实验三数字图像地空间域滤波
数字图像处理空间域滤波实验报告
一．实验目的1.掌握图像滤波的基本定义及目的；2.理解空间域滤波的基本原理及方法；3.掌握进行图像的空域滤波的方法。
4.掌握傅立叶变换及逆变换的基本原理方法；5.理解频域滤波的基本原理及方法；6.掌握进行图像的频域滤波的方法。
二．实验结果与分析1.平滑空间滤波：a)读出eight.tif这幅图像，给这幅图像分别加入椒盐噪声和高斯噪声后并与前一张图显示在同一图像窗口中；（提示：imnoise）b)对加入噪声图像选用不同的平滑（低通）模板做运算，对比不同模板所形成的效果，要求在同一窗口中显示；（提示:fspecial、imfilter或filter2）c)使用函数imfilter时，分别采用不同的填充方法（或边界选项，如零填充、’replicate’、’symmetric’、’circular’）进行低通滤波，显示处理后的图像采用不同的填充方式，效果略有不同。
d)运用for循环，将加有椒盐噪声的图像进行10次，20次均值滤波，查看其特点,显示均值处理后的图像；（提示:利用fspecial 函数的’average’类型生成均值滤波器）e)对加入椒盐噪声的图像分别采用均值滤波法，和中值滤波法对有噪声的图像做处理，要求在同一窗口中显示结果。
（提示:medfilt2）中值滤波后的图像比均值滤波后的图像更加平滑。
f)自己设计平滑空间滤波器，并将其对噪声图像进行处理，显示处理后的图像；滤波后图像变得平滑。
2.锐化空间滤波a)读出blurry_moon.tif这幅图像，采用3×3的拉普拉斯算子w =[ 1, 1, 1; 1 – 8 1; 1, 1, 1]对其进行滤波；观察原图与拉普拉斯掩模滤波后的图像，滤波后的图像不再那么平滑，使图像产生锐化效果。
b)编写函数w = genlaplacian(n)，自动产生任一奇数尺寸n的拉普拉斯算子，如5×5的拉普拉斯算子w = [ 1 1 1 1 11 1 1 1 11 1 -24 1 11 1 1 1 11 1 1 1 1]本函数见文件夹下genlaplacian.m文件。
数字图像处理图像滤波ppt课件
47
噪声图像
中值滤波3x3
48
平均滤波与中值滤波比较
噪声图像
均值滤波
中值滤波
均值滤波和中值滤波都采用的是2x2 的模板
49
均值，中值和最频值
均值是模板内像素点灰度的平均值，中值是数值排列 后处于中间的值，最频值是出现次数最多的灰度值；
8
常用像素距离公式
欧几里德距离
DE
(
p,
q)
x
s 2
y
t
2
范数距离
D( p, q) x s y t
棋盘距离
D( p, q) max x s , y t
9
像素间的基本运算
算术运算：
加法： p + q
减法： p - q
乘法： p * q
这三者都与直方图有着密切的关系； 直方图的一个峰对应一个区域，如果这个峰是对称的，
那么均值等于中值，等于最频值。
50
中值滤波的代码实现 Matlab中函数medfilt1和medfilt2，第一个是一维
的中值滤波，第二个是二维的中值滤波。 使用help查看函数功能
51
示例
52
代码讲解
0.25
0.10 0.05
0.125 01 2
34
56
7
P r 关系目标曲线 r
原始图像中的Ｐ－r点位置 对应变换后的P-r点位置
24
算法描述 设像素共分为L级(r = 0,1,2,…L1)，变换后对应的
数字图像的空间域平滑滤波
数字图像的空间域平滑滤波指导老师：张朝阳院系：电子信息与电气工程学院班级：Z1003423姓名：陆加海学号：1100342091完成日期：2010.5目录数字图像的空间域平滑滤波 (1)数字图像的空间域平滑滤波 (3)1. 实验目的 (3)2. 实验原理 (3)2.1 空间域平滑滤波基本原理 (3)2.2 空间域平滑滤波器 (3)3. 实验内容及实现方案 (3)3.1 实验内容 (3)3.2 实现方案 (4)4. 实验步骤 (4)4.1 噪声加入 (4)4.2 椒盐噪声在不同领域值下的均值滤波 (4)4.3 对椒盐噪声进行均值、中值滤波 (5)4.4 对高斯噪声进行均值、中值滤波 (5)4.5 自行设计空间滤波器 (5)5. 实验结果分析 (6)5.1 噪声加入 (6)5.2 椒盐噪声在不同领域值下的均值滤波 (6)5.3 对椒盐噪声进行均值、中值滤波 (6)5.4 对高斯噪声进行均值、中值滤波 (6)5.5 自行设计空间滤波器 (7)数字图像的空间域平滑滤波1.实验目的1）掌握图像空间域平滑滤波的基本定义及目的。
2）理解空间域平滑滤波的基本原理及方法。
3）掌握进行图像空间域平滑滤波的方法。
2.实验原理2.1 空间域平滑滤波基本原理空间域滤波是在图像空间中借助模板进行领域操作，处理图像每一个都是根据模板对输入像素相应领域内的像素值进行计算得到的。
空间域滤波器根据功能主要分为平滑滤波器和锐化滤波器。
平滑可用低通来实现，平滑的目的可分为两类：一类是模糊，目的是在提取较大的目标前去除太小的细节或将目标内的小肩端连接起来；另一类是消除噪声。
2.2 空间域平滑滤波器最常用的平滑滤波器有均值滤波器和中值滤波器。
均值滤波器是线性平滑滤波器，其所有系数都是正数对3×3模板来说，最简单的是取所有系数为1，为了保持图像仍然在原来图像的灰度值范围内，模块与像素领域的乘积都要除以9。
中值滤波器是一种常用的非线性平滑滤波器，其原理与均值滤波器原理类似，但计算的不是加权求和，而是把领域中的图像的像素按灰度级进行排序，然后选择组的中间值作为输出像素值。
实验三 图像的空间域滤波
