遥感图像处理实验报告_图像的频率域滤波处理
遥感图像处理实验报告
遥感图像处理实验报告《遥感图像处理实验报告》摘要：本实验利用遥感技术获取了一幅卫星图像，通过图像处理技术对图像进行了处理和分析。
实验结果表明，遥感图像处理技术在地理信息系统、环境监测、城市规划等领域具有重要的应用价值。
引言：遥感图像处理是利用遥感技术获取的图像进行数字化处理和分析，以获取有用的地理信息和环境数据的过程。
本实验旨在通过对遥感图像的处理和分析，探讨遥感图像处理技术在实际应用中的作用和意义。
实验方法：1. 获取卫星图像：选择一幅特定区域的卫星图像作为实验对象，确保图像质量和分辨率满足处理要求。
2. 图像预处理：对原始图像进行预处理，包括去噪、增强、几何校正等操作，以提高图像质量和准确性。
3. 图像分析：利用遥感图像处理软件对图像进行分类、特征提取、变化检测等分析，获取地理信息和环境数据。
4. 结果展示：将处理后的图像结果进行展示和分析，对图像处理技术的应用效果进行评估。
实验结果：经过处理和分析，得到了一幅清晰的遥感图像，并从中提取了有用的地理信息和环境数据。
通过图像分类和特征提取，可以准确地识别出不同地物类型，如建筑物、植被、水体等；通过变化检测，可以发现地表的变化情况，如城市扩张、土地利用变化等。
这些信息对于地理信息系统、环境监测、城市规划等领域具有重要的应用价值。
结论：遥感图像处理技术在地理信息系统、环境监测、城市规划等领域具有重要的应用价值，通过对遥感图像的处理和分析，可以获取丰富的地理信息和环境数据，为相关领域的决策和规划提供重要的支持。
在未来的研究中，可以进一步探讨遥感图像处理技术的改进和应用，以满足不同领域的需求。
遥感数字图像处理教程实习报告
遥感数字图像处理教程实习报告《数字图像处理》课程实习报告（ 2011 - 2012学年第 1 学期）专业班级：地信09-1班姓名：梁二鹏学号：310905030114指导老师：刘春国----------------------------------------------实习成绩：教师评语：教师签名：年月日实习一：图像彩色合成实习一、实验目的在学习遥感数字图像彩色合成基础上，应用所学知识，基于遥感图像处理软件ENVI进行遥感数字图像彩色合成。
二、实验内容彩色合成：利用TM图像can_tmr.img，实现灰度图像的密度分割、多波段图像的真彩色合成、假彩色合成和标准假彩色合成。
三、实验步骤1、显示灰度图像主要步骤：1、打开ENVI4.7,单击FILE菜单，在下拉菜单中选择open image file 选项，然后在弹出的对话框中选择can_tmr.img文件，单击打开。
2、在可用波段列表对话框中，选中某一波段图像，选中gray scale单选按钮，单击LOAD BAND按钮，显示一幅灰度图像。
3、在可用波段列表对话框中，选择其他某一波段图像，进行显示。
4、利用可用波段列表中的display按钮，同时有多个窗口显示多个波段图像。
5、链接显示。
利用图像窗口tool菜单下的link子菜单link display实现多图像的链接显示。
如图所示：红色方框。
6、使用tool菜单下的Cursor Location/value和pixel Locator功能在确定像素的值和位置。
2、伪彩色合成的主要步骤：1、打开ENVI4.7,单击FILE菜单，在下拉菜单中选择open image file 选项，然后在弹出的对话框中选择can_tmr.img 文件，单击打开。
2、在可用波段列表对话框中，选中gray scale单选按钮，单击LOAD BAND 按钮3、在#1 TM BAND1:CAN_TMR.IMG对话框中，单击菜单栏上的OVERLAY 菜单，在下拉菜单中选择DENSITY SLICE…按钮，在弹出的对话框中选择任意一个波段名称，4、在弹出的对话框中显示系统默认的密度分割，通过定义MIN和max的值可以定义需要分割的密度范围，通过EDIT RANGE ,deleted range，clear ranges 三个按钮可以对默认的分割进行修改，待修改完毕后，单击APPLY按钮，即可显示修改后的效果。
用c,,语言编程实现遥感图像处理实习报告
用c,,语言编程实现遥感图像处理实习报告C语言基础编程实习报告（2011～2012学年第2学期）实习名称：认识实习分项名称：C语言基础编程系别：计算机与通信工程系专业：测控（1）班学号：姓名：实习地点：学校机房3楼实习时间：8月23日～8 月26日实习成绩：指导教师：严光银翟勇涛西南交通大学峨眉校区2012年8 月26 日一．实习目的和要求实习目的:1、巩固C语言编程基础知识2、熟练C语言调试中的常见错误及处理办法3、加强C语言综合编程能力训练4、熟练掌握C语言程序上机调试过程5、学会编写C语言程序解决简单计算题、字符串处理问题、日期和时间处理问题、高精度数处理等问题6、提高外文资料阅读理解的能力。
要求：1.电子文档建立一个文件夹，名称为：学号姓名C基础如：学号为20106900，姓名为李四，则，文件夹名称：20106900李四C 基础①C基础编程（10个C程序）文件名格式：学号姓名简拼_题目编号A.c如：题号为1001，则文件名为：20106900LS_1001A.c②C强化编程（共10道，至少选做4道题）文件名格式：学号姓名简拼_题目编号B.c③实习报告电子文档：学号姓名C 基础.doc④改正错误分析示例中的错误2.实习报告（打印稿）二．实习方式和安排方式：上课与上机安排：三. 实习内容(一)C基础编程（选做6题）在杭电OJ成功提交的题目数:6在杭电OJ未成功提交的题目编号:无提交的电子文档中包含的C程序数:6从6道基础编程题中任选2道比较满意的题目,写出详细解题报告如下: ***************************第1题start***************************** （1）题目解析题目编号1108问题描述编写程序计算2个整数a、b的最小公倍数。
输入数据输入数据输入2个整数a和b，中间用空格间隔。
输出要求对于每次读入的一对整数，输出最小公倍数的结果。
每个结果以回车结束。
遥感图像处理实验报告
遥感图像处理实验报告遥感图像处理实验报告引言：遥感图像处理是一门应用广泛的技术，它通过获取、分析和解释地球表面的图像数据，为地质勘探、环境监测、农业发展等领域提供了重要的支持。
本实验旨在探索遥感图像处理的基本方法和技术，以及其在实际应用中的价值和意义。
一、图像预处理图像预处理是遥感图像处理的第一步，它主要包括图像的去噪、增强和几何校正等操作。
在本实验中，我们使用了一张卫星图像作为样本，首先对图像进行了去噪处理，采用了中值滤波算法，有效地去除了图像中的椒盐噪声。
接着，我们对图像进行了增强处理，采用了直方图均衡化算法，使得图像的对比度得到了显著提高。
最后，我们进行了几何校正，通过对图像进行旋转和缩放，使得图像的几何形状与实际地理位置相符合。
二、图像分类图像分类是遥感图像处理的关键步骤之一，它通过对图像中的像素进行分类，将其划分为不同的地物类型。
在本实验中，我们使用了监督分类方法，首先选择了一些具有代表性的样本像素，然后通过训练分类器，将这些样本像素与不同的地物类型进行关联。
接着，我们对整个图像进行分类，将图像中的每个像素都划分为相应的地物类型。
最后，我们对分类结果进行了验证，通过与实地调查结果进行对比，验证了分类的准确性和可靠性。
三、图像融合图像融合是遥感图像处理的一项重要技术，它可以将多个不同波段或分辨率的图像融合成一幅高质量的图像。
在本实验中，我们选择了两幅具有不同波段的卫星图像，通过波段归一化和加权平均的方法，将这两幅图像融合在一起。
