基于MATLAB的数字图像压缩算法研究

数字图像处理课程设计--基于Matlab的数字图像处理数字图像处理课程设计基于Matlab的数字图像处理——图像的运算院系信息技术学院专业班级电气6班学号 201107111282姓名何英娜指导教师章瑞平课程设计时间 2012年11月目录一、摘要 (3)二、图像代数运算1、1图像的加法运算 (4)1、2图像的减法运算 (4)1、3图像的除法运算 (4)1、4绝对差值运算 (7)1、 5 图像的求补运算 (7)3三、图像的几何运算2、1 图像插值 (7)2、2图像的旋转 (8)2、3图像的缩放 (9)2、4图像的投影变换 (10)2、4图像的剪切 (11)四、课程设计总结与体会 (13)五、参考文献 (14)摘要图像运算涵盖程序设计、图像点运算、代数运算、几何运算等多种运算；设计目的和任务：1、熟悉图像点运算、代数运算、几何运算的基本定义和常见方法；2、掌握在MTLAB中对图像进行点运算、代数运算、几何运算的方法3、掌握在MATLAB中进行插值的方法4、运用MATLAB语言进行图像的插值缩放和插值旋转5、学会运用图像的投影变换和图像的剪切46、进一步熟悉了解MATLAB语言的应用，将数字图像处理更好的应用于实际7、通过各类算法加强图像各种属性、一、图像的几何运算何运算图像代数运算是指对两幅或两幅以上输入图像对应的像素逐个进行和差积商运算以产生增强效果的图像。

图像运算是一种比较简单有效的增强处理手段是图像处理中常用方法。

四种图像处理代数运算的数学表达式如下：C(x,y)=A(x,y)+B(x,y)C(x,y)=A(x,y)-B(x,y)C(x,y)=A(x,y)*B(x,y)C(x,y)=A(x,y)/B(x,y)1图像加法运算一般用于多幅图像求平均效果，以便有效降低具有叠加性的随机噪声，在matlab中imadd用于图像相加，其调用格式为z=imadd(X,Y);程序演示如下：I=imread('rice.png');subplot(2,2,1),imshow(I),title('原图像1'); J=imread('cameraman.tif');subplot(2,2,2),imshow(J),title('原图像52');K=imadd(I,J,'uint16'););subplot(2,2,3),imshow(K,[]),title('相加后图像'2、图像减法运算也称差分运算，是用于检测图像变化及运动物体的方法；用imsubtract函数实现。

29982009,30(12)计算机工程与设计Computer Engineering and Design0引言虽然表示图像需要大量的数据，但图像数据是高度相关的，或者说存在冗余信息，去掉这些冗余信息后可以有效压缩图像，同时又不会损害图像的有效信息。