1 A=imread('E:\pic\1.jpg');I=rgb2gray(A);subplot(1,3,1);imshow(I);title('原图');J=imnoise(I,'salt & pepper',0.05);subplot(1,3,2);imshow(J); title('加入椒盐噪声图象');K=imnoise(I,'gaussian',0.01,0.02);subplot(1,3,3);imshow(K);title('加入高斯噪声图象');2 A=imread('E:\pic\1.jpg');I=rgb2gray(A);Subplot(2,2,1);Imshow(I);title('原图');H=fspecial('motion',20,45);MotionBlur=imfilter(I,H,'replicate');Subplot(2,2,2);Imshow(MotionBlur);title('MotionBlur image'); H=fspecial('disk',10);blurred=imfilter(I,H,'replicate');Subplot(2,2,3);Imshow(blurred);title('Blurred image');H=fspecial('unsharp',0.5);Sharpened=imfilter(I,H,'replicate');Subplot(2,2,4);Imshow(Sharpened);title('sharpened image');3 A=imread('E:\pic\1.jpg');I=rgb2gray(A);J=imnoise(I,'salt & pepper',0.05);Subplot(2,2,1);imshow(J);title('加入椒盐噪声图象'); H=fspecial('motion',20,45);MotionBlur=imfilter(J,H,'replicate');Subplot(2,2,2);Imshow(MotionBlur);title('replicate');MotionBlur=imfilter(J,H,'symmetric');Subplot(2,2,3);Imshow(MotionBlur);title('symmetric');MotionBlur=imfilter(J,H,'circular');Subplot(2,2,4);Imshow(MotionBlur);title('circular');4A=imread('E:\pic\1.jpg');I=rgb2gray(A);J=imnoise(I,'salt & pepper',0.05);Aver=J;H=fspecial('average');for i =1:10Aver=imfilter(Aver,H,'replicate');endSubplot(1,3,1);imshow(J);title('加有椒盐噪声的图象'); Subplot(1,3,2);imshow(Aver);title('10次均值滤波图象¨'); for i = 1:10Aver=imfilter(Aver,H,'replicate');endSubplot(1,3,3);imshow(Aver);title('20次均值滤波图象');5 A=imread('E:\pic\1.jpg');I=rgb2gray(A);J=imnoise(I,'salt & pepper',0.05);Subplot(1,3,1);imshow(J);title('加有椒盐噪声的图象'); H=fspecial('average');Aver=imfilter(J,H,'replicate');Subplot(1,3,2);imshow(Aver);title('均值滤波后的图象'); Med=medfilt2(J);Subplot(1,3,3);imshow(Med);title('中值滤波后的图象');6 A=imread('E:\pic\1.jpg');f=rgb2gray(A);Subplot(1,2,1);imshow(f);title('原图');w=(1/16)*[1 2 1;2 4 2;1 2 1];f=im2double(f);g=imfilter(f,w,'replicate');Subplot(1,2,2);imshow(g);title('平滑滤波后的图象');1 A=imread('E:\pic\1.jpg');f=rgb2gray(A);w8=[1 1 1;1 -8 1;1 1 1];f=im2double(f);g8=f-imfilter(f,w8,'replicate');figure;Subplot(1,2,1);imshow(f);title('原图');Subplot(1,2,2);imshow(g8);title(' 用拉普拉斯算子滤波后的图象');2function w=genlaplacian(n)w=ones(n);x=ceil(n)/2;w(x,x)=-1*(n*n-1);3 A=imread('E:\pic\1.jpg');f=rgb2gray(A);w5=genlaplacian(5);f=im2double(f);g5=f-imfilter(f,w5,'replicate');w9=genlaplacian(9);g9=f-imfilter(f,w9,'replicate');w15=genlaplacian(15);g15=f-imfilter(f,w15,'replicate');w25=genlaplacian(25);g25=f-imfilter(f,w25,'replicate'); figure(1);imshow(f);title('原图');figure(2);Subplot(2,2,1);Imshow(g5);title('5x5的锐化增强图象'); Subplot(2,2,2);Imshow(g9);title('9x9的锐化增强图象'); Subplot(2,2,3);Imshow(g15);title('15x15的锐化增强图象'); Subplot(2,2,4);Imshow(g25);title('25x25的锐化增强图象');4 A=imread('E:\pic\1.jpg'); B=rgb2gray(A);I=double(B);[Gx,Gy]=gradient(I);G=sqrt(Gx.*Gx+Gy.*Gy);J1=G;Subplot(2,2,1);Imshow(J1,map);J2=I;K=find(G>=7);J2(K)=G(K);Subplot(2,2,2);Imshow(J2,map);J3=I;K=find(G>=7);J3(K)=255;Subplot(2,2,3);Imshow(J3,map);J4=I;K=find(G<=7);J4(K)=255;Subplot(2,2,4);Imshow(J4,map);5 I=imread('E:\pic\1.jpg');B=rgb2gray(I);A=double(B);domain=[ 1 1 1 1 1;1 1 1 1 1;1 1 -24 1 1;1 1 1 1 1;1 1 1 1 1 ];K=conv2(A,domain,'same');figureSubplot(1,2,1);imshow(B);title('原图');Subplot(1,2,2);imshow(K);title('锐化滤波后图象');。
