数字图像处理_旋转与幅度谱(含MATLAB代码)

合集下载

用matlab实现数字图像处理几个简单例子

实验报告实验一图像的傅里叶变换（旋转性质）实验二图像的代数运算实验三filter2实现均值滤波实验四图像的缩放朱锦璐04085122实验一图像的傅里叶变换（旋转性质）一、实验内容对图（1.1）的图像做旋转，观察原图的傅里叶频谱和旋转后的傅里叶频谱的对应关系。

图（1.1）二、实验原理首先借助极坐标变换x=rcosθ,y=rsinθ,u=wcosϕ,v=wsinϕ,,将f(x,y)和F(u,v)转换为f(r,θ)和F（w，ϕ）.f(x,y) <=> F(u，v)f(rcosθ,rsinθ)<=> F(wcosϕ，wsinϕ)经过变换得f( r,θ+θ。

)<=>F(w,ϕ+θ。

)上式表明，对f(x,y)旋转一个角度θ。

对应于将其傅里叶变换F(u，v)也旋转相同的角度θ。

F(u,v)到f(x,y)也是一样。

三、实验方法及程序选取一幅图像，进行离散傅里叶变换，在对其进行一定角度的旋转，进行离散傅里叶变换。

>> I=zeros(256,256); %构造原始图像I(88:168,120:136)=1; %图像范围256*256，前一值是纵向比，后一值是横向比figure(1);imshow(I); %求原始图像的傅里叶频谱J=fft2(I);F=abs(J);J1=fftshift(F);figure(2)imshow(J1,[5 50])J=imrotate(I,45,'bilinear','crop'); %将图像逆时针旋转45°figure(3);imshow(J) %求旋转后的图像的傅里叶频谱J1=fft2(J);F=abs(J1);J2=fftshift(F);figure(4)imshow(J2,[5 50])四、实验结果与分析实验结果如下图所示（1.2）原图像（1.3）傅里叶频谱（1.4）旋转45°后的图像（1.5）旋转后的傅里叶频谱以下为放大的图（1.6）原图像（1.7）傅里叶频谱（1.8）旋转45°后的图像（1.9）旋转后的傅里叶频谱由实验结果可知1、从旋转性质来考虑，图（1.8）是图（1.6）逆时针旋转45°后的图像，对比图（1.7）和图（1.9）可知，频域图像也逆时针旋转了45°2、从尺寸变换性质来考虑，如图（1.6）和图（1.7）、图（1.8）和图（1.9）可知，原图像和其傅里叶变换后的图像角度相差90°，由此可知，时域中的信号被压缩，到频域中的信号就被拉伸。

数字图像处理与应用(MATLAB版)课后题答案

第一章1. 什么是图像？如何区分数字图像和模拟图像？模拟图像和数字图像如何相互转换？答：图像是当光辐射能量照在物体上，经过反射或透射，或由发光物体本身发出的光能量，在人的视觉器官中所重现出的物体的视觉信息。

数字图像将图像看成是许多大小相同、形状一致的像素组成。

这样，数字图像可以用二维矩阵表示。

将自然界的图像通过光学系统成像并由电子器件或系统转化为模拟图像（连续图像）信号，再由模拟/数字转化器（ADC）得到原始的数字图像信号。

图像的数字化包括离散和量化两个主要步骤。

在空间将连续坐标过程称为离散化，而进一步将图像的幅度值（可能是灰度或色彩）整数化的过程称为量化。

2. 什么是数字图像处理？答：数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。

3. 数字图像处理系统有哪几部分组成？各部分的主要功能和常见设备有哪些？答：一个基本的数字图像处理系统由图像输入、图像存储、图像输出、图像通信、图像处理和分析5个模块组成，如下图所示。

各个模块的作用分别为：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。

图像存储模块：主要用来存储图像信息。

图像输出模块：将处理前后的图像显示出来或将处理结果永久保存。

图像通信模块：对图像信息进行传输或通信。

图像处理与分析模块：数字图像处理与分析模块包括处理算法、实现软件和数字计算机，以完成图像信息处理的所有功能。

4. 试述人眼的主要特性。

答：（1）、人眼的视觉机理。

视网膜上有大量的杆状细胞和锥状细胞，锥状细胞能辨别光的颜色，而杆状细胞感光灵敏度高，但不能辨色。

（2）、人眼的视敏特性。

指人眼对不同波长的光具有不同的敏感程度。

（3）、人眼的亮度感觉。

亮度感觉范围指人眼所能感觉到的最大亮度与最小亮度之间的范围。

数字图像处理期末考试答案

数字图像处理期末考试答案数字图像处理》复指南选择题1.在采用幂次变换进行灰度变换时，当幂次取大于1时，该变换是针对哪一类图像进行的？（B）A。

图像整体偏暗B。

图像整体偏亮C。

图像细节淹没在暗背景中D。

图像同时存在过亮和过暗背景2.图像灰度方差说明了图像的哪一个属性？（B）A。

平均灰度B。

图像对比度C。

图像整体亮度D。

图像细节3.计算机显示器主要采用哪一种彩色模型？（A）A。

RGBB。

CMY或CMYKC。

HSI4.采用模板[-11]T主要检测哪个方向的边缘？（A）A。

水平B。

45度C。

垂直D。

135度5.下列算法中属于图像锐化处理的是：（C）A。

低通滤波B。

加权平均法C。

XXX滤波D。

中值滤波6.维纳滤波器通常用于哪种情况？（C）A。

去噪B。

减小图像动态范围C。

复原图像D。

平滑图像7.彩色图像增强时，可以采用哪种处理方法？（C）A。

直方图均衡化B。

同态滤波C。

加权均值滤波D。

中值滤波8.在对图像进行复原的过程中，B滤波器需要计算哪些功率谱？（B）A。

逆滤波B。

维纳滤波C。

约束最小二乘滤波D。

同态滤波9.XXX滤波后的图像通常较暗，为改善这种情况，可以将高通滤波器的转移函数加上一定的常数以引入一些低频分量。

这样的滤波器称为什么？（B）A。

XXX高通滤波器B。

高频提升滤波器C。

高频加强滤波器D。

理想高通滤波器10.图像与灰度直方图之间的对应关系是什么？（B）A。

一一对应B。

多对一C。

一对多D。

都不对应11.下列算法中属于图像锐化处理的是：（C）A。

低通滤波B。

加权平均法C。

XXX滤波D。

中值滤波12.一幅256x256的图像，若灰度级数为16，则存储它所需的比特数是多少？（A）A。

256KB。

512KC。

1MD。

2M13.一幅灰度级均匀分布的图像，其灰度范围在[0，255]，则该图像的信息量为多少？（D）A。

0B。

255C。

6D。

814.下列算法中属于局部处理的是什么？（D）A。

灰度线性变换B。

二值化C。

(完整版)数字图像处理MATLAB程序【完整版】

第一部分数字图像处理实验一图像的点运算实验1.1 直方图一．实验目的1．熟悉matlab图像处理工具箱及直方图函数的使用；2．理解和掌握直方图原理和方法；二．实验设备1.PC机一台；2.软件matlab。

三．程序设计在matlab环境中，程序首先读取图像，然后调用直方图函数，设置相关参数，再输出处理后的图像。

I=imread('cameraman.tif');%读取图像subplot(1,2,1),imshow(I) %输出图像title('原始图像') %在原始图像中加标题subplot(1,2,2),imhist(I) %输出原图直方图title('原始图像直方图') %在原图直方图上加标题四．实验步骤1. 启动matlab双击桌面matlab图标启动matlab环境；2. 在matlab命令窗口中输入相应程序。

书写程序时，首先读取图像，一般调用matlab自带的图像，如:cameraman图像；再调用相应的直方图函数，设置参数；最后输出处理后的图像；3．浏览源程序并理解含义；4．运行，观察显示结果；5．结束运行，退出；五．实验结果观察图像matlab环境下的直方图分布。

(a)原始图像 (b)原始图像直方图六．实验报告要求1、给出实验原理过程及实现代码；2、输入一幅灰度图像，给出其灰度直方图结果，并进行灰度直方图分布原理分析。

实验1.2 灰度均衡一．实验目的1．熟悉matlab图像处理工具箱中灰度均衡函数的使用；2．理解和掌握灰度均衡原理和实现方法；二．实验设备1.PC机一台；2.软件matlab；三．程序设计在matlab环境中，程序首先读取图像，然后调用灰度均衡函数，设置相关参数，再输出处理后的图像。

