基于Matlab的遥感图像处理
基于Matlab的遥感数据处理与图像分析技术研究
基于Matlab的遥感数据处理与图像分析技术研究遥感技术是一种通过传感器获取地面、大气和水体等目标信息的技术，广泛应用于农业、林业、地质勘探、城市规划等领域。
而Matlab作为一种功能强大的科学计算软件，被广泛应用于遥感数据处理和图像分析中。
本文将探讨基于Matlab的遥感数据处理与图像分析技术研究。
1. 遥感数据处理遥感数据处理是指对通过遥感传感器获取的数据进行预处理、特征提取和信息提取的过程。
在Matlab中，可以利用各种工具箱和函数对遥感数据进行处理，包括但不限于：数据读取与显示：Matlab提供了丰富的函数用于读取各种格式的遥感数据，并可以通过图像显示函数展示数据。
数据预处理：包括去噪、辐射校正、几何校正等预处理步骤，可以有效提高后续分析的准确性。
特征提取：利用Matlab中的图像处理工具箱，可以提取各种地物特征，如植被指数、土地覆盖类型等。
分类与识别：通过机器学习算法，在Matlab环境下进行遥感影像分类与目标识别，实现自动化信息提取。
2. 图像分析技术图像分析技术是指对图像进行数字化处理和分析，从中获取有用信息的过程。
在遥感领域，图像分析技术可以帮助解译遥感影像，提取地物信息，进行环境监测等。
在Matlab中，可以结合图像处理工具箱和深度学习工具箱进行图像分析，包括但不限于：图像增强：通过直方图均衡化、滤波等方法增强遥感影像的对比度和清晰度。
目标检测：利用目标检测算法，在遥感影像中自动识别并标记出目标物体。
变化检测：通过对多时相遥感影像进行比对分析，检测地表变化情况，如城市扩张、植被覆盖变化等。
三维重建：基于多角度或多时相影像，使用立体视觉技术实现地形三维重建。
3. Matlab在遥感领域的应用案例3.1 遥感影像分类利用Matlab中的支持向量机（SVM）算法对高光谱遥感影像进行分类，实现土地覆盖类型的自动识别。
通过构建合适的特征空间和选择适当的核函数，提高分类精度和效率。
3.2 遥感变化检测结合Matlab中的差异图像分析方法和变化检测算法，对城市扩张、湖泊面积变化等进行监测与分析。
Matlab中的遥感图像处理与分析方法
Matlab中的遥感图像处理与分析方法遥感图像处理与分析是遥感技术的重要组成部分，它包括对获取的遥感图像进行预处理、增强、分类、信息提取等一系列操作。
Matlab作为一种强大的科学计算软件，提供了丰富的工具箱和函数，广泛应用于遥感图像处理与分析领域。
本文将介绍Matlab中一些常用的遥感图像处理与分析方法，并探讨其在实际应用中的价值。
一、遥感图像的读取与显示在进行遥感图像处理与分析之前，首先需要将遥感图像读取到Matlab中。
Matlab提供了多种读取图像的函数，如imread、multibandread等。
通过这些函数，可以将遥感图像以矩阵的形式存储在Matlab的变量中，方便后续的处理。
读取遥感图像后，我们可以使用imshow函数在Matlab中显示图像。
通过调整imshow函数的参数，可以实现对图像的缩放、亮度、对比度等的调整。
此外，Matlab还提供了imtool函数，可以在一个窗口中同时显示多幅图像，方便进行比较和分析。
二、遥感图像的预处理遥感图像的预处理是遥感图像处理与分析的重要步骤之一。
预处理的目的是消除图像中的噪声、增强图像的对比度、调整图像的亮度等，为后续的处理提供更好的数据基础。
在Matlab中，可以使用多种函数实现遥感图像的预处理。
例如，imadjust函数可以调整图像的亮度和对比度，imnoise函数可以在图像中添加噪声，medfilt2函数可以进行中值滤波，去除图像中的椒盐噪声等。
此外，Matlab还提供了一些专门用于遥感图像处理的工具箱，如Image Processing Toolbox、Computer Vision Toolbox等，这些工具箱提供了丰富的函数和工具，便于进行图像的预处理操作。
三、遥感图像的增强与融合遥感图像的增强与融合是遥感图像处理与分析的重要任务之一。
增强可以使图像中的细节更加清晰，对于提取图像中的信息非常有帮助。
融合可以将来自不同传感器或不同时刻的遥感图像融合在一起，得到更全面的信息。
基于matlab的遥感图像处理程序
基于matlab的遥感图像处理程序报告南京理工大学电光学院，无履仙人一、程序简介基于matlab的GUI可视化遥感图像处理程序，界面布局如下图：菜单栏包括：文件，图像旋转，自动识别有效区域，获取有效区域，压缩，图像增强，伪彩色图像，还原重做，退出，关于等项。
主界面部分包含两个图像显示，和部分按钮及需要输入的参数。
由于界面大小有限，部分功能留在菜单栏中。
二、处理步骤及部分源码1、打开和保存文件首先是文件菜单，包含打开和保存，打开的文件将显示在原始图像和处理图像两部分中，在处理过程中，原始图像不变，以作为和处理图像对比，保存图片只保存处理后的图片，处理前的图片不做保存。
图片打开后如图所示，2、图像旋转由图可见图像有部分区域无有效信息，不利于处理和获得有效信息，故应去除，首先进行旋转，便于去除无效区域。
