当前位置：文档之家 › 基于matlab数字图像处理之高通滤波器

基于matlab数字图像处理之高通滤波器

  • 格式：doc
  • 大小：258.00 KB
  • 文档页数：5

实践二: 理想高通滤波器、Butterworth高通滤波器、高斯高通滤波器

2.1.1 理想高通滤波器实践代码：

I=imread('girl.bmp');

subplot(221),imshow(I);

title('原图像');

s=fftshift(fft2(I));

subplot(223),

imshow(abs(s),[]);

title('图像傅里叶变换所得频谱');

subplot(224),

imshow(log(abs(s)),[]);

title('图像傅里叶变换取对数所得频谱');

[a,b]=size(s);

a0=round(a/2);

b0=round(b/2);

d=10;

p=0.2;q=0.5;

for i=1:a

for j=1:b

distance=sqrt((i-a0)^2+(j-b0)^2);

if distance<=d h=0;

else h=1;

end;

s(i,j)=(p+q*h)*s(i,j);

end;

end;

s=uint8(real(ifft2(ifftshift(s))));

subplot(222),

imshow(s);title('高通滤波所得图像');

I=imread('girl.bmp');

[f1,f2]=freqspace(size(I),'meshgrid');

Hd=ones(size(I));

r=sqrt(f1.^2+f2.^2);

Hd(r<0.2)=0;

figure

surf(Hd,'Facecolor','interp','Edgecolor','none','Facelighting','phong'); % 画三维曲面（色）图

2.1.2 理想高通滤波器实践结果截图：

2.2.1 Butterworth高通滤波器实践代码：

I1=imread('flower.bmp');

subplot(121),imshow(I1);

title('原始图像');

f=double(I1);

g=fft2(f);

g=fftshift(g);

[N1,N2]=size(g);

n=2;

d0=5;

n1=fix(N1/2);

n2=fix(N2/2);

for i=1:N1

for j=1:N2

d=sqrt((i-n1)^2+(j-n2)^2); if d==0

h=0;

else

h=1/(1+(d0/d)^(2*n));

end

result(i,j)=h*g(i,j);

end

end

result=ifftshift(result);

X2=ifft2(result);

X3=uint8(real(X2));

subplot(122),imshow(X3) ;

title('Butterworth高通滤波');

I1=imread('flower.bmp');

[f1,f2]=freqspace(size(I1),'meshgrid');

D=0.3;

r=f1.^2+f2.^2;

n=4;

for i=1:size(I1,1)

for j=1:size(I1,2)

t=(D*D)/r(i,j);

Hd(i,j)=1/(t^n+1);

end

end

figure

surf(Hd,'Facecolor','interp','Edgecolor','none','Facelighting','phong'); % 画三维曲面（色）图

2.2.2 Butterworth高通滤波器实践结果截图：

2.3.1 高斯高通滤波器实践代码：

clear all

IA=imread('girl.bmp');

[f1,f2]=freqspace(size(IA),'meshgrid');

%D=100/size(IA,1);

D=0.3;

r=f1.^2+f2.^2;

for i=1:size(IA,1)

for j=1:size(IA,2)

t=r(i,j)/(D*D);

Hd(i,j)=1-exp(-t);

end

end

Y=fft2(double(IA));

Y=fftshift(Y);

Ya=Y.*Hd;

Ya=ifftshift(Ya);

Ia=real(ifft2(Ya));

figure

subplot(2,2,1),imshow(uint8(IA));title('原始图像');

subplot(2,2,2),imshow(uint8(Ia));title('高斯高通滤波');

figure

surf(Hd,'Facecolor','interp','Edgecolor','none','Facelighting','phong');

2.3.2 高斯高通滤波器实践结果截图：

合集下载

使用MATLAB设计FIR滤波器

使用MATLAB设计FIR滤波器

使⽤MATLAB设计FIR滤波器

1. 采⽤fir1函数设计，fir1函数可以设计低通、带通、⾼通、带阻等多种类型的具有严格线性相位特性的FIR滤波器。语法形式：

b = fir1(n, wn)

b = fir1(n, wn, ‘ftype’)

b = fir1(n, wn, ‘ftype’, window)

b = fir1(n, wn, ‘ftype’, window, ‘noscale’)参数的意义及作⽤：b：返回的FIR滤波器单位脉冲响应，脉冲响应为偶对称，长度为n+1；n：滤波器的介数；wn：滤波器的截⽌频率，取值范围为0