I=imread('cameraman.tif');%读取图像subplot(2,2,1),imshow(I) %输出图像title('原始图像') %在原始图像中加标题subplot(2,2,3),imhist(I) %输出原图直方图title('原始图像直方图') %在原图直方图上加标题a=histeq(I,256); %直方图均衡化，灰度级为256subplot(2,2,2),imshow(a) %输出均衡化后图像title('均衡化后图像') %在均衡化后图像中加标题subplot(2,2,4),imhist(a) %输出均衡化后直方图title('均衡化后图像直方图') %在均衡化后直方图上加标题四．实验步骤1. 启动matlab双击桌面matlab图标启动matlab环境；2. 在matlab命令窗口中输入相应程序。

matlab实现图像的放大及旋转

MA TLA‎B是一个包‎含大量计算‎算法的集合‎。

其拥有60‎0多个工程‎中要用到的‎数学运算函‎数，可以方便的‎实现用户所‎需的各种计‎算功能。

函数中所使‎用的算法都‎是科研和工‎程计算中的‎最新研究成‎果，而前经过了‎各种优化和‎容错处理。

在通常情况‎下，可以用它来‎代替底层编‎程语言，如C和C 。

在计算要求‎相同的情况‎下，使用MA T‎L AB的编‎程工作量会‎大大减少。

MA TLA‎B的这些函‎数集包括从‎最简单最基‎本的函数到‎诸如距阵，特征向量、快速傅立叶‎变换的复杂‎函数。

函数所能解‎决的问题其‎大致包括矩‎阵运算和线‎性方程组的‎求解、微分方程及‎偏微分方程‎的组的求解‎、符号运算、傅立叶变换‎和数据的统‎计分析、工程中的优‎化问题、稀疏矩阵运‎算、复数的各种‎运算、三角函数和‎其他初等数‎学运算、多维数组操‎作以及建模‎动态仿真等‎。

（4）出色的图形‎处理功能MA TLA‎B自产生之‎日起就具有‎方便的数据‎可视化功能‎，以将向量和‎距阵用图形‎表现出来，并且可以对‎图形进行标‎注和打印。

高层次的作‎图包括二维‎和三维的可‎视化、图象处理、动画和表达‎式作图。

可用于科学‎计算和工程‎绘图。

新版本的M‎A TLAB‎对整个图形‎处理功能作‎了很大的改‎进和完善，使他不仅在‎一般数据可‎视化软件都‎具有的功能‎（例如二维曲‎线和三维曲‎面的绘制和‎处理等）方面更加完‎善，而且对于一‎些其他软件‎所没有的功‎能（例如图形的‎光照处理、色度处理以‎及四维数据‎的表现等），MA TLA‎B同样表现‎了出色的处‎理能力。

同时对一些‎特殊的可视‎化要求，例如图形对‎话等，MA TLA‎B也有相应‎的功能函数‎，保证了用户‎不同层次的‎要求。

另外新版本‎的M A TL‎A B还着重‎在图形用户‎界面（GUI）的制作上作‎了很大的改‎善，对这方面有‎特殊要求的‎用户也可以‎得到满足。

（5）应用广泛的‎模块集合工‎具箱MA TLA‎B对许多专‎门的领域都‎开发了功能‎强大的模块‎集和工具箱‎。

(整理)数字图像处理MATLAB指令

其他常用的图像转换函数有：gray2ind函数，将灰度图像转换成索引图像。

Im2bw函数，将其它图像转化为二值图像。

Ind2gray函数，将索引图像转换成灰度图像。

Rgb2gray函数，将彩色图像转换成灰度图像。

1．利用imread( )函数读取一幅图像，存入一个数组中；2．利用whos 命令提取该读入图像flower.tif的基本信息；3．利用imshow()函数来显示这幅图像；函数执行语句A = imread('saturn.png');whosName Size Bytes Class AttributesA 1500x1200x3 5400000 uint8imshow(A)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；imfinfo('saturn.png')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。

imwrite(A,'xingxing.jpg','quality',25)B = imread('xingxing.jpg');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。

imwrite(A , 'xingxing.bmp')C = imread('xingxing.bmp');7．用im2bw将一幅灰度图像转化为二值图像，并且用imshow显示出来观察图像的特征。

F = imread('circbw.tif');im2bw(F)imshow(F)实验二图像直方图与灰度变换下面给出灰度变化的MATLAB程序f=imread('medicine_pic.jpg');g=imhist(f,256); %显示其直方图g1=imadjust(f,[0 1],[1 0]);%灰度转换，实现明暗转换(负片图像) figure,imshow(g1)g2=imadjust(f,[0.5 0.75],[0 1]);%将0.5到0.75的灰度级扩展到范围[0 1] figure,imshow(g2)g=imread('point.jpg');h=log(1+double(g));%对输入图像对数映射变换h=mat2gray(h); %将矩阵h转换为灰度图片h=im2uint8(h); %将灰度图转换为8位图figure,imshow(h)下面给出直方图均衡化增强图像对比度的MATLAB程序：I=imread(‘pollen.jpg); % 读入原图像J=histeq(I); %对原图像进行直方图均衡化处理Imshow(I); %显示原图像Title(‘原图像’); %给原图像加标题名Figure；imshow(J); %显示直方图均衡化后的图像Title(‘直方图均衡化后的图像’) ; %给直方图均衡化后的图像加标题名Figure; subplot(1,2,1) ;%对直方图均衡化后的图像进行屏幕控制；作一幅子图作为并排两幅图的第1幅图Imhist(I,64); %将原图像直方图显示为64级灰度Title(‘原图像直方图’) ; %给原图像直方图加标题名Subplot(1,2,2); %作第2幅子图Imhist(J,64) ; %将均衡化后图像的直方图显示为64级灰度Title(‘均衡变换后的直方图’) ; %给均衡化后图像直方图加标题名1、利用自己编写的灰度直方图计算程序计算rice.tif图像的直方图，并与系统自带的计算程序进行对比。

c#数字图像处理（十一）图像旋转

c#数字图像处理（⼗⼀）图像旋转如果平⾯上的点绕原点逆时针旋转θº，则其坐标变换公式为：x'=xcosθ+ysinθ y=-xsinθ+ycosθ其中，(x, y)为原图坐标，(x’, y’)为旋转后的坐标。

它的逆变换公式为：x=x'cosθ-y'sinθ y=x'sinθ+y'cosθ矩阵形式为：和缩放类似，旋转后的图像的像素点也需要经过坐标转换为原始图像上的坐标来确定像素值，同样也可能找不到对应点，因此旋转也⽤到插值法。

