编写数字图像处理程序

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。

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。

(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。

数字图像处理课程设计

《数字视音频技术》课程设计报告题目：基于MATLAB/GUI数字图像处理专业名称：电子信息工程班级：电信072 学号：姓名：2010年 12月20日基于MATLAB/GUI数字图像处理一.设计目标图形用户界面(Graphical User Interface)简称GUI，在Matlab程序开发中起着举足轻重的作用，它有别于传统的VC、JAVA或者Delphi的界面开发方式。

作为一个数学运算能力很强的软件，Matlab的运算结果通常是用图形来表示的，GUI的使用更易于图形表现的多元化，在数字图像处理中更加的方便、直观。

下面设计一个简单的GUI数字图像处理，掌握GUI菜单，控件，回调函数的具体实现方法。

二．设计环境：Windows xpMatlab 7.1三．方案论证界面设计采用菜单模式，通过MATLAB图像处理工具箱提供的强大图像处理、图像设计功能来对图像进行处理。

通过做Matlab GUI界面来对图像进行编辑、缩放、加噪声、噪声滤波、颜色模型转换和图像的翻转。

通过对Matlab函数直接调用和自编函数来实现上述图像处理功能，其中图像进行任意角度翻转还用到了两个不同GUI之间数据传递实现的。

四.实验设计过程1.菜单的创建和设置菜单项的创建、设置可以通过系统函uimenu函数来完成，同时也可以利用GUI的设计工具来创建、设置。

如图1-1图1-1 菜单栏的设置2.控件的设计现在，绝大多数的软件中，图形界面都包含有控件。

控件也是一种是图形对象通过使用各种类型的控件，可以建立起操作简便，功能强大的图形界面软件。

Matlab系统为我们提供了lO种控件对象如：复选框、可编辑文本框等。

实验的整体GUI界面设计如图2-1。

图2-1 GUI界面3.实验运行过程与功能：文件运行界面如图4-1：图4-1 运行界面点击打开，打开一个图片，如图4-2图 4-2 打开一个图片编辑点击编辑,双三次缩小,输入参数,如图4-3图4-3然后，选择旋转，界面如图4-4图4-4图像旋转界面输入一个角度，然后点击确定，就会把图片进行旋转，如45度，运行结果如图4-5图4-5 图像旋转结果图点下面任意一个的原色，然后点ok，就会对背景原色进行变换，比如选择bule，得到的结果图如图4-6图4-6 原色转换结果图图像处理图4-7亮度处理图4-8 Hsv 模型转化图4-9图像腐蚀图4-10高度滤波五.结束语由以上例子可以看出来，使用Matlab 来编写程序确实简洁、方便。

数字图像处理课程设计opencv

数字图像处理课程设计opencv一、教学目标本课程的教学目标是使学生掌握数字图像处理的基本理论、方法和OpenCV编程技能。

通过本课程的学习，学生应能理解数字图像处理的基本概念，掌握常用的图像处理算法，并能够运用OpenCV库进行实际的图像处理操作。

具体来说，知识目标包括：1.理解数字图像处理的基本概念和原理。

2.掌握数字图像处理的基本算法和常用技术。

3.熟悉OpenCV库的基本结构和功能。

技能目标包括：1.能够运用OpenCV库进行数字图像处理的基本操作。

2.能够编写简单的数字图像处理程序。

3.能够分析和解决数字图像处理实际问题。

情感态度价值观目标包括：1.培养对数字图像处理的兴趣和热情。

2.培养学生的创新意识和实践能力。

3.培养学生的团队合作精神和沟通交流能力。

二、教学内容本课程的教学内容主要包括数字图像处理的基本理论、方法和OpenCV编程实践。

教学大纲如下：1.数字图像处理概述1.1 数字图像处理的基本概念1.2 数字图像处理的应用领域2.图像处理基本算法2.1 图像滤波2.2 图像增强2.3 图像边缘检测3.OpenCV库的使用3.1 OpenCV库的基本结构3.2 OpenCV库的基本功能4.图像处理实例分析4.1 图像去噪实例4.2 图像增强实例4.3 图像边缘检测实例三、教学方法本课程采用多种教学方法相结合的方式，包括讲授法、讨论法、案例分析法和实验法等。