空间滤波实验报告
空间滤波实验报告空间滤波实验报告引言：空间滤波是数字图像处理中常用的一种方法，它通过对图像像素进行加权平均或其他操作，以改善图像的质量和增强特定的图像细节。
在本次实验中，我们将探索几种常见的空间滤波技术，并评估它们在不同图像上的效果。
一、均值滤波均值滤波是一种简单的空间滤波方法，它通过计算像素周围邻域的平均值来平滑图像。
在本次实验中，我们选择了一张包含噪声的图像进行均值滤波处理。
结果显示，均值滤波能够有效地减少噪声，但同时也会导致图像的细节模糊化。
这是因为均值滤波是一种线性滤波方法，它对所有像素都施加相同的权重，无法区分图像中的边缘和纹理。
二、中值滤波中值滤波是一种非线性滤波方法，它通过将像素周围邻域的像素值排序并选取中间值来进行滤波。
与均值滤波相比，中值滤波能够更好地保留图像的细节信息。
在实验中，我们使用了一张包含椒盐噪声的图像进行中值滤波处理。
结果显示，中值滤波能够有效去除椒盐噪声，同时也能够保持图像的细节纹理。
这是因为中值滤波对于噪声像素有较好的鲁棒性，能够准确地估计图像中的真实像素值。
三、高斯滤波高斯滤波是一种基于高斯函数的空间滤波方法，它通过对像素周围邻域的像素值进行加权平均来平滑图像。
与均值滤波不同的是，高斯滤波对于不同像素位置的权重是不同的，它能够更好地保持图像的细节和边缘。
在实验中，我们对一张包含高斯噪声的图像进行了高斯滤波处理。
结果显示，高斯滤波能够有效地降低噪声水平，同时也能够保持图像的细节纹理。
这是因为高斯滤波能够根据像素周围邻域的像素值分布来调整权重，从而更好地平衡了图像的平滑度和细节保留。
四、边缘检测除了平滑图像，空间滤波还可以用于边缘检测。
边缘检测是一种常用的图像处理任务，它能够准确地提取图像中的边缘信息。
在实验中，我们使用了一张包含边缘的图像进行了边缘检测实验。
通过应用一种基于梯度的空间滤波算子，我们成功地提取出了图像中的边缘信息。
结果显示，边缘检测能够有效地突出图像中的边缘，但同时也会引入一定的噪声。
空间滤波实验观察报告
空间滤波实验观察报告实验目的：通过进行空间滤波实验，观察和分析不同滤波器对图像的处理效果和特点。
实验原理：空间滤波是基于图像中像素点周围的领域信息进行像素值改变的一种图像处理方法。
在本实验中，我们将使用一些常见的空间滤波器，如均值滤波器、中值滤波器和高斯滤波器。
实验步骤：1. 实验准备- 载入待处理的图像，确保图像格式正确。
- 选择合适的滤波器，如均值滤波器、中值滤波器和高斯滤波器。
2. 均值滤波实验- 将选择的滤波器应用于图像，将图像中每个像素点的值替换为其领域内像素点的平均值。
- 观察处理后的图像，注意边缘和细节的变化。
3. 中值滤波实验- 将选择的滤波器应用于图像，将图像中每个像素点的值替换为其领域内像素点的中值。
- 观察处理后的图像，注意对椒盐噪声和悬浮粒子等噪声的去除效果。
4. 高斯滤波实验- 将选择的滤波器应用于图像，将图像中每个像素点的值替换为其领域内像素点的加权平均值。
- 观察处理后的图像，注意平滑程度和对边缘的影响。
5. 记录观察结果- 针对每个滤波器，观察处理后的图像，记录并比较其效果和特点。
- 注意观察图像的细节变化、噪声去除效果和平滑程度等。
实验结果与分析：经过实验观察和比较，我们得出以下结论：- 均值滤波器对图像进行平滑处理，可以去除高频噪声，但会导致细节部分的模糊。
- 中值滤波器能够很好地去除椒盐噪声和其他离群像素，对图像的平滑效果也较好，但在某些情况下可能会对细节造成损失。
- 高斯滤波器在平滑图像的同时，对边缘的保留效果较好，能够更好地抑制高频噪声，但在一些情况下可能会导致图像的细节模糊。
综上所述，在不同的应用场景下，选择合适的空间滤波器可以实现对图像的不同处理需求。
根据实际需求，可以灵活选择对应的滤波器。
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——空间滤波
(1)理想低通滤波
• 低通滤波滤除噪声信号的同时也会使图像中的边缘平滑。 • 低通函数在频域中的分布（二维与三维视图）如下：
(1)理想低通滤波
图像更平滑 对比度降低
在频率域进行空间滤波
原始的图像及其频域分布
149 128 103 103 138 144 106 105 159 120 150 75 120 73 159 163 135 160 144 134 188 155 158 107 72 98 97 104 114 117 168 153 148 134 101 80 44 27 37 38
二维数字图像
• 高通滤波消除低频噪声同时也会使图像中的边缘明显。 • 高通函数在频域中的分布（二维与三维视图）如下：
(3)理想高通滤波
经过高通滤 波之后，图 像的边缘部 分被提取出 来
在频率域进行空间滤波
原始的图像及其频域分布
高通滤波后图像及其频域分布
(4)高斯高通滤波
• 图像中的细节大多是高频，高斯高通滤波滤会使图像的细节更 加明显，对比度更高。
https:///u013921430/article/details/84532068
(5)双边滤波
经双边滤波后图像整体的对比度变化不大，只有相邻像素值差异 明显的点被滤除了(可以类比美图的“磨皮”操作)。
原始的图像及其频域分布
双边滤波后图像及其频域分布
学好信号与系统 低通高通路路通
在频率域进行空间滤波原始的图像及其频域分布高通滤波后图像及其频域分布经过高通滤波之后图像的边缘部分被提取出图像中的细节大多是高频高斯高通滤波滤会使图像的细节更加明显对比度更高
数字图像处理-空间域处理-空间滤波-锐化空间滤波器
数字图像处理-空间域处理-空间滤波-锐化空间滤波器参考⾃：数字图像处理第三版-冈萨勒斯锐化处理的主要⽬的是突出灰度的过渡部分。
增强边缘和其他突变（噪声），削弱灰度变化缓慢的区域。
注意：垂直⽅向是x，⽔平⽅向是y基础图像模糊可⽤均值平滑实现。
因均值处理与积分类似，在逻辑上，我们可以得出锐化处理可由空间微分来实现。
微分算⼦的响应强度与图像的突变程度成正⽐，这样，图像微分增强边缘和其他突变，⽽削弱灰度变化缓慢的区域。
微分算⼦必须保证以下⼏点：(1)在恒定灰度区域的微分值为0；(2)在灰度台阶或斜坡处微分值⾮0；(3)沿着斜坡的微分值⾮0⼀维函数f(x)的⼀阶微分定义： ⼆阶微分定义：对于⼆维图像函数f(x,y)是⼀样的，只不过我们将沿着两个空间轴处理偏微分。
