下载文档原格式
图像分类：根据图像空间坐标和幅度（亮度或色彩）的连续性可分为模拟（连续）图像和数字图像。
模拟图像是空间坐标和幅度都连续变化的图像，而数字图像是空间坐标和幅度均用离散的数字（一般是整数）表示的图像。
图像的数学表示：一幅图像所包含的信息首先表现为光的强度（intensity）,即一幅图像可看成是空间各个坐标点上的光强度I 的集合，其普遍数学表达式为：I = f (x，y，z，λ，t) 式中(x,y,z)是空间坐标，λ是波长，t是时间，I是光点(x,y,z)的强度（幅度）。
上式表示一幅运动的(t)、彩色/多光谱的(λ)、立体的(x,y,z)图像。
图像的特点：1.空间有界:人的视野有限，一幅图像的大小也有限。
2.幅度（强度）有限：即对于所有的x，y都有0≤f(x,y) ≤Bm其中Bm为有限值。
图像三大类：在每一种情况下，图像的表示可省略掉一维，即1.静止图像：I = f（x，y，z, λ）2.灰度图像：I = f（x，y，z，t ）3.平面图像：I = f（x，y,λ,t）而对于平面上的静止灰度图像，其数学表达式可简化为：I = f（x，y）数字图像处理的基本步骤：1.图像信息的获取：采用图像扫描仪等将图像数字化。
2.图像信息的存储：对获取的数字图像、处理过程中的图像信息以及处理结果存储在计算机等数字系统中。
3.图像信息的处理：即数字图像处理，它是指用数字计算机或数字系统对数字图像进行的各种处理。
4.图像信息的传输：要解决的主要问题是传输信道和数据量的矛盾问题，一方面要改善传输信道，提高传输速率，另外要对传输的图像信息进行压缩编码，以减少描述图像信息的数据量。
5.图像信息的输出和显示：用可视的方法进行输出和显示。
数字图像处理系统五大模块：数字图像处理系统由图像输入、图像存储、图像通信、图像处理和分析五个模块组成。
1.图像输入模块：图像输入也称图像采集或图像数字化，它是利用图像采集设备（如数码照相机、数码摄像机等）来获取数字图像，或通过数字化设备（如图像扫描仪）将要处理的连续图像转换成适于计算机处理的数字图像。
第一章1.连续图像中，图像为一个二维平面，(x,y)图像中的任意一点，f（x,y）为图像于(x,y)于处的值。
连续图像中，(x,y)的取值是连续的，f(x,y)也是连续的数字图像中，图像为一个由有限行有限列组成的二维平面，（i,j)为平面中的任意一点，g（i,j)则为图像在（i,j)处的灰度值，数字图像中，（i,j) 的取值是不连续的，只能取整数，对应第i行j列,g（i,j) 也是不连续的，表示图像i行j列处图像灰度值。
联系：数字图像g(i,j)是对连续图像f(x,y)经过采样和量化这两个步骤得到的。
其中g(i,j)=f(x,y)|x=i,y=j2. 图像工程的内容可分为图像处理、图像分析和图像理解三个层次，这三个层次既有联系又有区别，如下图所示。
图像处理的重点是图像之间进行的变换。
尽管人们常用图像处理泛指各种图像技术，但比较狭义的图像处理主要是对图像进行各种加工，以改善图像的视觉效果并为自动识别奠定基础，或对图像进行压缩编码以减少所需存储空间图像分析主要是对图像中感兴趣的目标进行检测和测量，以获得它们的客观信息，从而建立对图像的描述。
如果说图像处理是一个从图像到图像的过程，则图像分析是一个从图像到数据的过程。
这里的数据可以是目标特征的测量结果，或是基于测量的符号表示，它们描述了目标的特点和性质。
图像理解的重点是在图像分析的基础上，进一步研究图像中各目标的性质和它们之间的相互联系，并得出对图像内容含义的理解以及对原来客观场景的解释，从而指导和规划行动。
如果说图像分析主要以观察者为中心来研究客观世界，那么图像理解在一定程度上是以客观世界为中心，借助知识、经验等来把握整个客观世界(包括没有直接观察到的事物)的。
联系：图像处理、图像分析和图像理解处在三个抽象程度和数据量各有特点的不同层次上。
图像处理是比较低层的操作，它主要在图像像素级上进行处理，处理的数据量非常大。
图像分析则进入了中层，分割和特征提取把原来以像素描述的图像转变成比较简洁的非图形式的描述。
