数字图像处理之灰度化处理程序
3.图像增强—灰度变换 - 数字图像处理实验报告
计算机与信息工程学院验证性实验报告一、实验目的：1、了解图像增强的目的及意义，加深对图像增强的感性认识，巩固所学理论知识。
2、学会对图像直方图的分析。
3、掌握直接灰度变换的图像增强方法。
二、实验原理及知识点术语‘空间域’指的是图像平面本身，在空间与内处理图像的方法是直接对图像的像素进行处理。
空间域处理方法分为两种：灰度级变换、空间滤波。
空间域技术直接对像素进行操作其表达式为g(x,y)=T[f(x,y)]其中f(x,y)为输入图像，g(x,y)为输出图像，T是对图像f进行处理的操作符，定义在点(x,y)的指定领域内。
定义点(x,y)的空间邻近区域的主要方法是，使用中心位于(x,y)的正方形或长方形区域。
此区域的中心从原点(如左上角)开始逐像素点移动，在移动的同时，该区域会包含不同的领域。
T应用于每个位置(x,y)，以便在该位置得到输出图像g。
在计算(x,y)处的g值时，只使用该领域的像素。
灰度变换T的最简单形式是使用领域大小为1×1，此时,(x,y)处的g值仅由f 在该点处的亮度决定，T也变为一个亮度或灰度级变化函数。
当处理单设(灰度)图像时，这两个术语可以互换。
由于亮度变换函数仅取决于亮度的值，而与(x,y)无关，所以亮度函数通常可写做如下所示的简单形式：s=T(r)其中，r表示图像f中相应点(x,y)的亮度，s表示图像g中相应点(x,y)的亮度。
三、实验内容：1、图像数据读出2、计算并分析图像直方图3、利用直接灰度变换法对图像进行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)%将0.5到0.75的灰度级扩展到范围[0 1]g2=imadjust(f,[0.5 0.75],[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)四、实验仪器PC一台，MATLAB软件五、实验图片columbia480.bmp Fig0704(Vase).tif.tif六、实验程序及结果clc;clear allf=imread('columbia480.bmp');subplot 121;imshow(f)title('原始图像')subplot 122;imhist(f,256)title('原始图像直方图')%灰度转换，实现明暗转换(负片图像）f1=imadjust(f,[0 1],[1 0]);figure(2)subplot 121,imshow(f1)title('明暗转换后的图像')subplot 122;imhist(f1,256) title('明暗转换直方图')%将0.5到0.75的灰度级扩展到范围[0 1] f2=imadjust(f,[0.5 0.75],[0 1]); figure(3)subplot 121;imshow(f2)title('0.5到0.75的灰度级扩展到范围[0 1]的图像') subplot 122;imhist(f2,256) title('灰度级扩展直方图')原始图像0原始图像直方图100200明暗转换后的图像明暗转换直方图1002000.5到0.75的灰度级扩展到范围[0 1]的图像04灰度级扩展直方图100200clc;clear allm=imread('Fig0704(Vase).tif.tif');h=log(1+double(m)); %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 figuresubplot 221;imshow(m) title('原始图像') subplot 222;imhist(m) title('原始图像直方图') subplot 223;imshow(h)title('经log 变换后的图像') subplot 224;imhist(h)title('经log 变换后的图像直方图')原始图像原始图像直方图100200经log变换后的图像0经log 变换后的图像直方图100200教师签名：年 月 日。
数字图像处理 实验 灰度变换
XXXXXXX
实验名称图像灰度变换
实验时间年月日
专业姓名学号
预习操作座位号
教师签名总评
一、实验目的：
1.深入理解图像灰度变换的基本原理。
2.学习编程实现图像灰度变换，并分析各种算法的效果。
二、实验原理：
现行拉伸：
void CHangView::OnXxls()
{
// TODO: Add your command handler code here
long w,h;
unsigned char *lpsrc;
lpsrc=m_Image;
w=m_DibHead->biWidth;
h=m_DibHead->biHeight;
对数变换：对数变换的一般表达式为：s = c log(1 + r)，其中C是一个常数。低灰度区扩展，高灰度区压缩。图像加亮、减暗。非线性拉伸不是对图像的整个灰度范围进行扩展，而是有选择地对某一灰度值范围进行扩展，其他范围的灰度值则有可能被压缩。
三、实验内容：
与实验二建立菜单方式相同。
建立相应的类向导使之建立函数(步骤与实验二相同)，函数代码如下：
}
分段变换：
void CHangView::OnFenduan()
{
// TODO: Add your command handler code here
long w,h;
unsigned char *lpsrc;
lpsrc=m_Image;
w=m_DibHead->biWidth;
h=m_DibHead->biHeight;
[数字图像处理]（一）彩色图像转灰度图像的三种方式与效果分析
![[数字图像处理]（一）彩色图像转灰度图像的三种方式与效果分析](https://img.taocdn.com/s3/m/a9ad791dbb1aa8114431b90d6c85ec3a87c28bdb.png)
[数字图像处理]（⼀）彩⾊图像转灰度图像的三种⽅式与效果分析图像处理（⼀）彩⾊图⽚转灰度图⽚三种实现⽅式最⼤值法imMax=max(im(i,j,1),im(i,j,2),im(i,j,3))平均法imEva=im(i,j,1)3+im(i,j,2)3+im(i,j,3)3加权平均值法imKeyEva=0.2989×im(i,j,1)+0.5870×im(i,j,2)+0.1140×im(i,j,3)matlba实现clc;close all;clear all;% 相对路径读⼊图⽚（和代码在同⼀⽂件夹下）im = imread('p2.jpg');%---查看图⽚，检测是否成功读⼊% 对显⽰的图⽚进⾏排版subplot(2,3,4);imshow(im);% 对图⽚进⾏命名title('原图');[col,row,color] = size(im);%col为图⽚的⾏数，row为图⽚的列数，color对于彩⾊图⽚⼀般为3，每层对应RGB %利⽤matlab⾃带的函数进⾏ rgb_to_gray;im_matlab = rgb2gray(im);subplot(2,3,1);imshow(im_matlab);title('matlab⾃带rgb2gray');%--------------------------------------------------------%---⽤最⼤值法% 创建⼀个全为1的矩阵，长宽等同于原图的im_max = ones(col,row);for i = 1:1:colfor j = 1:1:rowim_max(i,j) = max( im(i,j,:) );endend% 将矩阵变为8byte⽆符号整型变量（不然⽆法显⽰图⽚）% 最好在计算操作结束后再变化，不然会有精度问题！！