1.讲授法：通过教师的讲解，使学生掌握数字图像处理的基本理论和方法。

2.讨论法：通过小组讨论，激发学生的思考，培养学生的创新意识和实践能力。

3.案例分析法：通过分析实际案例，使学生能够将理论知识应用于实际问题。

4.实验法：通过实验操作，使学生掌握OpenCV库的基本功能，并能够编写实际的图像处理程序。

四、教学资源本课程的教学资源包括教材、参考书、多媒体资料和实验设备等。

1.教材：选用《数字图像处理》（李航著）作为主要教材，辅助以相关参考书籍。

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。

autoshop编程程序案例

autoshop编程程序案例【实用版】目录1.AutoShop 编程程序概述2.AutoShop 编程程序案例详解3.AutoShop 编程程序案例带来的启示正文【1.AutoShop 编程程序概述】AutoShop 是一款功能强大的图形图像处理软件，它广泛应用于数字图像处理、广告设计、视觉传达等领域。

AutoShop 的编程功能，可以让用户通过编写脚本实现对图像的自动化处理，极大地提高了工作效率。

下面，我们将通过一个具体的案例，来详细了解 AutoShop 编程程序的魅力。

【2.AutoShop 编程程序案例详解】假设我们有一组图片，需要对每一张图片进行如下操作：将图片的背景颜色改为白色，将图片中的文字颜色改为黑色，并将所有图片的尺寸统一为 100x100 像素。

如果使用传统的图像处理方法，我们需要对每一张图片单独进行操作，无疑会耗费大量的时间和精力。

而通过 AutoShop 编程程序，我们可以轻松实现这一目标。

首先，我们需要创建一个新的 AutoShop 脚本文件，然后在脚本中编写如下代码：```// 打开图片var file = File.openDialog("请选择图片路径");var doc = app.open(file);// 修改背景颜色var bgColor = new SolidColor();bgColor.rgb.hexValue = "FFFFFF";doc.backgroundColor = bgColor;// 修改文字颜色var textColor = new SolidColor();textColor.rgb.hexValue = "000000";// 循环遍历所有图层，修改文字颜色for (var i = 0; i < yers.length; i++) {if (yers[i].type == LayerType.TEXT) {yers[i].textItem.color = textColor;}}// 调整图片尺寸var newWidth = 100;var newHeight = 100;doc.resize(newWidth, newHeight);// 保存图片var saveFile = new File(doc.path + "/100x100.png");doc.saveAs(saveFile, new PNGSaveOptions(), true);```在编写好脚本后，我们只需运行脚本，AutoShop 就会自动完成对所有图片的处理，并将处理后的图片保存为 100x100 像素的尺寸。

HALCON数字图像处理(刘国华)第12章 HALCON混合编程

第12章 HALCON混合编程
德国HALCON是一款具有交互式编程开发的图像处理软件，可导出VB C/C++，C#等代码，利用其自有的HDevelop编程工具，可以轻松地实现代码从HALCON算子到C、C++、C#等程序语言的转化。利用 HDevelop进行图像分析，完成视觉处理程序的开发，程序可以分成不同的子程序，每个子程序可以只做一件事，像初始化，计算，或是清除。主程序用于调用其它子程序，传递图像信息或是接收显示结果。最后，程序导出成我们要用的程序代码，接续下一步工作。
HALCON数字图像处理
案例：芯片检测系统
图12-31 头文件设置
HALCON数字图像处理
案例：芯片检测系统
4）工程设置，和console程序相同，如图12-32和图12-33。
图12-32 工程设置一
HALCON数字图像处理
案例：芯片检测系统
HALCON数字图像处理
图12-33 工程设置二
案例：芯片检测系统
案例：成捆棒材复核计数系统
介绍：成捆复核计数系统是采用机器视觉技术检测棒材端面，通过图像处理获得棒材中心信息并进行识别计数，实现准确复检计数的新型检测装置。棒材复核计数系统是由工控机、光源、工业相机、镜头和HALCON与VB混合编程的成捆棒材复核计数软件组成。现场采集的成捆棒材图像如图12-2所示。
HALCON数字图像处理
图12-11
案例：电路板缺陷检测系统
新建项目如图12-12所示，选择.NET Framework 4 运行平台，创建 Windows窗体应用程序，修改解决方案名称为“混合编程”，项目名称为“单片机实例”，选择程序保存路径，创建Form1窗体如图 12-13所示。

