=0);%寻找灰线噪声的位置f2=f0;change=0;count=0;for i=3:m-2%白线处理for j=1:mif(abs(f0(i,j)-f0(i-1,j))>0.2&&abs(f0(i,j)-f0(i+1,j))>0.2) count=count+1;endif(count>n*0.8)count=0;change=1;break;endendif(change==1)for k=1:mf0(i,k)=(f0(i-1,k)+f0(i+1,k))/2;endchange=0;count=0;endendfigure,imshow(f0),title('滤除白线后的图像');fz1=f2-f0;[r1,c1]=find(fz1~=0); %寻找白线噪声的位置fn = medfilt2(f0); %反射对称填充figure, imshow(fn),title('中值滤波后的图像');f0 = im2double(fn); % 整型转换为double 类g =2*f0- imfilter(f0,w4, 'replicate'); % 增强后的图像figure, imshow(g),title('高提升滤波图像(A=2)');图像处理结果六、结果分析从上面结果可以看出，带状噪声处理部分，已经基本将带状噪声去除。
利用Matlab进行图像去噪和图像增强随着数字图像处理技术的不断发展和成熟，图像去噪和图像增强在各个领域都有广泛的应用。
而在数字图像处理的工具中，Matlab凭借其强大的功能和易于使用的特点，成为了许多研究者和工程师首选的软件之一。
本文将介绍如何利用Matlab进行图像去噪和图像增强的方法和技巧。
一、图像去噪图像去噪是指通过一系列算法和技术，将图像中的噪声信号去除或减弱，提高图像的质量和清晰度。
Matlab提供了多种去噪方法，其中最常用的方法之一是利用小波变换进行去噪。
1. 小波变换去噪小波变换是一种多尺度分析方法，能够对信号进行时频分析，通过将信号分解到不同的尺度上，实现对图像的去噪。
在Matlab中，可以使用"dwt"函数进行小波变换，将图像分解为低频和高频子带，然后通过对高频子带进行阈值处理，将噪声信号滤除。
最后通过逆小波变换将去噪后的图像重构出来。
这种方法能够有效抑制高频噪声，保留图像的细节信息。
2. 均值滤波去噪均值滤波是一种基于平均值的线性滤波方法，通过计算像素周围邻域内像素的平均值，替代原始像素的值来去除噪声。
在Matlab中，可以使用"imfilter"函数进行均值滤波，通过设置适当的滤波模板大小和滤波器系数，实现对图像的去噪。
二、图像增强图像增强是指通过一系列算法和技术，改善图像的质量、增强图像的细节和对比度，使图像更容易被观察和理解。
Matlab提供了多种图像增强方法，以下将介绍其中的两种常用方法。
1. 直方图均衡化直方图均衡化是一种通过对图像像素值的分布进行调整，增强图像对比度的方法。
在Matlab中，可以使用"histeq"函数进行直方图均衡化处理。
该函数能够将图像的像素值分布拉伸到整个灰度级范围内，提高图像的动态范围和对比度。
2. 锐化增强锐化增强是一种通过增强图像边缘和细节来改善图像质量的方法。
在Matlab中，可以使用"imsharpen"函数进行图像的锐化增强处理。
《数字图像处理实验报告》实验一图像的增强一.实验目的1.熟悉图像在MATLAB下的读写、输出；2.熟悉直方图；3.熟悉图像的线性指数等；4.熟悉图像的算术运算和几何变换。
二.实验仪器计算机、MATLAB软件三.实验原理图像增强是指根据特定的需要突出图像中的重要信息，同时减弱或去除不需要的信息。
从不同的途径获取的图像，通过进行适当的增强处理，可以将原本模糊不清甚至根本无法分辨的原始图像处理成清晰的富含大量有用信息的可使用图像。
其基本原理是：对一幅图像的灰度直方图，经过一定的变换之后，使其成为均匀或基本均匀的，即使得分布在每一个灰度等级上的像素个数．f=H等或基本相等。
此方法是典刑的图像空间域技术处理，但是由于灰度直方图只是近似的概率密度函数，因此，当用离散的灰度等级做变换时，很难得到完全平坦均匀的结果。
频率域增强技术频率域增强是首先将图像从空间与变换到频域，然后进行各种各样的处理，再将所得到的结果进行反变换，从而达到图像处理的目的。
常用的变换方法有傅里叶变换、DCT变换、沃尔什-哈达玛变换、小波变换等。
假定原图像为f(x，y)，经傅立叶变换为F(u，v)。
频率域增强就是选择合适的滤波器H(u,v)对F(u,v)的频谱成分进行处理，然后经逆傅立叶变换得到增强的图像。