im_max = uint8(im_max);subplot(2,3,2);imshow(im_max);title('最⼤值法');%--------------------------------------------------------% 平均值法im_eva = ones(col,row);for i = 1:1:colfor j = 1:1:rowim_eva(i,j) = im(i,j,1)/3 + im(i,j,2)/3 + im(i,j,3)/3 ;% 两种的结果其实⼀样，但是如果先转换为uint8就会出现精度问题%sum1 = im(i,j,1)/3 + im(i,j,2)/3 + im(i,j,3)/3%sum2 = ( im(i,j,1) + im(i,j,2)+ im(i,j,3) )/3;%fprintf( " %.4f %.4f \n",sum1 ,sum2 ) ;endendim_eva = uint8(im_max);subplot(2,3,3);imshow(im_eva);title('平均值法');%--------------------------------------------------------% 加权平均法（rgb2gray所使⽤的权值）im_keyeva = ones(col,row);% 加权算法先转换为uint8计算效果更好im_keyeva = uint8(im_max);for i = 1:1:colfor j = 1:1:rowim_keyeva(i,j) = 0.2989*im(i,j,1) + 0.5870*im(i,j,2) + 0.1140*im(i,j,3) ;endendsubplot(2,3,5);imshow(im_keyeva);title('加权平均法');Processing math: 100%附matlab——rgb2gray源码function I = rgb2gray(X)%RGB2GRAY Convert RGB image or colormap to grayscale.% RGB2GRAY converts RGB images to grayscale by eliminating the% hue and saturation information while retaining the% luminance.%% I = RGB2GRAY(RGB) converts the truecolor image RGB to the% grayscale intensity image I.%% NEWMAP = RGB2GRAY(MAP) returns a grayscale colormap% equivalent to MAP.%% Class Support% -------------% If the input is an RGB image, it can be of any numeric type. The output% image I has the same class as the input image. If the input is a% colormap, the input and output colormaps are both of class double.%% Notes% -----% RGB2GRAY converts RGB values to grayscale values by forming a weighted % sum of the R, G, and B components:%% 0.2989 * R + 0.5870 * G + 0.1140 * B%% The coefficients used to calculate grayscale values in RGB2GRAY are% identical to those used to calculate luminance (E'y) in% Rec.ITU-R BT.601-7 after rounding to 3 decimal places.%% Rec.ITU-R BT.601-7 calculates E'y using the following formula:%% 0.299 * R + 0.587 * G + 0.114 * B%% Example% -------% I = imread('example.tif');%% J = rgb2gray(I);% figure, imshow(I), figure, imshow(J);%% indImage = load('clown');% gmap = rgb2gray(indImage.map);% figure, imshow(indImage.X,indImage.map), figure, imshow(indImage.X,gmap);%% See also RGB2IND, RGB2LIGHTNESS.% Copyright 1992-2020 The MathWorks, Inc.narginchk(1,1);isRGB = parse_inputs(X);if isRGBI = matlab.images.internal.rgb2gray(X);else% Color map% Calculate transformation matrixT = inv([1.0 0.956 0.621; 1.0 -0.272 -0.647; 1.0 -1.106 1.703]);coef = T(1,:);I = X * coef';I = min(max(I,0),1);I = repmat(I, [1 3]);end%--------------------------------------------------------------------------function is3D = parse_inputs(X)is3D = (ndims(X) == 3);if is3D% RGBif (size(X,3) ~= 3)error(message('MATLAB:images:rgb2gray:invalidInputSizeRGB'))end% RGB can be single, double, int8, uint8,% int16, uint16, int32, uint32, int64 or uint64validateattributes(X, {'numeric'}, {}, mfilename, 'RGB');elseif ismatrix(X)% MAPif (size(X,2) ~= 3 || size(X,1) < 1)error(message('MATLAB:images:rgb2gray:invalidSizeForColormap'))end% MAP must be doubleif ~isa(X,'double')error(message('MATLAB:images:rgb2gray:notAValidColormap'))endelseerror(message('MATLAB:images:rgb2gray:invalidInputSize'))end总结通过上⾯的代码结合实际的测试，果然，matlab⾃带的rgb2gray也就是加权平均的⽅法，对光线明暗的处理是最好的。