在此选⽤性能较好的双线性插值法。

为提⾼速度，在处理旋转90º、-90º、±180º时使⽤了镜像来处理。

///<summary>///图像旋转///</summary>///<param name="srcBmp">原始图像</param>///<param name="degree">旋转⾓度</param>///<param name="dstBmp">⽬标图像</param>///<returns>处理成功 true 失败 false</returns>public static bool Rotation(Bitmap srcBmp, double degree, out Bitmap dstBmp){if (srcBmp == null){dstBmp = null;return false;}dstBmp = null;BitmapData srcBmpData = null;BitmapData dstBmpData = null;switch ((int)degree){case0:dstBmp = new Bitmap(srcBmp);break;case -90:dstBmp = new Bitmap(srcBmp.Height, srcBmp.Width);srcBmpData = srcBmp.LockBits(new Rectangle(0, 0, srcBmp.Width, srcBmp.Height), ImageLockMode.ReadOnly, PixelFormat.Format24bppRgb);dstBmpData = dstBmp.LockBits(new Rectangle(0, 0, dstBmp.Width, dstBmp.Height), ImageLockMode.ReadWrite, PixelFormat.Format24bppRgb);unsafe{byte* ptrSrc = (byte*)srcBmpData.Scan0;byte* ptrDst = (byte*)dstBmpData.Scan0;for (int i = 0; i < srcBmp.Height; i++){for (int j = 0; j < srcBmp.Width; j++){ptrDst[j * dstBmpData.Stride + (dstBmp.Height - i - 1) * 3] = ptrSrc[i * srcBmpData.Stride + j * 3];ptrDst[j * dstBmpData.Stride + (dstBmp.Height - i - 1) * 3 + 1] = ptrSrc[i * srcBmpData.Stride + j * 3 + 1];ptrDst[j * dstBmpData.Stride + (dstBmp.Height - i - 1) * 3 + 2] = ptrSrc[i * srcBmpData.Stride + j * 3 + 2];}}}srcBmp.UnlockBits(srcBmpData);dstBmp.UnlockBits(dstBmpData);break;case90:dstBmp = new Bitmap(srcBmp.Height, srcBmp.Width);srcBmpData = srcBmp.LockBits(new Rectangle(0, 0, srcBmp.Width, srcBmp.Height), ImageLockMode.ReadOnly, PixelFormat.Format24bppRgb);dstBmpData = dstBmp.LockBits(new Rectangle(0, 0, dstBmp.Width, dstBmp.Height), ImageLockMode.ReadWrite, PixelFormat.Format24bppRgb);unsafe{byte* ptrSrc = (byte*)srcBmpData.Scan0;byte* ptrDst = (byte*)dstBmpData.Scan0;for (int i = 0; i < srcBmp.Height; i++){for (int j = 0; j < srcBmp.Width; j++){ptrDst[(srcBmp.Width - j - 1) * dstBmpData.Stride + i * 3] = ptrSrc[i * srcBmpData.Stride + j * 3];ptrDst[(srcBmp.Width - j - 1) * dstBmpData.Stride + i * 3 + 1] = ptrSrc[i * srcBmpData.Stride + j * 3 + 1];ptrDst[(srcBmp.Width - j - 1) * dstBmpData.Stride + i * 3 + 2] = ptrSrc[i * srcBmpData.Stride + j * 3 + 2];}}}srcBmp.UnlockBits(srcBmpData);dstBmp.UnlockBits(dstBmpData);break;case180:case -180:dstBmp = new Bitmap(srcBmp.Width, srcBmp.Height);srcBmpData = srcBmp.LockBits(new Rectangle(0, 0, srcBmp.Width, srcBmp.Height), ImageLockMode.ReadOnly, PixelFormat.Format24bppRgb); dstBmpData = dstBmp.LockBits(new Rectangle(0, 0, dstBmp.Width, dstBmp.Height), ImageLockMode.ReadWrite, PixelFormat.Format24bppRgb);unsafe{byte* ptrSrc = (byte*)srcBmpData.Scan0;byte* ptrDst = (byte*)dstBmpData.Scan0;for (int i = 0; i < srcBmp.Height; i++){for (int j = 0; j < srcBmp.Width; j++){ptrDst[(srcBmp.Width - i - 1) * dstBmpData.Stride + (dstBmp.Height - j - 1) * 3] = ptrSrc[i * srcBmpData.Stride + j * 3];ptrDst[(srcBmp.Width - i - 1) * dstBmpData.Stride + (dstBmp.Height - j - 1) * 3 + 1] = ptrSrc[i * srcBmpData.Stride + j * 3 + 1];ptrDst[(srcBmp.Width - i - 1) * dstBmpData.Stride + (dstBmp.Height - j - 1) * 3 + 2] = ptrSrc[i * srcBmpData.Stride + j * 3 + 2];}}}srcBmp.UnlockBits(srcBmpData);dstBmp.UnlockBits(dstBmpData);break;default://任意⾓度double radian = degree * Math.PI / 180.0;//将⾓度转换为弧度//计算正弦和余弦double sin = Math.Sin(radian);double cos = Math.Cos(radian);//计算旋转后的图像⼤⼩int widthDst = (int)(srcBmp.Height * Math.Abs(sin) + srcBmp.Width * Math.Abs(cos));int heightDst = (int)(srcBmp.Width * Math.Abs(sin) + srcBmp.Height * Math.Abs(cos));dstBmp = new Bitmap(widthDst, heightDst);//确定旋转点int dx = (int)(srcBmp.Width / 2 * (1 - cos) + srcBmp.Height / 2 * sin);int dy = (int)(srcBmp.Width / 2 * (0 - sin) + srcBmp.Height / 2 * (1 - cos));int insertBeginX = srcBmp.Width / 2 - widthDst / 2;int insertBeginY = srcBmp.Height / 2 - heightDst / 2;//插值公式所需参数double ku = insertBeginX * cos - insertBeginY * sin + dx;double kv = insertBeginX * sin + insertBeginY * cos + dy;double cu1 = cos, cu2 = sin;double cv1 = sin, cv2 = cos;double fu, fv, a, b, F1, F2;int Iu, Iv;srcBmpData = srcBmp.LockBits(new Rectangle(0, 0, srcBmp.Width, srcBmp.Height), ImageLockMode.ReadOnly, PixelFormat.Format24bppRgb); dstBmpData = dstBmp.LockBits(new Rectangle(0, 0, dstBmp.Width, dstBmp.Height), ImageLockMode.ReadWrite, PixelFormat.Format24bppRgb);unsafe{byte* ptrSrc = (byte*)srcBmpData.Scan0;byte* ptrDst = (byte*)dstBmpData.Scan0;for (int i = 0; i < heightDst; i++){for (int j = 0; j < widthDst; j++){fu = j * cu1 - i * cu2 + ku;fv = j * cv1 + i * cv2 + kv;if ((fv < 1) || (fv > srcBmp.Height - 1) || (fu < 1) || (fu > srcBmp.Width - 1)){ptrDst[i * dstBmpData.Stride + j * 3] = 150;ptrDst[i * dstBmpData.Stride + j * 3 + 1] = 150;ptrDst[i * dstBmpData.Stride + j * 3 + 2] = 150;}else{//双线性插值Iu = (int)fu;Iv = (int)fv;a = fu - Iu;b = fv - Iv;for (int k = 0; k < 3; k++){F1 = (1 - b) * *(ptrSrc + Iv * srcBmpData.Stride + Iu * 3 + k) + b * *(ptrSrc + (Iv + 1) * srcBmpData.Stride + Iu * 3 + k);F2 = (1 - b) * *(ptrSrc + Iv * srcBmpData.Stride + (Iu + 1) * 3 + k) + b * *(ptrSrc + (Iv + 1) * srcBmpData.Stride + (Iu + 1) * 3 + k); *(ptrDst + i * dstBmpData.Stride + j * 3 + k) = (byte)((1 - a) * F1 + a * F2);}}}}}srcBmp.UnlockBits(srcBmpData);dstBmp.UnlockBits(dstBmpData);break;}return true;}。

数字图像处理MATLAB程序大全1

数字图像处理MATLAB程序大全1%对一幅图像进行2倍、4倍、8倍和16倍减采样，显示结果。

a=imread('E:\lmt\ketangshiyan\ceshitu\Plane211.jpg');b=rgb2gray(a);for m=1:4figure[width,height]=size(b);quartimage=zeros(floor(width/(m)),floor(height/(2*m)));k=1;n=1;for i=1:(m):widthfor j=1:(2*m):heightquartimage(k,n)=b(i,j);n=n+1;endk=k+1;n=1;endimshow(uint8(quartimage));endI=imread('F:\work\Digital Image Processing\2015\ketangshiyan\ceshitu\Plane211.jpg');I2=rgb2gray(I);imshow(I);figure,imshow(I2);%读入源图像，BMP格式I=imread('F:\work\Digital Image Processing\2015\ketangshiyan\ceshitu\cameraman.bmp'); %显示图像I的基本信息whos I%显示图像imshow(I)%显示图像的详细信息，filename是存储在磁盘中的图像全名imfinfo('F:\work\Digital Image Processing\2015\ketangshiyan\ceshitu\cameraman.bmp') %保存图像I为jpg格式，压缩存储，q为图像质量，介于0-100之间的整数imwrite(I,'F:\work\Digital Image Processing\2015\ketangshiyan\ceshitu\cameraman1.jpg'); %以位图的格式存储图像imwrite(I,'F:\work\Digital Image Processing\2015\ketangshiyan\ceshitu\cameraman1.tif');%在同一个图像窗口显示多幅图像，并为每幅图像添加标题。