数字图像的冗余主要表现为以下几种形式：空间冗余、时间冗余、视觉冗余、信息熵冗余、符号冗余、结构冗余和知识冗余。

由于在图像数据中存在如此多的冗余信息，因此，这为图像压缩编码提供了依据。

经过压缩之后的图像，其容量可以大大减少，更加方便存储和传输。

我们平常所拍摄的数码图像都含有非常大的数据量，它与通信网容量的矛盾及其传输和存储的困难都极大地制约了数字图像的发展。

图像压缩编码最根本的目的就是要以尽量少的比特数来表征图像，同时要保持解压缩后图像的质量，使之符合拍摄者的要求。

与此同时，由于拍摄者的水平参差不齐，往往拍摄的图像会不尽如人意。

因此，对原始图像的二次处理也成为一个非常引人注目的课题。

传统的图像压缩方法主要是基于DCT 变换的压缩。

由于DCT 除了具有一般的正交变换性质外，它的变换阵的基向量能很好地描述人类语音信号和图像信号的相关特征。

因此，在对语音信号、图像信号的变换中，DCT 变换被认为是一种准最佳变换。

近年颁布的一系列视频压缩编码的国际标准建议中，都把DCT 作为其中的一个基本处理模块。

除此之外，DCT 还是一种可分离的变换。

现在新型的图像压缩有了这样一个趋势，即从基于DCT 变换的压缩转向基于小波信号进行压缩。

由于小波的种类繁多，利用不同的小波可以进行不同图像的压缩，而且相对于DCT 压缩，小波图像对彩色图像的压缩更加方便简单(在以后的实验将会提到)。

因此，运用小波进行图像压缩越来越广泛，最新的JEPG2000图像压缩格式就开始基于小波对图像进行压缩编码。

本文就数码图像压缩进行研究，运用Matlab 软件在DCT 域和小波域上实现图像压缩编码理论算法及其仿真实验的实现。

MATLAB中的图像压缩和编码方法图像压缩和编码是数字图像处理的重要领域，在各种图像应用中起着至关重要的作用。

在本文中，我们将探讨MATLAB中的图像压缩和编码方法，包括无损压缩和有损压缩，并介绍其中的一些经典算法和技术。

一、图像压缩和编码概述图像压缩是指通过一定的算法和技术来减少图像数据的存储量或传输带宽，以达到节约存储空间和提高传输效率的目的。

而图像编码则是将原始图像数据转换为一系列二进制编码的过程，以便存储或传输。

图像压缩和编码通常可以分为无损压缩和有损压缩两种方法。

无损压缩是指压缩后的数据可以完全还原为原始图像数据，不会引入任何失真或变化。

常见的无损压缩算法有Run-Length Encoding (RLE)、Lempel-Ziv-Welch (LZW)、Huffman编码等。

这些算法通常针对图像中的冗余数据进行编码，如重复的像素值或相似的图像区域。

有损压缩则是在保证一定程度的视觉质量下，通过舍弃或近似原始图像数据来减小存储或传输的数据量。

常见的有损压缩算法有JPEG、JPEG2000、GIF等。

这些算法通过离散余弦变换(DCT)、小波变换或颜色量化等方法，将图像数据转换为频域或颜色空间的系数，并通过量化、编码和压缩等步骤来减小数据量。

二、无损压缩方法1. Run-Length Encoding (RLE)RLE是一种简单高效的无损压缩算法，通过计算连续重复像素值的数量来减小数据量。

在MATLAB中，可以使用`rle`函数实现RLE编码和解码。

例如，对于一幅图像，可以将连续的像素值(如白色)编码为重复的个数，然后在解码时根据重复的个数恢复原始像素值。

2. Lempel-Ziv-Welch (LZW)LZW是一种字典压缩算法，通过将图像中连续的像素序列映射为一个短代码来减小数据量。

在MATLAB中，可以使用`lzwencode`和`lzwdecode`函数实现LZW 编码和解码。