2014-7自编数字图像处理实验-参考答案

数字图像处理—及MATLAB实现实验指导参考答案目录实验1 MATLAB软件入门及数字图像处理工具箱（2学时） (2)实验3 MATLAB实现数字图像的变换技术（2学时） (20)实验4 MATLAB实现数字图像增强（2学时） (24)实验5 MA TLAB实现图像的复原（2学时） (36)实验6 MA TLAB实现图像分割（2学时） (39)实验7 MA TLAB实现彩色图像处理（2学时） (55)实验8 MA TLAB实现数字图像其它处理（2学时） (60)实验1 MATLAB软件入门及数字图像处理工具箱（2学时）【实验内容】一、二两项略一、运行MATLAB，要求完成：（1)、了解MATLAB工作环境（2)、运用MATLAB帮助系统，查询imread,imwrite,imshow这3个工具箱函数的功能，给出解释（3)、在桌面上建立一个文件夹，以本人姓名拼音缩写为文件名，将该文件夹通过set path设置，放到MATLAB的搜索路径下。

截图最后操作的界面，保存至该文件夹下。

二、了解MATLAB的一些简单的工具箱函数使用，在MATLAB下完成一些图像处理操作。

1、在命令窗口下依次输入如下带下划线的英文命令，无需写注释，对比查看结果：（1）、读入并显示一幅图像>> clear； close all； %首先清除 MATLAB 所有的工作平台变量，关闭已打开的图形窗口。

>> I=imread（′pout.tif′）；%然后使用图像读取函数 imread 来读取一幅图像。

假设要读取图像 pout.tif，并将其存储在一个名为 I的数组中>> imshow（I） %使用 imshow 命令来显示数组 I观察显示结果（2）、检查内存中的图像>> Whos %使用 whos命令来查看图像数据 I是如何存储在内存中，MATLAB 做出的响应如下：Name Size Bytes ClassI291 ×240 69840 uint8 arrayGrand totalis69840 elementsusing69840 bytes（3）、实现直方图均衡化如pout.tif图像对比较低，为了观察图像当前状态下亮度分布情况，可以通过使用 imhist函数创建描述该图像灰度分布的直方图。

(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。

数字图像处理实验指导书(带源程序)

实验一Matlab图像处理工具箱的初步练习一. 实验目的1. 掌握有关数字图像处理的基本概念；2. 熟悉Matlab图像处理工具箱；3. 熟悉使用Matlab进行数字图像的读出和显示；4. 熟悉运用Matlab指令进行图像旋转和缩放变换。

二. 练习1. 文件的读入与显示(1) 运行Matlab。

(2) MATLAB窗口构成：在缺省的情况下，由三个窗口组成。

命令窗口(command window)、命令历史（command history）、工作空间（workspace）。

注意：缺省窗口的设置步骤为：MATLAB菜单/view选项/Desktop layout/default。

(3) 调入一个文件：i=imread('pout.tif')；%注意：前面的“%”是用于注释的，不会被执行，只是说明这个语句的作用。

此时的i出现在什么窗口？是什么类型的变量？大小是多少？(4) 显示这幅图：imshow(i)；(5) 将变量i转置成j，即j=i'；显示j即imshow(j)；%在胸前左侧花纹怎么会跑到右边的呢？举一个例子加以验证：设a=[1 2 3 4 5；6 7 8 9 10；11 12 13 14 15]；b=a’；此时的b与a有什么区别？(6) 写入到一个新的图像文件'abc.tif'中，即imwrite(j，'abc.tif')。

(7) 清除变量命令：clear执行这个命令后，workspace窗口中的变量有没有？怎么验证？(8) 清除用户开设的窗口命令：close all(9) 调入图像文件'abc.tif'并显示。

问题：(1) 操作符“’”是图像的转置的意思，转置两次后，是否回到原图像？(2) 命令后的符号“；”所起的作用是什么？(3) 命令是否可以大写母？2. 灰度图像分别选择不同的灰度级（如2、4、16、64、128个）来显示同一幅图像（如testpat1.tif）。

数字图像处理实验程序3傅里叶变换,小波变换

数字图像处理实验报告班级：11研信息1班**: ***学号：***********实验三图像的傅立叶变换一、实验目的1.了解图像变换的意义和手段；2.熟悉傅里叶变换的基本性质；3.熟练掌握FFT的方法及应用；4.通过实验了解二维频谱的分布特点；5.通过本实验掌握编程实现数字图像的傅立叶变换。

二、实验原理1.应用傅立叶变换进行图像处理傅里叶变换是线性系统分析的一个有力工具，它能够定量地分析诸如数字化系统、采样点、电子放大器、卷积滤波器、噪音和显示点等的作用。

通过实验培养这项技能，将有助于解决大多数图像处理问题。

对任何想在工作中有效应用数字图像处理技术的人来说，把时间用在学习和掌握博里叶变换上是很有必要的。

2.傅立叶（Fourier）变换的定义对于二维信号，二维连续Fourier变换定义为：二维离散傅立叶变换为：图像的傅立叶变换与一维信号的傅立叶变换变换一样，有快速算法，具体参见参考书目，有关傅立叶变换的快速算法的程序不难找到。