四.实验内容及步骤1.图像在MATLAB下的读写、输出；实验过程：>> I = imread('F:\image\');figure;imshow(I);title('Original Image');text(size(I,2),size(I,1)+15, ...'', ...'FontSize',7,'HorizontalAlignment','right');Warning: Image is too big to fit on screen; displaying at 25% > In imuitools\private\initSize at 86In imshow at 1962.给定函数的累积直方图。
Matlab中的图像增强方法图像增强是数字图像处理中的一项重要技术，通过使用各种算法和方法，可以改善图像的质量、增加图像的信息量和清晰度。
在Matlab中，有许多强大而灵活的工具和函数，可以帮助我们实现图像增强的目标。
本文将介绍几种常用的Matlab图像增强方法，并探讨它们的原理和应用。
一、直方图均衡化直方图均衡化是一种常用的图像增强方法，通过调整图像的像素分布来增强图像的对比度和亮度。
在Matlab中，我们可以使用“histeq”函数来实现直方图均衡化。
该函数会根据图像的直方图信息，将像素的灰度值重新映射到一个均匀分布的直方图上。
直方图均衡化的原理是基于图像的累积分布函数（CDF）的变换。
它首先计算图像的灰度直方图，并根据直方图信息计算CDF。
然后，通过将CDF线性映射到期望的均匀分布上，将图像的像素值进行调整。
直方图均衡化的优点在于简单易实现，且效果较好。
但它也存在一些限制，比如对噪声敏感、全局亮度调整可能导致细节丢失等。
因此，在具体应用中，我们需要权衡其优缺点，并根据图像的特点选择合适的方法。
二、自适应直方图均衡化自适应直方图均衡化是对传统直方图均衡化的改进，它能够在改善对比度的同时，保持局部细节。
与全局直方图均衡化不同，自适应直方图均衡化采用局部的直方图信息来进行均衡化。
在Matlab中，我们可以使用“adapthisteq”函数来实现自适应直方图均衡化。
该函数会将图像分成小块，并在每个块上进行直方图均衡化。
通过这种方式，自适应直方图均衡化可以在增强图像对比度的同时，保留图像的细节。
自适应直方图均衡化的优点在于针对每个小块进行处理，能够更精确地调整局部对比度，避免了全局调整可能带来的细节丢失。
然而，相对于全局直方图均衡化，自适应直方图均衡化的计算量较大，因此在实时处理中可能会引起性能问题。
三、模糊与锐化图像增强不仅局限于对比度和亮度的调整，还可以改善图像的清晰度和边缘信息。
在Matlab中，我们可以使用一些滤波器来实现图像的模糊和锐化。
基于MATLAB的数字图像处理的设计与实现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。
目的:改善医学图像质量，使图像得到增强。
方法：利用Matlab工具箱函数，采用灰度直方图均衡化和高通滤波的方法对一幅X线图像进行增强处理。
结果:用直方图均衡化的算法,将原始图像密集的灰度分布变得比较稀疏，处理后的图像视觉效果得以改善。
高通滤波对于局部细节增强显著,高通滤波后使不易观察到的细节变得清晰。
结论：使用Matlab工具箱大大简化了编程工作，为医学图像处理提供了一种技术平台。
经过直方图均衡化和高通滤波处理后的医学图像，视觉效果得到改善。
关键词:MATLAB；直方图均衡化；高通滤波；图像增强AbstractDigital image processing is an emerging technology, with the development of computer hardware, real—time digital image processing has become possible due to digital image processing algorithms to appear，making it faster and faster processing speed，better for people services .Digital image processing is used by some algorithms computer graphics image pro cessing technology. Objective：To improve the quality of medical image by enhancing the details。
Matlab技术图像增强方法图像增强是数字图像处理的一个重要任务，通过改善图像的质量和视觉效果来提高图像的可读性和理解性。
