下载文档原格式
基于MATLAB GUI图像处理系统的设计与实现MATLAB是一种功能强大的图像处理工具，其GUI（图形用户界面）设计及实现可以使图像处理更加直观和简单。
本文将介绍基于MATLAB GUI图像处理系统的设计与实现，包括系统的功能设计、界面设计及实现步骤等内容，旨在为使用MATLAB进行图像处理的读者提供一些参考和帮助。
一、系统功能设计1. 图像基本处理功能：包括图像的读取、显示、保存，以及图像的基本操作（如缩放、旋转、翻转等）。
2. 图像增强功能：包括亮度、对比度、色彩平衡调整，以及直方图均衡化、滤波等操作。
3. 图像特征提取功能：包括边缘检测、角点检测、纹理特征提取等。
4. 图像分割功能：包括阈值分割、边缘分割、区域生长等。
5. 图像识别功能：包括基于模板匹配、人工智能算法的图像识别等。
6. 图像测量功能：包括测量图像中物体的大小、长度、面积等。
二、界面设计1. 主界面设计：主要包括图像显示区域、功能按钮、参数调节控件等。
2. 子功能界面设计：根据不同的功能模块设计相应的子界面，以便用户进行更详细的操作。
3. 界面美化：可以通过添加背景图案、调整按钮颜色、字体等方式美化界面，提高用户体验。
三、实现步骤1. 图像显示与基本处理：通过MATLAB自带的imread()函数读取图像，imshow()函数显示图像，并设置相应的按钮实现放大、缩小、旋转、翻转等基本操作。
2. 图像增强：利用imadjust()函数实现对图像亮度、对比度的调整，利用histeq()函数实现直方图均衡化，利用imfilter()函数实现图像的滤波处理。
3. 图像特征提取：利用edge()函数实现图像的边缘检测，利用corner()函数实现角点检测，利用texture()函数实现纹理特征提取。
4. 图像分割：利用im2bw()函数实现阈值分割，利用edge()函数实现边缘分割，利用regiongrowing()函数实现区域生长。
基于MATLAB GUI图像处理系统的设计与实现本文将介绍一个基于MATLAB GUI的图像处理系统的设计和实现。
该系统提供了一系列常用的图像处理功能，包括图像滤波、边缘检测、图像变换、形态学处理、颜色空间转换等。
通过该系统，用户可以方便地对图像进行处理和分析。
首先，需要创建一个MATLAB GUI窗口，用于显示图像和进行图像处理。
接着，通过调用MATLAB内置的图像处理函数来实现各种功能。
下面是一些常用功能的实现方法：1.图像读取：使用imread函数来读取图像文件，并在GUI窗口中显示。
2.图像滤波：使用imfilter函数来实现各种滤波器，如高斯滤波、中值滤波等。
3.边缘检测：使用边缘检测算法（如Sobel算子、Canny算法等）来提取图像中的边缘信息。
4.图像变换：使用imresize函数来改变图像的大小，使用imrotate函数来旋转图像等。
5.形态学处理：使用imopen、imclose等形态学处理函数来对图像进行形态学分析和处理。
6.颜色空间转换：使用rgb2gray、rgb2hsv等函数来进行颜色空间的转换。
在实现这些功能时，可以使用MATLAB的图像处理工具箱中的函数，也可以自己编写函数来实现特定的处理功能。
除了提供以上的基本功能，该系统还可以通过添加菜单栏、工具栏等交互元素，以增强用户体验。
例如，添加一个“保存”菜单项，使用户可以将处理后的图像保存到本地，或添加一个“撤销”按钮，使用户可以取消上一次的处理操作等。
总之，通过将MATLAB GUI和图像处理技术相结合，我们可以很方便地开发出一个图像处理系统，并提供常用的功能和交互元素，使用户可以快速地对图像进行处理和分析。
同时，我们也可以根据实际需要，自行扩展和改进该系统，以适应更加复杂的图像处理应用场景。
图像处理之傅里叶变换matlab实现SHIFT函数〕； 3．利用图象增强中动态范围压缩的方法增强2DFT；〔Y＝C*log 〔1＋abs〔X))〕； 4．构造一幅黑白二值图像，在128×128的黑色背景中令第32行至36行、第32列至第36列的值为1〔即产生一个4×4的白色方块〕，对其进行傅里叶变换；5．将上图旋转300，再进行傅里叶变换 (imrotate)6．构造二幅黑白二值图像，在128×128的黑色背景中分别令第60行至68行、第60列至第68列的值为1，第64行至65行、第64列至第65列的值为1产生两幅图像，分别对这两幅图像进行傅里叶变换四、原理分析、技术讨论、答复下列问题1、对于第二幅图像〔第一步与第四步图像的比拟〕,说明FOURIER变换具有以下性质：f(x?x0,y?y0)?F(u,v)e?j2?