(完整版)数字图像处理代码大全

1.图像反转MATLAB程序实现如下：I=imread('xian.bmp');J=double(I);J=-J+(256-1); %图像反转线性变换H=uint8(J);subplot(1,2,1),imshow(I);subplot(1,2,2),imshow(H);2.灰度线性变换MATLAB程序实现如下：I=imread('xian.bmp');subplot(2,2,1),imshow(I);title('原始图像');axis([50,250,50,200]);axis on; %显示坐标系I1=rgb2gray(I);subplot(2,2,2),imshow(I1);title('灰度图像');axis([50,250,50,200]);axis on; %显示坐标系J=imadjust(I1,[0.1 0.5],[]); %局部拉伸，把[0.1 0.5]内的灰度拉伸为[0 1]subplot(2,2,3),imshow(J);title('线性变换图像[0.1 0.5]');axis([50,250,50,200]);grid on; %显示网格线axis on; %显示坐标系K=imadjust(I1,[0.3 0.7],[]); %局部拉伸，把[0.3 0.7]内的灰度拉伸为[0 1]subplot(2,2,4),imshow(K);title('线性变换图像[0.3 0.7]');axis([50,250,50,200]);grid on; %显示网格线axis on; %显示坐标系3.非线性变换MATLAB程序实现如下：I=imread('xian.bmp');I1=rgb2gray(I);subplot(1,2,1),imshow(I1);title('灰度图像');axis([50,250,50,200]);grid on; %显示网格线axis on; %显示坐标系J=double(I1);J=40*(log(J+1));H=uint8(J);subplot(1,2,2),imshow(H);title('对数变换图像');axis([50,250,50,200]);grid on; %显示网格线axis on; %显示坐标系4.直方图均衡化MATLAB程序实现如下：I=imread('xian.bmp');I=rgb2gray(I);figure;subplot(2,2,1);imshow(I);subplot(2,2,2);imhist(I);I1=histeq(I);figure;subplot(2,2,1);imshow(I1);subplot(2,2,2);imhist(I1);5.线性平滑滤波器用MATLAB实现领域平均法抑制噪声程序：I=imread('xian.bmp');subplot(231)imshow(I)title('原始图像')I=rgb2gray(I);I1=imnoise(I,'salt & pepper',0.02);subplot(232)imshow(I1)title('添加椒盐噪声的图像')k1=filter2(fspecial('average',3),I1)/255; %进行3*3模板平滑滤波k2=filter2(fspecial('average',5),I1)/255; %进行5*5模板平滑滤波k3=filter2(fspecial('average',7),I1)/255; %进行7*7模板平滑滤波k4=filter2(fspecial('average',9),I1)/255; %进行9*9模板平滑滤波subplot(233),imshow(k1);title('3*3模板平滑滤波');subplot(234),imshow(k2);title('5*5模板平滑滤波');subplot(235),imshow(k3);title('7*7模板平滑滤波');subplot(236),imshow(k4);title('9*9模板平滑滤波'); 6.中值滤波器用MATLAB实现中值滤波程序如下：I=imread('xian.bmp');I=rgb2gray(I);J=imnoise(I,'salt&pepper',0.02);subplot(231),imshow(I);title('原图像');subplot(232),imshow(J);title('添加椒盐噪声图像');k1=medfilt2(J); %进行3*3模板中值滤波k2=medfilt2(J,[5,5]); %进行5*5模板中值滤波k3=medfilt2(J,[7,7]); %进行7*7模板中值滤波k4=medfilt2(J,[9,9]); %进行9*9模板中值滤波subplot(233),imshow(k1);title('3*3模板中值滤波'); subplot(234),imshow(k2);title('5*5模板中值滤波'); subplot(235),imshow(k3);title('7*7模板中值滤波'); subplot(236),imshow(k4);title('9*9模板中值滤波'); 7.用Sobel算子和拉普拉斯对图像锐化：I=imread('xian.bmp');subplot(2,2,1),imshow(I);title('原始图像');axis([50,250,50,200]);grid on; %显示网格线axis on; %显示坐标系I1=im2bw(I);subplot(2,2,2),imshow(I1);title('二值图像');axis([50,250,50,200]);grid on; %显示网格线axis on; %显示坐标系H=fspecial('sobel'); %选择sobel算子J=filter2(H,I1); %卷积运算subplot(2,2,3),imshow(J);title('sobel算子锐化图像');axis([50,250,50,200]);grid on; %显示网格线axis on; %显示坐标系h=[0 1 0,1 -4 1,0 1 0]; %拉普拉斯算子J1=conv2(I1,h,'same'); %卷积运算subplot(2,2,4),imshow(J1);title('拉普拉斯算子锐化图像');axis([50,250,50,200]);grid on; %显示网格线axis on; %显示坐标系8.梯度算子检测边缘用MATLAB实现如下：I=imread('xian.bmp');subplot(2,3,1);imshow(I);title('原始图像');axis([50,250,50,200]);grid on; %显示网格线axis on; %显示坐标系I1=im2bw(I);subplot(2,3,2);imshow(I1);title('二值图像');axis([50,250,50,200]);grid on; %显示网格线axis on; %显示坐标系I2=edge(I1,'roberts');figure;subplot(2,3,3);imshow(I2);title('roberts算子分割结果');axis([50,250,50,200]);grid on; %显示网格线axis on; %显示坐标系I3=edge(I1,'sobel');subplot(2,3,4);imshow(I3);title('sobel算子分割结果');axis([50,250,50,200]);grid on; %显示网格线axis on; %显示坐标系I4=edge(I1,'Prewitt');subplot(2,3,5);imshow(I4);title('Prewitt算子分割结果');axis([50,250,50,200]);grid on; %显示网格线axis on; %显示坐标系9.LOG算子检测边缘用MATLAB程序实现如下：I=imread('xian.bmp');subplot(2,2,1);imshow(I);title('原始图像');I1=rgb2gray(I);subplot(2,2,2);imshow(I1);title('灰度图像');I2=edge(I1,'log');subplot(2,2,3);imshow(I2);title('log算子分割结果'); 10.Canny算子检测边缘用MATLAB程序实现如下：I=imread('xian.bmp'); subplot(2,2,1);imshow(I);title('原始图像')I1=rgb2gray(I);subplot(2,2,2);imshow(I1);title('灰度图像');I2=edge(I1,'canny'); subplot(2,2,3);imshow(I2);title('canny算子分割结果');11.边界跟踪（bwtraceboundary函数）clcclear allI=imread('xian.bmp');figureimshow(I);title('原始图像');I1=rgb2gray(I); %将彩色图像转化灰度图像threshold=graythresh(I1); %计算将灰度图像转化为二值图像所需的门限BW=im2bw(I1, threshold); %将灰度图像转化为二值图像figureimshow(BW);title('二值图像');dim=size(BW);col=round(dim(2)/2)-90; %计算起始点列坐标row=find(BW(:,col),1); %计算起始点行坐标connectivity=8;num_points=180;contour=bwtraceboundary(BW,[row,col],'N',connectivity,num_p oints);%提取边界figureimshow(I1);hold on;plot(contour(:,2),contour(:,1), 'g','LineWidth' ,2); title('边界跟踪图像');12.Hough变换I= imread('xian.bmp');rotI=rgb2gray(I);subplot(2,2,1);imshow(rotI);title('灰度图像');axis([50,250,50,200]);grid on;axis on;BW=edge(rotI,'prewitt');subplot(2,2,2);imshow(BW);title('prewitt算子边缘检测后图像');axis([50,250,50,200]);grid on;axis on;[H,T,R]=hough(BW);subplot(2,2,3);imshow(H,[],'XData',T,'YData',R,'InitialMagnification','fit'); title('霍夫变换图');xlabel('\theta'),ylabel('\rho');axis on , axis normal, hold on;P=houghpeaks(H,5,'threshold',ceil(0.3*max(H(:))));x=T(P(:,2));y=R(P(:,1));plot(x,y,'s','color','white');lines=houghlines(BW,T,R,P,'FillGap',5,'MinLength',7); subplot(2,2,4);,imshow(rotI);title('霍夫变换图像检测');axis([50,250,50,200]);grid on;axis on;hold on;max_len=0;for k=1:length(lines)xy=[lines(k).point1;lines(k).point2];plot(xy(:,1),xy(:,2),'LineWidth',2,'Color','green');plot(xy(1,1),xy(1,2),'x','LineWidth',2,'Color','yellow');plot(xy(2,1),xy(2,2),'x','LineWidth',2,'Color','red');len=norm(lines(k).point1-lines(k).point2);if(len>max_len)max_len=len;xy_long=xy;endendplot(xy_long(:,1),xy_long(:,2),'LineWidth',2,'Color','cyan'); 13.直方图阈值法用MATLAB实现直方图阈值法：I=imread('xian.bmp');I1=rgb2gray(I);figure;subplot(2,2,1);imshow(I1);title('灰度图像')axis([50,250,50,200]);grid on; %显示网格线axis on; %显示坐标系[m,n]=size(I1); %测量图像尺寸参数GP=zeros(1,256); %预创建存放灰度出现概率的向量for k=0:255GP(k+1)=length(find(I1==k))/(m*n); %计算每级灰度出现的概率，将其存入GP中相应位置endsubplot(2,2,2),bar(0:255,GP,'g') %绘制直方图title('灰度直方图')xlabel('灰度值')ylabel('出现概率')I2=im2bw(I,150/255);subplot(2,2,3),imshow(I2);title('阈值150的分割图像')axis([50,250,50,200]);grid on; %显示网格线axis on; %显示坐标系I3=im2bw(I,200/255); %subplot(2,2,4),imshow(I3);title('阈值200的分割图像')axis([50,250,50,200]);grid on; %显示网格线axis on; %显示坐标系14. 自动阈值法：Otsu法用MATLAB实现Otsu算法：clcclear allI=imread('xian.bmp');subplot(1,2,1),imshow(I);title('原始图像')axis([50,250,50,200]);grid on; %显示网格线axis on; %显示坐标系level=graythresh(I); %确定灰度阈值BW=im2bw(I,level);subplot(1,2,2),imshow(BW);title('Otsu法阈值分割图像')axis([50,250,50,200]);grid on; %显示网格线axis on; %显示坐标系15.膨胀操作I=imread('xian.bmp'); %载入图像I1=rgb2gray(I);subplot(1,2,1);imshow(I1);title('灰度图像')axis([50,250,50,200]);grid on; %显示网格线axis on; %显示坐标系se=strel('disk',1); %生成圆形结构元素I2=imdilate(I1,se); %用生成的结构元素对图像进行膨胀subplot(1,2,2);imshow(I2);title('膨胀后图像');axis([50,250,50,200]);grid on; %显示网格线axis on; %显示坐标系16.腐蚀操作MATLAB实现腐蚀操作I=imread('xian.bmp'); %载入图像I1=rgb2gray(I);subplot(1,2,1);imshow(I1);title('灰度图像')axis([50,250,50,200]);grid on; %显示网格线axis on; %显示坐标系se=strel('disk',1); %生成圆形结构元素I2=imerode(I1,se); %用生成的结构元素对图像进行腐蚀subplot(1,2,2);imshow(I2);title('腐蚀后图像');axis([50,250,50,200]);grid on; %显示网格线axis on; %显示坐标系17.开启和闭合操作用MATLAB实现开启和闭合操作I=imread('xian.bmp'); %载入图像subplot(2,2,1),imshow(I);title('原始图像');axis([50,250,50,200]);axis on; %显示坐标系I1=rgb2gray(I);subplot(2,2,2),imshow(I1);title('灰度图像');axis([50,250,50,200]);axis on; %显示坐标系se=strel('disk',1); %采用半径为1的圆作为结构元素I3=imclose(I1,se); %闭合操作subplot(2,2,3),imshow(I2);title('开启运算后图像');axis([50,250,50,200]);axis on; %显示坐标系subplot(2,2,4),imshow(I3);title('闭合运算后图像');axis([50,250,50,200]);axis on; %显示坐标系18.开启和闭合组合操作I=imread('xian.bmp'); %载入图像subplot(3,2,1),imshow(I);title('原始图像');axis([50,250,50,200]);axis on; %显示坐标系I1=rgb2gray(I);subplot(3,2,2),imshow(I1);title('灰度图像');axis([50,250,50,200]);axis on; %显示坐标系se=strel('disk',1);I3=imclose(I1,se); %闭合操作subplot(3,2,3),imshow(I2);title('开启运算后图像');axis([50,250,50,200]);axis on; %显示坐标系subplot(3,2,4),imshow(I3);title('闭合运算后图像');axis([50,250,50,200]);axis on; %显示坐标系se=strel('disk',1);I4=imopen(I1,se);I5=imclose(I4,se);subplot(3,2,5),imshow(I5); %开—闭运算图像title('开—闭运算图像');axis([50,250,50,200]);axis on; %显示坐标系I6=imclose(I1,se);I7=imopen(I6,se);subplot(3,2,6),imshow(I7); %闭—开运算图像title('闭—开运算图像');axis([50,250,50,200]);axis on; %显示坐标系19.形态学边界提取利用MATLAB实现如下：I=imread('xian.bmp'); %载入图像subplot(1,3,1),imshow(I);title('原始图像');axis([50,250,50,200]);grid on; %显示网格线axis on; %显示坐标系I1=im2bw(I);subplot(1,3,2),imshow(I1);title('二值化图像');axis([50,250,50,200]);grid on; %显示网格线axis on; %显示坐标系I2=bwperim(I1); %获取区域的周长subplot(1,3,3),imshow(I2);title('边界周长的二值图像');axis([50,250,50,200]);grid on;axis on;20.形态学骨架提取利用MATLAB实现如下：I=imread('xian.bmp'); subplot(2,2,1),imshow(I); title('原始图像');axis([50,250,50,200]); axis on;I1=im2bw(I);subplot(2,2,2),imshow(I1); title('二值图像');axis([50,250,50,200]); axis on;I2=bwmorph(I1,'skel',1); subplot(2,2,3),imshow(I2); title('1次骨架提取');axis([50,250,50,200]); axis on;I3=bwmorph(I1,'skel',2); subplot(2,2,4),imshow(I3); title('2次骨架提取');axis([50,250,50,200]); axis on;21.直接提取四个顶点坐标I = imread('xian.bmp');I = I(:,:,1);BW=im2bw(I);figureimshow(~BW)[x,y]=getpts。