数字图像的边缘在灰度上常常类似于斜坡过渡，这样就导致图像的⼀阶微分产⽣较粗的边缘。
因为沿着斜坡的微分⾮0。
另⼀⽅⾯，⼆阶微分产⽣由0分开的⼀个像素宽的双边缘。
由此我们得出结论，⼆阶微分在增前细节⽅⾯⽐⼀阶微分好得多。
⼆阶微分-拉普拉斯算⼦我们要的是⼀个各向同性滤波器，这种滤波器的响应与滤波器作⽤的图像的突变⽅向⽆关。
也就是说，各向同性滤波器是旋转不变的，即将原图像旋转后进⾏滤波处理的结果和先对图像滤波然后再旋转的结果相同。
最简单的各向同性微分算⼦，即拉普拉斯算⼦⼀个⼆维图像函数f(x,y)的拉普拉斯算⼦定义为：任意阶微分都是线性操作，所以拉普拉斯变换也是⼀个线性算⼦。
于是：对应的滤波模板为下图a，这是⼀个旋转90°的各向同性模板，另外还有对⾓线⽅向45°的各向同性模板，还有其他两个常见的拉普拉斯模板。
a、b与c、d的区别是符号的差别，效果是等效的拉普拉斯是⼀种微分算⼦，因此它强调的是图像中灰度的突变。
将原图像和拉普拉斯图像叠加，可以复原背景特性并保持拉普拉斯锐化处理的效果。
如果模板的中⼼系数为负，那么必须将原图像减去拉普拉斯变换后的图像，从⽽得到锐化效果。
数字图像处理实验-滤波
实验三1．实验目的：（1）对指定图像进行均值、中值滤波增强，比较增强的效果；（2）对图片进行噪声处理，进行图像恢复；2．实验内容：对指定图像进行均值、中值滤波增强，比较增强的效果。
图1是一张原始人物图像，图2是一张近似20%像素带有冲激噪声后的人物图像。
现分别利用①5×5区域的邻域平均法和②5×5中值滤波法对图2进行去噪声处理，进行图像恢复。
将原始图像及增强后的图像都显示于屏幕上，观察两种方法对去噪的不同作用。
图1图23．实验结果（代码&结果可视化）1、利用已有的图像处理应用软件集成环境编写相应的平滑程序。
5×5邻域平均法：邻域平均是最简单的平滑滤波，即是将原图的一个像素的灰度值和它周围邻近的24个像素的灰度值相加，然后求得的平均值作为新图该像素的灰度值。
具体算法类似与图像锐化。
5×5中值滤波法：采用滑动窗口法设窗口为5×5 的矩形，该窗口在被处理的图像上逐点移动内含25个像素，每次移动均计算一次中值，赋给窗口中间点，作为其灰度，具体算法类似邻域平均。
2、核心程序：邻域平均核心算法类似梯度锐化，本报告只给出中值滤波的核心程序：// 开始中值滤波// 行(除去边缘几行)for(i = iFilterMY; i < lHeight - iFilterH + iFilterMY + 1; i++){// 列(除去边缘几列)for(j = iFilterMX; j < lWidth - iFilterW + iFilterMX + 1; j++){// 指向新DIB第i行第j个像素的指针lpDst = (unsigned char*)lpNewDIBBits + lLineBytes * (lHeight - 1 - i) + j;// 读取滤波器数组for (k = 0; k < iFilterH; k++){for (l = 0; l < iFilterW; l++){lpSrc = (unsigned char*)lpDIBBits + lLineBytes * (lHeight - 1 - i + iFilterMY - k) + j - iFilterMX + l;// 保存像素值aValue[k * iFilterW + l] = *lpSrc;}}// 获取中值* lpDst = GetMedianNum(aValue, iFilterH * iFilterW);}}4．实验分析和总结采用滤波器（低频/高频）处理后的图像可以更加平滑，可以对图像去除噪音，恢复到原始图像。
《数字图像处理》实验教案
《数字图像处理》实验教案一、实验目的与要求1. 实验目的（1）理解数字图像处理的基本概念和原理；（2）掌握常用的数字图像处理方法和技术；（3）培养实际操作数字图像处理软件的能力。
2. 实验要求（1）熟悉计算机操作系统和图像处理软件的使用；（2）了解图像处理的基本概念，如图像采样、量化、图像增强、滤波等；（3）能够根据实际需求选择合适的图像处理方法。
二、实验内容与步骤1. 实验内容（1）图像采样与量化；（2）图像增强；（3）图像滤波；（4）图像边缘检测；（5）图像分割。
2. 实验步骤（1）打开图像处理软件，导入实验所需图像；（2）进行图像采样与量化，观察图像质量的变化；（3）应用图像增强技术，改善图像的视觉效果；（4）利用图像滤波去除图像噪声，提高图像质量；（5）进行图像边缘检测和分割，提取感兴趣的区域。
三、实验原理与方法1. 图像采样与量化原理：图像采样是将图像在空间域上离散化，量化是将图像的像素值进行限制。
方法：设置采样间隔和量化级别，对图像进行采样和量化处理。
2. 图像增强原理：通过对图像像素值进行变换，提高图像的视觉效果。
方法：采用直方图均衡化、对比度增强、锐化等方法进行图像增强。
3. 图像滤波原理：通过卷积运算，去除图像噪声和冗余信息。
方法：选择合适的滤波器，如低通滤波器、高通滤波器、带阻滤波器等，对图像进行滤波处理。
4. 图像边缘检测原理：检测图像中像素值变化显著的点，找出图像的边缘。
方法：采用梯度算子、Sobel算子、Canny算子等方法进行边缘检测。
5. 图像分割原理：将图像划分为具有相似特征的区域，实现图像的分割。
方法：采用阈值分割、区域生长、边缘追踪等方法进行图像分割。
四、实验注意事项1. 实验前请确保熟悉图像处理软件的使用；2. 实验过程中注意调整参数的取值，观察图像效果的变化；五、实验评价与思考1. 实验评价（1）能否正确进行图像采样与量化；（2）能否有效地进行图像增强和滤波处理；（3）能否准确地进行图像边缘检测和分割；（4）实验报告的质量。
数字图像处理-空间域处理-空间滤波-平滑空间滤波器
数字图像处理-空间域处理-空间滤波-平滑空间滤波器参考⾃：数字图像处理第三版-冈萨勒斯平滑滤波⽤于模糊处理和降低噪声。
模糊处理常⽤于预处理任务中，如在⽬标提取之前去除图像中的⼀些琐碎细节，以及桥接直线或曲线的缝隙。
通过线性或⾮线性平滑滤波也可降低噪声。
线性滤波器均值滤波器（均值平滑、均值滤波）平均值或加权平均值常见的平滑处理应⽤就是降低噪声。
它会去除与滤波器模板尺⼨相⽐较⼩的像素区域。
然⽽，由于图像边缘也是由图像灰度尖锐变化带来的特性，所以均值滤波处理存在不希望有的边缘模糊效应。
空间均值处理的⼀个重要应⽤是为了对感兴趣的物体得到⼀个粗略的描述，模糊⼀幅图像。