融合后的图像不仅保留了原始图像的颜色信息，还具有更高的空间分辨率和光谱分辨率，可以提供更全面和准确的地物信息。
四、图像变化检测图像变化检测是遥感图像处理的一项关键任务，它可以通过对多幅图像进行比较，检测出地表发生的变化情况。
在本实验中，我们选择了两幅具有不同时间的卫星图像，通过差异图像法和指数变化检测法，对这两幅图像进行了变化检测。
通过对比差异图像和变化指数图，我们可以清晰地看到地表发生的变化，如城市扩张、植被变化等，为城市规划和环境监测提供了重要的参考依据。
遥感图像处理实验报告_图像的频率域滤波处理
遥感图像处理实验报告（2013 —2014 学年第1学期）实验名称：图像的频率域滤波处理实验时间：实验地点：指导教师：专业班级：姓名：学号：一：实验目的1：掌握滤波器在程序语言中的定义算法2：理解图像的频率域与空间域之间的区别与联系3：在频率域对图像进行处理，达到平滑（低通滤波）与锐化（高通滤波）的目的二：实验内容1：在Matlab中定义滤波器2：对图像进行频率域处理3：对频率域的处理结果，结合第3次实验（空间域处理）结果进行对比，给出评价三：实验代码及Matlab使用心得（注释中）%清屏，清除工作空间，关闭所有绘图窗口clc;clear all;close all;%读取图像，并建立一个窗口，显示原始图像I = imread('C:\Users\浮生\Desktop\大三\Matlab\data\lena.png', 'png')figure(1)imshow(I)title('原始图像')%图像傅立叶变换%fft(X)函数的作用是，返回矩阵X的【二维离散傅立叶变换】结果%fft()函数采用快速傅立叶变换算法，运算结果的行列数与被变换矩阵的规格相同F = fft2(I);%fftshift()函数的功能则是把FFT的DC分量移动到频谱矩阵的中心%在直观上，就是把低频信息移到矩阵中心，便于直观观看图像的频谱F = fftshift(F);%由于FFT的运算结果的数值跨幅过大%直接显示的话只能看到一个小亮点%为了显示的直观，我们需要自行定义灰度显示幅度%在本例中，我们定义显示幅度为0-50000figure(2);imshow(abs(real(F)), [0 50000]);title('频率域图像')%%%%%%定义滤波器之前的准备工作%%%%%[m n] = size(I);%读取图像的规格p = m/2;%定义两个计数器p和qq = n/2;%用以控制滤波器的遍历过程image = zeros(m,n);%%%%%%截止频率为50的理想低通滤波器%%%%%%%低通滤波器，即让频率高于阈值的信号值为0，而在阈值之下的所有信号保持原样%反映在图像操作中，将去除高频信息，达到平滑的效果lowpass_50 = F;for u = 1:mfor v = 1:nif sqrt((u-p)^2 + (v-q)^2) < 50%什么也不做;elselowpass_50(u, v) = 0;endendend%显示频率域图像figure(3);imshow(abs(real(lowpass_50)), [0 50000]);title('频率域图像截止频率为50的理想低通滤波器');%傅立叶逆运算反算图像image = ifftshift(lowpass_50);%还原矩阵image = ifft2(image);%傅立叶逆运算image = abs(real(image));%复数取实部%显示处理结果图像figure(4);imshow(image, []);title('处理结果截止频率为50的理想低通滤波器')%%%%%%截止频率为100的理想低通滤波器%%%%%%lowpass_100 = F;for u = 1:mfor v = 1:nif sqrt((u-p)^2 + (v-q)^2) < 100%什么也不做;elselowpass_100(u, v) = 0;endendend%显示频率域图像figure(5);imshow(abs(real(lowpass_100)), [0 50000]);title('频率域图像截止频率为100的理想低通滤波器'); %傅立叶逆运算反算图像image = ifftshift(lowpass_100);%还原矩阵image = ifft2(image);%傅立叶逆运算image = abs(real(image));%复数取实部%显示处理结果图像figure(6);imshow(image, []);title('处理结果截止频率为100的理想低通滤波器')%%%%%%截止频率为50的理想高通滤波器%%%%%% highpass_50 = F;for u = 1:mfor v = 1:nif sqrt((u-p)^2 + (v-q)^2) < 50highpass_50(u, v) = 0;else%什么也不做;endendend%显示频率域图像figure(7);imshow(abs(real(highpass_50)), [0 50000]);title('频率域图像截止频率为50的理想高通滤波器');%傅立叶逆运算反算图像image = ifftshift(highpass_50);%还原矩阵image = ifft2(image);%傅立叶逆运算image = abs(real(image));%复数取实部%显示处理结果图像figure(8);imshow(image, []);title('处理结果截止频率为50的理想高通滤波器')%%%%%%截止频率为100的理想高通滤波器%%%%%% highpass_100 = F;for u = 1:mfor v = 1:nif sqrt((u-p)^2 + (v-q)^2) < 100highpass_100(u, v) = 0;else%什么也不做;endendend%显示频率域图像figure(9);imshow(abs(real(highpass_100)), [0 50000]);title('频率域图像截止频率为100的理想高通滤波器');%傅立叶逆运算反算图像image = ifftshift(highpass_100);%还原矩阵image = ifft2(image);%傅立叶逆运算image = abs(real(image));%复数取实部%显示处理结果图像figure(10);imshow(image, []);title('处理结果截止频率为100的理想高通滤波器')%%%%%%截止频率为50的巴特沃斯低通滤波器%%%%%% for u = 1:m,for v = 1:nD=sqrt((u-p)^2 + (v-q)^2);Butterworth(u,v)=1/(1+D/50)^(2*2);endend%显示频率域图像figure(11);imshow(abs(real(Butterworth)), []);title('频率域图像截止频率为50的巴特沃斯低通滤波器'); %傅立叶逆运算反算图像image = F.*Butterworth;image = ifftshift(image);image = abs(ifft2(image));%显示处理结果图像figure(12);imshow(image, []);title('处理结果截止频率为50的巴特沃斯低通滤波器')%%%%%%截止频率为50的高斯低通滤波器%%%%%%for u=1:m,for v=1:nD=sqrt((u-p)^2 + (v-q)^2);Gaussian(u,v)=exp(-D^2/(2*50^2));endend%显示频率域图像figure(13);imshow(abs(real(Gaussian)), []);title('频率域图像截止频率为50的高斯低通滤波器'); %傅立叶逆运算反算图像image = F.*Gaussian;image = ifftshift(image);image = abs(ifft2(image));%显示处理结果图像figure(14);imshow(image, []);title('处理结果截止频率为50的高斯低通滤波器');四：实验结果（仅列一例）五：实验心得1：相较空域滤波，频率域滤波的算法复杂度更高。