(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 灰度变换ppt课件
BIT
1
第4章 图像的灰度变换
4.1 灰度变换的基本方法 4.2 二值化和阈值处理 4.3 灰度的线性变换 4.4 灰度的非线性变换
第4章 图像的灰度变换
第2页
4.1 灰度变换的基本方法
背景
– 图像质量差：获取图像时光照不正常、噪声影响及发生畸 变
– 改善图像质量
»图像增强：不考虑图像质量下降的原因（方法包括灰度变 换、平滑处理等）
I
>> imshow(I), figure, imshow(J)
>> K = imadjust(I,[0.0 1],[0.3 0.7]);
>> figure, imshow(K)
J
K
第4章 图像的灰度变换
第16页
4.3 灰度的线性变换
（2）窗口灰度变换
– 保留灰度级在[ L, U ]间的值，将大于 U 的灰度 值置为255，小于 L 的灰度置为0 g
第4章 图像的灰度变换
第10页
4.2 二值化和阈值处理
双固定阈值法
– 预先为灰度图像设定两个阈值T1和T2，把灰度值 小于给定阈值T1的像素灰度置为0；大于T1且小 于T2的像素灰度置为255；大于T2的像素灰度置 为0
– 函数表达式
0, g(x, y) 255,
f (x, y) T 1
第4章 图像的灰度变换
第15页
4.3 灰度的线性变换
MatLab函数
– J = imadjust (I, [low_in high_in] , [low_out high_out]) – 例：
>> I = imread('pout.tif');
数字图像处理实验报告：灰度变换与空间滤波(附带程序,不看后悔)
1.灰度变换与空间滤波一种成熟的医学技术被用于检测电子显微镜生成的某类图像。
为简化检测任务，技术决定采用数字图像处理技术。
发现了如下问题：（1）明亮且孤立的点是不感兴趣的点；（2）清晰度不够，特别是边缘区域不明显；（3）一些图像的对比度不够；（4）技术人员发现某些关键的信息只在灰度值为I1-I2的范围，因此，技术人员想保留I1-I2区间范围的图像，将其余灰度值显示为黑色。
（5）将处理后的I1-I2范围内的图像，线性扩展到0-255灰度，以适应于液晶显示器的显示。
请结合本章的数字图像处理处理，帮助技术人员解决这些问题。
1.1问题分析及多种方法提出（1）明亮且孤立的点是不够感兴趣的点对于明亮且孤立的点，其应为脉冲且灰度值为255(uint8)噪声，即盐噪声，为此，首先对下载的细胞图像增加盐噪声，再选择不同滤波方式进行滤除。
均值滤波：均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标像素为中心的周围8个像素，构成一个滤波模板，即去掉目标像素本身），再用模板中的全体像素的平均值来代替原来像素值。
优点：速度快，实现简单；缺点：均值滤波本身存在着固有的缺陷，即它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊，不能很好地去除噪声点。
其公式如下：使用矩阵表示该滤波器则为：中值滤波：滤除盐噪声首选的方法应为中值滤波，中值滤波法是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。
其过程为：a 、存储像素1，像素2.....像素9的值；b 、对像素值进行排序操作；c 、像素5的值即为数组排序后的中值。
优点：由于中值滤波本身为一种利用统计排序方法进行的非线性滤波方法，故可以滤除在排列矩阵两边分布的脉冲噪声，并较好的保留图像的细节信息。
缺点：当噪声密度较大时，使用中值滤波后，仍然会有较多的噪声点出现。
数字图像处理 matlab代码
MATLAB实用源代码图像读取及灰度变换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图像旋转I = imread('cameraman.tif');figure,imshow(I);theta = 30;K = imrotate(I,theta); % Try varying the angle, theta. figure, imshow(K)边缘检测I = imread('cameraman.tif');J1=edge(I,'sobel');J2=edge(I,'prewitt');J3=edge(I,'log');subplot(1,4,1),imshow(I);subplot(1,4,2),imshow(J1);subplot(1,4,3),imshow(J2);subplot(1,4,4),imshow(J3);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MA TLAB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MA TLAB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MA TLAB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MA TLAB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MA TLAB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_points);%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MA TLAB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MA TLAB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MA TLAB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I2=imopen(I1,se); %开启操作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);I2=imopen(I1,se); %开启操作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。