数字图像处理及MATLAB实现实验四——图像变换

数字图像处理及MATLAB实现实验四——图像变换1.图像的傅⾥叶变换⼀（平移性质）傅⾥叶变换的平移性质表明了函数与⼀个指数项相乘等于将变换后的空域中⼼移到新的位置，并且平移不改变频谱的幅值。

I=imread('1.bmp');figure(1)imshow(real(I));I=I(:,:,3);fftI=fft2(I);sfftI=fftshift(fftI); %求离散傅⾥叶频谱%对原始图像进⾏⼆维离散傅⾥叶变换，并将其坐标原点移到频谱图中央位置RRfdp1=real(sfftI);IIfdp1=imag(sfftI);a=sqrt(RRfdp1.^2+IIfdp1.^2);a=(a-min(min(a)))/(max(max(a))-min(min(a)))*225;figure(2)imshow(real(a));I=imread('2.bmp');figure(1)imshow(real(I));I=I(:,:,3);fftI=fft2(I);sfftI=fftshift(fftI); %求离散傅⾥叶频谱%对原始图像进⾏⼆维离散傅⾥叶变换，并将其坐标原点移到频谱图中央位置RRfdp1=real(sfftI);IIfdp1=imag(sfftI);a=sqrt(RRfdp1.^2+IIfdp1.^2);a=(a-min(min(a)))/(max(max(a))-min(min(a)))*225;figure(2)imshow(real(a));I=imread('3.bmp');figure(1)imshow(real(I));I=I(:,:,3);fftI=fft2(I);sfftI=fftshift(fftI); %求离散傅⾥叶频谱%对原始图像进⾏⼆维离散傅⾥叶变换，并将其坐标原点移到频谱图中央位置RRfdp1=real(sfftI);IIfdp1=imag(sfftI);a=sqrt(RRfdp1.^2+IIfdp1.^2);a=(a-min(min(a)))/(max(max(a))-min(min(a)))*225;figure(2)imshow(real(a));实验结果符合傅⾥叶变换平移性质2.图像的傅⾥叶变换⼆（旋转性质）%构造原始图像I=zeros(256,256);I(88:168,124:132)=1; %图像范围是256*256，前⼀值是纵向⽐，后⼀值是横向⽐imshow(I)%求原始图像的傅⾥叶频谱J=fft2(I);F=abs(J);J1=fftshift(F);figureimshow(J1,[550])%对原始图像进⾏旋转J=imrotate(I,90,'bilinear','crop');figureimshow(J)%求旋转后图像的傅⾥叶频谱J=fft2(I);F=abs(J);J2=fftshift(F);figureimshow(J2,[550])3.图像的离散余弦变换⼀%对cameraman.tif⽂件计算⼆维DCT变换RGB=imread('cameraman.tif');figure(1)imshow(RGB)I=rgb2gray(RGB);%真彩⾊图像转换成灰度图像J=dct2(I);%计算⼆维DCT变换figure(2)imshow(log(abs(J)),[])%图像⼤部分能量集中在左上⾓处figure(3);J(abs(J)<10)=0;%把变换矩阵中⼩于10的值置换为0，然后⽤idct2重构图像K=idct2(J)/255;imshow(K)4.图像的离散余弦变换⼆% I=imread('1.bmp');% figure(1)% imshow(real(I));% I=I(:,:,3);% fftI=fft2(I);% sfftI=fftshift(fftI); %求离散傅⾥叶频谱% %对原始图像进⾏⼆维离散傅⾥叶变换，并将其坐标原点移到频谱图中央位置% RRfdp1=real(sfftI);% IIfdp1=imag(sfftI);% a=sqrt(RRfdp1.^2+IIfdp1.^2);% a=(a-min(min(a)))/(max(max(a))-min(min(a)))*225;% figure(2)% imshow(real(a));% I=imread('2.bmp');% figure(1)% imshow(real(I));% I=I(:,:,3);% fftI=fft2(I);% sfftI=fftshift(fftI); %求离散傅⾥叶频谱% %对原始图像进⾏⼆维离散傅⾥叶变换，并将其坐标原点移到频谱图中央位置% RRfdp1=real(sfftI);% IIfdp1=imag(sfftI);% a=sqrt(RRfdp1.^2+IIfdp1.^2);% a=(a-min(min(a)))/(max(max(a))-min(min(a)))*225;% figure(2)% imshow(real(a));% I=imread('3.bmp');% figure(1)% imshow(real(I));% I=I(:,:,3);% fftI=fft2(I);% sfftI=fftshift(fftI); %求离散傅⾥叶频谱% %对原始图像进⾏⼆维离散傅⾥叶变换，并将其坐标原点移到频谱图中央位置% RRfdp1=real(sfftI);% IIfdp1=imag(sfftI);% a=sqrt(RRfdp1.^2+IIfdp1.^2);% a=(a-min(min(a)))/(max(max(a))-min(min(a)))*225;% figure(2)% imshow(real(a));% %构造原始图像% I=zeros(256,256);% I(88:168,124:132)=1; %图像范围是256*256，前⼀值是纵向⽐，后⼀值是横向⽐% imshow(I)% %求原始图像的傅⾥叶频谱% J=fft2(I);% F=abs(J);% J1=fftshift(F);figure% imshow(J1,[550])% %对原始图像进⾏旋转% J=imrotate(I,90,'bilinear','crop');% figure% imshow(J)% %求旋转后图像的傅⾥叶频谱% J=fft2(I);% F=abs(J);% J2=fftshift(F);figure% imshow(J2,[550])% %对cameraman.tif⽂件计算⼆维DCT变换% RGB=imread('cameraman.tif');% figure(1)% imshow(RGB)% I=rgb2gray(RGB);% %真彩⾊图像转换成灰度图像% J=dct2(I);% %计算⼆维DCT变换% figure(2)% imshow(log(abs(J)),[])% %图像⼤部分能量集中在左上⾓处% figure(3);% J(abs(J)<10)=0;% %把变换矩阵中⼩于10的值置换为0，然后⽤idct2重构图像% K=idct2(J)/255;% imshow(K)RGB=imread('cameraman.tif');I=rgb2gray(RGB);I=im2double(I); %转换图像矩阵为双精度型T=dctmtx(8); %产⽣⼆维DCT变换矩阵%矩阵T及其转置T'是DCT函数P1*X*P2的参数B=blkproc(I,[88],'P1*x*P2',T,T');maxk1=[ 1111000011100000110000001000000000000000000000000000000000000000 ]; %⼆值掩模，⽤来压缩DCT系数B2=blkproc(B,[88],'P1.*x',mask1); %只保留DCT变换的10个系数I2=blkproc(B2,[88],'P1*x*P2',T',T); %重构图像figure,imshow(T);figure,imshow(B2);figure,imshow(I2);RGB=imread('cameraman.tif');I=rgb2gray(RGB);I=im2double(I); %转换图像矩阵为双精度型T=dctmtx(8); %产⽣⼆维DCT变换矩阵%矩阵T及其转置T'是DCT函数P1*X*P2的参数B=blkproc(I,[88],'P1*x*P2',T,T');maxk1=[ 1111000011100000100000000000000000000000000000000000000000000000 ]; %⼆值掩模，⽤来压缩DCT系数B2=blkproc(B,[88],'P1.*x',mask1); %只保留DCT变换的10个系数I2=blkproc(B2,[88],'P1*x*P2',T',T); %重构图像figure,imshow(T);figure,imshow(B2);figure,imshow(I2);5.