遥感图像频率域增强处理实验报告
一、实验名称遥感图像频率域增强处理二、实验目的对图像数据采用各种图形增强算法，提高图像的目视效果，方便人工目视解译、图像分类中的样本选取等，方便以后的图像解译。
学会使用ENVI软件对遥感影像进行分析增强处理，初步掌握各种图像增强方法，并对其结果进行比较，观察增强效果。
三、实验原理FFT Filtering（Fast Fourier Transform Filtering 快速傅立叶变换滤波）可以将图像变换成为显示不同空间频率成分的合成输出图像。
正向的FFT 生成的图像能显示水平和垂直空间上的频率成分。
图像的平均亮度值显示在变换后图像的中心。
远离中心的像元代表图像中增加的空间频率成分。
这一滤波能被设计为消除特殊的频率成分，并能进行逆向变换。
四、数据来源本次实验所用数据来自于国际数据服务平台；landsat4-5波段30米分辨率TM第三波段影像，投影为WGS-84，影像主要为山西省大同市恒山地区，中心纬度：38.90407 中心经度：113.11840。
五、实验过程1、正向FFT滤波加载影像，在ENVI主菜单栏中选择Filters →FFT Filtering →Forward FFT。
出现Forward FFT Input File对话框，选择要进行滤波的文件，点击ok。
在Forward FFT Parameters对话框中选择输出文件名及位置。
点击ok开始FFT计算。
2、图像平滑1）定义FFT滤波器在ENVI主菜单栏中选择Filters →FFT Filtering →Filter Definition。
将出现Filter Definition选择对话框。
Filter_Yype →Circular Pass。
定义相关参数。
选择输出路径，apply构建FFT滤波器。
2）反向FFT变换选择Filter →FFT Filtering →Inverse FFT，出现Inverse FFT Input File对话框。
遥感图像的频率域增强
遥感图象的频率增强与多光谱增强一、实验目的：学习并掌握遥感图象频率域增强的原理与方法，理解频率域增强的意义。
学习和掌握主成分变换，缨帽变换和色彩变换的基本原理与方法，理解三种变换方法处理的效果及意义二、实验内容：频率域平滑频率域锐化主成分变换缨帽变换色彩变换三、实验原理与方法：频率域增强的方法的基本过程：将空间域图象通过傅立叶变换为频率域图象，然后选择合适的滤波器频谱成分进行增强，再经过傅立叶逆变换变回空间域，得到增强后的图象。
K-L变换是离散（Karhunen-Loeve）变换的简称，又被称作主成分变换。
它是对某一多光谱图像X，利用K-L变换矩阵A进行线性组合，而产生一组新的多光谱图像Y，表达式为Y=AX对图像中每一个像元矢量逐个乘以矩阵A，便得到新图像中每一个像元矢量。
A的作用是给多波段的像元亮度加权系数，实现线性变换。
由于变换前各波段之间有很强的相关性，经过K-L变换组合，输出图像Y的各分量yi之间将具有最小的相关性，这就是变换矩阵A 的作用K-T变换是Kauth-Thomas变换的简称，也称缨帽变换。
这种变换也是一种线性组合变换，其变换公式为：Y＝BX彩色变换实际上就是根据人眼对色彩的分辨力远远大于对灰度的分辨力，将RGB色彩系统和IHS色彩系统相互转化来提高图像被人眼感知的效果四、实验步骤：（省略）实验原图：傅立叶变换图Butterworth滤波器处理Butterworth 高通滤波器Butterworth 低通滤波器Ideal滤波器Ideal 低通滤波器Ideal 高通滤波器Ideal 低通滤波器处理Ideal 高通滤波器处理Butterworth 高通滤波器处理Butterworth低通滤波器处理实验原图主成分正变换后图像实验原主成分处理后再经逆变换处理后图像实验原图缨帽变换后图像原RGB图像HIS图像五、结果分析和讨论：1．比较滤波处理前后的图像，分析低通滤波和高通滤波处理的效果1)经过高通滤波器处理后的图像，图像被锐化，边缘出现抖动现象，2)经过低通滤波处理后的图像，可以有效的消除噪声，由于高频部分含有大量边缘信息，导致边缘损失，图像边缘模糊。
实验五 遥感图像处理
实验五遥感图像处理实验目的：通过上机操作，了解空间增强、辐射增强、频率域增强等几种遥感图象增强处理的过程和方法，加深对遥感图象增强处理的理解。
通过上机操作，初步掌握遥感信息融合的方法，深入理解遥感信息融合在信息解译中的意义。
实验内容：ENVI中进行直方图的交互式拉伸、卷积滤波处理、频率域滤波FFT。
多光谱数据与高分辨率全色数据的融合。
一、遥感图像增强处理部分1、直方图的交互式拉伸ENVI 用2% 的系统默认线性拉伸值来显示所有图像(两边均舍去信息量的2%)，经过这样处理后合成的假彩色图像层次分明、地物差异大，各类地物易于判别。
从Enhance子菜单选择Interactive Stretching，出现一个新的对话框，它包含输入和输出的直方图。
若显示一幅RGB 彩色图像，则出现三个直方图窗口，一个直方图对应于一个波段。
打开交互式对话框在主图像窗口，选择Enhance > Interactive stretching.在交互式对比度拉伸对话框中将显示输入和输出直方图，它们表明了当前的输入数据以及分别应用的拉伸。
两条垂线（虚线）表明了当前拉伸用到的最小和最大值。
对于彩色图像来说，直方图的颜色与所选择的波段颜色一致。
交互式直方图窗口的底部会列出拉伸类型和直方图来源。
注意：要把任何拉伸或直方图变化自动地应用于你的图像，选择Options > Auto Apply: On.◆浏览数据细节要浏览当前的DN值和指定DN值的像元数、直方图以及累积直方图，可以在直方图内按住鼠标左键并拖放随之产生的白色十字交叉指针。
◆设置拉伸参数要更改最小和最大拉伸值，在任意一条垂直虚线上点击鼠标左键，然后拖曳到一个新位置。
或在对话框顶部的文本框中输入所需值。
当选择任意一条线时，当前的DN、像元数、该单位DN 的像元百分比以及累积百分比，显示在输入的直方图上。
当指定最小和最大值时，输入所需要的实际值（例如，最小值37，最大值68 ）或数据的百分比（例如，最小值“2%”，最大值“98%”）。
遥感图像处理实验报告_图像的空间域滤波处理