实验一数字图像基本操作及灰度调整
实验一 数字图像基本操作及灰度调整一．实验目的1.掌握读、写图像的基本方法；2.掌握MATLAB 语言中图像数据与信息的读取方法；3.理解图像灰度变换处理在图像增强的作用；4．掌握绘制灰度直方图的方法，理解灰度直方图的灰度变换及均衡化的方法。
二．实验基本原理1. 灰度变换灰度变换是图像增强的一种重要手段，它常用于改变图象的灰度范围及分布，是图象数字化及图象显示的重要工具。
1) 图像反转灰度级范围为[0, L-1]的图像反转可由下式获得r L s --=12) 对数运算：有时原图的动态范围太大，超出某些显示设备的允许动态范围，如直接使用原图，则一部分细节可能丢失。
解决的方法是对原图进行灰度压缩，如对数变换：s = c log(1 + r )，c 为常数，r ≥ 03) 幂次变换：0,0,≥≥=γγc cr s4) 对比拉伸：在实际应用中,为了突出图像中感兴趣的研究对象，常常要求局部扩展拉伸某一范围的灰度值，或对不同范围的灰度值进行不同的拉伸处理，即分段线性拉伸：其对应的数学表达式为：2. 直方图均衡化灰度直方图的横坐标是灰度级，纵坐标是该灰度级出现的频度，它是图像最基本的统计特征。
依据定义，在离散形式下， 用r k 代表离散灰度级，用p r (r k )代表p r (r )，并且有下式成立：nn r P k k r =)( 1,,2,1,010-=≤≤l k r k 式中：n k 为图像中出现r k 级灰度的像素数，n 是图像像素总数，而n k /n 即为频数。
直方图均衡化处理是以累积分布函数变换法为基础的直方图修正法。
假定变换函数为ωωd p r T s r r)()(0⎰==(a) Lena 图像 (b) Lena 图像的直方图图1-1 Lena 图像及直方图当灰度级是离散值时，可用频数近似代替概率值，即1,,1,010)(-=≤≤=l k r n n r p k k k r式中：l 是灰度级的总数目，p r (r k )是取第k 级灰度值的概率，n k 是图像中出现第k 级灰度的次数，n 是图像中像素总数。
数字图像处理基本操作及灰度调整实验报告
数字图像处理基本操作及灰度调整实验报告实验目的1.掌握数字图像处理的基本概念和原理。
2.学会使用Python编程语言进行图像处理。
3.理解并实现图像灰度调整的方法。
4.分析实验结果，讨论图像处理方法的优缺点。
2.1 数字图像处理概述数字图像处理（Digital Image Processing，DIP）是一门研究使用计算机对图像进行处理的技术。
它的目的是改善图像的质量，使之更适合人类或计算机对图像进行观察和分析。
数字图像处理涉及到图像采集、存储、传输、分析以及图像的恢复等方面。
2.2 图像的表示和描述数字图像由图像元素（像素）组成，每个像素有一个对应的灰度值。
灰度值表示像素的亮度，通常用8位二进制数表示，其范围为0~255。
像素的灰度值越高，亮度越高。
数字图像可以表示为一个矩阵，矩阵中的每个元素对应一个像素的灰度值。
彩色图像通常采用RGB颜色模型，每个像素包含三个分量，分别对应红色、绿色和蓝色通道的亮度。
2.3 图像灰度调整图像灰度调整是指调整图像像素的灰度值，以改善图像的质量。
常用的图像灰度调整方法有：1.线性灰度变换：通过线性映射关系改变图像灰度值，可以实现图像亮度的调整和对比度的拉伸。
2.直方图均衡化：通过调整图像的灰度直方图，使其均匀分布，可以提高图像的对比度。
•操作系统：Windows 10•编程语言：Python 3.8•图像处理库：OpenCV 4.5.2•集成开发环境：Visual Studio Code4.1 图像读取和显示首先，我们需要使用OpenCV库读取和显示图像。
以下是读取和显示图像的Python代码：4.2 图像灰度化为了便于后续的灰度调整操作，我们需要将彩色图像转换为灰度图像。
以下是图像灰度化的Python代码：4.3 灰度调整接下来，我们将对图像进行灰度调整。
首先，实现线性灰度变换。
以下是线性灰度变换的Python代码：4.4 图像直方图均衡化直方图均衡化是一种能够提高图像对比度的方法。
【数字图像处理】灰度图像二值化
【数字图像处理】灰度图像⼆值化灰度图像每副图像的每个像素对应⼆维空间中⼀个特定的位置，并且有⼀个或者多个与那个点相关的采样值组成数值。
灰度图像,也称为灰阶图像,图像中每个像素可以由0(⿊)到255(⽩)的亮度值(Intensity)表⽰。
0-255之间表⽰不同的灰度级。
灰度图像⼆值化⼆值化：以⼀个值（阈值）为基准，⼤于（等于）这个值的数全部变为是1（或者0），⼩于等于这个数的就全部将他们变为0（或1）。
⼆值化算法处理飞思卡尔赛道思路：设定⼀个阈值valve，对于图像矩阵中的每⼀⾏，从左⾄右⽐较各像素值和阈值的⼤⼩，若像素值⼤于或等于阈值，则判定该像素对应的是⽩⾊赛道；反之，则判定对应的是⿊⾊的⽬标引导线。
记下第⼀次和最后⼀次出现像素值⼩于阈值时的像素点的列号，算出两者的平均值，以此作为该⾏上⽬标引导线的位置。
摄像头的⼆值化的代码：Void image_binaryzation(){for(int i=0;i{for(int j=0;j{if(Image[i][j] >= Threshold)Image_new[i][j]=1;elseImage_new[i][j]=0;}}}Row是对应采集到的⾏数，Col是列数，Image[i][j]是摄像头采集未⼆值化的数据存放的数组，Img[i][j]是新建的存放⼆值化后的数组。
合适的阈值在阈值⼆值化中，最主要的是选取合适的阈值，这也是⼆值化的难点所在。
常⽤的⼆值化阈值选取⽅法有双峰法、p参数法、⼤律法（Otsu法）、最⼤熵阈值法、迭代法等。
⼤律法（Otsu法）Otsu⽅法⼜名最⼤类间差⽅法，通过统计整个图像的直⽅图特性来实现全局阈值T的⾃动选取，其算法步骤为：1) 先计算图像的直⽅图，即将图像所有的像素点按照0~255共256个bin，统计落在每个bin的像素点数量2) 归⼀化直⽅图，也即将每个bin中像素点数量除以总的像素点3) i表⽰分类的阈值，也即⼀个灰度级，从0开始迭代4) 通过归⼀化的直⽅图，统计0~i 灰度级的像素(假设像素值在此范围的像素叫做前景像素) 所占整幅图像的⽐例w0，并统计前景像素的平均灰度u0；统计i~255灰度级的像素(假设像素值在此范围的像素叫做背景像素) 所占整幅图像的⽐例w1，并统计背5) 计算前景像素和背景像素的⽅差 g = w0*w1*(u0-u1) (u0-u1)6) i++；转到4)，直到i为256时结束迭代7）将最⼤g相应的i值作为图像的全局阈值缺陷:OSTU算法在处理光照不均匀的图像的时候，效果会明显不好，因为利⽤的是全局像素信息。
数字图像处理-图像的灰度变换
2020/9/12
3.2 图像运算
• 图像算术运算的应用
19
2020/9/12
3.2 图像运算
• 图像加法的应用
– 图像加法可用于图像平均以减少和去除图像采集中混 入的噪声。
– 实际采集到的图形g(x,y)可看做是有原始场景图像f(x,y) 和噪声图像e(x,y)叠加而成的，即 g(x,y)= f(x,y)+ e(x,y)
• 灰度映射示例2——??