这样，那些较⼩物体的灰度与背景融合在⼀起，较⼤物体变得像“斑点”⽽易于检测。
模板的⼤⼩由那些即将融⼊背景中的物体尺⼨来决定。
(b)中图像的⼀些部分或者融⼊背景中，或者亮度降低1"""2均值滤波3"""4import numpy as np5import cv2678# 定义函数，⽣成椒盐噪声图像9def salt_pepperNoise(src):10 dst = src.copy()11 num = 1000 # 1000个噪声点12 ndim = np.ndim(src)13 row, col = np.shape(src)[0:2]14for i in range(num):15 x = np.random.randint(0, row) # 随机⽣成噪声点位置16 y = np.random.randint(0, col)17 indicator = np.random.randint(0, 2) # ⽣成随机数0和1，决定是椒噪声还是盐噪声18# 灰度图像19if ndim == 2:20if indicator == 0:21 dst[x, y] = 022else:23 dst[x, y] = 25524# 彩⾊图像25elif ndim == 3:26if indicator == 0:27 dst[x, y, :] = 028else:29 dst[x, y, :] = 25530return dst313233# 定义函数，实现均值滤波34def meanFilter(src, wsize): # src为输⼊图像，wsize为窗⼝⼤⼩35 border = np.uint8(wsize/2.0) # 计算扩充边缘36 addBorder = cv2.copyMakeBorder(src, border, border, border, border, cv2.BORDER_REFLECT_101) # 扩充后37 dst = src.copy()38 filterWin = 1.0/(wsize**2) * np.ones((wsize, wsize), dtype=np.float32) # 定义窗⼝39 row, col = np.shape(addBorder)40# 滑动，开始滤波41for i in range(border, row-border):42for j in range(border, col-border):43 temp = addBorder[i-border:i+border+1, j-border:j+border+1]44 newValue = np.sum(temp * filterWin) # 均值滤波45 dst[i-border, j-border] = newValue46 dst = np.uint8(dst + 0.5)47return dst484950 img = cv2.imread('F:\program_study\Python\data\lena.tif', cv2.IMREAD_GRAYSCALE)51# ⽣成椒盐图52 saltPimg = salt_pepperNoise(img)53 cv2.imshow('saltPepper', saltPimg)54# 均值滤波55 MeanFimg = meanFilter(saltPimg, 3)56 cv2.imshow('MeanFilter', MeanFimg)57 cv2.waitKey(0)58 cv2.destroyAllWindows()均值平滑⾼斯滤波器（⾼斯平滑、⾼斯滤波）参考⾃：⾼斯滤波器是⼀种带权的平均滤波器，它的模板根据⾼斯函数计算得到。
数字图像处理实验 图像空间滤波
数字图像处理实验报告实验三图像空间滤波1、实验目的图像的空间滤波能够实现对图像锐化、亮度增强等操作，通过此功能能够得到所需图像，进行观察各种滤波器的区别与使用范围。
2、实验步骤（1）．通过如下污染一幅图像的方式创建一组带噪声的图像：•a加入高斯噪声 b加入椒盐噪声•使用如下技术:•创建2个平滑线形滤波器并分别对上述加噪图像实现线性滤波,比较其优劣, 并写入实验报告:•[ 1 1 1 [ 1 2 1• 1 1 1 2 4 2• 1 1 1 ] 1 2 1 ]（2）．实现中值滤波对上述加噪图像的处理结果,总结中值滤波和均值滤波各适合用于处理的噪声类型,并写入实验报告。
（3）.对一幅模糊的图像使用两种锐化空间滤波器进行增强，并比较效果。
3、实验源码(1)加入高斯噪声makeI=imnoise(W,'gaussian',0,0.005);figure,imshow(makeI);imwrite(makeI,'3-1-gaussian.jpg')(2)加入椒盐噪声makeI=imnoise(W,'salt & pepper',0.01);figure,imshow(makeI);imwrite(makeI,'3-1-salt.jpg')（3）创建两个平滑线性滤波器h=[1 1 1;1 1 1; 1 1 1]a.高斯噪声的图像I=imread('3-1-gaussian.jpg')K=rgb2gray(I)imshow(i)h=[1 1 1;1 1 1;1 1 1]I2 = filter2(h,K);imshow(I2,[]), colorbarb.椒盐噪声的图像W=imread('3-1-salt.jpg')T=rgb2gray(W)I2 = filter2(h,T);imshow(I2,[]), colorbarh=[1 2 1;2 4 2;1 2 1]a.高斯噪声的图像h=[1 2 1;2 4 2;1 2 1]I2 = filter2(h,i);imshow(I2,[]), colorbarb.椒盐噪声的图像I2 = filter2(h,T);imshow(I2,[]), colorbar实现中值滤波（椒盐），观察处理结果可知适于处理椒盐噪声R=imread('3-1-salt.jpg')T=rgb2gray(R)makeI=medfilt2(T,'symmetric');figure,imshow(makeI);实现中值滤波（高斯）R=imread('3-1-gaussian.jpg')T=rgb2gray(R)makeI=medfilt2(T,'symmetric');figure,imshow(makeI);4、实验截图原图加入高斯噪声后如下图：加入椒盐噪声后如下图：A.高斯噪声的图像处理如下：B ．椒盐噪声的图像处理如下：平滑线性滤波器h=[1 2 1；2 4 2；1 2 1] A ．对高斯噪声图像的处理如下：B．对椒盐噪声图像的处理如下：对已加入椒盐噪声的图像的处理如下：对已加入高斯噪声图像的处理如下：5、实验小结通过本次实验的观察：（1）、中值滤波更适于处理含有椒盐噪声的图像，噪声有明显的消除。