图像的哈达玛变换cr=0.5;I=imread('cameraman.tif');I=im2double(I)/255; %将读⼊的unit8类型的RGB图像I转换为double类型的数据figure(1),imshow(I);%显⽰%求图像⼤⼩[m_I,n_I]=size(I); %提取矩阵I的⾏列数，m_I为I的⾏数，n_I为I的列数sizi=8;snum=64;%分块处理t=hadamard(sizi) %⽣成8*8的哈达码矩阵hdcoe=blkproc(I,[sizi sizi],'P1*x*P2',t,t');%将图⽚分成8*8像素块进⾏哈达码变换%重新排列系数CE=im2col(hdcoe,[sizi,sizi],'distinct');%将矩阵hdcode分为8*8互不重叠的⼦矩阵，再将每个⼦矩阵作为CE的⼀列[Y Ind]=sort(CE); %对CE进⾏升序排序%舍去⽅差较⼩的系数，保留原系数的⼆分之⼀，即32个系数[m,n]=size(CE);%提取矩阵CE的⾏列数，m为CE的⾏数，n为CE的列数snum=snum-snum*cr;for i=1:nCE(Ind(1:snum),i)=0;end%重建图像re_hdcoe=col2im(CE,[sizi,sizi],[m_I,n_I],'distinct');%将矩阵的列重新组织到块中re_I=blkproc(re_hdcoe,[sizi sizi],'P1*x*P2',t',t);%进⾏反哈达码变换，得到压缩后的图像re_I=double(re_I)/64; %转换为double类型的数据figure(2);imshow(re_I);%计算原始图像和压缩后图像的误差error=I.^2-re_I.^2;MSE=sum(error(:))/prod(size(re_I));。

数字图像处理matlab代码

一、编写程序完成不同滤波器的图像频域降噪和边缘增强的算法并进行比较，得出结论。

1、不同滤波器的频域降噪1.1 理想低通滤波器(ILPF)和二阶巴特沃斯低通滤波器(BLPF)clc;clear all;close all;I1=imread('me.jpg');I1=rgb2gray(I1);subplot(2,2,1),imshow(I1),title('原始图像');I2=imnoise(I1,'salt & pepper');subplot(2,2,2),imshow(I2),title('噪声图像');F=double(I2);g = fft2(F);g = fftshift(g);[M, N]=size(g);result1=zeros(M,N);result2=zeros(M,N);nn = 2;d0 =50;m = fix(M/2);n = fix(N/2);for i = 1:Mfor j = 2:Nd = sqrt((i-m)^2+(j-n)^2);h = 1/(1+0.414*(d/d0)^(2*nn));result1(i,j) = h*g(i,j);if(g(i,j)< 50)result2(i,j) = 0;elseresult2(i,j) =g(i,j);endendendresult1 = ifftshift(result1);result2 = ifftshift(result2);J2 = ifft2(result1);J3 = uint8(real(J2));subplot(2, 2, 3),imshow(J3,[]),title('巴特沃斯低通滤波结果'); J4 = ifft2(result2);J5 = uint8(real(J4));subplot(2, 2, 4),imshow(J5,[]),title('理想低通滤波结果');实验结果：原始图像噪声图像巴特沃斯低通滤波结果理想低通滤波结果1.2 指数型低通滤波器(ELPF)clc;clear all;close all;I1=imread('me.jpg');I1=rgb2gray(I1);I2=im2double(I1);I3=imnoise(I2,'gaussian',0.01);I4=imnoise(I3,'salt & pepper',0.01);subplot(1,3,1),imshow(I2), title('原始图像'); %显示原始图像subplot(1,3,2),imshow(I4),title('加入混合躁声后图像 ');s=fftshift(fft2(I4));%将灰度图像的二维不连续Fourier 变换的零频率成分移到频谱的中心[M,N]=size(s); %分别返回s的行数到M中，列数到N中n1=floor(M/2); %对M/2进行取整n2=floor(N/2); %对N/2进行取整d0=40;for i=1:Mfor j=1:Nd=sqrt((i-n1)^2+(j-n2)^2); %点（i,j）到傅立叶变换中心的距离 h=exp(log(1/sqrt(2))*(d/d0)^2);s(i,j)=h*s(i,j); %ILPF滤波后的频域表示endends=ifftshift(s); %对s进行反FFT移动s=im2uint8(real(ifft2(s)));subplot(1,3,3),imshow(s),title('ELPF滤波后的图像（d=40）');运行结果：1.3 梯形低通滤波器(TLPF)clc;clear all;close all;I1=imread('me.jpg');I1=rgb2gray(I1); %读取图像I2=im2double(I1);I3=imnoise(I2,'gaussian',0.01);I4=imnoise(I3,'salt & pepper',0.01);subplot(1,3,1),imshow(I2),title('原始图像'); %显示原始图像subplot(1,3,2),imshow(I4),title('加噪后的图像');s=fftshift(fft2(I4));%将灰度图像的二维不连续Fourier 变换的零频率成分移到频谱的中心[M,N]=size(s); %分别返回s的行数到M中，列数到N中n1=floor(M/2); %对M/2进行取整n2=floor(N/2); %对N/2进行取整d0=10;d1=160;for i=1:Mfor j=1:Nd=sqrt((i-n1)^2+(j-n2)^2); %点（i,j）到傅立叶变换中心的距离 if (d<=d0)h=1;else if (d0<=d1)h=(d-d1)/(d0-d1);else h=0;endends(i,j)=h*s(i,j); %ILPF滤波后的频域表示endends=ifftshift(s); %对s进行反FFT移动s=im2uint8(real(ifft2(s))); %对s进行二维反离散的Fourier变换后，取复数的实部转化为无符号8位整数subplot(1,3,3),imshow(s),title('TLPF滤波后的图像');运行结果：1.4 高斯低通滤波器(GLPF)clear all;clc;close all;I1=imread('me.jpg');I1=rgb2gray(I1);I2=im2double(I1);I3=imnoise(I2,'gaussian',0.01);I4=imnoise(I3,'salt & pepper',0.01);subplot(1,3,1),imshow(I2),title('原始图像');subplot(1,3,2),imshow(I4),title('加噪后的图像');s=fftshift(fft2(I4));%将灰度图像的二维不连续Fourier 变换的零频率成分移到频谱的中心[M,N]=size(s); %分别返回s的行数到M中，列数到N中n1=floor(M/2); %对M/2进行取整n2=floor(N/2); %对N/2进行取整d0=40;for i=1:Mfor j=1:Nd=sqrt((i-n1)^2+(j-n2)^2); %点（i,j）到傅立叶变换中心的距离 h=1*exp(-1/2*(d^2/d0^2)); %GLPF滤波函数s(i,j)=h*s(i,j); %ILPF滤波后的频域表示endends=ifftshift(s); %对s进行反FFT移动s=im2uint8(real(ifft2(s))); %对s进行二维反离散的Fourier变换后，取复数的实部转化为无符号8位整数subplot(1,3,3),imshow(s),title('GLPF滤波后的图像（d=40）');运行结果：1.5 维纳滤波器clc;clear all;close all;I=imread('me.jpg'); %读取图像I=rgb2gray(I);I1=im2double(I);I2=imnoise(I1,'gaussian',0.01);I3=imnoise(I2,'salt & pepper',0.01);I4=wiener2(I3);subplot(1,3,1),imshow(I1),title('原始图像'); %显示原始图像subplot(1,3,2),imshow(I3),title('加入混合躁声后图像');I4=wiener2(I3);subplot(1,3,3),imshow(I4),title('wiener滤波后的图像');运行结果：结论：理想低通滤波器，虽然有陡峭的截止频率，却不能产生良好的效果，图像由于高频分量的滤除而变得模糊，同时还产生振铃效应。