在旋转角度编辑栏内输入要旋转的角度然后点旋转按钮，进行旋转。
旋转后如图，图像旋转源码为：function imrotate_Callback(hObject, eventdata, handles)h=getappdata(handles.figure_demo,'img_2');x=get(handles.angle,'string');an=str2num(x);g=imrotate(h,an,'bilinear','crop');img_2=g;axes(handles.tag);imshow(img_2);setappdata(handles.figure_demo,'img_2',img_2);3。
、有效区域自动提取现在图中有效区域基本是在一个矩形内，可以通过算法将有效区域边界的坐标求出来，单击自动识别有效区域按钮，求出后显示在图片右边的静态文本框内。
如下图，图像自动识别有效区域源码如下，function auto_Callback(hObject, eventdata, handles)h=getappdata(handles.figure_demo,'img_2');[x,y]=size(h);flag=1;for i=1:xfor j=1:yif h(i,j)~=0&flag==1x1=i;flag=0;endif h(i,j)~=0x2=i;endendendfor j=1:yfor i=1:xif h(i,j)~=0&flag==0y1=j;flag=1;endif h(i,j)~=0y2=j;endendendset(handles.x_1,'String',num2str(x1));set(handles.x_2,'String',num2str(x2));set(handles.y_1,'String',num2str(y1));set(handles.y_2,'String',num2str(y2));y0=y2-y1;x0=x2-x1;rect=[y1,x1,y0,x0];setappdata(handles.figure_demo,'rect',rect);4、获取有效区域获得有效区域坐标后，就可以通过简单的命令获得遥感图像的有效区域了，单击菜单栏的“获取有效区域”按钮，就可获得。
MATLAB中的遥感图像处理方法解析
MATLAB中的遥感图像处理方法解析遥感图像处理是一项重要的技术，广泛应用于农业、环境保护、城市规划等领域。
MATLAB作为一种强大的科学计算软件，提供了许多有效的图像处理工具和算法，使得遥感图像的处理更加简便高效。
本文将通过几个实例，介绍MATLAB 中常用的遥感图像处理方法。
一、图像预处理遥感图像通常存在一些噪声和失真。
为了提高图像质量和后续分析的精确性，需要对图像进行预处理。
MATLAB提供了各种滤波器和降噪算法，如中值滤波、高斯滤波和小波变换。
这些方法可以降低图像中的噪声，并使细节更加清晰。
二、图像增强图像增强是提升图像视觉效果的重要方法。
在遥感图像处理中，一般采用直方图均衡化和对比度拉伸等方法。
直方图均衡化可以使图像的亮度分布更均匀，增强图像的视觉效果。
对比度拉伸则通过扩展图像的动态范围，使得图像中的细节更加丰富。
三、影像分割影像分割是将图像分割成不同的区域或目标的过程。
MATLAB提供了多种分割算法，如基于阈值的分割、基于区域的分割和基于边缘的分割。
这些方法可以帮助我们从遥感图像中提取出感兴趣的目标，为后续的分析提供有效的数据。
四、特征提取特征提取是从遥感图像中提取出有意义的特征信息的过程。
常用的特征包括纹理特征、形状特征和光谱特征等。
MATLAB提供了一系列用于特征提取的函数和工具箱，如灰度共生矩阵、哈尔小波变换和主成分分析等。
这些方法可以帮助我们从遥感图像中提取出有价值的特征，用于后续的分类和识别任务。
五、图像分类图像分类是将图像分成不同的类别或类别的过程。
在遥感图像处理中，一般采用监督学习和无监督学习的方法。
监督学习需要样本标注数据，可以通过支持向量机和随机森林等算法进行分类。
无监督学习则不需要标注数据，常用的方法有k均值聚类和自组织映射网络等。
MATLAB提供了这些算法的实现和函数，方便我们进行遥感图像的分类和识别。
六、图像融合图像融合是将多个传感器或多个波段的图像进行融合，得到更全面、更丰富的信息的过程。
如何在Matlab中进行遥感数据处理
如何在Matlab中进行遥感数据处理遥感数据处理在当今科研和应用领域中扮演着重要的角色。
Matlab作为一种强大的数学计算软件，提供了丰富的工具和函数，使得遥感数据处理变得更加高效和便捷。
本文将探讨如何在Matlab中进行遥感数据处理。
一、引言遥感数据处理是从卫星、飞机等远距离获取的影像数据中提取地物信息的过程。
处理遥感数据的目标通常包括图像分类、特征提取、变化检测等。
Matlab作为一种强大的数学计算软件，提供了丰富的工具和函数，可以帮助我们在处理遥感数据时更加高效和灵活。