在现实生活中，我们常常会遇到一些图像质量较差、光照不均匀或者图像噪声较多的情况，这时候就需要借助一些图像增强方法来改善图像。
Matlab作为一款强大的数学软件，提供了丰富的图像处理工具箱，其中包含了多种图像增强方法。
本文将介绍几种常用的Matlab图像增强方法，并对其原理和应用进行探讨。
一、直方图均衡化直方图均衡化是一种常用的图像增强方法，通过重新分配图像的灰度级来拉伸图像的灰度范围，以增强图像的对比度和细节。
在Matlab中，我们可以使用以下代码实现图像的直方图均衡化：```matlabimg = imread('image.jpg');img_eq = histeq(img);imshowpair(img, img_eq, 'montage');```直方图均衡化的原理是将图像的累积分布函数进行线性映射，使得图像的灰度级均匀分布，从而增强对比度。
然而，直方图均衡化有时候会导致图像过亮或者过暗，因为它只考虑了灰度分布，并未考虑图像的空间信息。
二、自适应直方图均衡化为了克服直方图均衡化的不足，自适应直方图均衡化应运而生。
自适应直方图均衡化是一种局部增强方法，它将图像划分为若干小区域，并对每个区域进行直方图均衡化，以保留图像的局部对比度。
Matlab中的自适应直方图均衡化函数为`adapthisteq`，使用方法如下：```matlabimg = imread('image.jpg');img_adapteq = adapthisteq(img);imshowpair(img, img_adapteq, 'montage');```自适应直方图均衡化在增强图像对比度的同时，能够保留图像的细节，并且不会引入过多的噪声。
基于MATLAB的智能图像识别算法优化与实现在当今数字化时代，图像识别技术已经成为人工智能领域的热门研究方向之一。
随着深度学习和神经网络的发展，图像识别在各个领域都有着广泛的应用，如人脸识别、医学影像分析、自动驾驶等。
而MATLAB作为一种强大的科学计算软件，提供了丰富的工具和函数，为图像处理和机器学习提供了便利的环境。
本文将探讨基于MATLAB的智能图像识别算法优化与实现的相关内容。
1. 图像识别算法概述图像识别算法是指通过对图像进行分析和处理，从中提取出有用信息并做出相应判断的技术。
常见的图像识别算法包括传统的特征提取方法（如SIFT、SURF）以及基于深度学习的卷积神经网络（CNN）。
在实际应用中，选择合适的算法对于图像识别的准确性和效率至关重要。
2. MATLAB在图像处理中的应用MATLAB提供了丰富的图像处理工具箱，包括图像读取、显示、处理、分析等功能。
通过MATLAB可以轻松实现对图像的各种操作，如滤波、边缘检测、特征提取等。
同时，MATLAB还支持深度学习工具箱，可以方便地构建和训练神经网络模型。
3. 智能图像识别算法优化在实际应用中，智能图像识别算法需要不断优化以提高准确性和效率。
优化算法可以从以下几个方面展开：3.1 数据预处理数据预处理是图像识别中至关重要的一步，包括去噪、尺度归一化、亮度调整等操作。
通过合理的数据预处理可以提高模型对输入数据的适应性。
3.2 特征提取与选择特征提取是将原始数据转换为可供机器学习算法使用的特征表示的过程。
在特征选择时，需要考虑到特征之间的相关性以及对分类任务的贡献度，避免过多或过少的特征对模型性能造成影响。
3.3 算法调参在使用深度学习算法时，网络结构和超参数的选择对于模型性能至关重要。
通过合理地调整网络结构和超参数，可以提高模型在训练集和测试集上的表现。
3.4 模型融合模型融合是将多个基础模型集成为一个更强大模型的技术。
通过模型融合可以降低过拟合风险，并提高整体预测准确性。
基于matlab的数字图像增强算法研究与实现摘要图像在获取和传输过程中，会受到各种噪声的干扰，使图像退化质量下降，对分析图像不利。
图像的平滑或去噪一直是数字图像处理技术中的一项重要工作。
为此，论述了在空间域中的各种数字图像平滑技术方法。
关键字：数字图像；图像增强；平滑处理目录第一章、概述 21.1 图像平滑意义 21.2图像平滑应用 21.3噪声模型 (3)第二章 、图像平滑方法 52.1 空域低通滤波 52.1.1 均值滤波器 62.1.2 中值滤波器 62.2 频域低通滤波 7第三章、图像平滑处理与调试 93.1 模拟噪声图像 93.2均值滤波法 113.3 中值滤波法 143.4 频域低通滤波法 17第四章、总结与体会 19参考文献 20第一章、概述1.1图像平滑意义图像平滑（S m o o t h i n g）的主要目的是减少图像噪声。