例如，对于一段连续的像素序列，可以将其映射为一个短代码，然后在解码时根据代码恢复原始像素序列。

使用MATLAB进行图像压缩的最佳实践图像压缩在现代生活中扮演着重要的角色，使得我们能够在网络上共享和传输大量的图像。

其中，MATLAB作为一种强大的数学软件，被广泛应用于图像处理领域。

本文将讨论使用MATLAB进行图像压缩的最佳实践，包括常用的图像压缩算法、压缩参数的选择，以及压缩质量和压缩比之间的关系。

一、图像压缩算法图像压缩的目标是通过减少图像的冗余信息来减小图像文件的大小。

常用的图像压缩算法包括无损压缩和有损压缩两种类型。

1. 无损压缩无损压缩算法通过保留图像的所有细节和像素信息来减小文件大小。

这种算法可以用于具有强烈需求的应用场景，如医学图像和卫星图像等需要完全保留细节的领域。

MATLAB中提供了多种无损压缩算法，如Lempel-Ziv-Welch (LZW)、Run Length Encoding (RLE)等。

用户可以根据具体需求选择合适的无损压缩算法。

2. 有损压缩与无损压缩相反，有损压缩算法通过舍弃图像中的一些细节和像素信息来减小文件大小。

这种算法可以在一定程度上降低图像的质量，但能够在较小的文件大小下提供更高的压缩比。

在MATLAB中，常用的有损压缩算法有JPEG、JPEG 2000等。

这些算法可以通过调整压缩参数来平衡图像的压缩质量和压缩比。

二、压缩参数的选择在进行图像压缩时，选择合适的压缩参数对于达到所需的压缩质量和压缩比非常重要。

通常，压缩参数与压缩算法有关。

以下是常用的压缩参数及其含义：1. 压缩比压缩比通常用来衡量图像压缩的效果，即原始图像的大小与压缩后图像的大小之比。

压缩比越大表示压缩效果越好，但可能导致图像质量的损失。

2. 色彩深度色彩深度指图像中每个像素表示颜色的位数。

较低的色彩深度会导致颜色表达的不准确，而较高的色彩深度会增加图像的大小。

根据具体需求，可以在舍弃一些细节的情况下选择较低的色彩深度，从而达到更高的压缩比。

3. 量化级别量化级别用来衡量图像压缩过程中对颜色信息的丢失程度。

Matlab中的压缩感知算法近年来，随着数字图像和视频数据的广泛应用，对于高效的数据传输和存储变得越来越重要。

而压缩感知算法作为一种新兴的信号处理技术，为我们提供了一种非常有潜力的解决方案。

而在Matlab中，我们可以轻松地利用其强大的信号处理工具箱来实现压缩感知算法。

压缩感知算法的主要思想是：通过选择性地对信号进行采样，仅保留信号中具有较大能量的部分，并利用稀疏性来重构原始信号。

这样做不仅能够节省存储空间，还能有效地减少传输带宽。

在Matlab中，我们可以利用压缩感知算法对图像进行压缩，并在保持较好质量的同时，大幅度减少数据量。

在压缩感知算法中，最常用的是基于稀疏表示的方法，其中最著名的就是基于小波变换的压缩感知算法。

Matlab中的小波变换工具箱为我们提供了一系列强大的小波函数，使得实现压缩感知算法变得简单而便捷。

我们可以将原始信号通过小波变换进行分解，然后利用稀疏表示方法选择性地保留其中重要的小波系数。

最后，通过逆小波变换将保留的系数重构为原始信号。

这样，我们就得到了一个压缩后的图像，从而实现了对图像的压缩。

然而，仅仅使用小波变换进行压缩感知并非是最好的选择，因为小波基具有固定的形状，这可能会导致一些图像特征无法得到恰当的表示。

为了解决这个问题，研究者提出了其他一些基于稀疏表示的压缩感知算法，如稀疏表示算法（Sparse Representation Algorithm，SRA）和字典学习算法（Dictionary Learning Algorithm，DLA）。