二、读取和显示遥感数据在Matlab中读取和显示遥感数据是遥感数据处理的第一步。
Matlab提供了多种方式读取不同格式的遥感数据，如ENVI格式、GeoTIFF格式等。
可以使用imread函数读取图像数据并使用imshow函数显示图像，也可以使用geotiffread函数读取GeoTIFF格式的遥感数据并使用mapshow函数显示。
三、遥感数据预处理遥感数据预处理是在进行后续分析前对图像进行的一系列操作，如去噪、辐射校正、几何校正、影像融合等。
Matlab提供了丰富的函数和工具箱来完成这些操作。
可以使用medfilt2函数进行图像的中值滤波去噪，使用imadjust函数进行图像的亮度和对比度调整。
对于辐射校正和几何校正，可以利用遥感数据处理工具箱中的radiometricCorrection和geometricCorrection函数。
四、遥感影像分类遥感影像分类是将遥感影像中的像素分为不同的类别，常用于土地利用、植被覆盖等应用。
在Matlab中，可以使用机器学习算法和图像处理技术进行遥感影像分类。
其中，常用的机器学习算法包括支持向量机（SVM）、随机森林（Random Forest）等。
Matlab提供了相应的函数和工具箱来实现这些算法，如fitcsvm函数和TreeBagger函数等。
五、遥感数据特征提取遥感数据特征提取是从遥感影像中提取具有代表性的特征，用于进一步分析和应用。
利用MATLAB实现遥感图像增强
ｃｍ ｕ ｉ ｔ ｎ ：ｔｅｒ ａ ｄ ｅｐ ｒ ｅｔ ［］ Ｅ Ｅ ｏ ｍ ｎ ａｉ ｓ ｈｏｙ ｎ ｘ ｅｉ ｎｓ Ｊ ．ＩＥ ｃ ｏ ｍ
Ｔａｓ Ｓｇ ａ Ｐｏｅｓ， ｃ ０２ ５ （０ ： ３－ ４ ． ｒ ． ｉ ｌ ｒ ｓ． Ｏ ｔ Ｏ ， ０ １ ）２ ８ ５６ ｎ ｎ ｃ ．２ ５ ２
中 图 分 类 号 ： Ｐ ５ Ｔ ７１ 文献标志码 ： Ｂ
Ｒｅ ｏ ｅ ｓ ｎ ｉ ｍ ａ ｅ ｅ ｈａ ｃ ｍ ｅ ｓ ｄ ｏ ＡＴＬＡＢ ｍ ｔ ｅ ｓｎｇ ｉ ｇ ｎ ｎ ｅ ｎｔｂａ ｅ ｎ Ｍ
ＷＡ Ｇ Ｑｎ —ｅ，Ｏ ｏｇｙｎ Ｎ ｉｇｗ ｉＺ Ｕ Ｈ ｎ —ａ
中的某些 信息 ， 时 ， 同 削弱 或 去 除 某些 不 需 要 的信息 的处 理方 法 。其 主 要 目的是 处 理后 的 图像 对 某 些特
定 的应用 比原来 的 图像 更 加 有效 。因此 此 类 图像 处
像 的灰度密 度 函数与像 素所 在 的位置有 关 。 图像 在 设 点 （ ）处 的灰度 分 布密度 函数 为 Ｐ ｚｘｙ ， 么 图 ， （；，）那
仪 器仪表 用户 ｄ ｉ１ ． ９ ９ ｊｉ ｎ １ ７ －０ １ ２ １ ． ２ ０ ３ ｏ：０ ３ ６ ／． ｓ ． ６ １１ ４ ．０ ０ ． ２ ｓ １
旦经验窒逾 旦
利 用 ＭＡ Ｌ Ｂ实现 遥 感 图像 增 强 Ｔ Ａ
王青伟 。邹鸿雁
（ 长春工业大学 资产管理处 ， 长春 １０ １ ） ３０ ２
像 的灰度 密度 函数为 ：
理技 术在 遥 感 、 医学 、 军事 等诸多 领域得 到广 泛 应用 。 图像 增强技术 主要包 含直方 图增强 、 图像平 滑化 处理 、
图像尖锐化处理和彩色处 理技术等 。在实 际应 用 中， 常
MATLAB语言在遥感影像处理中的应用研究
MATLAB语言在遥感影像处理中的应用研究遥感影像处理是利用遥感技术获取的影像数据进行信息提取、分析和应用的过程。
MATLAB作为一种强大的科学计算软件，被广泛应用于遥感影像处理领域。
本文将探讨MATLAB语言在遥感影像处理中的应用研究。
一、MATLAB在遥感影像预处理中的应用在遥感影像处理中，预处理是非常重要的一步，它可以有效地提高后续分析的准确性和效率。
MATLAB提供了丰富的图像处理工具和函数，可以对遥感影像进行去噪、辐射校正、几何校正等预处理操作。
通过编写MATLAB脚本，可以实现自动化的预处理流程，节省人力成本并提高处理速度。
二、MATLAB在遥感影像特征提取中的应用遥感影像中包含丰富的信息，如地物类型、覆盖范围等。
MATLAB 提供了各种图像分割、特征提取的函数，可以帮助从遥感影像中提取出所需的特征信息。
利用MATLAB进行特征提取可以帮助用户更好地理解影像数据，为后续的分类和识别工作奠定基础。
三、MATLAB在遥感影像分类识别中的应用遥感影像分类识别是遥感应用领域的重要研究内容，也是实际应用中常见的需求。
MATLAB提供了各种机器学习和深度学习工具，如支持向量机（SVM）、卷积神经网络（CNN）等，可以帮助用户进行遥感影像的分类识别任务。
通过在MATLAB环境下编写相应的算法，可以实现对遥感影像数据进行高效准确的分类识别。
四、MATLAB在遥感影像变化检测中的应用遥感影像变化检测是监测地表覆盖变化、资源利用变化等重要内容之一。
MATLAB提供了丰富的时间序列分析工具和图像配准算法，可以帮助用户检测出遥感影像中发生的变化。
利用MATLAB进行变化检测可以帮助用户及时发现潜在问题并采取相应措施。