遥感图像处理实验报告（2013 —2014 学年第1学期）实验名称：图像的空间域滤波处理实验时间：实验地点：指导教师：专业班级：姓名：学号：一：实验目的掌握Matlab编程语言的基本语法掌握Matlab中imread()、imfilter()、imshow()、mat2gray()、等相关函数的用法及意义通过Matlab程序语言完成图像的空间域滤波处理，以达成边缘检测的目的二：实验内容在Matlab中，分别运用经典一阶梯度、Robert算子、Sobel算子、Prewitt算子及Laplacian 算子进行目标图像的边缘检测，互相对比实验结果，分析差异三：实验平台Windows 7 Ultimate SP1Matlab 2012b四：实验代码及Matlab使用心得（注释中）%清空工作空间clc;%清屏clear all;%关闭所有绘图窗口close all;%定义一个矩阵I 用来存储待处理图像,用imread()函数读取的数据格式为unit8I = imread('C:\Users\Administrator\Desktop\Matlab\data\barbara.png');%创建一个绘图窗口，并显示原图像figure(1);imshow(I);title('原图');%把unit8格式数据转换为doulbe格式，以便滤波计算I = double(I);%%%%%%%%%%%%%%%%%%%%%%%%%%%%经典一阶梯度%%%%%%%%%%%%%%%yjtdx = [0 0 0;-1 1 0;0 0 0];yjtdy = [0 -1 0;0 1 0;0 0 0];%imfilter()函数为一个滤波函数%其中有两个参数，外加一系列附加指令%如下中的I 代表被处理图像%yjtdx 代表滤波器%'replicate'是一个附加指令，因为处理过的数据，可能会超出原图像数据大小的上下限%这个附加指令令超出上下限的数据为最接近上下限的数据ImageYjtdx = imfilter(I, yjtdx, 'replicate');ImageYjtdy = imfilter(I, yjtdy, 'replicate');%将x与y方向上的处理结果进行几何平均，作为处理结果ImageYjtd= sqrt(ImageYjtdx.^2 + ImageYjtdy.^2);%figure()函数创建一个绘图窗口figure(2);%绘制处理后的图像%在用imshow()函数显示图像时要注意，因为现在的处理结果是double类型的，而不是unit8类型%而imshow()在显示图像时，只有unit8类型的矩阵图像数据可以直接输入直接显示%而对于double类型的矩阵，imshow()认为其灰度空间是从0到1，而不是从0-256或其它%也就是说，对于double类型的矩阵，imshow()函数不知道矩阵所代表的图像的灰度级数是多少%这时就需要用mat2gray()函数对double型矩阵做归一化，所谓归一化，就是把原矩阵中的数据%映射至0-1的数据空间中，这时，经m at2gray()函数处理过的矩阵，其中所有元素都在0-1范围内%再用imshow()函数进行显示，才可得到正常的显示结果imshow(mat2gray(ImageYjtd));title('经典一阶梯度处理结果'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%Robert算子%%%%%%%%%%%%%%%%% Robert1 =[-1 0 0;0 1 00 0 0];Robert2 =[0 -1 0;1 0 00 0 0];ImageRobert1 = imfilter(I, Robert1, 'replicate');ImageRobert2 = imfilter(I, Robert2, 'replicate');ImageRobert = sqrt(ImageRobert1.^2 + ImageRobert2.^2);figure(3);imshow(mat2gray(ImageRobert));title('Robert算子处理结果'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%Sobel算子%%%%%%%%%%%%%%%%%% Sobel1 = [1 2 1;0 0 0;-1 -2 -1];Sobel2 = [-1 0 1;-2 0 2;-1 0 1];ImageSobel1 = imfilter(I, Sobel1, 'replicate');ImageSobel2 = imfilter(I, Sobel2, 'replicate');ImageSobel = sqrt(ImageSobel1.^2 + ImageSobel2.^2);figure(4);imshow(mat2gray(ImageSobel));title('Sobel算子处理结果'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%Prewitt算子%%%%%%%%%%%%%%%%% Prewitt1 = [-1 -1 -1;0 0 0;1 1 1];Prewitt2 = [-1 0 1;-1 0 1;-1 0 1];ImagePrewitt1 = imfilter(I, Prewitt1, 'replicate');ImagePrewitt2 = imfilter(I, Prewitt2, 'replicate');ImagePrewitt = sqrt(ImagePrewitt1.^2 + ImagePrewitt2.^2);figure(5);imshow(mat2gray(ImagePrewitt));title('Prewitt算子处理结果'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%Laplacian算子%%%%%%%%%%%%%%%% Laplacian = [0 -1 0;-1 4 -1;0 -1 0];ImageLaplacian = imfilter(I, Laplacian, 'replicate');%滤波结果中可能出现负数，因此需要用abs()函数取绝对值ImageLaplacian = abs(ImageLaplacian);figure(6);imshow(mat2gray(ImageLaplacian));title('Laplacian算子处理结果'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%五：实验结果（仅列一例）六：实验心得1：Matlab部分Matlab是一个命令行式的、解释式的程序语言，学习难度低，在矩阵和数字处理上处速度也很快，有时间我会继续学习2：滤波算子部分1）：Laplacian算子对噪声比较敏感，图像颗粒感较强时得到的处理结果很差，在几乎没有噪声的图像中，Laplacian算子的处理结果却出奇的好。
遥感原理实验报告2遥感图像处理
《遥感原理》实验报告实验名称：遥感图像处理专业：地理信息科学学号：姓名：指导老师：1、实验目的（1）了解彩色的基本特性和相互关系；掌握三原色及其互补色，掌握加色法；（2）学习掌握图像直方图变化与图像亮度变化的关系；掌握图像线性拉伸的方法和过程；（3）理解遥感图像彩色合成的基本原理；掌握选用不同的合成方案产生不同的合成效果的方法，从而达到突出不同目标地物的目的；（4）了解空间滤波的操作过程和空间滤波对图像产生的效果；（5）了解并掌握K-L变换的过程和方法；进一步理解K-L变换产生的处理效果和处理意义；（6）了解和掌握缨帽变换的过程和处理效果；（7）了解和掌握彩色空间变换的过程和方法。
2、实验材料Photoshop CS6、ENVI5.1、CAI软件和光盘文件3、实验内容与过程3.1 遥感图像的光学合成原理彩色的基本特性：明度、色调和饱和度为彩色的基本特性。
明度是指色彩的明亮程度，是人眼对光源或物体明亮程度地感觉，彩色光亮度越高，人眼感觉就越明亮，即有较高的明度。
明度的高低取决于光源光强及物体表面对光的反射率。
色调是色彩彼此相互区分的特性，色调取决于光源的光谱组成和物体表面的光谱反射特性。