图像噪声来自于多方面，有来自于系统外部的干扰（如电磁波或经电源窜进系统内部的外部噪声），也有来自于系统内部的干扰（如摄像机的热噪声，电器机械运动而产生的抖动噪声内部噪声）。
实际获得的图像都因受到干扰而有噪声，噪声产生的原因决定了噪声分布的特性及与图像信号的关系。
减少噪声的方法可以在空间域或在频率域处理。
在空间域中进行时，基本方法就是求像素的平均值或中值；在频域中则运用低通滤波技术。
图像中的噪声往往是和信号交织在一起的，尤其是乘性噪声，如果平滑不当，就会使图像本身的细节如边缘轮廓，线条等模糊不清，从而使图像降质。
图像平滑总是要以一定的细节模糊为代价的，因此如何尽量平滑掉图像的噪声，又尽量保持图像的细节，是图像平滑研究的主要问题之一。
1.2图像平滑应用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。
1.3噪声模型1.3.1噪声来源一幅图像可能会受到各种噪声的干扰，而数字图像的实质就是光电信息，因此图像噪声主要可能来源于以下几个方面：光电传感器噪声、大气层电磁暴、闪电等引起的强脉冲干扰、相片颗粒噪声和信道传输误差引起的噪声等。
噪声的存在恶化图像质量，使图像模糊，更严重的甚至是图像的特征完全被淹没，以至于给图像识别和分析带来了困难。
目前比较经典的去噪声的方法都或多或少给图像带来模糊，因此，探求一种既能去除噪声又不至于使图像模糊的方法，一直是图像增强处理中的难题，至今尚在不断地探索。
1.3.2 高斯噪声数字图像的噪声主要来源于图像的获取和传输过程。
按其产生的原因可分为:光电子噪声、热噪声、KTC噪声、量化噪声和信道传输噪声等。
按其是否独立于空间坐标以及和图像是否关联可分为加性噪声和乘性噪声。
为了最大限度地减少噪声对图像的影响,人们从改善硬件质量和对受污图像进行处理两个方面做了许多的工作,文中主要考虑对受污图像进行处理的算法研究。
为了对受污图像进行处理,人们对噪声进行了研究并建立了相应的数学模型。
对噪声表述的数学建模主要考虑噪声的成因和分析受污图像上噪声的统计特性两个因素，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,也称为正态噪声,是在实践中经常用到的噪声模型。
1.3.3椒盐噪声主要来源于成像过程中的短暂停留和数据传输中产生的错误。
其PDF为如果b > a,灰度值b在图像中显示为一亮点,a值显示为一暗点。
如果Pa 和Pb均不为零,在图像上的表现类似于随机分布图像上的胡椒和盐粉微粒,因此称为椒盐噪声。
当Pa为零时,表现为“盐”噪声;当Pb为零时,表现为“胡椒”噪声。
MATLAB图像处理工具箱提供的噪声添加函数imnoise,它可以对图像添加一些典型的噪声。
其语法：J=imnoise(I,type)J=imnoise(I,type,parameters)其功能是：返回对原图像I添加典型噪声的图像J,参数type和parameters用于确定噪声的类型和相应的参数。
三种典型的噪声：type=’gaussian’时,为 高 斯 噪 声；type=’salt&pepper’时为椒盐噪声；type=’speckle’时为乘法噪声；图像数据读取函数imread从图像文件中读取图像数据。
其基本调用格式如下：I=imread（文件名，’图像文件格式’）其功能是：将文件名指定的图像文件读入I中。
I=imshow（A)其功能是显示图像A。
如下程序就实现了3种噪声污染了的图像：I=imread('lena.bmp'); %读取图像I1=imnoise(I,'gaussian'); %加高斯噪声I2=imnoise(I,'salt & pepper',0.02); %加椒盐噪声I3=imnoise(I,'speckle'); %加乘性噪声subplot(221),imshow(I); %显示图像Isubplot(222),imshow(I1);subplot(223),imshow(I2);subplot(224),imshow(I3);运行结果如下：图1噪声污染的图像第2章 、图像平滑方法2.1空域低通滤波将空间域模板用于图像处理，通常称为空间滤波，而空间域模板称为空间滤波器。
空间域滤波按线性和非线性特点有：线性、非线性平滑波器。
线性平滑滤波器包括领域平均法（均值滤波器），非线性平滑滤波器有中值滤波器。
2.1.1均值滤波器对一些图像进行线性滤波可以去除图像中某些类型的噪声，如采用邻域平均法的均值滤波器就非常适用于去除通过扫描得到的图像中的颗粒噪声。
邻域平均法是空间域平滑技术。
这种方法的基本思想是，在图像空间，假定有一副N×N个像素的原始图像f(x,y),用领域内几个像素的平均值去代替图像中的每一个像素点值的操作。