2020/9/12
原图
映射函数
映射后的图
10
3.1 灰度映射
• 灰度映射示例2——动态范围压缩
– 概念：其目标与增强对比度相反，其目标在于 与对原图进行灰度压缩。
– 映射函数：t C log(1 s )，C为尺度比例常数。
– 效果：动态范围压缩使得大部分低灰度值的像
素经过映射后其灰度只会集中到高亮度区域，
– 具体的运算主要包含算术和逻辑运算，他们通过改变 像素的值来得到图像增强的效果。算术和逻辑运算中 每次只涉及到一个空间像素的位置，所以可以再“原 地”完成。
– 灰度映射是用某种统一的规则改变图像灰度，而图像 运算可看做对一幅图像每个像素都用一个由另一幅图 像的对应像素为基础而确定的规则来改变图像的灰度。
2
2020/9/12
3.1 灰度映射
• 预备概念
– 图像域（空域）处理
• 直接作用于像素改变其特性的图像处 理方法，如空域增强、空域滤波等
– 变换域（频域）处理
• 在图像的变换域改变其特性的图像处 理方法，如频域滤波、频域增强等 3
2020/9/12
3.1 灰度映射
• 灰度映射的概念
– 一幅灰度图像的视觉效果取决于该图 像中各个像素的灰度。灰度映射通过 改变图像中所有或部分像素的灰度来 达到改善图像视觉效果的目的。
灰度像处理原理
灰度像处理原理灰度图像处理原理1. 引言在数字图像处理中，灰度图像处理是一项重要的技术，通过调整像素的亮度值或色彩分布，可以达到图像增强、去噪和特征提取等目的。
本文将介绍灰度图像处理的原理及相关算法。
2. 灰度图像基础知识灰度图像由像素组成，每个像素代表图像中的一个点，其灰度值表示该点的亮度。
灰度图像处理是在不改变图像颜色的情况下，仅修改像素的亮度值来改变图像外观。
3. 灰度化灰度化是将彩色图像转换为灰度图像的过程。
常见的灰度化方法有平均法、加权法和色彩分量法。
其中，平均法是将彩色像素的红、绿、蓝分量取平均值得到灰度像素值；加权法则根据不同颜色通道的感知度给予不同权重；色彩分量法是将彩色像素的红、绿、蓝分量加权叠加得到灰度像素值。
4. 灰度变换灰度变换是通过对灰度图像的像素进行变换来增强图像的对比度或亮度。
常用的灰度变换方法有线性变换、非线性变换和直方图均衡化。
线性变换是通过对灰度像素的线性映射来调整亮度和对比度。
非线性变换通过定义不同的映射函数来调整像素的灰度值，例如对数变换和幂次变换。
直方图均衡化是通过调整像素灰度值的分布来提高图像的对比度。
5. 滤波滤波是通过对图像进行空域或频域滤波来实现图像增强或去噪。
常见的滤波方法有均值滤波、中值滤波和高通滤波。
均值滤波通过对像素周围区域的灰度值取平均来模糊图像。
中值滤波则通过对像素周围区域的灰度值取中值来去除椒盐噪声等离群点。
高通滤波则可通过对图像进行边缘检测和细节增强。
6. 阈值处理阈值处理是基于像素灰度值与预设阈值之间的比较来实现图像二值化或分割。
常见的阈值处理方法有全局阈值和自适应阈值。
全局阈值是将整个图像根据一个固定的阈值进行二值化或分割。
自适应阈值则根据局部区域的灰度值动态地调整阈值。
7. 灰度形态学灰度形态学是在灰度图像上进行形态学操作的一种方法。
常用的灰度形态学操作有腐蚀、膨胀、开运算和闭运算。
腐蚀操作用于缩小图像中的亮区域，膨胀操作则用于扩大图像中的亮区域。
灰度化原理
灰度化原理灰度化是数字图像处理中的一个重要步骤，它将彩色或者黑白图像转换为灰度图像，方便进行后续分析和处理。
灰度化操作将图像中每个像素的RGB值转换为一个灰度值，使得每个像素只有一个数值，从而简化了图像的复杂度。
灰度化原理主要可以分为两种方法：亮度平均法和加权平均法。
亮度平均法是指将图像中每个像素的RGB值的平均值作为该像素的灰度值。
对于彩色图像，每个像素有R、G、B三个分量，而灰度图像只需要一个灰度值，因此需要将这三个分量合并成一个亮度值。
具体的计算公式是：灰度值 = (R + G + B) / 3这种方法的优点是简单易懂，计算速度快；但缺点是没有考虑到每个颜色通道的重要性，可能会对图像的质量造成影响。
1. 亮度加权平均法该方法根据每个颜色通道所表达的亮度值来计算灰度值。
由于人眼对于绿色通道的亮度最为敏感，因此绿色通道的权重最高，而红色和蓝色通道的权重相对较低。
具体的计算公式是：灰度值 = 0.299R + 0.587G + 0.114B2. 最大值法该方法将每个颜色通道中的最大值作为该像素的灰度值。
由于对比度较强，能够突出图像中的主要内容，因此常用于图像边缘检测中。