饱和度是色彩纯洁性，取决于物体表面反射光谱的选择性程度，反射性光谱越窄，即光谱的选择性越强，彩色的饱和度就越高。
明度、色调和饱和度三者的关系可以用颜色立体来表述。
非彩色，即黑白色只用明度描述，不使用色调、饱和度。
红橙黄绿青蓝紫各种颜色组成彩图。
在遥感上，彩色图比非彩色图较易识别地物。
白色、黑色和各种灰色组成黑白图象，当物体对可见光的各个波长的反射无选择性时，表现为黑色或灰色。
3.2 遥感图像的线性拉伸打开ENVI>点击菜单栏的“Custom Stretch”按钮>选择”Linear”等进行线性拉伸；或者直接在菜单栏上选择“Linear”“Linear2%”“Linear5%”原图：线性拉伸后：Linear:Linear 1%:当拉伸效果为1%时，显示效果得到了很大改善。
遥感数字图像处理实习报告含Matlab处理代码
辽宁工程技术大学《数字图像处理》上机实习报告教学单位辽宁工程技术大学专业摄影测量与遥感实习名称遥感数字图像处理班级测绘研11-3班学生姓名路聚峰学号471120212指导教师孙华生实习1 读取BIP 、BIL、BSQ文件一、实验目的用Matlab读取BIP 、BIL、BSQ文件，并将结果显示出来。
遥感图像包括多个波段，有多种存储格式，但基本的通用格式有3种，即BSQ、BIL和BIP格式。
通过这三种格式，遥感图像处理系统可以对不同传感器获取的图像数据进行转换。
BSQ是像素按波段顺序依次排列的数据格式。
BIL 格式中，像素先以行为单位块，在每个块内，按照波段顺序排列像素。
BIP格式中，以像素为核心，像素的各个波段数据保存在一起，打破了像素空间位置的连续性。
用Matlab读取各个格式的遥感数据，是图像处理的前提条件，只有将图像读入Matlab工作空间，才能进行后续的图像处理工作。
二、算法描述1.调用fopen函数用指定的方式打开文件。
2.在for循环中调用fread函数，用指定的格式读取各个像素。
3.用reshape函数，重置图像的行数列数。
4.用imadjust函数调整像素的范围，使其有一定对比度。
5.用imshow显示读取的图像。
三、Matlab源代码1.读取BSQ的源代码：clear allclclines=400;samples=640;N=6;img=fopen('D:\sample_BSQ','rb');for i=1:Nbi=fread(img,lines*samples,'uint8');band_cov=reshape(bi,samples,lines);band_cov2=band_cov'; band_uint8=uint8(band_cov2);tif=imadjust(band_uint8);mkdir('D:\MATLAB','tifbands1')name=['D:\MATLAB\tifbands1\tif',int2str(i),'.tif'];imwrite(tif,name,'tif');tilt=['波段',int2str(i)];subplot(3,2,i),imshow(tif);title(tilt);endfclose(img);2.读取BIP源代码clear allclclines=400;samples=640;N=6;for i=1:Nimg=fopen('D:\MATLAB\sample_BIP','rb');b0=fread(img,i-1,'uint8');b=fread(img,lines*samples,'uint8',(N-1));band_cov=reshape(b,samples,lines);band_cov2=band_cov';%תÖÃband_uint8=uint8(band_cov2);tif=imadjust(band_uint8);mkdir('E:\MATLAB','tifbands')name=['E:\MATLAB\tifbands\tif',int2str(i),'.tif'];imwrite(tif,name,'tif'); %imwrite(A,filename,fmt)tilt=['波段',int2str(i)];subplot(3,2,i),imshow(tif);title(tilt);fclose(img);end3.读取BIL的源代码clear allclclines=400;samples=640;N=6;for i=1:Nbi=zeros(lines,samples);for j=1:samplesimg=fopen('D:\MATLAB\sample_BIL','rb');bb=fread(img,(i-1)*640,'uint8');b0=fread(img,1*(j-1),'uint8');bandi_linej=fread(img,lines,'uint8',1*(N*samples-1));fclose(img);bi(:,j)=bandi_linej;endband_uint8=uint8(bi);tif=imadjust(band_uint8);mkdir('D:\MATLAB','tifbands')name=['D:\MATLAB\tifbands\tif',int2str(i),'.tif'];imwrite(tif,name,'tif');tilt=['²¨¶Î',int2str(i)];subplot(3,2,i),imshow(tif);title(tilt);end四、运行结果图1：读取文件的六个波段图实习2 均值/中值滤波、边缘信息提取一、实验目的与原理各种图像滤波算子可以实现图像的增强，去噪，边缘提取等。
遥感图像处理实验报告
遥感图像处理实验报告遥感图像处理实验报告引言遥感技术作为一种获取地球表面信息的重要手段，已经在农业、环境、城市规划等领域得到广泛应用。
本实验旨在通过遥感图像处理，探索图像处理算法的应用效果，并分析其在实际应用中的潜力。
一、图像预处理图像预处理是遥感图像处理的第一步，其目的是消除图像中的噪声、增强图像的对比度和清晰度。
在本实验中，我们使用了直方图均衡化和中值滤波两种常见的图像预处理方法。
直方图均衡化是一种通过调整图像像素的灰度分布来增强图像对比度的方法。
通过对图像的灰度级进行重新分配，使得图像的灰度分布更加均匀，从而使得图像的细节更加清晰。
实验结果显示，直方图均衡化对于遥感图像的对比度增强效果显著。
中值滤波是一种常见的图像去噪方法，其原理是通过计算像素点周围邻域的中值来替代该像素点的值，从而消除图像中的噪声。
在本实验中，我们使用了3x3的中值滤波器对遥感图像进行滤波处理。
实验结果表明，中值滤波能够有效地去除图像中的椒盐噪声和高斯噪声，使得图像更加清晰。
二、图像分类图像分类是遥感图像处理的核心任务之一，其目的是将遥感图像中的像素点按照其特征分类到不同的类别中。
在本实验中，我们使用了支持向量机（SVM）算法进行图像分类。
支持向量机是一种常用的机器学习算法，其通过构建一个最优超平面来实现分类。
在图像分类中，我们将遥感图像中的每个像素点看作一个数据样本，其特征由像素的灰度值和纹理信息组成。
通过对训练样本进行学习，支持向量机能够建立一个分类模型，从而对测试样本进行分类。
实验结果显示，支持向量机在遥感图像分类中表现出较高的准确性和鲁棒性。
通过调整支持向量机的参数，我们可以得到不同的分类结果。
此外，支持向量机还能够处理高维数据和非线性分类问题，使其在遥感图像处理中具有广泛的应用前景。
三、图像变换图像变换是遥感图像处理中的重要环节，其目的是将图像从一个空间域转换到另一个空间域，从而提取图像中的特征信息。