五、MATLAB在遥感影像数据可视化中的应用数据可视化是将抽象数据转换为可视化图形的过程，有助于用户更直观地理解数据信息。
MATLAB提供了丰富的绘图函数和工具箱，可以帮助用户对遥感影像数据进行可视化展示。
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。
基于MATLAB算法的遥感图像融合
与空间地理信息，０ ８ ３ （ ） １８—１９ ２０ ，１４ ：０ ０． 朱朝 杰 ， 礼 ， 广 军． Ｔ Ａ 王仁 董 ＭＡ Ｌ Ｂ环 境 下遥 感 影 像 配 准
与融 合技术 研究 ［］测绘 工 程 ， Ｏ ， （ ）５ ５ Ｊ． ２ ６１ ６ ： Ｏ ５ ７— ９ 张 德 丰 ． ａ ａ 波 分 析 与 工 程 应 用 ［ ． 京 ： 防 Ｍ ｔ ｂ小 ｌ Ｍ］ 北 国
郝 文 化 ． Ａ Ｌ Ｂ 图形 图 像 处 理 ［ ． 京 ： 国水 利 Ｍ ＴＡ Ｍ］ 北 中
水 电 出版 社 ，０４ ２０．
度 都 大 于相 应 的多 光 谱 影像 的平 均梯 度 ， 中 的 Ｐ Ａ变 其 Ｃ 换法 对应 的 平 均 梯 度 最 大 ， 次 是 小 波 变换 法 。表 明 融 其 合 影像 都 比多 光 谱 影像 清 晰 ， 用 主 分 量 变 换 融 合 法 所 采
ｔ ｅ ｉ ｄ ｃ ｔｒ ． ｘ ｅ ｉ ｎ ａ ｒ ｓ ｌｓｓ ｏ ｈ ｔｔ ｅ ＭＡＴ ＡＢ ｉ ｇ ｕ ｉ ｎ ａ ｇ ｒｔ ｍ ａ ｂ ａｎ ｂ ｔ ｒｅｆ ｃｓ ａ ｄ ｉ ｉ ｒ ｖ ｓ ｔ ｅ ｅ ｉ ｉ ｎ ｉａ ｏ ｓ Ｅ ｐ ｒｍｅ ｔ ｅ ｕ ｔ ｈ ｗ ｔａ ｈ ｖ ｌ Ｌ ｍａ ｅ ｆ ｓｏ ｌ ｏ ｈ ｃ ｎ ｏ ｔｉ ｅ ｔ ｆ ｔ ， ｎ ｔ ｍｐ ｏ ｅ ｈ ｆ — ｉ ｅ ｅ
收 稿 日期 ：０ １～ ２—１ ２１ Ｏ １
评价中运用 Ｍ Ｔ Ａ Ａ Ｌ Ｂ程序对信息熵 ， 平均梯度， 相关系数，
扭 曲程度进行 计算 ， 得了 比较好 的效 果 。 取
１ ＭＡ Ｌ Ｂ 环 境 下 高 分 辨 率 影 像 与 多 光 谱 Ｔ Ａ
影像融合
１ １ 遥感 图像 融合的预处理 ．
遥感数字图像处理-matlab-主成份及穗帽变换
第一主成份图
第二主成份图
5.
穗帽变换是指根据经验确定的变换矩阵将图像投影综合变换到三维空间，其立体形态形似带缨穗的帽子，变换后能看到穗帽的最大剖面，充分反映植物生长枯萎程度、土地信息变化，大气散射物理影响和其它景物变化程度的一种线性特征变换的图像处理方法。
穗帽变换（又称KT变换）是一种特殊的主成分分析，和主成分分析不同的是其转换系数是固定的，因此它独立于单个图像，不同图像产生的土壤亮度和绿度可以互相比较。随着植被生长，在绿度图像上的信息增强，土壤亮度上的信息减弱，当植物成熟和逐渐凋落时，其在绿度图像特征减少，在黄度上的信息增强。这种解释可以应用于不同区域上的不同植被和作物，但穗帽变换无法包含一些不是绿色的植被和不同的土壤类型的信息。
figure,scatter(fd(1,:),fd(2,:),25,'filled'),title('变换数据'),ylim([-2 2]),xlim([-2 2]);
%反变换获得原始数据
rd=v*fd+ms;
figure,scatter(rd(1,:),rd(2,:),25,'filled'),title('变换数据'),ylim([0 4]),xlim([0 4]);
pc61=reshape(mscore6(1,:),512,512);
pc62=reshape(mscore6(2,:),512,512);
figure,imshow(pc61',[]);impixelinfo;
figure,imshow(pc62',[]);impixelinfo;
}
②算法分析
与题3相似，由1可见，ENVI图像中的六波段图像有很大的相关性，可利用主成份分析的原理对相关波段进行压缩，得出的数据图像如下。可发现，虽然波段数增加，对于图像的主成份分析后，第一主成份及第二主成分对应的几何图像也使其相对于第一主成份轴的投影最大。这六个波段中，第一主成份包涵较多信息，第二主成份也能反应出明显图像特征，说明比只由两个波段进行的主成份分析，六个波段里的主成份反应的信息更为丰富，这是理所应当的。
Matlab在遥感数据处理与解译中的应用案例
Matlab在遥感数据处理与解译中的应用案例遥感技术是一种通过卫星、飞机或无人机等远距离获取地球表面信息的科学技术，它在农业、地质勘探、环境保护等领域发挥着重要作用。
而遥感数据的处理与解译是遥感技术中的核心环节之一。
在这个过程中，Matlab作为一种强大的计算工具，被广泛应用于遥感数据的处理与解译。
本文将通过几个实际案例来介绍Matlab在遥感数据处理与解译中的应用。
案例一：遥感图像的预处理遥感图像预处理是遥感数据处理的重要环节之一，它主要包括影像校正、噪声去除、辐射定标等步骤。
其中，影像校正是在获取遥感图像后进行的一项重要操作。