SRA算法的核心思想是将原始信号表示为稀疏系数和字典之间的线性组合。

在Matlab中，我们可以使用SRA工具箱来实现该算法。

首先，我们需要训练一个稀疏字典，并利用训练好的字典对信号进行稀疏表示。

然后，通过选择性地保留具有较大系数的部分，并利用逆字典将其重构为原始信号。

通过这样的处理，我们可以实现对信号的高效压缩。

类似于SRA算法，DLA算法也是基于稀疏表示的压缩感知方法，它通过学习一个更适应信号特征的字典来提高信号的稀疏性。

如何使用Matlab进行图像压缩和图像恢复技术实现图像压缩和图像恢复技术在数字图像处理领域中起着至关重要的作用。

随着数字图像的广泛应用，图像压缩已经成为了一种必要的手段。

而图像恢复技术则可以使压缩后的图像更好地还原，提高图像质量。

本文将介绍如何使用Matlab进行图像压缩和图像恢复技术的实现。

首先，我们需要了解图像压缩的基本原理。

图像压缩通常包括有损压缩和无损压缩两种方式。

有损压缩是指在压缩图像的过程中会有一定的信息损失，而无损压缩则是保证图像质量不受损失的压缩方式。

在Matlab中，我们可以使用多种算法实现图像压缩。

其中，最常用的算法是基于离散余弦变换(DCT)的JPEG压缩算法。

JPEG算法的基本思想是将图像分成若干个8x8的小块，然后对每个小块进行DCT变换，再对变换后的系数进行量化，最后采用熵编码的方式进行压缩。

具体操作如下：1. 将彩色图像转换为灰度图像：在Matlab中，可以使用rgb2gray函数将彩色图像转换为灰度图像。

2. 将图像分成若干个8x8的小块：可以使用im2col函数将图像转换为列，然后使用reshape函数将列重新组合成8x8的小块。

3. 对每个小块进行DCT变换：可以使用dct2函数对每个小块进行DCT变换。

4. 对变换后的系数进行量化：将变换后的系数除以一个预定义的量化矩阵，然后四舍五入取整。

5. 采用熵编码进行压缩：根据量化后的系数，使用Huffman编码或算术编码等方法进行压缩。

在实际应用中，我们还可以对JPEG算法进行一些改进，以提高压缩效果。

例如，可以根据图像内容的特点对量化矩阵进行优化，可以使用小波变换代替DCT变换等。

接下来，我们将介绍如何使用Matlab进行图像的恢复。

图像恢复通常包括去噪和超分辨率重建两个步骤。

对于图像去噪，Matlab提供了多种滤波器和去噪算法，例如中值滤波、均值滤波、小波去噪等。

我们可以使用这些工具对图像进行去噪处理。

对于图像的超分辨率重建，Matlab中有多种算法可供选择，例如插值法、边缘增强法、小波插值法等。

毕业设计（论文）课题名称基于MATLAB的图像压缩感知算法的实现目录目录 (I)第1章绪论 (1)1.1 研究背景和意义 (1)1.2 数据压缩技术 (2)1.2.1 传统数据压缩技术 (2)1.2.2 压缩感知理论（Compressed/Compressive Sensing/Sampling, CS） (3)1.3 无线传感器网络 (6)1.3.1 无线传感器网络概述 (6)1.3.2 无线传感器网络数据压缩的必要性 (7)1.4 本文主要工作和内容安排 (8)第2章压缩感知理论 (9)2.1压缩感知的前提条件—稀疏性和不相干性 (10)2.2 三个关键技术 (13)2.3信号的稀疏表示 (13)2.4 观测矩阵设计 (15)2.5 稀疏信号的重构 (17)2.6 重构算法 (18)2.7 压缩感知优势及不足 (20)2.8 压缩感知在传感网中的观测方式 (21)第3章压缩感知理论应用概述 (22)3.1 压缩成像 (22)3.2 模拟信息转换 (23)3.3 生物传感 (23)3.4 本章小结 (24)第4章 CS在无线传感网中的应用 (24)4.1 研究背景 (25)4.1.1 基于感知数据相关性的压缩 (25)4.1.2传统压缩重构方法 (25)4.1.3 图像压缩重构质量的评价 (26)4.2 压缩感知理论算法对一维信号的实现 (28)4.2.1 CS用于WSN的优势 (28)4.2.2 观测重构模型 (28)4.2.2 正交匹配追踪算法（OMP） (29)4.2.3 算法的实现及结果分析 (30)4.3 压缩感知理论算法对二维图像重构的实现 (34)4.3.1 基于小波变换的分块压缩感知理论 (34)4.3.2 实现步骤 (35)4.3.3 重构结果及分析 (38)4.4 本章小结 (42)第5章总结与展望 (42)5.1 工作总结 (42)5.2 后续展望 (43)参考文献 (43)致谢 (45)附录 (46)摘要数据压缩技术是提高无线数据传输速度的有效措施之一。

1.图像压缩的概念减少表示数字图像时需要的数据量2。

图像压缩的基本原理去除多余数据.以数学的观点来看,这一过程实际上就是将二维像素阵列变换为一个在统计上无关联的数据集合图像压缩是指以较少的比特有损或无损地表示原来的像素矩阵的技术，也称图像编码.图像数据之所以能被压缩,就是因为数据中存在着冗余。

图像数据的冗余主要表现为：（1）图像中相邻像素间的相关性引起的空间冗余;（2）图像序列中不同帧之间存在相关性引起的时间冗余;（3）不同彩色平面或频谱带的相关性引起的频谱冗余。

3数据压缩的目的就是通过去除这些数据冗余来减少表示数据所需的比特数。

由于图像数据量的庞大，在存储、传输、处理时非常困难,因此图像数据的压缩就显得非常重要。

信息时代带来了“信息爆炸”，使数据量大增,因此,无论传输或存储都需要对数据进行有效的压缩。

在遥感技术中，各种航天探测器采用压缩编码技术，将获取的巨大信息送回地面.图像压缩是数据压缩技术在数字图像上的应用，它的目的是减少图像数据中的冗余信息从而用更加高效的格式存储和传输数据。