在本实验中，我们使用了小波变换和主成分分析两种常见的图像变换方法。
遥感课程实验报告
实验名称：遥感图像处理与分析实验时间：2023年4月10日实验地点：遥感实验室一、实验目的1. 掌握遥感图像的获取、处理和分析方法。
2. 学习遥感图像处理软件的使用。
3. 培养学生运用遥感技术解决实际问题的能力。
二、实验原理遥感技术是利用航空、航天等手段，获取地球表面信息的一种技术。
遥感图像处理与分析是遥感技术的重要组成部分，主要包括图像预处理、图像增强、图像分类、图像融合等。
本实验以遥感图像处理与分析为主要内容，通过实验掌握遥感图像处理的基本方法。
三、实验内容1. 遥感图像获取：获取一幅遥感图像，了解遥感图像的基本特征。
2. 遥感图像预处理：对遥感图像进行辐射校正、几何校正、大气校正等预处理操作。
3. 遥感图像增强：对遥感图像进行对比度增强、亮度增强、滤波等操作。
4. 遥感图像分类：采用监督分类和非监督分类方法对遥感图像进行分类。
5. 遥感图像融合：将多源遥感图像进行融合，提高图像质量。
四、实验步骤1. 实验准备：准备遥感图像处理软件、遥感图像数据等。
2. 遥感图像获取：从遥感图像数据库中获取一幅遥感图像。
3. 遥感图像预处理：a. 辐射校正：利用遥感图像的辐射校正公式，对遥感图像进行辐射校正。
b. 几何校正：利用遥感图像的几何校正公式，对遥感图像进行几何校正。
c. 大气校正：利用遥感图像的大气校正模型，对遥感图像进行大气校正。
4. 遥感图像增强：a. 对比度增强：采用直方图均衡化方法对遥感图像进行对比度增强。
b. 亮度增强：采用线性变换方法对遥感图像进行亮度增强。
c. 滤波：采用中值滤波、高斯滤波等方法对遥感图像进行滤波。
5. 遥感图像分类：a. 监督分类：选择训练样本，建立分类模型，对遥感图像进行分类。
b. 非监督分类：采用ISODATA、K-means等方法对遥感图像进行非监督分类。
6. 遥感图像融合：a. 选择合适的融合方法，如主成分分析（PCA）、小波变换等。
b. 对多源遥感图像进行融合，得到融合图像。
遥感图像处理实习报告
遥感图像处理实习报告在当今科技飞速发展的时代，遥感技术作为获取地球表面信息的重要手段，已经在众多领域得到了广泛应用。
为了更深入地了解和掌握遥感图像处理的技术和方法，我参加了本次遥感图像处理实习。
通过这次实习，我不仅学到了专业知识，还提高了实践操作能力，对遥感技术有了更全面的认识。
一、实习目的本次实习的主要目的是让我们熟悉遥感图像处理的基本流程和方法，掌握常用的遥感图像处理软件，学会对遥感图像进行几何校正、辐射校正、图像增强、图像分类等操作，并能够运用所学知识解决实际问题，提高对遥感数据的分析和应用能力。
二、实习内容（一）数据准备在实习开始前，我们收集了一系列的遥感图像数据，包括不同传感器、不同分辨率、不同波段组合的图像。
这些数据涵盖了城市、农田、森林、水域等多种地物类型，为后续的处理和分析提供了丰富的素材。
（二）软件学习我们使用了 ERDAS IMAGINE 和 ENVI 这两款主流的遥感图像处理软件。
通过学习这两款软件的基本操作界面、功能模块和工具菜单，我们逐渐熟悉了如何导入数据、显示图像、进行图像裁剪和拼接等基本操作。
（三）几何校正几何校正是遥感图像处理中的重要环节，它可以消除由于传感器姿态、地球曲率、地形起伏等因素引起的图像几何变形。
我们首先选取了具有精确地理坐标的控制点，然后利用多项式模型对图像进行几何校正，通过不断调整参数，使校正后的图像与实际地理坐标相匹配。
（四）辐射校正辐射校正旨在消除由于传感器性能、大气散射和吸收等因素引起的图像辐射误差。
我们采用了基于直方图匹配和辐射定标的方法，对图像的亮度和对比度进行了调整，使不同时相、不同传感器获取的图像具有可比性。
（五）图像增强为了突出图像中的有用信息，我们运用了多种图像增强技术，如对比度拉伸、直方图均衡化、滤波等。
通过这些操作，图像中的地物特征更加清晰，有利于后续的分析和识别。
（六）图像分类图像分类是遥感图像处理的核心任务之一，我们尝试了监督分类和非监督分类两种方法。
遥感数字图像处理实验报告(四)
遥感数字图像处理实验报告（四）姓名：学号：班级：指导老师：1）项目名称：遥感图像频域增强处理2）实验目的：进一步了解ERDAS软件的使用，掌握对图像进行傅立叶变换的方法步骤，学会使用低通、高通及其它滤波器对遥感图像进行频率域的增强处理，尝试改变滤波器窗口大小，看滤波后的图像差异。
3）实验原理：傅里叶变换首先是将图像有空间域转换为频率域，把RGB图像转变为一系列不同频率的二维正弦波傅里叶图像，然后在频率域图像中对傅里叶图像进行滤波、掩膜等各种编辑，减少或滤除部分或全部高频或低频成分，最后再把频率域图像转换为RGB彩色空间域，得到经过处理的彩色图像。
傅里叶变换主要用于消除周期性噪声，此外，还可以消除由于传感器异常而引起的规则性错误。
同时这种处理技术还以模式识别的形式用于多波段图像处理。
4）数据来源及数据基本信息：（下载源、波段数、对应的波长、分辨率、投影、地区）图像数据来自国际科学数据服务平台，Landsat5 2010年9月18日的图像，是经裁剪后的图像。
图像共7个波段，波段1-5和波段7的空间分辨率为30米，6波段（热红外波段）的空间分辨率为120米。
对应的波段、波长、分辨率、主要作用如表：图像采用的投影为WGS 84投影，条带号为122，行编号为36，覆盖豫东、皖北、苏北、鲁西四省交界地区。
裁剪后的图像范围为河南省永城市东西城区及周边。
5）实验过程：具体步骤如下：1.傅里叶变换：——弹出对话框，选择要进行变换的图像，开始变换；2.傅里叶变换编辑，打开：——打开经傅里叶变换后的.fft文件layer1，如图1，对其进行编辑：a.低通滤波：低通滤波的目的是消弱图像的高频组分，从而让低频组份通过，使得图像更加平滑、柔和。
b.高通滤波：与低通滤波的作用相反，高通滤波是消弱图像的低频组份，而让高频组份通过，低频组保留，可以使图像锐化和边缘增强。
如图2，傅里叶逆变换，——，打开，如图3；原图像傅里叶变换后低通滤波编辑逆变换后图像高通滤波编辑1 逆变换后图像1高通滤波编辑2 逆变换后图像26）实验结果与分析：应用低通滤波时，通低频，阻高频，应用后图像平滑柔和，进行傅里叶编辑时选择的编辑范围越大则阻止的越少，反之越多，图像差异也很大；应用高通滤波时，通高频，阻低频，图像锐化，边缘突出，进行傅里叶编辑的范围越大则阻止的越少，反之越多。
遥感数字图像处理：遥感图像处理-图像滤波
中值滤波-算例
例
取3X3窗口
212 200 198
212 200 198
206 202 201
206 205 201
208 205 207
208 205 207
从小到大排列，取中间值
198 200 201 202 205 206 207 208 212
中值滤波-算例
例
适合去除椒盐噪声。
取N=3
80 90 200 110 120
梯度的概念
反映了相邻像元的亮度变化率，也就是 说，图像中如果存在边缘，如湖泊、 河流的边界，山脉和道路等，则边缘 处有较大的梯度值。对于亮度值较平 滑的部分，亮度梯度值较小。因此， 找到梯度较大的位置，也就找到边缘， 然后再用不同的梯度计算值代替边缘 处像元的值，也就突出了边缘，实现 了图像的锐化。
g(x,y) FFT G(u,v) ×H(u,v) F(u,v) IFFT f(x,y)
下面介绍几种常用的低通滤波器。
1. 低通滤波法
v=-N/2
u=-N/2
u=0
D(u,v) D0
u=N/2
v= 0
v=N/2
低通滤波器示意图
ILPF
1.1理想低通滤波器（ILPF）