例如，当遥感图像出现几何形变时，我们需要对图像进行校正，以保证后续的数据分析和解译的准确性。
在Matlab中，我们可以使用图像处理工具箱中的函数来实现图像校正操作。
案例二：遥感图像的特征提取遥感图像的特征提取是遥感数据解译的关键步骤，它可以帮助我们从遥感图像中提取出感兴趣的地物信息。
例如，我们可以利用遥感图像的光谱特征，来提取出植被、水体、建筑物等地物信息。
在Matlab中，我们可以使用图像处理工具箱中的函数来实现遥感图像的特征提取，如灰度共生矩阵、纹理特征提取等。
案例三：基于遥感图像的分类与识别遥感图像的分类与识别是遥感数据解译的重要任务之一，它可以帮助我们对遥感图像中的地物进行自动化的识别和分类。
例如，我们可以利用遥感图像的光谱特征、纹理特征等进行分类与识别。
在Matlab中，我们可以使用机器学习工具箱中的函数来实现遥感图像的分类与识别，如支持向量机、人工神经网络等。
案例四：遥感图像的变化检测遥感图像的变化检测是遥感数据处理与解译中的一项重要任务，它可以帮助我们分析目标地区在不同时间段内的变化情况。
例如，我们可以利用多时相的遥感图像进行变化检测，以监测城市扩张、林地退化等情况。
在Matlab中，我们可以使用图像处理工具箱中的函数来实现遥感图像的变化检测，如差异图像法、主成分分析法等。
Matlab技术遥感图像处理实例分析
MatIab技术遥感图像处理实例分析遥感图像处理是一项涵盖多个领域的复杂任务，它在环境保护、农业、城市规划等众多领域中都有着重要的应用。
MatIab作为一种广泛应用于科学计算与数据可视化的编程语言，提供了丰富的工具箱和函数，用于处理和分析遥感图像数据。
本文将通过实例来探讨MatIab在遥感图像处理中的应用，重点分析图像预处理、特征提取以及分类与监督分析等方面的技术。
一、图像预处理在遥感图像处理中，预处理是一个必不可少的步骤。
图像预处理的目标是去除图像中的噪声、改善图像质量，并增强图像特征。
MaUab提供了多种图像滤波和增强的函数，可以有效地进行图像预处理。
例如，在进行图像去噪时，可以使用Mauab中的中值滤波函数。
中值滤波是一种非常适用于去除椒盐噪声的滤波方法。
首先，加载遥感图像数据，并通过MatIab的傅里叶变换函数将图像转换为频域数据。
然后，使用中值滤波函数对频域数据进行处理，最后再通过傅里叶逆变换将图像转换回空域数据。
通过这个简单的步骤，我们可以去除图像中的噪声，提高图像的清晰度和质量。
除了去噪外，图像增强也是图像预处理的重要任务。
Mat1ab提供了多种图像增强算法，如直方图均衡化和小波变换。
直方图均衡化是一种通过改变图像的灰度级分布来提高图像对比度的方法。
可以通过Mat1ab的直方图均衡化函数来实现，只需要将输入图像作为参数传递给函数即可。
小波变换是一种时频分析方法，可以同时提供图像的时域和频域信息。
在图像增强中，可以使用小波变换来处理图像的高频部分，从而增强图像的边缘和细节。
二、特征提取在遥感图像处理中，特征提取是一项关键任务。
特征提取是指从图像中提取出最具代表性的信息，以便进行分类和分析。
Mat1ab提供了多种特征提取算法，如纹理特征和形状特征。
纹理特征是用于描述图像不同区域纹理特点的特征。
MatIab提供了多种计算纹理特征的函数，如灰度共生矩阵、GabOr滤波器等。
例如，可以使用Mat1ab的灰度共生矩阵函数来计算图像的纹理特征。
Matlab中的遥感图像处理技巧
Matlab中的遥感图像处理技巧引言：遥感图像处理是一门涵盖多学科知识的技术，通过获取、处理和解释遥感图像数据，可以帮助我们更好地了解地球表面的特征和变化。
Matlab作为一种功能强大的编程语言和图像处理工具，为遥感图像处理提供了丰富的功能和工具。
本文将介绍一些Matlab中常用的遥感图像处理技巧，并探讨它们的应用。
一、图像读取和显示在进行遥感图像处理前，首先需要将图像读取到Matlab环境中，并进行显示。
Matlab提供了image、imshow等函数用于读取和显示图像。
在读取图像时，我们可以使用imread函数，并指定图像的路径和文件名。
通过imshow函数，我们可以快速地将图像显示在Matlab的图像窗口中。
此外，还可以使用colormap函数来调整图像的颜色映射以获得更好的显示效果。
二、图像增强与滤波在遥感图像处理中，为了提高图像的质量和可见度，我们常常需要对图像进行增强和滤波。
Matlab提供了众多的图像增强和滤波函数，如imadjust、histeq、medfilt2等。
imadjust函数可用于对图像的对比度进行调整，histeq函数可用于对图像进行直方图均衡化，medfilt2函数可用于对图像进行中值滤波。
这些函数可以帮助我们快速地实现不同的图像增强和滤波效果。
三、图像分割与分类图像分割和分类是遥感图像处理中的重要任务之一，它可以将图像中的不同区域进行划分和分类，以便更好地进行后续分析。
Matlab提供了多种图像分割和分类的函数和工具箱，如imsegkmeans、watershed、neural network toolbox等。