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。
数字图像处理实验实验总学时：10学时实验目的：本实验的目的是通过实验进一步理解和掌握数字图像处理原理和方法。
通过分析、实现现有的图像处理算法，学习和掌握常用的图像处理技术。
实验内容：数字图像处理的实验内容主要有三个方面:(1) 对图像灰度作某种变换,增强其中的有用信息,抑制无用信息,使图像的视在质量提高,以便于人眼观察、理解或用计算机对其作进一步的处理。
(2) 用某种特殊手段提取、描述和分析图像中所包含的某些特征和特殊的信息,主要的目的是便于计算机对图像作进一步的分析和理解,经常作为模式识别和计算机视觉的预处理。
这些特征包括很多方面，例如,图像的频域特性、灰度特征、边界特征等。
(3) 图像的变换,以便于图像的频域处理。
实验一图像的点处理实验内容及实验原理：1、灰度的线性变换灰度的线性变换就是将图像中所有的点的灰度按照线性灰度变换函数进行变换。
该线性灰度变换函数是一个一维线性函数：灰度变换方程为：其中参数为线性函数的斜率，函数的在y轴的截距，表示输入图像的灰度，表示输出图像的灰度。
要求：输入一幅图像，根据输入的斜率和截距进行线性变换，并显示。
2、灰度拉伸灰度拉伸和灰度线性变换相似。
不同之处在于它是分段线性变换。
表达如下：其中，(x1,y1)和(x2,y2)是分段函数的转折点。
要求：输入一幅图像，根据选择的转折点，进行灰度拉伸，显示变换后的图像。
3、灰度直方图灰度直方图是灰度值的函数，描述的是图像中具有该灰度值的像素的个数，其横坐标表示像素的灰度级别，纵坐标表示该灰度出现的频率(象素的个数)。
要求：输入一幅图像，显示它的灰度直方图，可以根据输入的参数（上限、下限）显示特定范围的灰度直方图。
4、直方图均衡：要求1 显示一幅图像pout.bmp的直方图；2 用直方图均衡对图像pout.bmp进行增强；3 显示增强后的图像。
实验二：数字图像的平滑实验内容及实验原理：1．用均值滤波器（即邻域平均法）去除图像中的噪声；2．用中值滤波器去除图像中的噪声3． 比较两种方法的处理结果 实验步骤：用原始图象lena.bmp 或cameraman.bmp 加产生的3%椒盐噪声图象合成一幅有噪声的图象并显示；1． 用均值滤波器去除图像中的噪声（选3x3窗口）；2． f (x 0,y 0)=Med {f (x,y )∨x ∈[x 0−N,x 0+N ],y ∈[y 0−N,y 0+N ]}用中值滤波器去除图像中的噪声(选3x3窗口做中值滤波)；3． 将两种处理方法的结果与原图比较，注意两种处理方法对边缘的影响。
图像的频域变换处理1 实验目的 1. 掌握Fourier ，DCT 和Radon 变换与反变换的原理及算法实现，并初步理解Fourier 、Radon和DCT 变换的物理意义。
2、 利用傅里叶变换、离散余弦变换等处理图像，理解图像变换系数的特点。
3、 掌握图像的频谱分析方法。
4、 掌握图像频域压缩的方法。
5、 掌握二维数字滤波器处理图像的方法。
2 实验原理1、傅里叶变换 fft2函数：F=fft2(A);fftshift 函数：F1=fftshift(F);ifft2函数：M=ifft2(F);2、离散余弦变换：dct2函数 ：F=dct2(f2)；idct2函数：M=idct2(F)；3、 小波变换对静态二维数字图像，可先对其进行若干次二维DWT 变换， 将图像信息分解为高频成分H 、V 和D 和低频成分A 。
对低频部分A ，由于它对压缩的结果影响很大，因此可采用无损编码方法， 如Huffman 、 DPCM 等；对H 、V 和D 部分，可对不同的层次采用不同策略的向量量化编码方法，这样便可大大减少数据量，而图像的解码过程刚好相反。