(ux0/M?vy0/N)2、对于第三幅图像〔第一步与第五步图像的比拟〕,说明FOURIER变换具有以下性质：x?rcos? y?rsin? u??cos? v??sin?f(r,???0)?F(?,???0)3、对于第四幅图像〔第一步与第六步图像的比拟〕,说明FOURIER变换具有以下性质：f(ax,by)?1|ab|F(u/a,v/b)五、结果如下六、M文件如下：a=zeros(128,128); a(63:66,63:66)=1; A=fft2(a); b=fftshift(A); for i=1:128 for j=1:128B(i,j)=log(1+abs(A(i,j))); end endh=zeros(128,128); h(32:36,32:36)=1; H=fft2(h);h1=imrotate(h,30); H1=fft2(h1);i=zeros(128,128); i(60:68,60:68)=1; I=fft2(i); j=zeros(128);j(64:65,64:65)=1; J=fft2(j); figure;subplot(221),imshow(a);title('原图');subplot(222),imshow(A);title('FT'); subplot(223),imshow(b);title('低中高角FT'); subplot(224),imshow(B);title('增强2DFT'); figure;subplot(221);imshow(a);title('Step 1原图');subplot(222);imshow(A);title('Step 1FT');subplot(223);imshow(h);title('Step 4原图');subplot(224);imshow(H);title('Step 4FT'); figure;subplot(221),imshow(a);title('Step 1原图');subplot(222),imshow(A);title('Step 1FT');subplot(223),imshow(h1);title('Step 5原图');subplot(224),imshow(H1);title('Step 5FT'); figure;subplot(321);imshow(a);title('Step 1原图');subplot(322);imshow(A);title('Step 1FT');subplot(323),imshow(i);title('Step 6原图1');subplot(324),imshow(I);title('Step 6原图1FT');subplot(325),imshow(j);title('Step 6原图2');subplot(326),imshow(J);title('Step 6原图2FT');。
图像配准与匹配在MATLAB中的实现方法引言图像配准与匹配是数字图像处理领域的重要研究方向，广泛应用于医学图像处理、遥感图像处理、计算机视觉等领域。
图像配准与匹配的目标是找到多幅图像之间的几何变换关系，使它们能够在相同的坐标系统下进行比较、融合或分析。
而MATLAB作为图像处理与分析的重要工具，提供了丰富的函数和工具箱，可以方便地实现图像配准与匹配。
一、图像配准与匹配的概念1. 图像配准图像配准是将多幅图像投影到同一坐标系统的过程。
其目标是找到一个几何变换关系，使得多幅图像在此变换下能够对齐，即各个像素点所代表的相同位置的物理含义保持一致。
图像配准可以分为刚性配准和非刚性配准。
刚性配准是指在图像进行配准过程中，只考虑平移、旋转和缩放三种刚性变换，并忽略了图像的非刚性变形。
非刚性配准则考虑了更加复杂的变换，例如弯曲、扭曲等。
2. 图像匹配图像匹配是指在完成配准后，进一步比较和分析图像之间的相似性。
图像匹配可以通过计算图像间的相似性度量指标，例如均方差、相关系数等，得出两幅图像的相似程度。
在医学图像中的应用广泛，例如针对同一患者不同时间点的影像图像，可用于疾病进展的监测和分析。
二、MATLAB中图像配准与匹配的实现方法1. 刚性变换配准MATLAB提供了一些函数，例如"imregtform"和"imregister"等，可以实现图像的刚性配准。
通过这些函数，我们可以选择适当的变换模型，例如平移、旋转和缩放，配准多幅图像。
以"imregister"函数为例，其使用方法如下：```movingRegistered = imregister(moving,fixed,transformType,optimizer,metric);```参数中，moving代表待配准的移动图像，fixed代表已经配准好的固定图像。