imsegkmeans函数可用于基于k-means算法对图像进行分割，watershed函数可用于通过分水岭算法将图像分割为不同的区域，neural network toolbox可用于进行基于神经网络的图像分类。
四、特征提取与分析遥感图像中蕴含着丰富的地理和环境信息，通过提取和分析这些特征，我们可以获得更深入的了解和洞察。
Matlab在遥感图像处理中的应用实践
Matlab在遥感图像处理中的应用实践遥感技术是指利用各种传感器获取地球表面信息的技术。
遥感图像处理是遥感技术的重要组成部分，其应用范围广泛，包括农业、城市规划、环境监测等领域。
Matlab作为一种强大的科学计算软件，极大地方便了遥感图像处理的实践应用。
本文将探讨Matlab在遥感图像处理中的应用实践。
一、图像读取与显示在进行遥感图像处理前，首先需要将遥感图像导入到Matlab中进行读取和显示。
Matlab提供了一系列函数来实现这一过程。
通过imread函数，我们可以读取遥感图像，并将其保存为一个矩阵变量。
使用imshow函数，可以将图像在Matlab 的图形窗口中进行显示。
此外，Matlab还提供了一些图像增强的工具，如亮度调整、对比度增强等，以帮助用户更好地了解遥感图像的内容。
二、图像预处理在进行遥感图像处理之前，通常需要对图像进行预处理，以消除噪声和增强图像的细节。
Matlab提供了一系列图像滤波函数，如均值滤波、中值滤波等，用于降低图像中的噪声。
此外，通过Matlab的图像增强函数，如直方图均衡化和自适应直方图均衡化，可以增强图像的对比度，并使细节更加清晰。
三、图像分类与分割在遥感图像处理中，常常需要对图像进行分类与分割。
图像分类是指将图像中的像素分为不同的类别，根据这些类别可以进行图像分析和图像识别等操作。
而图像分割是指将图像分成若干个不重叠的区域，每个区域内像素具有相似的特征。
Matlab提供了一系列图像分类与分割的工具箱，如图像分割工具箱和模式识别工具箱，可以帮助用户快速实现对遥感图像的分类与分割。
四、特征提取与图像处理在遥感图像处理中，特征提取是一项关键的任务。
通过提取图像中的特征信息，可以实现对图像内容的分析与理解。
Matlab提供了多种特征提取的方法，如边缘检测、纹理提取和形状描述等。
通过这些方法，可以从遥感图像中提取出关键的特征信息，并进行进一步的图像处理。
五、图像融合与图像增强图像融合是将多幅具有不同传感器或不同时间拍摄的遥感图像进行融合，以获得更全面、更准确的地理信息。
利用Matlab进行遥感图像处理与遥感数据分析
利用Matlab进行遥感图像处理与遥感数据分析引言：遥感技术是获取地球表面信息的有效手段之一，广泛应用于农业、环境、地质、气象等领域。
遥感图像处理和遥感数据分析是遥感技术的重要组成部分，能够帮助我们更好地理解和研究地球表面的各种现象和特征。
本文将介绍如何利用Matlab进行遥感图像处理和遥感数据分析。
一、Matlab在遥感图像处理中的应用1. 图像预处理遥感图像通常存在噪声、亮度不均匀、边缘模糊等问题，影响了后续的图像分析和信息提取。
利用Matlab可以对遥感图像进行预处理，包括噪声去除、直方图均衡化、边缘增强等。
其中，噪声去除可以使用中值滤波、均值滤波等方法，直方图均衡化可以提高图像的对比度，边缘增强可以利用拉普拉斯算子或索贝尔算子等进行边缘检测和增强。
2. 图像分类与分割遥感图像分类是分析遥感图像中不同地物类型的过程。
利用Matlab，可以使用传统的像元级分类方法，如最小距离分类法、最大似然分类法等。
此外，还可以使用机器学习算法，如支持向量机分类器、随机森林分类器等，提高分类的准确性和效果。
图像分割是将图像划分为不同的区域或对象的过程，常用的方法包括区域生长、分水岭算法等。
3. 特征提取与目标检测图像特征提取是从图像中提取具有代表性的特征，即反映某一特定属性的图像信息。
利用Matlab，可以提取纹理特征、频谱特征、形状特征等。
目标检测是在遥感图像中检测和定位感兴趣的目标，如建筑物、道路等。
常用的目标检测方法包括基于特征的方法、基于模型的方法等。
二、Matlab在遥感数据分析中的应用1. 遥感数据读取与处理遥感数据通常以多光谱数据或高光谱数据的形式存在，其中包含了地表覆盖类型、植被指数、水中深度等信息。
利用Matlab，可以读取遥感数据，并进行数据处理，如去除无效数据、填补缺失值等。
此外，还可以进行数据融合，将多个遥感数据集合并成一个。
2. 遥感数据可视化利用Matlab，可以对遥感数据进行可视化，以直观地观察地表特征。
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*********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。
利用Matlab进行遥感图像处理和地理信息系统分析
利用Matlab进行遥感图像处理和地理信息系统分析遥感图像处理和地理信息系统(GIS)已经成为现代地球科学和环境研究中不可或缺的工具。