（1）dwt2[CA,CH,CV,CD]=dwt2(X,’wname’)[CA,CH,CV,CD]=dwt2(X,LO_D,HI_D’)()()⎰⎥⎦⎤⎢⎣⎡-ψ=dt a b t t Rf a 1b ,a W *()⎪⎭⎫ ⎝⎛-ψ=ψa b t a 1t b ,a 112()00(,)[(,)](,)ux vy M N j M N x y f x y eF f x y F u v π---+====∑∑1100(21)(21)(,)(,)()()cos cos 22M N x y x u y v F u v f x y C u C v M Nππ--==++=∑∑CA 图像分解的近似分量,CH 水平分量,CV 垂直分量,CD 细节分量； dwt2(X,’wname ’) 使用小波基wname 对X 进行小波分解。
dwt2(X,LO_D,HI_D ’)使用低通和高通滤波器组对X 进行小波变换。
（2）idwt2X=idwt2(CA,CH,C V,CD, ’wname’)X=idwt2(CA,CH,CV,CD, LO_D,HI_R)X=idwt2(CA,CH,CV,CD, ’wname’,S) 返回s 个点值X=idwt2(CA,CH,CV,CD, LO_D,HI_R,S)4、低通滤波器传递函数在通带内的所有频率分量完全无损的通过，而在阻带内的所有频率分量完全衰减。
设傅立叶平面理想低通滤波器离开原点的截至频率为D 0，测其传递函数为001(,)?H u v 0(,)D u v D D u v D ≤⎧=⎨>⎩（，） 222,)(()D u v u v =+5、高通滤波器将高频成分通过，使低频成分消弱，再经傅立叶逆变换得到边缘锐化的图像。
设傅立叶平面理想低通滤波器离开原点的截至频率为D 0，测其传递函数为000(,)?H u v 1(,)D u v D D u v D ≤⎧=⎨>⎩（，） 222,)(()D u v u v =+6、图像压缩原理将空域图像变换到频域上，使得大量信息能用较少的数据表示，达到压缩的目的。
3 实验内容(包括实验程序、实验图片、实验数据、实验结果分析)1、%设计程序生成一幅255*255的图像，利用函数F=fft2('name',m,n)对图像进行傅里叶变换，%并进行中心化。
利用函数imshow(log(abs(F),[]))输出图像的幅频特性，%查看图像变换前后的统计参数。
利用函数F=ifft2('name')完成傅里叶反变换，并输出。
clc;clear;I=imread('C:\Users\Administrator\Desktop\sy2_1.jpg');%读彩色图像I=rgb2gray(I)figuresubplot(2,3,1),imshow(I)title('原图')A=imresize(I,[255,255]);subplot(2,3,2),imshow(A)title('255*255原图')F=fft2(A)subplot(2,3,3),imshow(F)title('FFT变换')sF=fftshift(F)subplot(2,3,4),imshow(sF)title('中心化')subplot(2,3,5),imshow(log(abs(sF)),[0 10])title('中心化幅频特性')iF=ifft2(F,255,255)/200subplot(2,3,6),imshow(iF)title('反变换')2、%利用函数B=dct2(‘name’,[m,n])对图像进行离散余弦变换。
%利用函数imshow(log(abs(B),[ ] )输出图像的幅频特性，查看图像变换前后的统计参数。
%利用函数B=idct2(‘name’)完成DCT反变换。
clc;clear;I=imread('C:\Users\Administrator\Desktop\sy2_1.jpg');%读彩色图像I=rgb2gray(I)figureA=imresize(I,[255,255]);subplot(2,2,1),imshow(A)title('255*255原图')B=dct2(A)subplot(2,2,2),imshow(B)title('DCT变换')subplot(2,2,3),imshow(log(abs(B)),[0 5])title('幅频特性')I=idct2(B)/200subplot(2,2,4),imshow(I)title('反变换')3、%利用dct变换对图像进行压缩处理，计算压缩前后的图像大小及压缩比，及压缩前后的统计参数。