在matlab和pythontf中的旋转变换（四元数、欧拉角、旋转矩阵等）

在matlab 和pythontf 中的旋转变换（四元数、欧拉⾓、旋转矩阵等）⽬录1. 基本的认识空间中的坐标变换包括平移和旋转。

平移变换较为简单，只需要加上⼀个位置⽮量即可。

旋转变换常见的有三种表⽰⽅式：旋转矩阵、欧拉⾓、四元数。

注：由于博主本⼈知识有限以及篇幅的缘故，博⽂⼗分简略，阅读本篇博客前需要⼀定的知识基础，有问题欢迎⼀起交流讨论。

2. 变换矩阵根据《机器⼈学导论》，我们⽤平移算⼦A P BO 和旋转算⼦A B R 进⾏变换矩阵的计算。

A P14×1=AB RA PBO014×4B P 14×11. 平移算⼦A P BO平移将空间中的⼀个点沿着⼀个已知的⽮量⽅向移动⼀定距离。

A PBO=q x q yq z 3×12. 旋转算⼦A B R通常是绕坐标系的x 、y 、z 轴旋转⼀定⾓度的旋转算⼦，遵循右⼿旋转法则。

例如：绕z 轴旋转θ⾓度的算⼦：A B R=cos θ−sin θ0sin θcos θ13×3具体原理的话可以参考原书，也可以参考，。

3. 欧拉⾓欧拉⾓⽤三个数描述从⼀个坐标系到另⼀个坐标系的变换，每个数分别是绕某⼀个坐标轴转动的⾓度。

⽹上对于欧拉⾓对应坐标轴的名称不是很统⼀，这⾥参考，所指的欧拉⾓是偏航、俯仰和滚转（yaw, pitch and roll ），分别对应z,y,x 轴的转⾓。

通常的欧拉⾓是intrinsic rotations ，⼜称内在旋转，动态旋转等，每次旋转参照的坐标系是旋转后的新坐标系，也可以理解为刚体坐标系。

⽽还有⼀种欧拉⾓是extrinsic rotations ，⼜称固定⾓，外在旋转，静态旋转等，每次旋转参照的坐标系是原始的固定坐标系，两者存在⼀⼀对应的关系，以下摘⾃维基百科：三个基本旋转可以围绕原始坐标系的轴发⽣，它保持不动（extrinsic rotations ，外在旋转），或者围绕旋转坐标系的轴，在每次基本旋转后改变其⽅向（intrinsic rotations ，内在旋转）。

MATLAB数字图像处理实验--图像基本运算

MATLAB数字图像处理实验--图像基本运算一、实验目的1.理解图像点运算、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.进一步熟悉了解MATLAB语言的应用。

二、实验设备与软件1.PC计算机系统2.MATLAB软件，包括图像处理工具箱(Image Processing Toolbox)3.实验图片三、实验内容及结果分析3.1图像的点运算选择pout.tif作为实验图像，实验原理及内容参照《MATLAB图像处理编程及应用》程序代码：I=imread('pout.tif');figure;subplot(1,3,1);imshow(I);title('原图');J=imadjust(I,[0.3;0.6],[0.1;0.9]);subplot(1,3,2);imshow(J);title('线性扩展');I1=double(I);I2=I1/255;C=2;K=C*log(1+I2);subplot(1,3,3);imshow(K);title('非线性扩展');M=255-I;figure;subplot(1,3,1);imshow(M);title('灰度倒置');N1=im2bw(I,0.4);N2=im2bw(I,0.7);subplot(1,3,2);imshow(N1);title('二值化阈值0.4');subplot(1,3,3);imshow(N2);title('二值化阈值0.7');执行结果：原图线性扩展非线性扩展灰度倒置二值化阈值0.4二值化阈值0.7实验1结果图3.2图像的代数运算选择两幅图像，一幅是原图像，一幅为背景图像，采用正确的图像代数运算方法，分别实现图像叠加、混合图像的分离和图像的局部显示效果。

matlab指数序列相位谱和幅度谱代码

matlab指数序列相位谱和幅度谱代码Matlab指数序列相位谱和幅度谱代码相位谱和幅度谱是数字信号处理中常用的两种工具，在Matlab中也有对应的函数可以方便地计算出一个信号的相位和幅度谱。

本文将介绍Matlab中如何计算指数序列的相位谱和幅度谱，以及相关的代码实现，帮助读者更好地理解和应用这两个信号处理工具。

1. 指数序列的概念指数序列是一种形如a^n的数列，其中a是常数，n取正整数。

指数序列在数字信号处理中有着广泛的应用，如代表语音信号中的发音单元、代表交流电信号中的电压或电流等。

指数序列可以通过Matlab中的exp函数来实现，代码如下：n = 0:10;a = 2;x = a.^n;2. 相位谱的计算方法相位谱是指在频域上，一个信号中各个频率分量的相位信息。

在Matlab中，可以使用fft函数来计算一个信号的频域表示，再根据fft结果计算出每个频率分量的相位。

具体代码如下：N = length(x);X = fft(x,N);phs = angle(X);其中，N是信号的长度，X是信号的频域表示，angle函数可以得到每个频率分量的相位。

最终，phs中存储了信号x的相位谱。

3. 幅度谱的计算方法幅度谱是指在频域上，一个信号中各个频率分量的振幅信息。

在Matlab中，可以使用abs函数来计算一个信号的频域表示的振幅，具体代码如下：N = length(x);X = fft(x,N);amp = abs(X);其中，N是信号的长度，X是信号的频域表示，abs函数可以得到每个频率分量的幅度。