transformType表示选择的变换模型，optimizer和metric表示配准的优化器和评价指标。
MATLAB中数字图像中值滤波的实现步骤MATLAB中数字图像中值滤波的实现步骤数字图像中值滤波是一种常用的图像处理技术，它可以有效地去除图像中的噪声。
在MATLAB中，实现数字图像中值滤波的步骤如下：1. 导入图像：首先，我们需要导入待处理的图像。
在MATLAB中可以使用imread函数来读取图像文件，并将其存储为一个矩阵。
2. 确定滤波窗口大小：中值滤波是一种局部处理方法，它通过对每个像素周围的邻域进行排序，并选择中间值作为滤波后的像素值。
因此，我们需要确定滤波窗口的大小。
通常情况下，窗口大小选择为奇数，以确保有一个中心像素。
3. 处理边界像素：由于滤波窗口通常是一个正方形或矩形，所以在图像的边界处可能会出现边界像素无法完全包含在滤波窗口内的情况。
为了解决这个问题，一种常见的做法是通过在图像的边界处填充一圈像素值来扩展图像。
在MATLAB中，可以使用padarray函数来实现边界像素的填充。
4. 遍历图像像素：对于图像中的每个像素，我们需要将它的邻域像素提取出来，并进行排序。
在MATLAB中，可以使用imcrop函数来提取邻域像素，并使用sort函数对像素进行排序。
5. 计算中值：排序后，我们可以直接选择排序后数组的中间值作为滤波后的像素值。
如果邻域大小为奇数，则中间值正好是排序后数组的中间元素；如果邻域大小为偶数，则可以选择中间两个元素的平均值作为中值。
在MATLAB中，可以使用median函数来计算中值。
6. 更新像素值：将计算得到的中值作为滤波后的像素值，并更新到图像矩阵中。
7. 输出结果：最后，我们可以使用imwrite函数将处理后的图像保存到文件中，或使用imshow函数显示处理结果。
以上就是MATLAB中实现数字图像中值滤波的步骤。
通过对图像进行中值滤波处理，可以有效地去除噪声，提高图像质量。
图像边沿平滑处理的matlab实现完成图像处理的算法：1、读⼊⽂件通过matlab读取图像⽂件。
2、获取蒙版对图像进⾏逐点扫描，当点的三个通道值⾄少有⼀个⼩于阈值时让这个点变为纯⿊⾊。
如图，可见此时的蒙版中⼼有空缺，且边缘有噪声⽽且有粘连⼩块。
为了消除这些噪声和⼩块，我们对图像的蒙版进⾏腐蚀和扩张操作。
3、对蒙版进⾏腐蚀应⽤matlab的腐蚀函数，选择腐蚀的结构元素为11*11的全1矩阵，对图像进⾏腐蚀操作，腐蚀后，图像缩⼩，边缘变得平滑。
腐蚀后效果如图：4、对图像进⾏扩张操作将图像复原到原始蒙版，该扩张或丢失边缘信息，正好删除掉噪声和多余的⼩块。
进⾏扩张所⽤的结构元素和腐蚀所⽤的结构元素相同。
可以明显看到边缘得到改善。
扩张后效果如图：5、⽤蒙版遮罩⽣成图像利⽤蒙版的遮罩⽅式，通过原图⽣成新的图像。
能明显看出边沿的噪声和多余⼩块被去除。
产⽣的图像如下图：6、调整图像⼤⼩⾸先通过getFrame函数得到图像的边框，该函数的原理是从上下左右四个⽅向对图像进⾏逼近，记录四个边缘的位置，以便计算缩放的⼤⼩。
原理如下图：在获得了边框后，将框内的图像进⾏⼀个缩放，使该⼦图像的长或宽和原图⼀致，再⽤空⽩补齐另外⼀个⽅向。
最后达到缩放后的图像如下：附matlab程序：附1：main.minputFilePrefix = 'datacache\\';outFilePrefix = 'output\\';fileNamePrefix = 'dst_';picNum = 79;pxmin = 10000000;pdxmax = 0;pymin = 10000000;pdymax = 0;for p = 0:picNum-1if(p<10)fileName = sprintf('%s0%d.jpg',fileNamePrefix,p);else fileName = sprintf('%s%d.jpg',fileNamePrefix,p);end;inputFilePath = [inputFilePrefix fileName];outputFilePath = [outFilePrefix fileName];BW = imread(inputFilePath);[BW1 mask] = getSmoothImage(BW,230);[px py pdx pdy] = getFrame(mask);pxmin = min(pxmin,px);pdxmax = max(pdxmax,pdx);pymin = min(pymin,py);pdymax = max(pdymax,pdy);imwrite(BW1,outputFilePath,'jpg');pend%重新调整⼤⼩for p = 0:picNum-1if(p<10)fileName = sprintf('%s0%d.jpg',fileNamePrefix,p);else fileName = sprintf('%s%d.jpg',fileNamePrefix,p);end;inputFilePath = [outFilePrefix fileName];outputFilePath = [outFilePrefix fileName];I = imread(inputFilePath);INew = reScale(I,pxmin,pdxmax,pymin,pdymax);imwrite(INew,outputFilePath,'jpg');imshow(INew);pEnd附2：getSmoothImage.mfunction [ BW1 mask ] = getSmoothImage( BW,threshold )%GETSMOOTHIMAGE Summary of this function goes here% Detailed explanation goes here% 该函数⾸先得到图形的蒙版，然后对蒙版进⾏腐蚀和扩张，最后利⽤蒙版收缩和扩张 HEIGHT = size(BW,1);WIDTH = size(BW,2);mask = zeros(HEIGHT,WIDTH,'uint8');%得到蒙版threshold = 230;for i = 1:HEIGHTfor j = 1:WIDTHif(BW(i,j,1)>threshold&&BW(i,j,2)>threshold&&BW(i,j,3)>threshold)mask(i,j) = 255;endendend%腐蚀扩张蒙版SE = strel('square',11);mask = imdilate(mask,SE);mask = imerode(mask,SE);%利⽤蒙版遮罩获取图像BW1 = BW;for i = 1:HEIGHTfor j = 1:WIDTHif(mask(i,j) == 255)BW1(i,j,1) = 255;BW1(i,j,2) = 255;BW1(i,j,3) = 255;endendendend附3：getFrame.mfunction [ x,y,dx,dy ] = getFrame( mask )%GETFRAME Summary of this function goes here % Detailed explanation goes here获取图像外框backGroundColor = 255;found = false;for i = 1:size(mask,1)for j = 1:size(mask,2)if(mask(i,j) ~= backGroundColor)y = i;found = true;break;endendif foundbreak;endendfound = false;for i = 1:size(mask,1)for j = 1:size(mask,2)if(mask(size(mask,1)-i+1,j) ~= backGroundColor) dy = size(mask,1)-i+1-y;found = true;break;endendif foundbreak;endendfound = false;for i = 1:size(mask,2)for j = 1:size(mask,1)if(mask(j,i) ~= backGroundColor)x = i;found = true;break;endendif foundbreak;endendfound = false;for i = 1:size(mask,2)for j = 1:size(mask,1)if(mask(j,size(mask,2)-i+1) ~= backGroundColor)dx = size(mask,2)-i+1-x;found = true;break;endendif foundbreak;endendend附4：reScale.mfunction [ INew ] = reScale(I,pxmin,pdxmax,pymin,pdymax) %RESCALE Summary of this function goes here% Detailed