一个理想的低通滤波器的传递函数是由下式表示：
f (i 1, j) f (i 1, j) 2 f (i, j)
2
f (x, y) y 2
f
(i,
j 1)
f
(i,
j 1) 2 f
(i,
j)
为此，拉普拉斯算子为：
2 f
2 f x2
2 y
f
2
f (i 1, j) f (i 1, j) f (i, j 1) f (i, j 1) 4 f (i, j)
实验五指导书-遥感图像滤波
实验五遥感图像滤波一、实验目的1、了解图像滤波中空间信息增强的定义2、掌握图像空间域滤波最基本的处理方法3、了解图像频率域滤波中空间信息增强的含义4、掌握图像频率域滤波基本的方法和过程二、实验内容1、对实验区TM单波段数据进行空间滤波处理2、对图像进行空间域滤波并分析其效果分析效果可以在“viewer”视窗口，亦可以用假彩色合成的方法对比前后的变换。
3、对实验区TM单波段数据进行频率域滤波处理4、对图像进行频率域滤波并分析其效果空间域与频率域的转换，频率图像编辑器的使用，高通和低通滤波，在“viewer”视窗口，亦可以用假彩色合成的方法对比前后的变换。
三、实验条件电脑、ERDAS9.2软件。
厦门市TM遥感影像四、实验步骤卷积增强是将整个图像按照像素分块进行平均处理，用于改变图像的空间频率特征。
卷积处理的关键在于卷积（核）算子（Kernal）——系数矩阵的选择，常用的卷积算子分为3*3,5*5,7*7三组，每组有包括edge detect（边缘检测）、edge enhance（边缘增强）、low pass（低通滤波）、high pass（高通滤波）、horizonal（水平边缘检测）、vertical（垂直边缘检测）、cross edge detection （交叉边缘检测）、summary等8种不同的处理方式1、空间域滤波操作在ERDAS面板上，选择“interpreter”-“spatial enhancement”-“convolution”命令，打开图像卷积对话框，对图像进行空间域滤波。
1）在打开的卷积增强对话框中，加载图像（input file），单波段或合成图像均可。
本实验中选择单波段数据。
2）在图像平滑或图像锐化的卷积算子（kernal）选择滤波算子。
平滑处理锐化3）对卷积算子的选择（kernal selection）和编辑。
4）若没有所需要的卷积算子，单击“convoltution”中的“edit/new”按钮，进入卷积核编辑或建立状态，定义所需要的卷积核。
遥感图像处理实习报告
遥感图像处理实习报告
为了完成本次遥感图像处理实习，我首先学习了遥感图像的基本原理和常见处理方法。
然后，我熟悉了常用的遥感图像处理软件，掌握了遥感图像的预处理、分类和变化检测等基本处理流程。
在实习过程中，我参与了实际的遥感图像处理项目，负责对航拍图像进行预处理和分类。
通过我对图像的分析和处理，最终得到了清晰而准确的分类结果，并成功完成了项目任务。
在实习中，我还学习了遥感图像的变化检测方法，包括基于像元的变化检测和基于目标的变化检测。
通过对多时相遥感图像的处理和分析，我掌握了如何从图像中提取出目标的变化信息，并将其应用于实际的环境监测和资源管理中。
总的来说，这次遥感图像处理实习让我对遥感图像的处理流程和方法有了更深入的了解，也提高了我在图像处理方面的实际操作能力。
通过这次实习，我不仅学到了专业知识，还提高了团队合作能力和解决问题的能力，对我的个人发展有着重要的推动作用。
实验五 遥感图像的频率域增强
实验五遥感图像的频率域增强一、目的和意义学习并掌握遥感图像频率域增强的原理和方法，理解频率域增强的意义。
二、实验内容1.频率域平滑2.频率域锐化3.同态滤波三、原理和方法实质上，在图像中，像元的灰度值随位置变化的频繁程度可以用频率来表示。
对于边缘、线条、噪声等特征，在较短的像元距离内灰度值变化的频率大；而均匀分布的地物或大面积稳定结构具有较低的变化频率。
因此，空间增强复杂的空间域卷积运算可以用频率域中简单的乘法快速实现。
频率域增强方法的基本过程为：首先将空间域图像通过傅立叶变换为频率域图像，然后选择合适的滤波器对频谱成分进行增强，再经过傅立叶逆变换变回空间域，得到增强后的图像。
根据处理效果，将所采用的滤波器分为平滑和锐化两类，平滑主要是保留图像的低频部分抑制高频部分，锐化主要是保留图像的高频部分而削弱低频部分。
常用的平滑滤波器有理想低通滤波器、Butterworth低通滤波器、指数低通滤波器、梯形低通滤波器；相应的锐化滤波器有理想高通滤波器、Butterworth高通滤波器、指数高通滤波器、梯形高通滤波器。
本实验将利用ERDAS进行理想低（高）通滤波和Butterworth低（高）通滤波。
理想滤波函数采用截取频率，Butterworth则采用平滑的曲线方程，过度性较好。
同态滤波是指在频率域中同时对图像亮度范围进行压缩和对比度进行增强的方法。
四、实验步骤1.快速傅立叶变换ERDAS工具面板上Interpreter图标→Fourier Analysis→Fourier Transform→Fourier Transform对话框（图5-1）图5-1傅立叶变换对话框2.启动傅立叶变换编辑器进行傅立叶编辑①ERDAS工具面板上Interpreter图标→Fourier Analysis→Fourier TransformEditor→Fourier Editor（图5-2）②在傅立叶变换编辑器视窗菜单条上File→open→open FFT Layer对话框（图5-3）③在傅立叶编辑器视窗菜单条上Mask→Filters→Low/High Pass Filter对话框（图5-4）④在Low/High Pass Filter对话框中，设置以下参数分别进行低通和高通滤波处理→选择滤波类型→选择窗口函数：分别选择理想低/高通滤波器、Butterworth低/高通滤波器→滤波半径→定义低频增益⑤在傅立叶变换编辑器视窗菜单条上File→Save as保存编辑结果图5-2傅立叶编辑器图5-3 open FFT Layer对话框图5-4Low/High Pass Filter对话框3.傅立叶逆变换在傅立叶编辑器视窗菜单条上File→Inverse Transform→Inverse FourierTransform对话框（图5-5）图5-5Inverse Fourier Transform对话框五、结果分析和讨论1.比较滤波处理前后的图像，分析低通滤波和高通滤波处理的效果2.比较理想低（高）通滤波和Butterworth低（高）通滤波器的处理效果，说明两者有何异同。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