对于研究者和科学家来说，能够利用Matlab这样强大的软件进行遥感图像处理和GIS分析是一种巨大的优势。
本文将介绍如何利用Matlab进行遥感图像处理和GIS分析，并展示一些实际案例。
首先，让我们来了解一下遥感图像处理和GIS分析的基本概念。
遥感图像是通过遥感技术获取的地球表面的图像，它可以提供关于地表物体和现象的大量信息。
遥感图像处理是对这些图像进行处理和分析，以提取有用的信息。
GIS是一种以地理空间数据为基础的信息系统，它可以用来管理、处理和分析地理空间数据。
在利用Matlab进行遥感图像处理方面，首先要了解如何读取和显示遥感图像。
Matlab提供了一系列的函数和工具箱，可以读取各种格式的遥感图像，并对其进行处理和分析。
通过使用这些函数，可以轻松地读取和显示遥感图像，以便进一步处理和分析。
接下来是遥感图像处理的一些常见任务，如图像增强、分类和变换。
图像增强是提高图像质量和细节的过程，可以通过调整对比度、亮度和色彩来实现。
分类是将图像中的像素划分为不同的类别，例如土地类型、植被覆盖等。
常用的分类方法包括监督分类和无监督分类。
变换是将图像从一个域转换到另一个域，例如从时域到频域或从空间域到频域。
这些任务都可以通过Matlab提供的函数和工具箱来实现。
除了遥感图像处理，Matlab还提供了丰富的功能和工具箱，用于GIS分析。
这包括地图数据的读取和显示、空间分析和地理编码等。
地图数据可以是矢量数据或栅格数据，可以通过使用Matlab的地图数据处理函数来读取和显示。
空间分析是对地理空间数据进行统计和分析的过程，可以用来研究地理现象的分布和关联。
地理编码是将地理空间数据与行政区划或其他地理实体进行对应的过程，例如将地址转换为经纬度。
接下来，让我们看一些实际的案例，以展示Matlab在遥感图像处理和GIS分析方面的应用。
利用Matlab进行遥感图像处理和解译的技术
利用Matlab进行遥感图像处理和解译的技术摘要：遥感图像处理和解译技术是遥感科学领域中的重要研究方向之一。
利用Matlab 进行遥感图像处理和解译能够提高图像处理和解译的效率和精度。
本文将介绍利用Matlab进行遥感图像处理和解译的技术，并展示其在地质灾害识别、土地利用变化监测和环境监测等领域的应用。
1. 引言遥感图像处理和解译技术是利用航空遥感、卫星遥感等技术获取大范围地表信息的一种方法。
它可以提供大量的遥感图像数据，为环境监测、资源调查和地质灾害预警等方面提供支持。
利用Matlab进行遥感图像处理和解译可以充分发挥Matlab强大的图像处理和数据分析功能，提高图像处理和解译的效率和精度。
本文将介绍利用Matlab进行遥感图像处理和解译的技术，并展示其在地质灾害识别、土地利用变化监测和环境监测等领域的应用。
2. 遥感图像处理技术遥感图像处理技术是指对获取的遥感图像数据进行预处理、增强、分类等的过程。
利用Matlab进行遥感图像处理可以利用其丰富的图像处理函数库，实现对图像的去噪、边缘检测、直方图均衡化等操作。
例如，在进行地质灾害识别时，可以利用Matlab进行遥感图像的去噪处理，去除图像中的噪声干扰，提高遥感图像的质量。
此外，还可以利用Matlab进行边缘检测，提取出地质灾害区域的边界，为后续的分类和识别提供基础。
3. 遥感图像解译技术遥感图像解译技术是指对处理后的遥感图像进行目标提取、分类和解译的过程。
利用Matlab进行遥感图像解译可以利用其强大的数据分析和模型建立能力，实现对遥感图像的分类和解译。
例如，在进行土地利用变化监测时，可以利用Matlab进行遥感图像的分类和解译，将图像中的不同地物进行分类并提取出其变化信息。
通过建立合适的分类模型和利用高分辨率遥感图像的特征，可以实现对土地利用变化的精确监测。
4. 应用案例4.1 地质灾害识别地质灾害是一种自然灾害，具有突发性和破坏性。
利用遥感图像进行地质灾害识别可以提前发现并预警地质灾害，减少人员伤亡和财产损失。
遥感图像处理 Matlab图像处理
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
函数imread可以从任何Matlab支持的图像文件格式中以任意位深度 读取一幅图像。 [X,MAP]=imread(Filename,’FMT’) » Filename:读入的文件名。 » FMT为图像格式，如果不指定FMT参数，系统将根据文件名自
thresh=graythresh(I);%自动设定所需的最优化阈值
OTSU算法：最大类间方差法自动单阈值分割。
Kapur算法：一维直方图熵阈值算法
niblack算法：局部阈值分割 阈值的计算公式是T = m + k*v，其中m为以该像素点为中心的区域的平 均灰度值，v是该区域的标准差，k是一个系数。
/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');
figure；%创建一个新的窗口
figure；subplot（m,n,p）；imshow（I）；