数字图像处理实验报告
数字图像处理实验报告一、引言数字图像处理是一门涉及图像获取、图像处理和图像分析的重要学科，广泛应用于计算机科学、电子工程、通信技术等领域。
本报告旨在介绍并总结我所进行的数字图像处理实验，讨论实验的目的、方法、结果和分析。
二、实验目的通过本次实验，旨在掌握和理解数字图像处理的基本原理和常见技术，包括灰度变换、空间域滤波、频域滤波等，以及层次分割、边缘检测和形态学处理等高级应用技术。
三、实验方法1. 寻找合适的图像在实验中，我选用了一张自然风景图像作为处理对象。
这张图像包含丰富的纹理和颜色信息，适合用于多种图像处理方法的验证和比较。
2. 灰度变换灰度变换是数字图像处理中常见的基础操作，可以通过对图像的像素灰度值进行线性或非线性变换，来调整图像的对比度、亮度等特征。
在实验中，我利用线性灰度变换方法将原始彩色图像转换为灰度图像，并进行对比度的调整，观察处理结果的变化。
3. 空间域滤波空间域滤波是一种基于像素邻域的图像处理方法，常用于图像去噪、边缘增强等应用。
我使用了平滑滤波和锐化滤波两种方法，并针对不同的滤波算子和参数进行了实验和比较，评估其对图像细节和边缘保留的影响。
4. 频域滤波频域滤波是一种基于图像的频谱特征的图像处理方法，广泛应用于图像增强、去噪和特征提取等方面。
我利用傅里叶变换将图像从空间域转换到频域，采用理想低通滤波器和巴特沃斯低通滤波器进行图像的模糊处理，并进行了实验对比和分析。
5. 高级应用技术在实验中，我还研究了数字图像处理中的一些高级应用技术，包括层次分割、边缘检测和形态学处理。
通过应用不同的算法和参数，我实现了图像区域分割、提取图像边缘和形态学形状变换等效果，评估处理结果的准确性和稳定性。
四、实验结果与分析通过对以上实验方法的实施，我获得了一系列处理后的图像，并进行了结果的比较和分析。
在灰度变换实验中，我发现线性变换对图像的对比度有较大影响，但对图像的细节变化不敏感；在空间域滤波实验中，平滑滤波可以有效降噪，但会导致图像细节损失，而锐化滤波可以增强图像的边缘效果，但也容易引入噪声；在频域滤波实验中，理想低通滤波对图像的模糊效果明显，而巴特沃斯低通滤波器可以在一定程度上保留图像的高频细节信息；在高级应用技术实验中，边缘检测和形态学处理对提取图像边缘和形状变换非常有效，但参数的选择会对结果产生较大影响。
图像增强—空域滤波实验报告
图像增强—空域滤波实验报告篇一：5.图像增强—空域滤波 - 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、实验目的进一步了解MatLab软件/语言，学会使用MatLab对图像作滤波处理，使学生有机会掌握滤波算法，体会滤波效果。
了解几种不同滤波方式的使用和使用的场合，培养处理实际图像的能力，并为课堂教学提供配套的实践机会。
二、实验要求(1)学生应当完成对于给定图像+噪声，使用平均滤波器、中值滤波器对不同强度的高斯噪声和椒盐噪声，进行滤波处理；能够正确地评价处理的结果；能够从理论上作出合理的解释。
(2)利用MATLAB软件实现空域滤波的程序：I=imread('electric.tif');J = imnoise(I,'gauss',0.02); %添加高斯噪声 J = imnoise(I,'salt & pepper',0.02); %添加椒盐噪声ave1=fspecial('average',3); %产生3×3的均值模版ave2=fspecial('average',5); %产生5×5的均值模版 K = filter2(ave1,J)/255; %均值滤波3×3 L = filter2(ave2,J)/255; %均值滤波5×5 M = medfilt2(J,[3 3]);%中值滤波3×3模板 N = medfilt2(J,[4 4]); %中值滤波4×4模板 imshow(I);figure,imshow(J); figure,imshow(K); figure,imshow(L); figure,imshow(M); figure,imshow(N);三、实验设备与软件(1) IBM-PC计算机系统(2) MatLab软件/语言包括图像处理工具箱(Image Processing Toolbox) (3) 实验所需要的图片四、实验内容与步骤a) 调入并显示原始图像Sample2-1.jpg 。
数字图像处理第4章 空间域滤波
前章介绍的灰度变换，输出图像中每个像素的灰度值，仅取决于输入图像中对应像素的灰度值和采用的变换函数，而与其邻域无关。
本章介绍的空间域滤波方法，在确定输出图像每个像素的灰度值时，其邻域将起重要作用。
所谓像素邻域，是指以该像素为中心一定空间范围内像素的集合。
空间域是指图像平面自身，空间域图像增强就是直接修改像素值的处理方法，所以灰度变换和空间域滤波（Spatial Filtering）都属于空间域图像增强。
4.1 关于滤波经典与现代滤波是从含有噪声或干扰的接收信号中提取有用信号的一种技术。
根据傅里叶分析和变换理论，任何满足一定条件的信号，都可以看成是由不同频率正弦信号成分线性叠加而成。
经典滤波器假定输人信号中的有用成分和希望去除的无用成分各自占有不同的频带，这样，当输入信号通过一个滤波器后，可以将无用成分有效去除。
如果信号和噪声等无用成分的频谱相互重叠，那么经典滤波器将无能为力。
现代滤波器理论则从含有噪声的数据样本中估计出信号的某些特征或信号本身。
它把信号和噪声都视为随机信号，利用其统计特征导出一套最佳的估值算法，然后用硬件或软件予以实现。
维纳滤波器（Wiener filter）便是这一类滤波器的典型代表。
此外，还有卡尔曼滤波器（Kalman filter）、自适应滤波器（Adaptive filter）等。
本章介绍的统计排序非线性空间域滤波器（Order statistics filter）也可归类为现代滤波器。
平滑与锐化如果滤波器输出中保留了信号的低频成分、去除了高频成分，那么该滤波器就是低通滤波器（low-pass filter）；反之，如果保留了信号中的高频成分、而去除低频成分，那么该滤波器就是高通滤波器（high-pass filter）。