具体的计算公式是：3. 平均值法该方法将每个颜色通道的值平均后作为该像素的灰度值。
由于不考虑每个通道的权重，所以计算简单，但会对图像的质量造成一定影响。
具体的计算公式是：灰度化原理是将彩色或者黑白图像转换为灰度图像，该操作主要分为亮度平均法和加权平均法两种方法。
加权平均法根据颜色通道的重要性来计算灰度值，可以提高图像的质量。
根据实际需求选择合适的灰度化方法，可以有效提高图像处理的效率和精度。
除了上文提到的灰度化计算方法之外，还有一些其他的方法，例如分色灰度法、伽马变换灰度化、局部灰度化等。
分色灰度法是指将图像的每个颜色通道分别进行灰度化，然后取这些灰度值的平均值作为该像素的灰度值。
该方法可以保留原图像中不同颜色通道的信息，能够更好地呈现图像的色彩和纹理。
数字图像处理实验报告(图像灰度变换处理)
数字图像处理实验报告班级：姓名：学号：数字图像处理实验报告一．实验名称：图像灰度变换二．实验目的：1 学会使用Matlab；2 学会用Matlab软件对图像灰度进行变换，感受各种不同的灰度变换方法对最终图像效果的影响。
三．实验原理：Matlab中经常使用的一些图像处理函数：读取图像：img=imread('filename'); //支持TIFF,JPEG,GIF,BMP,PNG,XWD等文件格式。
显示图像：imshow(img,G); //G表示显示该图像的灰度级数，如省略则默认为256。
保存图片：imwrite(img,'filename'); //不支持GIF格式，其他与imread相同。
亮度变换：imadjust(img,[low_in,high_in],[low_out,high_out]); //将low_in至high_in之间的值映射到low_out至high_out之间，low_in 以下及high_in以上归零。
绘制直方图：imhist(img);直方图均衡化：histeq(img,newlevel); //newlevel表示输出图像指定的灰度级数。
像平滑与锐化（空间滤波）：w=fspecial('type',parameters);imfilter(img,w); //这两个函数结合将变得十分强大，可以实现photoshop里的任意滤镜。
图像复原：deconvlucy(img,PSF); //可用于图像降噪、去模糊等处理。
四.实验步骤：1．获取实验用图像：Fig3.10(b).jpg. 使用imread函数将图像读入Matlab。
2．产生灰度变换函数T1，使得：0.3r r < 0.35s = 0.105+2.6333(r–0.35) 0.35 ≤ r ≤ 0.65 1+0.3(r–1) r > 0.65用T1对原图像Fig3.10(b).jpg进行处理，打印处理后的新图像。
【数字图像处理】灰度变换
【数字图像处理】灰度变换原⽂链接：作者：图像的空间域滤波，其对像素的处理都是基于像素的某⼀邻域进⾏的。
本⽂介绍的图像的灰度变换则不同，其对像素的计算仅仅依赖于当前像素和灰度变换函数。
灰度变换也被称为图像的点运算（只针对图像的某⼀像素点）是所有图像处理技术中最简单的技术，其变换形式如下：s=T(r)s=T(r)其中，T是灰度变换函数；r是变换前的灰度；s是变换后的像素。
图像灰度变换的有以下作⽤：改善图像的质量，使图像能够显⽰更多的细节，提⾼图像的对⽐度（对⽐度拉伸）有选择的突出图像感兴趣的特征或者抑制图像中不需要的特征可以有效的改变图像的直⽅图分布，使像素的分布更为均匀常见的灰度变换灰度变换函数描述了输⼊灰度值和输出灰度值之间变换关系，⼀旦灰度变换函数确定下来了，那么其输出的灰度值也就确定了。
可见灰度变换函数的性质就决定了灰度变换所能达到的效果。
⽤于图像灰度变换的函数主要有以下三种：线性函数（图像反转）对数函数:对数和反对数变换幂律函数：n次幂和n次开⽅变换上图给出了⼏种常见灰度变换函数的曲线图，根据这⼏种常见函数的曲线形状，可以知道这⼏种变换的所能达到的效果。
例如，对数变换和幂律变换都能实现图像灰度级的扩展/压缩，另外对数变换还有⼀个重要的性质，它能压缩图像灰度值变换较⼤的图像的动态范围（例如，傅⽴叶变换的频谱显⽰）。
线性变换令r为变换前的灰度，s为变换后的灰度，则线性变换的函数：s=a⋅r+bs=a⋅r+b其中，a为直线的斜率，b为在y轴的截距。
选择不同的a，b值会有不同的效果：a>1a>1，增加图像的对⽐度a<1a<1，减⼩图像的对⽐度a=1且b≠0a=1且b≠0，图像整体的灰度值上移或者下移，也就是图像整体变亮或者变暗，不会改变图像的对⽐度。