经过平滑处理后得到一副图像g(x,y), 其表达式如下：式中：x,y=0,1,2,…，N-1；s为（x，y）点领域中点的坐标的集合，但不包括（x，y）点；M为集合内坐标点的总数。
领域平均法有力地抑制了噪声，但随着领域的增大，图像的模糊程度也愈加严重。
为了尽可能地减少模糊失真，也可采用阈值法减少由于领域平均而产生的模糊效应。
其公式如下：式中：T为规定的非负阈值。
上述方法也可称为算术均值滤波器，除此之外还可以采用几何均值滤波器、谐波均值滤波器和逆谐波均值滤波器。
几何均值滤波器所达到的平滑度可以与算术均值滤波器相比，但在滤波过程中会丢失更少的图像细节。
谐波均值滤波器对“盐”噪声效果更好，但是不适用于“胡椒”噪声。
它善于处理像高斯噪声那样的其他噪声。
逆谐波均值滤波器更适合于处理脉冲噪声，但它有个缺点，就是必须要知道噪声是暗噪声还是亮噪声，以便于选择合适的滤波器阶数符号，如果阶数的符号选择错了可能会引起灾难性的后果。
2.1.2中值滤波器中值滤波是一种常用的去除噪声的非线性平滑滤波处理方法，其基本思想用图像像素点的领域灰度值的中值来代替该像素点的灰度值。
二维中值滤波可以用下式表示：式中：A为滤波窗口；为二维数据序列。
其主要功能是让周围象素灰度值的差比较大的像素改取与周围的像素值接近的值，从而可以消除孤立的噪声点，所以中值滤波对于滤除图像的椒盐噪声非常有效。
中值滤波器可以做到既去除噪声又能保护图像的边缘，从而获得较满意的复原效果，而且，在实际运算过程中不需要图像的统计特性，这也带来不少方便，但对一些细节多，特别是点、线、尖顶细节较多的图像不宜采用中值滤波的方法。
2.2频域低通滤波在分析图像信号的频率特性时，对于一副图像，直流分量表示了图像的平均灰度，大面积的背景区域和缓变部分是低频分量，其边缘、细节、跳跃部分以及颗粒噪声都代表图像的高频分量。
频域低通滤波就是除去其高频分量就能去掉噪声，从而使图像得到平滑。
利用卷积定理，可以写成以下形式：G(u,v)=H(u,v)F(u,v)式中，F(u,v)是含噪图像的傅立叶变换，G(u,v)是平滑后图像的傅立叶变换，H(u,v)是传递函数。
利用H(u,v)使F(u,v)的高频分量得到衰减，得到G(u,v)后再经过反变换就得到所希望的图像g(u,v)了。
低通滤波平滑图像的系统框图如下所示：图3-1图像频域低通滤波流程框图低通滤波法又分为以下几种：(1)理想低通滤波器(I L P F)一个理想的低通滤波器的传递函数由下式表示：式中D0是一个规定的非负的量，它叫做理想低通滤波器的截止频率。
D(u,v)代表从频率平面的原点到（u,v）点的距离，即：理想低通滤波器在处理过程中会产生较严重的模糊和振铃现象。
(2)巴特沃思低通滤波器（B L P F）n阶巴待沃思滤波器的传递系数为D L P F与I L P F不同，它的通带与阻带之间没有明显的不连续性，因此它没有“振铃”现象发生，模糊程度减少，但从它的传递函数特性曲线H(u,v)可以看出，在它的尾部保留有较多的高频，所以对噪声的平滑效果还不如I L P F（理想低通滤波器）。
(3)指数滤波器(E L P F)其传递函数表示为：由于E L P F具有比较平滑的过渡形，为此平滑后的图像没有“振铃”现象，而E L P F与B L P F相比．它具有更快的衰减特性，所以经E L P F滤波的图像比B L P F处理的图像稍微模糊一些。
(4)梯形滤波器（T L P F)梯形滤波器的传递函数介于理想低通滤波器和具有平滑过渡带的低通滤波器之间，它的传递函数为：式中：D0为梯形低通滤波器截止频率，D0、D1须满足D0<D1，它的性能介于I L P F和B L P F之间，对图像有一定的模糊和振铃效应。
第三章、图像平滑处理与调试本课程设计中程序运行的环境是w i n d o w s平台，并选用M A T L A B作为编程开发工具，M A T L A B是一种向量语言，它非常适合于进行图像处理。
3.1模拟噪声图像图像增强操作主要是针对图像的各种噪声而言的，为了说明图像处理中的滤波方法和用途，需要模拟数字图像的各种噪声来分析滤波效果。
M A T L A B图像处理工具箱提供的噪声添加函数i m n o i s e,它可以对图像添加一些典型的噪声。
其语法：J=i m n o i s e(I,t y p e)J=i m n o i s e(I,t y p e,p a r a m e t e r s)其功能是：返回对原图像I添加典型噪声的图像J,参数t y p e和p a r a m e t e r s用于确定噪声的类型和相应的参数。