explanation goes hereglobal WIDTH;global HEIGHT;ISub = I(pymin:pymin+pdymax,pxmin:pxmin+pdxmax,:);ISubScaled = imresize(ISub,min(WIDTH/pdxmax,HEIGHT/pdymax));INew = 255*ones(HEIGHT,WIDTH,3,'uint8');copyWidth = min(size(ISubScaled,2),WIDTH);copyHeight = min(size(ISubScaled,1),HEIGHT);if(copyWidth==WIDTH)pstarty = max(1,floor((HEIGHT-copyHeight)/2));pstartx = 1;elsepstartx = max(1,floor((WIDTH-copyWidth)/2));pstarty = 1;endt = ISubScaled(1:copyHeight,1:copyWidth,1);%INew(pstarty:pstarty+copyHeight-1,pstartx:pstartx+copyWidth-1,3) = t;for i = 1:copyHeightfor j = 1:copyWidthINew(pstarty+i-1,pstartx+j-1,:) = ISubScaled(i,j,:);endendend附:5：在探索过程中所写的⼀些函数：1、获取主体中的像素点：通过getRect函数，通过逐⾏扫描，依次查找不是纯⽩⾊的点，在找到这个点之后，搜索以这个点为左上定点以estimateLength为边长的矩形，统计出纯⽩点和⾮纯⽩点的⽐例，让这个⽐例达到⼀个阈值时，我们认为这个点就是主体中的⼀个点，可以根据这个点采⽤floodfill算法。
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。
基于MATLAB GUI图像处理系统的设计与实现摘要：本文主要介绍了基于MATLAB GUI的图像处理系统的设计与实现过程。
文章介绍了图像处理的基本概念和相关技术，然后详细阐述了MATLAB GUI的设计原理和实现方法。
接着，本文对图像处理系统的功能模块进行了详细的设计与实现，包括图像的读取、显示、处理和保存等功能。
文章对系统进行了实验测试，并对系统的性能和稳定性进行了评估。
通过本文的研究和实践，可为MATLAB GUI图像处理系统的设计与实现提供一定的参考和指导。
一、引言二、图像处理的基本概念和相关技术图像处理是对图像进行获取、处理、分析和识别等一系列操作的过程。
在图像处理中，常用的技术包括图像采集与存储、图像增强、图像复原、图像压缩、图像分割、图像识别等。
这些技术在医学影像、遥感图像、安防监控等领域有着广泛的应用。
三、MATLAB GUI的设计原理和实现方法MATLAB GUI是一种基于MATLAB的图形用户界面设计工具，可以方便地实现交互式的图形界面。
MATLAB提供了丰富的GUI设计函数和工具，包括控件的设计与布局、事件处理、界面调整等功能。
通过这些工具，可以方便地设计和实现各种类型的图像处理系统。
在设计MATLAB GUI时，主要包括以下几个步骤：1. 设计GUI界面：包括控件的选择和布局、界面的美化和调整等操作。
2. 编写回调函数：对于每个控件的事件，需要编写相应的回调函数，定义其处理逻辑和功能。
3. 运行GUI程序：将设计好的GUI程序运行在MATLAB平台上，测试其性能和稳定性。
通过以上步骤，可以方便地设计和实现一个交互式的图像处理系统。
四、图像处理系统的设计与实现基于MATLAB GUI，设计并实现了一个简单的图像处理系统，主要包括图像的读取、显示、处理和保存等功能。
具体的设计过程如下：2. 编写回调函数：对于每个控件的事件，需要编写相应的回调函数，定义其处理逻辑和功能。
对于文件读取按钮，编写了一个回调函数来实现图像的读取和显示功能；对于图像处理功能按钮，编写了不同的回调函数来实现图像的处理和保存功能。
基于MATLAB的医学图像处理算法研究与实现一、引言医学图像处理是医学影像学领域的重要组成部分，随着计算机技术的不断发展，基于MATLAB的医学图像处理算法在临床诊断、医学研究等方面发挥着越来越重要的作用。
本文将探讨基于MATLAB的医学图像处理算法的研究与实现。
二、MATLAB在医学图像处理中的应用MATLAB作为一种强大的科学计算软件，提供了丰富的图像处理工具箱，包括图像滤波、分割、配准、重建等功能。