Subplot(m,n,p)含义为：打开一个有m行n列图像位置的窗口， 并将焦点位于第p个位置上。
/1、图像的读取和显示
函数imshow可以自动对读入的图像进行调整显示，以获得最佳的显 示效果。
matlab遥感影像brovey融合方法
matlab遥感影像brovey融合方法
基于Brovey变换的图像融合也称为色彩标准化的融合，主要应用在遥感图
像融合中。
以下是使用MATLAB进行基于Brovey变换的遥感影像融合的
基本步骤：
1. 读取高分辨率全色图像和低分辨率多光谱图像。
2. 对高分辨率全色图像和低分辨率多光谱图像进行RGB分解，得到R、G、B三个通道图像。
3. 将高分辨率全色图像的R、G、B三个通道图像分别做直方图均衡化，得
到三个增强后的通道图像。
4. 对增强后的高分辨率全色图像的每个通道图像进行高斯滤波。
5. 将滤波后的高分辨率全色图像的每个通道图像与低分辨率多光谱图像的对应通道进行加权平均，得到融合后的图像。
以上步骤仅供参考，建议查阅专业书籍或咨询专业人士以获取更准确的信息。
- 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)。
基于Matlab的遥感图像处理
测绘工程1161641014 鲍家顺
摘要文章运用Matlab软件对遥感影像的不足之处进行处理改善,详细介绍了处理方法和处理的原理,对处理结果进行了比对分析,并进行了边缘检测与特征提取,论证了处理方法的可行性。
关键词图像处理;matlab ;均衡化;规定化;色彩平衡;边缘检测;特征提取
在获取遥感图像过程中,由于多种因素的影响,会导致图像质量的退化,为了改善图像质量,突出遥感图像中的某些信息,提高图像的视觉效果,需要对图像进行各方面的处理,如分段线形拉伸,对数变换,直方图规定化、正态化,图像滤波,纹理分析及目标检测等。
通过图像处理可以去除图像中的噪声,增强感兴趣的目标和周围背景图像间的反差,有选择地突出便于人或电脑分析的信息,抑制一些无用的信息,强调出图像的边缘,增强图像的识别方便性,从而进行边缘检测和特征提取。
图像写出函数,显示图像函数有image ( ) 、inshow ( ) 等。
[2 ]Matlab 图像处理工具箱处理工具提供了imhist () 函数来计算和显示图像的直方图, 提供了直方图均衡化的函数histeq() 、边缘检测函数edge ( ) 、腐蚀函数imerode () 、膨胀函数imdilate () 及二值图像转换函数im2bw () 等。
文中实验数据采用的是桂林市区灰度遥感图像,宽度为1024 像素,高度为713 像素。
文件读入：
讲workspace切入到图片所在图层：
Cd d:\
读入图片：
[x,cmap]=imread('m.PNG')； %将图片读入转换为矩阵
clf；imshow(x); %显示图片
原始图片
边缘检测特征提取的实现
x=rgb2gray(x); %将真彩色图像转换为灰度图像
J=edge(x,'canny',graythresh(x));
图像灰度直方图均衡化
clear;
[x,cmap]=imread('m.PNG')；
imshow(x);
x=rgb2gray(x); %将真彩色图像转换为灰度图像J=histq(x);
figure; imhist(J,64);
前后图片对比
图像滤波处理
clear;
cd d:\
[x,cmap]=imread('m.PNG');
J=imnoise(x,'gaussian',0,0.002); %加入高斯噪声
h=fspecial('average',3);
I2=uint8(round(filter2(h,x)));
%进行中值滤波
I3=medfilt2(J,[3,3]);
%进行维纳滤波
I4=wiener2(J,[3,3]); %进行一次维纳滤波
I5=wiener2(I4,[3,3]); %进行二次维纳滤波
subplot(2,3,1),imshow(I),title('原图象')
subplot(2,3,2),imshow(J),title('加噪声图象')
subplot(2,3,3),imshow(I2),title('均值滤波后图象')
subplot(2,3,4),imshow(I3),title('中值滤波后图象')
subplot(2,3,5),imshow(I4),title('维纳滤波后图象')
subplot(2,3,6),imshow(I5),title('两次维纳滤波后图象')
高斯噪声滤波结果：（其余图片不依依列出）
结论
当然，MATLAB中图像处理工具箱中所提供的图像处理功能远不止我上述的几种，如图像的几何运算，滤波器的设计，二值图像的处理（包括形态学的操作，特征测量等）以及区域处理等都可以在MATLAB的图像处理工具箱中找到处理的方法。
我们可以通过MATLAB提供的强大的帮助功能中得到他们的用法。
通过编写MATLAB的程序文件（M文件）可以建立自己的图像处理工具箱。