clc;clear;I1=imread('C:\Users\Administrator\Desktop\sy2_3.jpg');%读彩色图像I=rgb2gray(I1)figuresubplot(2,2,1),imshow(I),title('原图')A=dct2(I)subplot(2,2,2),imshow(A),title('DCT变换')subplot(2,2,4);imshow(log(abs(A)),[0 6]);title('DCT系数');B=idct2(A)/255subplot(2,2,3),imshow(B),title('恢复')Iinfo=whos('I')Binfo=whos('B')Iinfo=Iinfo.bytesBinfo=Binfo.bytes4、%分别输入一幅灰度图像、一幅彩色图像，并对其进行fft变换，%分别选择频域低通、高通滤波器对同一幅图像进行滤波，%对处理后的图像进行高通滤波和低通滤波，%将滤波后的两幅图像与原图像进行比较，分析结果，并计算统计参数。
clc;clear;A=imread('C:\Users\Administrator\Desktop\sy2_4_1.jpg');%读彩色图像B=imread('C:\Users\Administrator\Desktop\sy2_4_2.jpg');%读灰度图像figure(1),subplot(1,3,1),imshow(A),title('彩色原图')figure(2),subplot(1,3,1),imshow(B),title('灰度原图')fftA=fft(A)fftB=fft(B)figure(1),subplot(1,3,2),imshow(fftA),title('FFT变换') figure(2),subplot(1,3,2),imshow(fftB),title('FFT变换')[f1,f2]=freqspace(size(A),'meshgrid');%生成频率序列矩阵Hd=ones(size(A));%构造低通滤波器大小r=sqrt(f1.^2+f2.^2);%构造低通滤波器决策函数Hd(r>0.1)=0; %构造低通滤波器Y=fft2(double(A));%对A进行傅里叶变换Y=fftshift(Y);%频谱平移Ya=Y.*Hd;%低通滤波器Ya=ifftshift(Ya);%反变换Aa=ifft2(Ya);figure(3)subplot(121)imshow(A);title('彩色原图')subplot(122)imshow(uint8(Aa));title('低通滤波')%高通滤波器f=double(A);g=fft2(f);[M,N]=size(g);d0=80;m=fix(M/2);n=fix(N/2);for i=1:Mfor j=1:Md=sqrt((i-m)^2+(j-n)^2);if(d>=d0);h=1;else h=0;endresult(i,j)=h*g(i,j);endendresult=ifftshift(result);J1=ifft2(result);J2=uint8(real(J1));figure(4)subplot(121)imshow(A);title('彩色原图')subplot(122)imshow(J2)title('理想高通滤波器');5、%输入一幅灰度图像，对图像进行小波变换，输出变换结果。
clc;clear;I=imread('C:\Users\Administrator\Desktop\sy2_4_2.jpg');%读灰度图像figure,subplot(1,2,1),imshow(I),title('原图')[cA,cH,cV,cD] = dwt2(I,'haar')subplot(1,2,2),imshow([cA,cH,cV,cD]),title('DWT2变换')实验结果分析：（1）从小波的形状可以看出，变化剧烈的信号，用不规则的小波进行分析比用平滑的正弦波更好，即用小波更能描述信号的局部特征。