在医学图像处理中，MATLAB可以用于对医学影像进行预处理、特征提取、分析和诊断等方面。
三、医学图像处理算法研究1. 图像预处理图像预处理是医学图像处理中的重要步骤，旨在去除噪声、增强对比度、平滑图像等。
常用的预处理方法包括均值滤波、中值滤波、高斯滤波等，在MATLAB中可以通过调用相应函数实现。
2. 图像分割图像分割是将医学影像中感兴趣的目标从背景中分离出来的过程，常用方法有阈值分割、区域生长、边缘检测等。
MATLAB提供了各种分割算法的实现，如基于阈值的全局分割函数imbinarize等。
3. 特征提取特征提取是从医学影像中提取出有助于诊断和分析的特征信息，如纹理特征、形状特征等。
在MATLAB中，可以通过灰度共生矩阵（GLCM）、Gabor滤波器等方法进行特征提取。
4. 图像配准图像配准是将不同时间点或不同模态下的医学影像进行对齐和注册，以便进行定量分析和比较。
MATLAB提供了多种配准算法，如互信息配准、归一化互相关配准等。
5. 图像重建图像重建是指根据已有的投影数据或采样数据恢复出高质量的医学影像，常见方法有逆向投影重建、迭代重建等。
MATLAB中可以使用Radon变换和滤波反投影算法进行CT图像重建。
四、基于MATLAB的医学图像处理算法实现1. 实验环境搭建在MATLAB环境下导入医学影像数据，并加载相应的图像处理工具箱。
2. 图像预处理实现利用MATLAB内置函数对医学影像进行去噪、增强等预处理操作。
如何使用Matlab进行图像拼接和图像融合技术实现引言：随着数字图像处理的快速发展，图像拼接和融合技术在许多领域中得到了广泛应用，如航空摄影、医学影像和虚拟现实等。
在本文中，我们将探讨如何使用Matlab软件来实现图像拼接和图像融合的技术。
通过学习这些技术，您将能够将多个图像合并为一个大的全景图像，并且可以通过融合不同曝光或不同焦距拍摄的图像来得到一个更高质量的图像。
一、图像拼接技术图像拼接是将多幅图像无缝合并为一个更大的全景图像的过程。
在Matlab中，可以通过以下步骤进行图像拼接：1. 加载图像：使用imread函数加载所有待拼接的图像。
确保拼接的图像具有重叠区域。
2. 检测特征点：使用SURF（Speeded-Up Robust Features）等特征检测算法在每个图像中找到相应的特征点。
Matlab中提供了现成的函数，如detectSURFFeatures和extractFeatures等。
3. 匹配特征点：使用特征描述符算法（如SURF）比较两幅图像的特征点，并找到相似的特征点。
Matlab中提供了matchFeatures函数来实现。
4. 估计变换矩阵：使用RANSAC算法估计两幅图像之间的单应性变换矩阵，该矩阵描述了如何将一个图像变换到另一个图像中。
Matlab中的estimateGeometricTransform函数可以实现这一步骤。
5. 图像拼接：使用warping技术将所有图像根据变换矩阵进行变换，并将它们拼接在一起。
Matlab提供了warp函数来实现这一过程。
6. 调整拼接后的图像：根据需求，使用imcrop函数对拼接图像进行裁剪，并使用imresize函数调整尺寸。
通过以上步骤，您可以使用Matlab实现图像拼接技术，并得到一个无缝连接的全景图像。
二、图像融合技术图像融合是将不同曝光或不同焦距下拍摄的图像进行融合，以得到更高质量的图像。
在Matlab中，可以通过以下步骤实现图像融合：1. 加载图像：使用imread函数加载待融合的图像。
成绩：数字图像处理实验报告实验二：图像处理的matlab的实现学号：0967118225姓名：洪旭浩同组人：电脑编号：实验时间：2010年6月4日星期一数字图像处理实验报告一、实验名称图像处理的matlab 的实现二、实验目的1、了解Matlab 及其工具箱的基本使用方法2、掌握使用Matlab 打开各种图像文件的方法3、掌握使用Matlab 进行简单图像处理的方法三、实验平台Windows XP，Matlab 7.8.0（R2009a）四、实验内容一、直方图均衡化直方图均衡化处理可将图像的灰度范围拉开，让灰度直方图在较大的动态范围内趋于一致。
用图像),(y x f 的直方图代替灰度的分布密度函数)(f p f ，则直方图均衡化后的图像g 为：⎰==ff du u p f Tg 0)(][对于数字图像，设原图像的像素总数为N，灰度级的个数为L，第k 个灰度级出现的频数为k n 。
若原图像),(y x f 在像素点),(y x 处的灰度为k r ，则直方图均衡化后的图像),(y x g 在),(y x 处的灰度k s 为：∑===kl lk k Nn r T s 0][MATLAB 图像处理工具箱提供了用于直方图均衡化的函数histep。