a<0且b=0a<0且b=0，图像的亮区域变暗，暗区域变亮a=1且b=0a=1且b=0，恒定变换，不变a=−1且b=255a=−1且b=255，图像反转。
图像处理灰度变换实验
图像处理灰度变换实验一．实验目的1．熟悉和掌握利用matlab 工具进行数字图像的读、写、显示、像素处理等数字图像处理的基本步骤和流程。
2．熟练掌握各种空间域图像增强的基本原理及方法。
3．熟悉通过灰度变换方式进行图像增强的基本原理、方法和实现。
4．熟悉直方图均衡化的基本原理、方法和实现。
二．实验原理（一）数字图像的灰度变换灰度变换是图像增强的一种经典而有效的方法。
灰度变换的原理是将图像的每一个像素的灰度值通过一个函数，对应到另一个灰度值上去从而实现灰度的变换。
常见的灰度变换有线性灰度变换和非线性灰度变换，其中非线性灰度变换包括对数变换和幂律（伽马）变换等。
1、线性灰度变换1）当图像成像过程曝光不足或过度，或由于成像设备的非线性和图像记录设备动态范围太窄等因素，都会产生对比度不足的弊病，使图像中的细节分辨不清，图像缺少层次。
这时，可将灰度范围进行线性的扩展或压缩，这种处理过程被称为图像的线性灰度变换。
对灰度图像进行线性灰度变换能将输入图像的灰度值的动态范围按线性关系公式拉伸扩展至指定范围或整个动态范围。
2）令原图像f (x,y )的灰度范围为[a,b]，线性变换后得到图像g (x,y )，其灰度范围为[c,d]，则线性灰度变换公式可表示为a y x fb y x f a b y x fc c a y x f a b cd d y x g <≤≤>+---=),(),(),(,,]),([,),( (1)由(1)式可知，对于介于原图像f (x,y )的最大和最小灰度值之间的灰度值，可通过线性变换公式，一一对应到灰度范围[c,d]之间，其斜率为(d-c)/(b-a)；对于小于原图像的最小灰度值或大于原图像的最大灰度值的灰度值，令其分别恒等于变换后的最小和最大灰度值。
变换示意图如图1所示。
图1 线性灰度变换示意图当斜率大于一时，变换后的灰度值范围得到拉伸，图像对比度得到提高；当斜率小于一时，变换后的灰度值范围被压缩，最小与最大灰度值的差变小，图像对比度降低；当斜率等于一时，相当于对图像不做变换。
彩色图像灰度化
摘要图像处理是一门很有价值的学科，在科学技术不断发展的今天它的技术已趋于成熟。
同时图像之间的处理, 在实际应用中也显的越来越重要。
本课程设计的主要任务是完成数字图像处理中关于彩色图像灰度化的仿真，观察仿真结果，并进行结果分析。
本课程设计的系统开发平台为MATLAB，程序运行平台为Windows98/2000/XP。
本次课程设计通过加权平均法、平均值法和最大值法这三种方法，实现了彩色图像的灰度化处理，并对它们进行了对比分析。
最后，完成了彩色图像灰度化的仿真。
关键词: MATLAB7.0；彩色图像；灰度化目录1设计目的 (1)2设计方案 (1)3相关知识 (2)4 详细设计 (3)5 源代码及分析 (4)6 功能仿真图及分析 (6)7结束语 (11)8参考文献 (12)附录彩页图像 (13)1设计目的1、通过MATLAB仿真软件，实现彩色图像的灰度化处理；2、学习并熟悉MATLAB编程环境的一般操作和运用；3、在加深对数字图像处理课本知识理解的基础上，学会运用已学的知识设计彩色图像灰度化的处理方法并对结果进行分析。
2设计方案将彩色图像转化成为灰度图像的过程称为图像的灰度化处理。
彩色图像中的每个像素的颜色有R、G、B三个分量决定，而每个分量有255个中值可取，这样一个像素点可以有1600多万（255*255*255）的颜色的变化范围。
而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像，其中一个像素点的变化范围为255种，所以在数字图像处理中一般先将各种格式的图像转变成灰度图像以使后续的图像的计算量变得少一些。
灰度图像的描述与彩色图像一样仍然反映了整幅图像的整体和局部的色度和亮度等级的分布和特征。
在RGB模型中，如果R=G=B时，则彩色表示一种灰度颜色，其中R=G=B的值叫做灰度值。
因此，灰度图像每个像素只需一个字节存放灰度值（又称强度值、亮度值），灰度范围为0-255。
图像的灰度化处理，一般有以下三种设计方案：1、加权平均法根据重要性及其它指标，将三个分量以不同的权值进行加权平均。
数字图像处理灰度变换.