最终，amp中存储了信号x的幅度谱。

4. 完整的Matlab代码综合以上步骤，可以得到计算指数序列相位谱和幅度谱的完整代码，如下所示：n = 0:10;a = 2;x = a.^n;N = length(x);X = fft(x,N);phs = angle(X);amp = abs(X);disp('指数序列的相位谱为：');disp(phs);disp('指数序列的幅度谱为：');disp(amp);通过以上代码，可以得到指数序列的相位谱和幅度谱的值。

matlab数字图像处理源代码

数字图像去噪典型算法及matlab实现希望得到大家的指点和帮助图像去噪是数字图像处理中的重要环节和步骤。

去噪效果的好坏直接影响到后续的图像处理工作如图像分割、边缘检测等。

图像信号在产生、传输过程中都可能会受到噪声的污染，一般数字图像系统中的常见噪声主要有：高斯噪声（主要由阻性元器件内部产生）、椒盐噪声（主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声）等；目前比较经典的图像去噪算法主要有以下三种：均值滤波算法：也称线性滤波，主要思想为邻域平均法，即用几个像素灰度的平均值来代替每个像素的灰度。

有效抑制加性噪声，但容易引起图像模糊，可以对其进行改进，主要避开对景物边缘的平滑处理。

中值滤波：基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号处理技术。

中值滤波的特点即是首先确定一个以某个像素为中心点的邻域，一般为方形邻域，也可以为圆形、十字形等等，然后将邻域中各像素的灰度值排序，取其中间值作为中心像素灰度的新值，这里领域被称为窗口，当窗口移动时，利用中值滤波可以对图像进行平滑处理。

其算法简单，时间复杂度低，但其对点、线和尖顶多的图像不宜采用中值滤波。

很容易自适应化。

Wiener维纳滤波：使原始图像和其恢复图像之间的均方误差最小的复原方法，是一种自适应滤波器，根据局部方差来调整滤波器效果。

对于去除高斯噪声效果明显。

实验一：均值滤波对高斯噪声的效果I=imread('C:\Documents and Settings\Administrator\桌面\1.gif');%读取图像J=imnoise(I,'gaussian',0,0.005);%加入均值为0，方差为0.005的高斯噪声subplot(2,3,1);imshow(I);title('原始图像');subplot(2,3,2); imshow(J);title('加入高斯噪声之后的图像');%采用MATLAB中的函数filter2对受噪声干扰的图像进行均值滤波K1=filter2(fspecial('average',3),J)/255; %模板尺寸为3K2=filter2(fspecial('average',5),J)/255;% 模板尺寸为5K3=filter2(fspecial('average',7),J)/255; %模板尺寸为7K4= filter2(fspecial('average',9),J)/255; %模板尺寸为9subplot(2,3,3);imshow(K1);title('改进后的图像1');subplot(2,3,4); imshow(K2);title('改进后的图像2');subplot(2,3,5);imshow(K3);title('改进后的图像3');subplot(2,3,6);imshow(K4);title('改进后的图像4');PS：filter2用法：filter2用法fspecial函数用于创建预定义的滤波算子，其语法格式为：h = fspecial(type)h = fspecial(type,parameters)参数type制定算子类型，parameters指定相应的参数，具体格式为：type='average'，为均值滤波，参数为n，代表模版尺寸，用向量表示，默认值为[3,3]。

数字图像处理第二版MatLab代码大全

4.3
空域滤波增强
Matlab 实现的邻域平均法抑制噪声的程序： I=imread('eight.tif'); J=imnoise(I,'salt & pepper', 0.02); subplot(231),imshow(I);title('原图像'); subplot(232),imshow(J);title('添加椒盐噪声图像') k1=filter2(fspecial('average',3),J); %进行 3×3 模板平滑滤波 k2=filter2(fspecial('average',5),J); %进行 5×5 模板平滑滤波 k3=filter2(fspecial('average',7),J); %进行 7×7 模板平滑滤波 k4=filter2(fspecial('average',9),J); %进行 9×9 模板平滑滤波 subplot(233),imshow(uint8(k1));title('3×3 模板平滑滤波'); subplot(234),imshow(uint8(k2));title('5×5 模板平滑滤波'); subplot(235),imshow(uint8(k3));title('7×7 模板平滑滤波'); subplot(236),imshow(uint8(k4));title('9×9 模板平滑滤波') 例 4.10：使用中值滤波降低图像噪声
9
xlabel(‘\theta (degrees)’); ylabel(‘X\prime’); set(gca,’Xtick’,0:20:180); colormap(hot); colorbar；

matlab中幅度频谱和相位频谱

幅度频谱和相位频谱是数字信号处理中常用的概念，在MATLAB中，我们经常会用到这两个频谱来分析信号的特性。

本文将介绍在MATLAB中如何计算和绘制幅度频谱和相位频谱，并探讨它们在信号处理中的应用。

一、幅度频谱的计算与绘制在MATLAB中，可以使用fft函数来计算时域信号的频谱。

假设有一个长度为N的时域信号x(n)，使用fft函数对其进行傅里叶变换可以得到其频谱X(k)，其中k为频率索引。

幅度频谱可以通过X(k)的幅度来表示，即abs(X(k))。

下面是一个简单的示例代码：```matlabN = 1024;fs = 1000;t = 0:1/fs:(N-1)/fs;x = cos(2*pi*100*t) + 0.5*cos(2*pi*200*t);X = fft(x, N);f = (0:N-1)*(fs/N);amplitude_spectrum = abs(X);plot(f, amplitude_spectrum);xlabel('Frequency (Hz)');ylabel('Amplitude');在这个示例中，我们首先生成了一个包含两个不同频率成分的信号x(n)，然后使用fft函数计算了其频谱X(k)，最后绘制了幅度频谱。

可以看到，通过这段简单的代码我们就可以很容易地计算和绘制信号的幅度频谱了。

二、相位频谱的计算与绘制与幅度频谱类似，相位频谱在MATLAB中同样可以通过fft函数来计算。

相位频谱可以通过X(k)的相位来表示，即angle(X(k))。

下面是一个示例代码：```matlabphase_spectrum = angle(X);plot(f, phase_spectrum);xlabel('Frequency (Hz)');ylabel('Phase');```在这个示例中，我们使用了fft函数计算了信号的频谱X(k)，然后计算了其相位频谱，并进行了绘制。

matlab幅度谱

在MATLAB中，幅度谱通常可以通过对信号进行傅里叶变换并取其模平方来计算。

以下是一个简单的示例，说明如何计算信号的幅度谱：
matlab复制代码
% 生成一个简单的正弦波信号
Fs = 1000; % 采样频率
t = 0:1/Fs:1-1/Fs; % 时间向量
f = 50; % 频率
x = sin(2*pi*f*t); % 正弦波信号
% 对信号进行傅里叶变换
n = length(x); % 信号长度
X = fft(x, n); % 进行FFT运算
% 计算幅度谱
P2 = abs(X).^2/n; % 幅度谱
% 绘制幅度谱
figure;
plot(f*Fs/2, P2); % 绘制幅度谱
xlabel('Frequency (Hz)');
ylabel('Magnitude');
title('Magnitude Spectrum');
在这个示例中，我们首先生成了一个频率为50Hz的正弦波信号。

然后，我们对信号进行傅里叶变换，并计算其幅度谱。

最后，我们绘制了幅度谱的图像。

请注意，这只是一个简单的示例，并且可能不适用于所有情况。

在实际应用中，您可能需要对信号进行更复杂的处理和分析。

数字图像处理教程(matlab版)

imwrite(A，FILENAME,FMT)
FILENAME参数指定文件名。FMT为保存文件采用的格式。 imwrite(I6,'nirdilatedisk2TTC10373.bmp');
/1、图像的读取和显示
三、图像的显示
imshow(I,[low high])
I为要显示的图像矩阵。[low high]为指定显示灰度图像的灰度范围。高于high的像素被显示成白色；低于low的像素被显示成黑色；介于 High和low之间的像素被按比例拉伸后显示为各种等级的灰色。 figure；imshow(I6);title('The Main Pass Part of TTC10373');
t c logk s
c为尺度比例常数，s为源灰度值，t为变换后的目标灰度值。k为常数。灰度的对数变换可以增强一幅图像中较暗部分的细节，可用来扩展被压缩的高值图像中的较暗像素。广泛应用于频谱图像的显示中。
Warning：log函数会对输入图像矩阵s中的每个元素进行
操作，但仅能处理double类型的矩阵。而从图像文件中得到的图像矩阵大多是uint8类型的，故需先进行im2double数据类型转换。
原图像
滤波后图
像
/4、空间域图像增强三、滤波器设计
h=fspecial(type,parameters)
parameters为可选项，是和所选定的滤波器类型type相关的配置参数，如尺寸和标准差等。
type为滤波器的类型。其合法值如下：
合法取值 ‘average’
‘disk’ ‘gaussian’ ‘laplacian’
DA

DMax A0
DA