histep 函数的语法格式为：J=histep(I，hgram)J=histep(I，n)[J，T]=histep(I，…)newmap=histep(X，map，hgram)newmap=histep(X，map)[newmap，T]=histep(X，…)其中J=histep(I，hgram)将原始图像I 的直方图变成用户指定的向量hgram，hgram 中的各元素值域为[0，1]。
J=histep(I，n)指定直方图均衡化后的灰度级数n，默认值为64。
[J，T]=histep(I，…)返回能将图像I 的灰度直方图变换成图像J 的直方图的变换T。
newmap=histep(X ，map ，hgram)、newmap=histep(X ，map)和[newmap ，T]=histep(X，…)是针对索引色图像调色板的直方图均衡化。
1、使用以上语句，实现选定图像的直方图均衡化；2、修改部分参数，观察不同参数下直方图均衡化的变化规律；3、记录不同参数，并对实验进行截图，分析实验得出的规律。
二、邻域平均法实际的图像一般都会受到某种干扰而含有噪声，噪声产生的原因决定了噪声的分布特性及它和图像信号的关系。
根据噪声和信号的关系可以将其分为两种形式：1.加性噪声：有的噪声与图像信号),(y x g 无关，在这种情况下，含噪图像),(y x f 可表示为：),(y x g =),(y x f +),(y x n 信道噪声及扫描图像时产生的噪声都属于加性噪声。
2.乘性噪声：有的噪声与图像信号有关。
这可以分为两种情况：一种是某像素处的噪声只与该像素的图像信号有关，另一种是某像点处的噪声与该像素及其邻域的图像信号有关。
如果噪声和信号成正比，则含噪图像),(y x f 可以表示为：),(y x g =),(y x f +),(y x n ),(y x g 也可根据噪声服从的分布对其进行分类，如高斯噪声、泊松噪声和颗粒噪声等。
泊松分布噪声一般出现在照度非常小及用高倍电子线路放大的情况下，椒盐噪声对以认为是泊松噪声。
其它的情况通常为加性高斯噪声。
颗粒噪声可以认为是一白噪声过程，在密度域中是高斯分布加性噪声，而在强度域中为乘性噪声。
MATLAB 图像处理工具箱提供了模拟噪声生成的函数imnoise，它可以对图像添加一些典型的噪声。
imnoise 的语法格式为：J=imnoise(I，type)J=imnoise(I，type，parameters)其中J=imnoise(I，type)返回对原始图像I 添加典型噪声的有噪图像J。
参数type 和parameters 用于确定噪声的类型和相应的参数。
邻域平均法是空间域平滑噪声技术。
对于给定的图像),(y x f 中的每个像点(m，n)，取其邻域S。
设S 含有M 个像素，取其平均值作为处理后所得图像像点(m，n)处的灰度。
邻域S 的形状和大小根据图像特点确定。
一般取的形状是正方形、矩形及十字形等。
邻域S 的形状和大小可以在全图处理过程中保持不变，也可根据图像的局部统计特性而变化，点(m，n)一般位于S 的中心。
如S 为3⨯3邻域，点(m，n)位于S 中心，则：∑∑-=-=++=l i l j j n i m g n m g 11),(91),假设噪声n 为加性噪声，在空间各点互不相关，且期望为0，方差为2δ，f 是未受污染的图像，含有噪声的图像g 经过邻域平均后变为：∑∑∑+==),(1),(1),(1),(j i n j i f j i g n m g 由上式可知，经邻域平均后，噪声的均值不变，方差Ma 12=δ2δ，即噪声方差变小，说明噪声强度减弱了，即抑制了噪声。
由上式还可看出，邻域平均法也平滑了图像信号，特别是可能使图像目标区域的边界变得模糊。
对图像进行邻域平均处理相当于图像信号通过一低通滤波器。
可用下面的命令对一幅含噪图像进行去噪处理：I=imread(‘eight.tif’)；I=imnoise(I，‘gaussian’，0，0.02)；%添加均值为0，方差为0.02的高斯噪声。
Imshow(I)；h=[111111111]；%产生滤波模板。
h=h/9；%对滤波模板归一化。
J=conv2(I，h)；%用均值模板对图像滤波。
figure imshow(J，[])1、使用以上语句，对选定图像进行领域平均法滤波；2、修改部分参数，观察不同参数下领域平均法滤波的变化规律；3、记录不同参数，并对实验进行截图，分析实验得出的规律。
三、soble 算子图像模糊是常见的图像降质问题。