低通滤波器能减弱像素灰度值的空间波动程度，使之变得平滑，故称平滑滤波器；而高通滤波器能提取图像中的纹理细节，可用于图像的锐化，提高图像的清晰度，又称锐化滤波器。
空间域滤波器(实验报告)
数字图像处理作业——空间域滤波器摘要在图像处理的过程中,消除图像的噪声干扰是一个非常重要的问题。
本文利用matlab软件,采用空域滤波的方式,对图像进行平滑和锐化处理。
平滑空间滤波器用于模糊处理和减小噪声，经常在图像的预处理中使用；锐化空间滤波器主要用于突出图像中的细节或者增强被模糊了的细节。
本文使用的平滑滤波器有中值滤波器和高斯低通滤波器，其中，中值滤波器对去除椒盐噪声特别有效，高斯低通滤波器对去除高斯噪声效果比较好。
使用的锐化滤波器有反锐化掩膜滤波、Sobel边缘检测、Laplacian边缘检测以及Canny算子边缘检测滤波器。
不同的滤波方式，在特定的图像处理应用中有着不同的效果和各自的优势。
1、分别用高斯滤波器和中值滤波器去平滑测试图像test1和2，模板大小分别是3x3 ， 5x5 ，7x7；利用固定方差 sigma=1.5产生高斯滤波器. 附件有产生高斯滤波器的方法。
实验原理分析：空域滤波是直接对图像的数据做空间变换达到滤波的目的。
它是一种邻域运算，其机理就是在待处理的图像中逐点地移动模板，滤波器在该点地响应通过事先定义的滤波器系数与滤波模板扫过区域的相应像素值的关系来计算。
如果输出像素是输入像素邻域像素的线性组合则称为线性滤波（例如最常见的均值滤波和高斯滤波），否则为非线性滤波（中值滤波、边缘保持滤波等）。
空域滤波器从处理效果上可以平滑空间滤波器和锐化空间滤波器：平滑空间滤波器用于模糊处理和减小噪声，经常在图像的预处理中使用；锐化空间滤波器主要用于突出图像中的细节或者增强被模糊了的细节。
模板在源图像中移动的过程中，当模板的一条边与图像轮廓重合后，模板中心继续向图像边缘靠近，那么模板的某一行或列就会处于图像平面之外，此时最简单的方法就是将模板中心点的移动范围限制在距离图像边缘不小于（n－1）/2个像素处，单处理后的图像比原始图像稍小。
如果要处理整幅图像，可以在图像轮廓边缘时用全部包含于图像中的模板部分来滤波所有图像，或者在图像边缘以外再补上一行和一列灰度为零的像素点（或者将边缘复制补在图像之外）。
- 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)。
实验三、四数字图像的空间域滤波和频域滤波1．实验目的1.掌握图像滤波的基本定义及目的。
2.理解空间域滤波的基本原理及方法。
3.掌握进行图像的空域滤波的方法。
4.掌握傅立叶变换及逆变换的基本原理方法。
5.理解频域滤波的基本原理及方法。
6.掌握进行图像的频域滤波的方法。
2．实验基本原理1.空间域增强空间域滤波是在图像空间中借助模板对图像进行领域操作，处理图像每一个像素的取值都是根据模板对输入像素相应领域内的像素值进行计算得到的。
空域滤波基本上是让图像在频域空间内某个范围的分量受到抑制，同时保证其他分量不变，从而改变输出图像的频率分布，达到增强图像的目的。
空域滤波一般分为线性滤波和非线性滤波两类。
线性滤波器的设计常基于对傅立叶变换的分析，非线性空域滤波器则一般直接对领域进行操作。
各种空域滤波器根据功能主要分为平滑滤波器和锐化滤波器。
平滑可用低通来实现，平滑的目的可分为两类：一类是模糊，目的是在提取较大的目标前去除太小的细节或将目标内的小肩端连接起来；另一类是消除噪声。
锐化可用高通滤波来实现，锐化的目的是为了增强被模糊的细节。
结合这两种分类方法，可将空间滤波增强分为四类：线性平滑滤波器（低通）非线性平滑滤波器（低通）线性锐化滤波器（高通）非线性锐化滤波器（高通）空间滤波器都是基于模板卷积，其主要工作步骤是：1)将模板在图中移动，并将模板中心与图中某个像素位置重合；2)将模板上的系数与模板下对应的像素相乘；3)将所有乘积相加；4)将和（模板的输出响应）赋给图中对应模板中心位置的像素。
2.平滑滤波器1)线性平滑滤波器线性低通平滑滤波器也称为均值滤波器，这种滤波器的所有系数都是正数，对3×3的模板来说，最简单的是取所有系数为1，为了保持输出图像任然在原来图像的灰度值范围内，模板与象素邻域的乘积都要除以9。
MATLAB 提供了fspecial 函数生成滤波时所用的模板，并提供filter2 函数用指定的滤波器模板对图像进行运算。
函数fspecial 的语法格式为：h=fspecial(type);h=fspecial(type,parameters);其中参数type 指定滤波器的种类，parameters 是与滤波器种类有关的具体参数。
表2.1 MATLAB中预定义的滤波器种类MATLAB 提供了一个函数imnoise 来给图像增添噪声，其语法格式为：J=imnoise(I,type);J=imnoise(I,type,parameters);参数type 指定噪声的种类，parameters 是与噪声种类有关的具体参数。
参数的种类见表2.2。
表2.2 噪声种类及参数说明2)非线性平滑滤波器中值滤波器是一种常用的非线性平滑滤波器，其滤波原理与均值滤波器方法类似，但计算的非加权求和，而是把领域中的图像的象素按灰度级进行排序，然后选择改组的中间值作为输出象素值。
MATLAB 提供了medfilt2 函数来实现中值滤波，其语法格式为：B=medfilt2(A,[m n]);B=medfilt2(A);其中，A 是原图象，B 是中值滤波后输出的图像。
[m n]指定滤波模板的大小，默认模板为3×3。
3.锐化滤波器图像平滑往往使图像中的边界、轮廓变得模糊，为了减少这类不利效果的影响，需要利用图像锐化技术，使图像的边缘变得清晰。
1)线性锐化滤波器线性高通滤波器是最常用的线性锐化滤波器。
这种滤波器的中心系数都是正的，而周围的系数都是负的，所有的系数之和为0。
对3×3 的模板来说，典型的系数取值为：[-1 -1 -1;-1 8 -1;-1 -1 -1]事实上这是拉普拉斯算子。
语句h=-fspecial(‘laplacian’,0.5)得到的拉普拉斯算子为：h =-0.3333 -0.3333 -0.3333-0.3333 2.6667 -0.3333-0.3333 -0.3333 -0.33332)非线性锐化滤波邻域平均可以模糊图像，因为平均对应积分，所以利用微分可以锐化图像。
图像处理中最常用的微分方法是利用梯度。