实际上，现在有实现傅立叶变换的芯片，可以实时实现傅立叶变换。

三，实验内容1.根据二维离散Fourier变换的定义编写程序2.实现图象的变换3.画出图象的频谱图。

实验图像：任选四，实验要求1、实验之前要预习2、独立完成程序的编写3、写出实验报告。

4、实验每组1人五，实验程序及实验结果分析1.数字图像处理的傅里叶变换实验的程序代码：clear allclose allA=imread('xingyueye.jpg');%读入并且显示出一个图像文件subplot(1,2,1);imshow(A);title('原始的图像');%显示原始图像作为对照if length(size(A))==3A=rgb2gray(A);endsubplot(1,2,2);imshow(A);title('灰度图像');%对灰度图像进行傅里叶变换并输出频谱A2=fft2(A);A2=fftshift(A2);%将图像进行二维傅里叶变换figure,imshow(log(abs(A2)+1),[0,12]);%显示傅里叶变换后的图像title('傅里叶变换后的图像');下面是实验用的原图像： tangwei.jpg下面是实验的matlab运行结果图：(灰度处理)下面是实验的matlab运行结果图：(傅里叶图像变换)下面是实验用的原图像： fengjing.jpg下面是实验的matlab运行结果图：(灰度处理)下面是实验的matlab运行结果图：(傅里叶图像变换) 六，思考题1．傅里叶变换有哪些重要的性质? 答：①线性性，②对称性，③折叠型，④尺度变换性，⑤时移性，⑥频移性，⑦时域微分性，2．图像的二维频谱在显示和处理时应注意什么?答：我在做实验的时候，把彩色图像用傅里叶变换后发现出不了结果，但是黑白图像或者彩色图像经过灰度处理就出来了图像，这些细节要在以后的实验中多多注意。

数字图像处理实验(MATLAB版)

数字图像处理实验(MATLAB版)数字图像处理(MATLAB版)实验指导书(试用版)湖北师范学院教育信息与技术学院2009年4月试行目录实验一、数字图像获取和格式转换 2 实验二、图像亮度变换和空间滤波 6 实验三、频域处理7 实验四、图像复原9 实验五、彩色图像处理10１实验六、图像压缩11 实验七、图像分割13 教材与参考文献14２《数字图像处理》实验指导书实验一、数字图像获取和格式转换一、实验目的1掌握使用扫描仪、数码相机、数码摄像级机、电脑摄像头等数字化设备以及计算机获取数字图像的方法；2修改图像的存储格式；并比较不同压缩格式图像的数据量的大小。

二、实验原理数字图像获取设备的主要性能指标有x、y方向的分辨率、色彩分辨率（色彩位数）、扫描幅面和接口方式等。

各类设备都标明了它的光学分辨率和最大分辨率。

分辨率的单位是dpi，dpi是英文Dot Per Inch的缩写，意思是每英寸的像素点数。

扫描仪扫描图像的步骤是:首先将欲扫描的原稿正面朝下铺在扫描仪的玻璃板上，原稿可以是文字稿件或者图纸照片；然后启３动扫描仪驱动程序后，安装在扫描仪内部的可移动光源开始扫描原稿。

为了均匀照亮稿件，扫描仪光源为长条形，并沿y方向扫过整个原稿；照射到原稿上的光线经反射后穿过一个很窄的缝隙，形成沿x方向的光带，又经过一组反光镜，由光学透镜聚焦并进入分光镜，经过棱镜和红绿蓝三色滤色镜得到的RGB三条彩色光带分别照到各自的CCD 上，CCD将RGB光带转变为模拟电子信号，此信号又被A/D变换器转变为数字电子信号。

至此，反映原稿图像的光信号转变为计算机能够接受的二进制数字电子信号，最后通过串行或者并行等接口送至计算机。

扫描仪每扫一行就得到原稿x方向一行的图像信息，随着沿y方向的移动，在计算机内部逐步形成原稿的全图。

扫描仪工作原理见图1.1。

４图1.1扫描仪的工作原理在扫描仪的工作过程中，有两个元件起到了关键的作用。

一个是CCD，它将光信号转换成为电信号；另一个是A/D变换器，它将模拟电信号变为数字电信号。

Visual+C++实现数字图像增强处理

前言对于一个图像处理系统来说，可以将流程分为三个阶段，在获取原始图像后，首先是图像预处理阶段、第二是特征抽取阶段、第三是识别分析阶段。

图像预处理阶段尤为重要，如果这阶段处理不好，后面的工作根本无法展开。

在实际应用中，我们的系统获取的原始图像不是完美的，例如对于系统获取的原始图像，由于噪声、光照等原因，图像的质量不高，所以需要进行预处理，以有利于提取我们感兴趣的信息。