遥感图像处理实验报告（2013 —2014 学年第1学期）实验名称：图像的频率域滤波处理实验时间：实验地点：指导教师：专业班级：姓名：学号：一：实验目的1：掌握滤波器在程序语言中的定义算法2：理解图像的频率域与空间域之间的区别与联系3：在频率域对图像进行处理，达到平滑（低通滤波）与锐化（高通滤波）的目的二：实验内容1：在Matlab中定义滤波器2：对图像进行频率域处理3：对频率域的处理结果，结合第3次实验（空间域处理）结果进行对比，给出评价三：实验代码及Matlab使用心得（注释中）%清屏，清除工作空间，关闭所有绘图窗口clc;clear all;close all;%读取图像，并建立一个窗口，显示原始图像I = imread('C:\Users\浮生\Desktop\大三\Matlab\data\lena.png', 'png')figure(1)imshow(I)title('原始图像')%图像傅立叶变换%fft(X)函数的作用是，返回矩阵X的【二维离散傅立叶变换】结果%fft()函数采用快速傅立叶变换算法，运算结果的行列数与被变换矩阵的规格相同F = fft2(I);%fftshift()函数的功能则是把FFT的DC分量移动到频谱矩阵的中心%在直观上，就是把低频信息移到矩阵中心，便于直观观看图像的频谱F = fftshift(F);%由于FFT的运算结果的数值跨幅过大%直接显示的话只能看到一个小亮点%为了显示的直观，我们需要自行定义灰度显示幅度%在本例中，我们定义显示幅度为0-50000figure(2);imshow(abs(real(F)), [0 50000]);title('频率域图像')%%%%%%定义滤波器之前的准备工作%%%%%[m n] = size(I);%读取图像的规格p = m/2;%定义两个计数器p和qq = n/2;%用以控制滤波器的遍历过程image = zeros(m,n);%%%%%%截止频率为50的理想低通滤波器%%%%%%%低通滤波器，即让频率高于阈值的信号值为0，而在阈值之下的所有信号保持原样%反映在图像操作中，将去除高频信息，达到平滑的效果lowpass_50 = F;for u = 1:mfor v = 1:nif sqrt((u-p)^2 + (v-q)^2) < 50%什么也不做;elselowpass_50(u, v) = 0;endendend%显示频率域图像figure(3);imshow(abs(real(lowpass_50)), [0 50000]);title('频率域图像截止频率为50的理想低通滤波器');%傅立叶逆运算反算图像image = ifftshift(lowpass_50);%还原矩阵image = ifft2(image);%傅立叶逆运算image = abs(real(image));%复数取实部%显示处理结果图像figure(4);imshow(image, []);title('处理结果截止频率为50的理想低通滤波器')%%%%%%截止频率为100的理想低通滤波器%%%%%%lowpass_100 = F;for u = 1:mfor v = 1:nif sqrt((u-p)^2 + (v-q)^2) < 100%什么也不做;elselowpass_100(u, v) = 0;endendend%显示频率域图像figure(5);imshow(abs(real(lowpass_100)), [0 50000]);title('频率域图像截止频率为100的理想低通滤波器'); %傅立叶逆运算反算图像image = ifftshift(lowpass_100);%还原矩阵image = ifft2(image);%傅立叶逆运算image = abs(real(image));%复数取实部%显示处理结果图像figure(6);imshow(image, []);title('处理结果截止频率为100的理想低通滤波器')%%%%%%截止频率为50的理想高通滤波器%%%%%% highpass_50 = F;for u = 1:mfor v = 1:nif sqrt((u-p)^2 + (v-q)^2) < 50highpass_50(u, v) = 0;else%什么也不做;endendend%显示频率域图像figure(7);imshow(abs(real(highpass_50)), [0 50000]);title('频率域图像截止频率为50的理想高通滤波器');%傅立叶逆运算反算图像image = ifftshift(highpass_50);%还原矩阵image = ifft2(image);%傅立叶逆运算image = abs(real(image));%复数取实部%显示处理结果图像figure(8);imshow(image, []);title('处理结果截止频率为50的理想高通滤波器')%%%%%%截止频率为100的理想高通滤波器%%%%%% highpass_100 = F;for u = 1:mfor v = 1:nif sqrt((u-p)^2 + (v-q)^2) < 100highpass_100(u, v) = 0;else%什么也不做;endendend%显示频率域图像figure(9);imshow(abs(real(highpass_100)), [0 50000]);title('频率域图像截止频率为100的理想高通滤波器');%傅立叶逆运算反算图像image = ifftshift(highpass_100);%还原矩阵image = ifft2(image);%傅立叶逆运算image = abs(real(image));%复数取实部%显示处理结果图像figure(10);imshow(image, []);title('处理结果截止频率为100的理想高通滤波器')%%%%%%截止频率为50的巴特沃斯低通滤波器%%%%%% for u = 1:m,for v = 1:nD=sqrt((u-p)^2 + (v-q)^2);Butterworth(u,v)=1/(1+D/50)^(2*2);endend%显示频率域图像figure(11);imshow(abs(real(Butterworth)), []);title('频率域图像截止频率为50的巴特沃斯低通滤波器'); %傅立叶逆运算反算图像image = F.*Butterworth;image = ifftshift(image);image = abs(ifft2(image));%显示处理结果图像figure(12);imshow(image, []);title('处理结果截止频率为50的巴特沃斯低通滤波器')%%%%%%截止频率为50的高斯低通滤波器%%%%%%for u=1:m,for v=1:nD=sqrt((u-p)^2 + (v-q)^2);Gaussian(u,v)=exp(-D^2/(2*50^2));endend%显示频率域图像figure(13);imshow(abs(real(Gaussian)), []);title('频率域图像截止频率为50的高斯低通滤波器'); %傅立叶逆运算反算图像image = F.*Gaussian;image = ifftshift(image);image = abs(ifft2(image));%显示处理结果图像figure(14);imshow(image, []);title('处理结果截止频率为50的高斯低通滤波器');四：实验结果（仅列一例）五：实验心得1：相较空域滤波，频率域滤波的算法复杂度更高。
相较标准的傅立叶变换，快速傅立叶变换节省了更多时间与空间，大大降低了算法的复杂度。
2：空域滤波是领域+算子->新像素灰度值的运算模式，而频率域滤波则是原始图像+傅立叶变换->频谱信号频谱信号+滤波器->新的频谱信号新的频谱信号+傅立叶逆变换->新的图像这样的运算方式。
空域滤波处理中，新图像某一像素的灰度值，取决于该位置上以原像素为中心的领域的所有像素的灰度值，而在频率域滤波处理中，新图像上任何一个像素的灰度值，与原图像的所有像素的灰度值，都有关系。
3：把图像抽象成频谱信号，可以从频谱信号上统计出在空域上难以发现的一些周期性变动，如在空域看起来杂乱无章的椒盐噪声等。
也能更好的界定出一些在空域滤波上难以准确界定的边缘，例如条带噪声等。
总的来说，频域处理的结果要比空域处理的结果要好，也更灵活，但其相对于空域的运算代价十分巨大。