实验一1. 对一幅图像进行二值化处理 load trees; BW=im2bw(X,map,0.4; imshow(X,map; figure,imshow(BW;2. 将一幅索引色图转化成灰度图像 close all; clear all;load trees;I=ind2gray(X,map;imshow(X,map;figure,imshow(I3. 将一幅灰度图转化成索引色图像 close all; clear all;I=imread('moon.tif';X=grayslice(I,16;imshow(Ifigure,imshow(X,hot(164. 显示一彩色图像的三基色图像football=imread('football.jpg'; figure('Name','Football';imshow(football;figure('Name','Football color planes'; subplot(2,2,1;imshow(football; redfootball=football;redfootball(:,:,2:3=0;subplot(2,2,2;imshow(redfootball; greenfootball=football; greenfootball(:,:,1=0;greenfootball(:,:,3=0;subplot(2,2,3;imshow(greenfootball;bluefootball=football;bluefootball(:,:,1:2=0;subplot(2,2,4;imshow(bluefootball;实验五编写 lowpassfilter.m 和 highpassfilrer.m, 保存在 work 文件夹中%cutoff is the cutoff frequency of the filter 0 - 0.5 function f=highpassfilter(sze,cutoff,nif cutoff<0 | cutoff>0.5error('cutoff frequency must be between 0 and 0.5'; endif rem(n,1~=0 | n<1error('n must be an integer>=1';endS=size(sze;rows=S(1;cols=S(2;x=(ones(rows,1*[1:cols]-(fix(cols/2+1/cols;y=([1:rows]'*ones(1,cols-(fix(rows/2+1/rows;radius=sqrt(x.^2+y.^2;h1=1./(1.0+(radius./cutoff.^(2*n;h=ones(rows,cols-h1;plot3(x,y,h;title('Butterworth高通滤波器幅频响应 ';B=fftshift(fft2(sze;result=ifft2(B.*h;figure,imshow(abs(result,[];title('高通滤波后的图像 '(1I=imread('cameraman.tif';lowpassfilter(I,0.4,1;I=imread('cameraman.tif'; lowpassfilter(I,0.05,1; -0.50.5低通滤波后的图像(2I=imread('cameraman.tif'; highpassfilter(I,0.4,1; -0.50.5低通滤波后的图像I=imread('cameraman.tif'; highpassfilter(I,0.05,1; -0.50.5 Butterworth 高通滤波器幅频响应高通滤波后的图像2. 分别采用 Hamming 窗, Bartlett 窗, Hanning 窗和 Blackman 窗设计近似圆对称的带通滤波器,通频带为【 0.1,0.5】。
c语言数字图像处理（四）：灰度变换
c语⾔数字图像处理（四）：灰度变换灰度变换灰度变换函数 s = T(r) 其中r为输⼊图像在(x, y)点处的灰度值，s为输出图像在(x, y)点处的灰度值灰度变换的作⽤上图所⽰的两幅T(s)函数的图像曲线，第⼀幅图可以增强图像对⽐度，第⼆幅图可以对图像进⾏⼆值化处理灰度变换函数反转函数1void reverse(short** in_array, short** out_array, long height, long width)2 {3for (int i = 0; i < height; i++){4for (int j = 0; j <width; j++)5 out_array[i][j] = GRAY_LEVELS - in_array[i][j];6 }7 }最简单的灰度变换函数，将图像中的每个像素点处的颜⾊值反转，对于8位灰度图⽚，⽤255减去原灰度值原图反转图对数变换s = clog(1 + r) c为常数，本次测试中c取101void logarithm(short** in_array, short** out_array, long height, long width) 2 {3for (int i = 0; i < height; i++){4for (int j = 0; j <width; j++)5 out_array[i][j] = (short)(10 * log((1 + in_array[i][j])));6 }7 }可以看出，对数变换降低了图像的对⽐度幂律（伽马）变换s = crγ其中 c 和γ为正常数其中γ<1时，降低对⽐度，γ>1时，提⾼对⽐度γ = 1.21void gamma(short** in_array, short** out_array, long height, long width)2 {3for (int i = 0; i < height; i++){4for (int j = 0; j <width; j++)5 out_array[i][j] = (short)pow(in_array[i][j], 1.2);6 }7 }直⽅图均衡化直⽅图为离散函数h(r k) = n k, 其中r k是第k级灰度值，n k是图像中h灰度为r k的像素个数现在给出上⾯⼏幅图像的直⽅图可以明显看出，对⽐度越⾼的图像，直⽅图的分布越均衡，因此直⽅图均衡化算法可以显著提⾼图像对⽐度直⽅图均衡化算法推导（需⼀定⾼等数学及概率论知识）算法实现1void calculate_histogram(long height, long width, short **image, unsigned long histogram[]) 2 {3short k;4for(int i=0; i < height; i++){5for(int j=0; j < width; j++){6 k = image[i][j];7 histogram[k] = histogram[k] + 1;8 }9 }10 }1112void histogram_equalization(short** in_array, short** out_array, long height, long width)13 {14 unsigned long sum, sum_of_h[GRAY_LEVELS];15double constant;16 unsigned long histogram[GRAY_LEVELS] = {};1718 calculate_histogram(height, width, in_array, histogram);19 sum = 0;20for(int i=0; i < GRAY_LEVELS; i++){21 sum = sum + histogram[i];22 sum_of_h[i] = sum;23 }2425 constant = (double)(GRAY_LEVELS)/(double)(height*width);26for(int i = 0, k = 0; i < height; i++){27for(int j = 0; j < width; j++){28 k = in_array[i][j];29 out_array[i][j] = sum_of_h[k] * constant;30 }31 }32 }。