常用的空域非线性锐化滤波微分算子有sobel 算子、prewitt 算子、log 算子等。
4.频域增强频域增强是利用图像变换方法将原来的图像空间中的图像以某种形式转换到其他空间中，然后利用该空间的特有性质方便地进行图像处理，最后再转换回原来的图像空间中，从而得到处理后的图像。
频域增强的主要步骤是：选择变换方法，将输入图像变换到频域空间。
在频域空间中，根据处理目的设计一个转移函数，并进行处理。
将所得结果用反变换得到增强的图像。
常用的频域增强方法有低通滤波和高通滤波。
5.低通滤波图像的能量大部分集中在幅度谱的低频和中频部分，而图像的边缘和噪声对应于高频部分。
因此能降低高频成分幅度的滤波器就能减弱噪声的影响。
由卷积定理，在频域实现低通滤波的数学表达式：G(u,v) =H(u,v)F(u,v)1)理想低通滤波器（ILPF）2)巴特沃斯低通滤波器（BLPF）3)指数型低通滤波器（ELPF）6.高通滤波由于图像中的细节部分与其高频分量相对应，所以高通滤波可以对图像进行锐化处理。
高通滤波与低通滤波相反，它是高频分量顺利通过，使低频分量受到削弱。
高通滤波器和低通滤波器相似，其转移函数分别为:1)理想高通滤波器（IHPF）2)巴特沃斯高通滤波器（BLPF）3)指数型高通滤波器（ELPF）图像经过高通滤波处理后，会丢失许多低频信息，所以图像的平滑区基本上会消失。
所以，可以采用高频加强滤波来弥补。
高频加强滤波就是在设计滤波传递函数时，加上一个大于0小于1的常数c，即：H′(u,v) =H(u,v)+c3．实验内容与要求1.平滑空间滤波：1)读出eight.tif这幅图像，给这幅图像分别加入椒盐噪声和高斯噪声后并与前一张图显示在同一图像窗口中。
2)对加入噪声图像选用不同的平滑（低通）模板做运算，对比不同模板所形成的效果，要求在同一窗口中显示。
3)使用函数imfilter时，分别采用不同的填充方法（或边界选项，如零填充、’replicate’、’symmetric’、’circular’）进行低通滤波，显示处理后的图像。
4)运用for循环，将加有椒盐噪声的图像进行10次，20次均值滤波，查看其特点,显示均值处理后的图像（提示:利用fspecial 函数的’average ’类型生成均值滤波器）。
5) 对加入椒盐噪声的图像分别采用均值滤波法，和中值滤波法对有噪声的图像做处 理，要求在同一窗口中显示结果。
6) 自己设计平滑空间滤波器，并将其对噪声图像进行处理，显示处理后的图像。
2. 锐化空间滤波1) 读出blurry_moon.tif 这幅图像，采用3×3的拉普拉斯算子w = [ 1, 1, 1; 1 –8 1; 1, 1,1]对其进行滤波。
2) 编写函数w = genlaplacian(n)，自动产生任一奇数尺寸n 的拉普拉斯算子，如5×5的拉普拉斯算子w = [ 1 1 1 1 1 1 1 1 1 1 1 1 -24 1 1 1 1 1 1 1 1 1 1 1 1]3) 分别采用5×5，9×9，15×15和25×25大小的拉普拉斯算子对blurry_moon.tif进行锐化滤波，并利用式2(,)(,)(,)g x y f x y f x y =-∇完成图像的锐化增强，观察其有何不同，要求在同一窗口中显示。
4) 采用不同的梯度算子对blurry_moon.tif 进行锐化滤波，并比较其效果。
5) 自己设计锐化空间滤波器，并将其对噪声图像进行处理，显示处理后的图像；3. 傅立叶变换1) 读出woman.tif 这幅图像，对其进行快速傅立叶变换，分别显示其幅度图像和相位 图像。
仅对相位部分进行傅立叶反变换后查看结果图像。
2) 仅对幅度部分进行傅立叶反变换后查看结果图像。
3) 将图像的傅立叶变换F 置为其共轭后进行反变换，比较新生成图像与原始图像的差 异。
4. 平滑频域滤波1) 设计理想低通滤波器、巴特沃斯低通滤波器和高斯低通滤波器，截至频率自选，分 别给出各种滤波器的透视图。
2) 读出test_pattern.tif 这幅图像，分别采用理想低通滤波器、巴特沃斯低通滤波器和高斯低通滤波器对其进行滤波（截至频率自选），再做反变换，观察不同的截止频率下采用不同低通滤波器得到的图像与原图像的区别，特别注意振铃效应。
(提示:1)在频率域滤波同样要注意到填充问题；2）注意到(-1)x+y;)5. 锐化频域滤波1) 设计理想高通滤波器、巴特沃斯高通滤波器和高斯高通滤波器，截至频率自选，分 别给出各种滤波器的透视图。
2)读出test_pattern.tif这幅图像，分别采用理想高通滤波器、巴特沃斯高通滤波器和高斯高通滤波器对其进行滤波（截至频率自选），再做反变换，观察不同的截止频率下采用不同高通滤波器得到的图像与原图像的区别。
1.实验具体实现1.平滑空间滤波：1)读出eight.tif这幅图像，给这幅图像分别加入椒盐噪声和高斯噪声后并与前一张图显示在同一图像窗口中。
I=imread('eight.tif');imshow(I);J = imnoise(I,'salt & pepper',0.05); %noise density=0.05K= imnoise(I,'gaussian',0.01,0.01);subplot(131),imshow(I);subplot(132),imshow(J);subplot(133),imshow(K);图2.1 初始图像及椒盐噪声图像、高斯噪声污染图2)对加入噪声图像选用不同的平滑（低通）模板做运算，对比不同模板所形成的效果，要求在同一窗口中显示。
I=imread('eight.tif');H = fspecial('sobel');Sobel = imfilter(I,H,'replicate');H = fspecial('laplacian',0.4);lap = imfilter(I,H,'replicate');H = fspecial('gaussian',[3 3],0.5);gaussian = imfilter(I,H,'replicate');subplot(221),imshow(I);subplot(222),imshow(Sobel);subplot(223),imshow(lap);subplot(224),imshow(gaussian);图2.2 原图像及各类低通滤波处理图像3)使用函数imfilter时，分别采用不同的填充方法（或边界选项，如零填充、’replicate’、’symmetric’、’circular’）进行低通滤波，显示处理后的图像。