4、图像压缩基本方法图像压缩可以是有损数据压缩也可以是无损数据压缩。

对于如绘制的技术图、图表或者漫画优先使用无损压缩，这是因为有损压缩方法，尤其是在低的位速条件下将会带来压缩失真。

如医疗图像或者用于存档的扫描图像等这些有价值的内容的压缩也尽量选择无损压缩方法。

有损方法非常适合于自然的图像,例如一些应用中图像的微小损失是可以接受的(有时是无法感知的），这样就可以大幅度地减小位速。

从压缩编码算法原理上可以分为以下3类：（1）无损压缩编码种类哈夫曼(Huffman）编码，算术编码，行程（RLE）编码，Lempel zev编码。

（2）有损压缩编码种类预测编码,DPCM，运动补偿；频率域方法:正交变换编码（如DCT)，子带编码；空间域方法：统计分块编码;模型方法：分形编码,模型基编码；基于重要性：滤波，子采样，比特分配，向量量化；（3）混合编码.有JBIG,H261，JPEG，MPEG等技术标准.目前基于小波变换的压缩方法有很多，比较成功的有小波包最优基方法，小波域纹理模型方法,小波变换零树压缩，小波变换向量压缩等。

Matlab技术图像压缩算法图像压缩是数字图像处理中的一项重要技术，它通过减少图像数据的冗余性，实现图像数据的压缩和存储。

在实际应用中，我们常常需要在保证图像质量的前提下，尽可能减少图像的存储空间和传输带宽。

Matlab作为一种功能强大的科学计算软件，提供了一系列图像压缩的算法和工具，本文将介绍一些常用的Matlab技术图像压缩算法。

一、离散余弦变换（DCT）算法离散余弦变换是一种广泛应用于图像压缩的算法。

DCT算法将图像分解为一系列互不相关的频域分量，通过对这些分量进行量化和编码，实现图像的压缩。

在Matlab中，可以使用dct2函数对图像进行离散余弦变换。

首先，需要将原始图像转换为灰度图像，然后将像素值缩放到（-127，127）的范围内。

接下来，可以使用dct2函数对图像进行离散余弦变换，得到图像的频域分量。

在量化阶段，可以选择不同的量化步长来控制图像的压缩比。

较大的量化步长将导致更高的压缩比，但同时也会引入更多的失真。

在编码阶段，可以使用Huffman编码等技术对量化后的系数进行编码，进一步减小图像的存储空间。

二、小波变换（Wavelet Transform）算法小波变换是另一种常用的图像压缩算法。

相比于离散余弦变换，小波变换能够更好地捕捉到图像的局部特征，提供更高的压缩效果。

在Matlab中，可以使用wavedec2函数对图像进行小波变换。

首先，需要将原始图像转换为灰度图像，然后对图像进行小波分解。

分解得到的低频分量和高频分量之间存在一种层次结构，可以选择保留较低频的分量来实现不同程度的压缩。

在重构阶段，可以使用waverec2函数将图像的小波分量进行重构，得到压缩后的图像。

与DCT算法类似，小波变换也可以通过量化和编码来进一步减小图像的存储空间。

三、向量量化（Vector Quantization）算法向量量化是一种基于聚类的图像压缩算法。

它将图像分成多个不重叠的区域，然后将每个区域表示为一个固定长度的向量。

在Matlab中进行数据压缩的技术实现数据压缩是一种常见的数据处理技术，用于减少数据占用的存储空间和传输带宽。

在大数据时代，数据压缩成为了非常重要的技术之一。

Matlab作为一种强大的数学计算软件，也提供了丰富的数据压缩工具和算法。

本文将介绍在Matlab中进行数据压缩的技术实现。

1. 概述数据压缩可以分为有损压缩和无损压缩两种类型。

有损压缩是指在压缩过程中会丢失部分数据变化的细节，但可以大幅减少数据的存储空间。

无损压缩则是保证经压缩和解压缩后数据的完全一致性。

2. 无损压缩在Matlab中，无损压缩常常使用的是一些经典的算法，如Huffman编码、Lempel-Ziv-Welch (LZW)编码和自适应算术编码等。

Huffman编码是一种基于字符频率统计的压缩算法。

在Matlab中，可以使用`huffmandict`函数生成Huffman编码所需的编码字典，然后使用`huffmanenco`函数对数据进行编码，使用`huffmandeco`函数进行解码。