⽰例：

N=41; %滤波器长度

fs=2000; %采样频率

%各种滤波器的特征频率

fc_lpf=200;

fc_hpf=200;

fp_bandpass=[200 400];

fc_stop=[200 400];

%以采样频率的⼀半，对频率进⾏归⼀化处理

wn_lpf=fc_lpf*2/fs;

wn_hpf=fc_hpf*2/fs;

wn_bandpass=fp_bandpass*2/fs;

wn_stop=fc_stop*2/fs;

%采⽤fir1函数设计FIR滤波器

b_lpf=fir1(N-1,wn_lpf);

b_hpf=fir1(N-1,wn_hpf,'high');

b_bandpass=fir1(N-1,wn_bandpass,'bandpass');

b_stop=fir1(N-1,wn_stop,'stop');

%求滤波器的幅频响应

m_lpf=20*log(abs(fft(b_lpf)))/log(10);

m_hpf=20*log(abs(fft(b_hpf)))/log(10);

m_bandpass=20*log(abs(fft(b_bandpass)))/log(10);

m_stop=20*log(abs(fft(b_stop)))/log(10);

%设置幅频响应的横坐标单位为Hz

x_f=0:(fs/length(m_lpf)):fs/2;

matlab的fir滤波器设计

matlab的fir滤波器设计

- 1 - matlab的fir滤波器设计

Matlab是一种常用的科学计算软件，可以广泛应用于信号处理领域。其中一个常用的信号处理技术就是滤波器。FIR滤波器是数字滤波器的一种，它具有线性相位特性和稳定性，并且在数字信号处理中应用非常广泛。

在Matlab中，设计FIR滤波器有多种方法，其中最常用的是窗函数法和最小二乘法。窗函数法是基于理想滤波器的幅频响应，在频域上与希望的滤波器响应相乘的方式得到FIR滤波器系数。而最小二乘法则是通过最小化滤波器输出与希望的输出之间的误差平方和来设计FIR滤波器。

在Matlab中，可以使用fir1函数实现FIR滤波器设计。这个函数的输入参数包括滤波器阶数、截止频率、滤波器类型等。例如，下面的代码可以实现一个低通FIR滤波器的设计：

fs = 1000; % 采样频率

fc = 100; % 截止频率

N = 100; % 滤波器阶数

h = fir1(N, fc/(fs/2), 'low'); % 低通FIR滤波器

在上面的代码中，fs表示采样频率，fc表示截止频率，N表示滤波器阶数，h表示设计得到的FIR滤波器系数。'low'表示设计的是低通滤波器，如果要设计高通、带通或带阻滤波器，可以将'low'换成'high'、'bandpass'或'bandstop'。

设计好FIR滤波器后，可以使用filter函数将滤波器应用于信 - 2 - 号中。例如，下面的代码可以将一个信号x通过上面设计得到的FIR滤波器h进行滤波：

y = filter(h, 1, x);

在上面的代码中，h表示设计得到的FIR滤波器系数，x表示需要进行滤波的信号，y表示滤波后的信号。'1'表示滤波器的分母系数为1，因为FIR滤波器的分母系数恒为1。

综上所述，Matlab的FIR滤波器设计方法包括窗函数法和最小二乘法，可以使用fir1函数实现滤波器设计，使用filter函数将滤波器应用于信号中。

基于matlab仿真实现图像锐化滤波处理

基于matlab仿真实现图像锐化滤波处理

基于matlab仿真实现图像锐化滤波处理

李璐;李灿平

【摘 要】数字图像处理技术已经越来越多的用于社会生产活动中,越来越广泛的服务于人们的日常生活当中.随着科学技术的发展,数字图像处理技术逐步的向各个科学领域所渗透,现今已经发展成为了一个专门的学科方向.在对图像的预处理和自动检测以及其他一些特殊领域当中,往往需要突出其边缘部分和图像获取或传输过程中被模糊了的细节部分.本文利用锐化滤波器,成功的提取了图像的边缘信息,同时也突出了图像中的细节部分,取得了比较圆满的结果.