在图像摄取、传输及处理过程中有许多因素可以使图像变模糊。
如果系统高频性能就会损失图像高频分量，而使图像不清晰。
在对图像进行数字化时，实际取样点总是有一定的面积，所得的样本是这个具有一定面积的区域的亮度平均值，若取样点正好在边界上，则使样本值降低，从而使数字图像的边界变得不清楚。
各种图像变模糊的物理过程的数学模型一般含有求和、平均或积分运算。
在某些应用中，可以不必深究图像变模糊的物理过程及其数学模型，而根据各种图像变模糊的过程都有相加或积分运算这一共同点，在空间域中运用微分运算增强图像，也可在频域中用加强信号高频分量的方法增强图像。
因为需要锐化的边界可能是任意走向的，因此锐化算子是无方向的，即无论边界是什么走向，只要幅度相同，算子的输出就相同。
故梯度模算子和拉氏算子都是无方向性的。
数字图像处理中，常用soble 算子对图像进行处理。
Soble 算子的表达式为：⎪⎪⎪⎭⎫ ⎝⎛---121000121⎪⎪⎪⎭⎫ ⎝⎛---101202101x 方向算子y 方向算子soble 算子的特点是对称的一阶差分，对中心加权。
利用soble 算子对图像进行滤波可用下面的语句实现：load imdemos flowerI=flower；h=fspecial(‘soble’)；Imshow(I)；J=filter2(h，I)；Figureimshow(J，[])利用soble算子对图像进行边缘提取可用下面的语句实现：I=imread(‘rice.tif’)；Imshow(I)；BW1=edge(I，‘soble’)；figure，imshow(BW1)1、使用以上语句，利用soble算子对选定图像进行滤波和边缘提取；2、修改部分参数，观察不同参数下利用soble算子对选定图像进行滤波和边缘提取的变化规律；3、记录不同参数，并对实验进行截图，分析实验得出的规律。
五、代码分析一，直方图均衡化代码：I=imread('1tw.jpg');%读取原真彩色图像I=rgb2gray(I);%将原图像转化为灰度图figure,subplot(1,2,1),imshow(I);%显示原图像灰度图title('原图像灰度图')subplot(1,2,2),imhist(I);%显示原图像灰度图的直方图title('源图像灰度图的直方图')J=histeq(I,256);%对原图像灰度图均衡化figure,subplot(1,2,1),imshow(J);%显示均衡化后的灰度图title('均衡化灰度图')subplot(1,2,2),imhist(J);%显示均衡化后的直方图title('均衡化后的直方图')修改：将J=histeq(I,256);中的256改为64然后进行处理得到灰度级位64的均衡化直方图，进行比较。
代码：二，邻域平均法代码：I=imread('1tw.jpg');%读取原真彩色图像I=rgb2gray(I);%将原图像转化为灰度图I=imnoise(I,'gaussian',0,0.02);%在原图像灰度图中添加均值为0，方差为0.02的高斯噪声h=[111111111];%产生8-邻域加权平均权值M=1的滤波模板h=h/9;%对滤波模板归一化J=conv2(double(I)/255,h);%用均值模板对图像滤波。
subplot(1,2,1),imshow(I);%显示添加噪声后的灰度图subplot(1,2,2),imshow(J);%显示经过邻域平均法后的灰度图修改：将滤波模板换成另外的加权滤波模h=[121；242；121]，然后进行处理得到所要图像，进行比较。
三，soble算子：I=imread('1tw.jpg');%读取原真彩色图像I=rgb2gray(I);%将原图像转化为灰度图h=fspecial('sobel');J=filter2(h,I);%用sobel算子对图像滤波BW1=edge(I,'sobel');%用sobel算子对图像进行边缘提取Subplot(2,2,1),imshow(I)%显示原图像灰度图subplot(2,2,3),imshow(J);%显示进行sobel算子滤波后的图像subplot(2,2,4),imshow(BW1);%显示进行sobel算子提取边缘的图像修改：将原图像灰度图加入高斯噪声后再用5x5的中值滤波窗口滤波，再将次图像进行sobel算子滤波和边缘提取，得到想要的图像，进行比较。
六、实验过程一直方图均衡化①选取一张自己喜欢的图像；②编写实现图像均衡化的matlab代码；③运行程序，得到直方图和均衡化后的直方图，进行比较；④修改代码中的均衡化的灰度级，得到想要的图像，与上一个比较。