LZW编码是一种无损的字典压缩算法。

在Matlab中，可以使用`lzwenc`函数对数据进行编码，使用`lzwdec`函数进行解码。

自适应算术编码是一种根据数据概率动态更新编码表的压缩算法。

在Matlab 中，可以使用`arithenco`函数对数据进行编码，使用`arithdeco`函数进行解码。

这些无损压缩算法在Matlab中的实现简单而高效，能够有效地减少数据的存储空间。

3. 有损压缩有损压缩常用于图像、音频和视频等需要高压缩比的数据。

在Matlab中，有损压缩常常使用的是一些经典的算法，如JPEG和MP3等。

JPEG（Joint Photographic Experts Group）是一种广泛应用于图像压缩的有损压缩算法。

在Matlab中，可以使用`imresize`函数将图像进行降采样，使用`dct2`函数对图像进行离散余弦变换，然后使用量化矩阵将高频分量进行量化，再使用`huffmanenco`函数对量化后的数据进行哈夫曼编码。

如何使用Matlab进行图像压缩与解压1.引言图像是数字时代中不可或缺的一部分，它们在各种领域中扮演着重要角色，如电视、电影、医学和计算机视觉等。

然而，随着图像质量和分辨率的提升，图像的文件大小也大幅增加，对存储和传输带来了不小的挑战。

为解决这一问题，图像压缩技术应运而生。

本文将介绍如何使用Matlab进行图像压缩与解压，以提升图像的存储和传输效率。

2.图像压缩的基本原理图像压缩的目标是通过减少图像文件的大小来节省存储空间和传输带宽。

它通常分为有损压缩和无损压缩两种类型。

有损压缩通过牺牲一部分图像细节来减小文件大小，而无损压缩则保持图像的完整性。

本文主要讨论有损压缩方法。

有损压缩的主要原理是通过利用图像的冗余性和视觉感知特性来去除冗余信息和减少图像细节。

常见的有损压缩方法有基于变换的压缩和基于预测的压缩。

其中，基于变换的压缩方法利用离散余弦变换（DCT）或小波变换等将图像转换成频域表示，然后通过量化和熵编码等步骤来减少数据量。

基于预测的压缩方法则通过对图像中的像素进行预测，并对预测误差进行编码来减小数据量。

3.使用Matlab进行图像压缩Matlab是一种功能强大的数学软件，也是进行图像处理和压缩的理想选择。

Matlab提供了丰富的图像处理工具箱，使我们能够轻松地实现图像压缩算法。

首先，我们需要将图像加载到Matlab中。

通过使用imread函数，我们可以将图像文件读取为一个矩阵。

```matlabimage = imread('image.jpg');```然后，我们可以使用不同的压缩算法对图像进行压缩。

以基于DCT的压缩为例，我们可以使用dct2函数将图像转换为频域表示。

```matlabdct_image = dct2(image);```接下来，我们可以对频域表示的图像进行量化。

量化是将图像的频域系数映射到一组有限的离散值的过程。

可以通过设计一个量化矩阵来控制图像的压缩比率。

竭诚为您提供优质文档/双击可除数字图像处理实验报告图像压缩篇一：数字图像处理实验报告数字图像处理实验报告课程：班级：学号：姓名：指导老师：日期：实验一内容一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、实验内容及步骤1．利用imread()函数读取一幅图像，假设其名为flower.tif，存入一个数组中；解：读取图像，存入数组I 中：I=imread(flower.tif);2．利用whos命令提取该读入图像flower.tif的基本信息；解：查询数组I的信息：3．利用imshow()函数来显示这幅图像；解：因为imshow()方法不能直接显示tif图像矩阵，因此要先转换成Rgb模式，再调用imshow()显示。

代码如下：>>I1=I(:,:,1);>>I2=I(:,:,2);>>I3=I(:,:,3);>>Rgb=cat(3,I1,I2,I3);>>imshow(Rgb);显示的图像为：4．利用imfinfo函数来获取图像文件的压缩，颜色等等其他的详细信息；解：代码如下：>>imfinfo(flower.tif)结果截图：5．利用imwrite()函数来压缩这幅图象，将其保存为一幅压缩了像素的jpg文件,设为flower.jpg；语法：imwrite(原图像，新图像，‘quality’,q),q取0-100。

解：代码：>>imwrite(Rgb,flower.jpg,quality,80);结果截图：6．同样利用imwrite()函数将最初读入的tif图象另存为一幅bmp图像，设为flower.bmp。