图像的预处理包括图像增强、平滑滤波、锐化等内容。

图像的预处理既可以在空间域实现，也可以在频域内实现，我们主要介绍在空间域内对图像进行点运算，它是一种既简单又重要的图像处理技术，它能让用户改变图像上像素点的灰度值，这样通过点运算处理将产生一幅新图像。

下面我们开始介绍与图像点运算的相关知识。

一、图像的直方图图像直方图是图像处理中一种十分重要的图像分析工具，它描述了一幅图像的灰度级内容，任何一幅图像的直方图都包含了丰富的信息，它主要用在图象分割，图像灰度变换等处理过程中。

从数学上来说图像直方图是图像各灰度值统计特性与图像灰度值的函数，它统计一幅图像中各个灰度级出现的次数或概率；从图形上来说，它是一个二维图，横坐标表示图像中各个像素点的灰度级，纵坐标为各个灰度级上图像各个像素点出现的次数或概率。

如果不特别说明，本讲座中的直方图的纵坐标都对应着该灰度级在图像中出现的概率。

我们的例子是在一个对话框中显示一个图像的直方图，为实现该目的，我们定义了一个名为"ZFT"的对话框类用来显示图像的直方图，具体实现代码和效果图如下（关于代码实现部分可以参考笔者2001年在天极网上发表的一篇VC实现数字图像处理的文章）：//////////////////////////////////直方图对话框构造函数；ZFT::ZFT(CWnd* pParent /*=NULL*/): CDialog(ZFT::IDD, pParent)//ZFT为定义的用来显示直方图的对话框类；{Width=Height=0;//对话框初始化阶段设置图像的宽和高为"0"；}////////////////////////对话框重画函数；void ZFT::OnPaint(){CRect rect;//矩形区域对象；CWnd *pWnd;//得到图片框的窗口指针；pWnd=GetDlgItem(IDC_Graphic);//得到ZFT对话框内的"Frame"控件的指针；file://（IDC_Graphic为放置在对话框上的一个"Picture"控件，并讲类型设置为"Frame"）。

Visual C++数字图像处理典型案例详解

第1章数字图像处理软件开发概述“心有多大，舞台就有多大。

”开发数字图像处理软件，需要想象力，而要把想象变成现实，则需要得心应手的开发平台。

目前常用于开发数字图像处理软件的平台可以粗略地分为通用平台和专用平台两大类。

通用平台不是专门针对数字图像处理软件开发而打造的，但是却可以用于开发数字图像处理系统，如Visual C++、Matlab等。

为了提高开发效率，通用平台往往结合专门的软件包（如OpenCV、VTK 等）或工具箱（如Matlab中的Image Processing工具箱等）进行数字图像处理软件开发。

专用平台则是专为数字图像处理或更进一步的机器视觉系统开发量身定制的，这类开发平台中均内置了大量专门用于数字图像处理的数据结构、对象、函数或组件模块，可供开发人员方便地调用，在更高的层次上进行数字图像处理系统的开发，如Halcon、VisionPro等。

本章主要介绍本书将要用到的几种开发平台及其配置和使用方法。

本章要点Visual C++处理数字图像的基本方法在Visual C++中使用OpenCV在Visual C++中使用VTK1.1 Visual C++“工欲善其事，必先利其器。

”Visual C++便是众多开发工具中的“一把所向披靡的利器”。

Visual C++（简称VC）是Microsoft公司的Visual Studio开发工具箱中的一个C++程序开发环境。

自诞生以来，凭借着C++语言的强大威力、开发环境的良好支持，以及与Windows操作系统的“血缘”关系，一直是Windows操作系统环境下最主要的开发工具之一。

使用VC可以完成各种各样应用程序的开发，从底层软件到上层直接面向用户的软件，而且用VC开发出的产品与Windows操作系统最具“亲和力”。

掌握了VC，就等于进入了Windows编程的自由王国。

VC在数字图像处理软件开发中也占据着极其重要的地位。

第1章Visual C++1.1.1 Visual C++概述VC是一个面向对象的可视化集成开发系统，它不但具有程序框架自动生成、灵活方便的类管理、代码编写和界面设计集成交互操作、可开发多种程序等优点，而且通过简单的设置就可使其生成的程序框架支持数据库接口、OLE2、WinSock网络、3D控制界面。