【期刊名称】《电子制作》

【年(卷),期】2015(000)017

【总页数】2页(P68,67)

【关键词】数字图像处理;Sobel加权

【作 者】李璐;李灿平

【作者单位】成都理工大学信息科学与技术学院;成都理工大学信息科学与技术学院

【正文语种】中 文

1、引言

在图像的许多应用领域当中，一般都需要对图像进行预处理，以便其能够更好的符合实际应用的要求。用梯度锐化的方法对图像进行处理时，它的主要工作就是提取图像的边缘和突出图像中的细节。用这种方法对图像进行预处理后，可以使得图像中那些被隐藏在细节中的有效信息得以显现；也可以以此为基础对图像进行压缩，以节约有限的存储空间，提高传输效率。另外，一幅图像一般都拥有自己所特有的边缘和细节特征，那么也就可以以此为根据，将这些边缘和细节特征作为图像的唯一标示来存储或使用。

2、空间域图像增强

在空间域中可以用与积分相类似的均值处理方法使图像变得平滑，那么从数学的角度上看，要想实现对数字图像的锐化处理，就可以用与微分相类似的方法来完成。在数学上无论怎样定义和描述一个一阶微分，它都必须要满足一下几点，第一：在平坦的部分处，其微分是零；第二：在突起部处，其微分不能是零。

对数字图像进行微分锐化处理，即是增强图像中的突起区域，而抑制图像中的平坦区域。对于一幅完整的图像而言，它的边缘部分一般都是处在图像中灰度值变化的区域内，因此就可以一阶微分的方法来提取图像的边缘。在实际操作的过程中，一般都要用到一些专门用于检测的算子，这些算子具有对图像边缘进行检测的能力，我们通常用到的一些锐化算子有Prewitt 算子、Laplacian 算子、Roberts 算子、Sobel 算子等[3]。本次设计就是利用MATLAB 的模拟仿真功能来具体实现对图像边缘和细节部分的提取。Sobel 算子是我编写锐化梯度滤波器所用到的具体算子，借以用来实现边缘提取的功能。

Matlab中的图像复原与增强方法研究

Matlab中的图像复原与增强方法研究

Matlab中的图像复原与增强方法研究

图像复原与增强是数字图像处理领域中常见的技术。Matlab作为一种强大的数学计算和图像处理工具，提供了各种图像复原与增强方法的函数和算法。本文将探讨Matlab中的图像复原与增强方法，包括去噪、锐化、对比度增强等几个方面。

一、去噪

图像中的噪声往往是由于图像采集或传输过程中引入的干扰引起的。去噪是图像复原的重要步骤，可以提高图像质量和信息的可读性。

在Matlab中，有几种常见的去噪方法，其中最常用的是中值滤波和均值滤波。中值滤波通过计算像素周围窗口内像素的中值来取代当前像素的值，从而达到去除噪声的目的。均值滤波则是通过计算像素周围窗口内像素的平均值来取代当前像素的值。这两种方法都能有效地去除图像中的高斯噪声和椒盐噪声。

除了中值滤波和均值滤波，Matlab还提供了其他一些高级的去噪方法，如小波降噪和自适应滤波。小波降噪利用小波变换将噪声和信号分离，然后通过对噪声系数进行修正来恢复原始信号。自适应滤波则是根据图像的局部特征来自适应地选择滤波器的参数，从而达到去噪的效果。

二、锐化

图像锐化是指增强图像边缘和细节，使图像更加清晰和鲜明。在Matlab中，常用的图像锐化方法有高通滤波和梯度算子。

高通滤波是通过去除图像的低频分量来提升高频分量，从而增强图像的细节。常见的高通滤波器包括拉普拉斯滤波和差分滤波器。拉普拉斯滤波器通过计算像素周围邻域的差分来增强图像的边缘。差分滤波器则是通过计算像素的水平和垂直差分来增强图像的细节。 梯度算子是一种基于图像梯度的锐化方法，常见的梯度算子有索贝尔算子和普瑞维特算子。索贝尔算子通过计算水平和垂直方向上的梯度来增强图像的边缘。普瑞维特算子则是通过计算像素周围邻域的差分和梯度来增强图像的细节。

三、对比度增强

对比度是指图像中亮度变化范围的大小，对比度增强可以使图像更加清晰和鲜明。在Matlab中，有几种方法可以对图像进行对比度增强，包括直方图均衡化和自适应直方图均衡化。