实验三 数字图像的空间域滤波
实验三-数字图像的空间域滤波
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某个围的分量受到抑制，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围，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。
实验三_数字图像处理空域滤波
实验三空域滤波一实验目的1了解空域滤波的方法。
2掌握几种模板的基本原理。
二实验条件PC微机一台和MATLAB软件。
三实验内容1使用函数fspecial( ) 生成几种特定的模板。
2使用函数imfilter( ) 配合模板对图象数据进行二维卷积。
3比较各种滤波器的效果。
四实验步骤空域滤波一般分为线性滤波和非线性滤波。
空域滤波器根据功能分为平滑滤波器和锐化滤波器。
1）平滑空间滤波：平滑的目的有两种：一是模糊，即在提取较大的目标前去除太小的细节或将目标内的小间断连接起来；另一种是消除噪声。
线性平滑（低通）滤波器：线性平滑空域滤波器的输出是包含在滤波掩膜邻域内像素的简单平均值。
线性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，为了保持输出图像仍然在原来图像的灰度值范围内，模板与像素邻域的乘积都要除以9。
a用h=fspecial(‘average’) 得到的h 为3×3的邻域平均模板，然后用h来对图象lenna.gif进行平滑处理。
>> x=imread('lenna.gif');h=fspecial('average');y=imfilter(x,h);imshow(x);title('原始图像');subplot(1,2,2);imshow(y);title('均值滤波后图像')实验结果如图：b 把模板大小依次改为7×7，9×9和11×11，观察其效果有什么不同？>>x=imread('lenna.gif');subplot(1,4,1);imshow(x);title('原始图像');h=fspecial('average',7);y=imfilter(x,h);subplot(1,4,2);imshow(y);title('模板大小7*7的图像');h1=fspecial('average',9);y1=imfilter(x,h1);subplot(1,4,3);imshow(y1);title('模板大小9*9的图像');h2=fspecial('average',11);y2=imfilter(x,h2);subplot(1,4,4);title('模板大小11*11的图像')比较效果：造成图像的模糊，n选取的越大，模糊越严重。
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');。
实验三 空间滤波
实验三空间滤波实验目的通过本次实验，实现以下几个目标：1.理解空间滤波的含义；2.熟悉MATLAB中的各种滤波函数；3.掌握MATLAB中实现空间滤波的方法。
实验内容一、MATLAB实现空间滤波的方法在MATLAB中两种方法来实现空间滤波，一种是使用MATLAB中提供的滤波函数，另一种是直接对数据进行操作。
1、滤波函数filter2J=filter2(myfilt1,noisy)其中，noisy为图像，myfilt1为滤波器，J为滤波后的图像。
通过改变滤波器掩模，可实现平滑滤波和锐化滤波。
例一：b=imread('Fig3.35(a).jpg ');c=[0.111 0.111 0.1110.111 0.112 0.1110.111 0.111 0.111];d= filter2 (c,b);imshow(b,[0,255]);figure(2),imshow(d,[0,255]);上面的例子按步骤实现了：（1）读入实验图像；（2）定义均值滤波器；（3）均值滤波并显示均值滤波后的图像。
2、中值滤波函数medfilt2J=medfilt2(noisy,[hood,hood])其中，noisy为带噪图像，hood为滤波器尺寸，J为滤波后的图像，用中值滤波可去除椒盐噪声，达到平滑图像的目的。
例二：b=imread('Fig3.35(a).jpg ');d=medfilt2(b,[5, 5]); %[5, 5]为滤波模板的规格3、直接对数据进行操作使用for循环直接对数据进行操作，很直观，便于理解，可实现各种形式的滤波。
注意直接操作时要考虑边缘的处理。
例三：下面的代码实现了均值滤波a= imread('Fig3.35(a).jpg '); % Fig3.35(a).jpg为灰度图b=double(a);c=b;xy=imfinfo('Fig3.35(a).jpg ');x=xy.Width;y=xy.Height;for j=3:x-2,for i=3:y-2,c(i,j)=(b(i+1,j)+b(i,j+1)+b(i-1,j)+b(i,j-1)+b(i,j))/5; %在四邻域内平均endendimshow(c,[0 255],'notruesize');二、空间平滑滤波1.平滑线性滤波器使用不同尺寸的均值滤波器，例如3x3、5x5、9x9等等，对课本中96页的图像Fig3.35(a)进行处理并显示处理后的图像，仔细观察并与课本中的结果进行比较。
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。
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。
数字图像处理实验三图像滤波实验(模板运算)
实验三图像滤波实验（模板运算）一．实验目的：模板运算是空间域图象增强的方法，也叫模板卷积。
（1）平滑：平滑的目的是模糊和消除噪声。
平滑是用低通滤波器来完成，在空域中全是正值。
（2）锐化：锐化的目的是增强被模糊的细节。
锐化是用高通滤波器来完成，在空域中，接近原点处为正，在远离原点处为负。
二．实验内容：（1）利用线性空间滤波（均值滤波）对一幅图象进行平滑，验证模板尺寸和滤波参数对图象的模糊效果的影响。
（2）利用非线性空间滤波器（中值滤波）对一幅噪声图象（椒盐噪声）进行平滑去噪，同时检验两种滤波模板（分别使用一个5×5的线性邻域平均模板和一个非线性模板：3×3中值滤波器）对噪声的滤波效果。
（3）利用线性空间滤波器，对灰度图象分别利用二阶标准Laplacian算子和对角线Laplacian算子对其进行锐化操作，增强图像边缘，验证检测效果。
三．实验原理：1．用31×31均值滤波模板，并分别采用参数boundary_options默认值和‘replicate’对图像test_pattern进行平滑处理；用3×3，5×5，7×7均值滤波模板对图像lena平滑处理，观察不同参数、不同模板尺寸对滤波效果的影响。
1．线性空间滤波函数imfilter来实现线性空间滤波，语法为：g = imfilter(f, w, filtering_mode, boundary_options, size_options)其中，f是输入图像，w为滤波模板，g为滤波结果，filtering_mode用于指定在滤波过程中是使用相关运算(‘corr’)还是卷积运算(‘conv’)，相关就是按模板在图像上逐步移动运算的过程，卷积则是先将模板旋转180度，再在图像上逐步移动的过程，显然，若模板中心对称，则相关和卷积运算是相同操作，默认为相关运算；boundary_options用于处理边界充零问题，默认为赋零，若该参数为’replicate’表示输出图像边界通过复制原图像边界的值来扩展；size_options可以是’full’或’same’，默认为’same’，表示输出图像与输入图像的大小相同。
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。
b5E2RGbCAP1、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。
p1EanqFDPw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）。
DXDiTa9E3d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。
RTCrpUDGiT 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。
实验三数字图像地空间域滤波
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。
数字图像的空间域滤波和频域滤波
数字图像的空间域滤波和频域滤波indicator = np.random.randint(0, 2)# 灰度图像if ndim == 2:if indicator == 0:dst[x, y] = 0else:dst[x, y] = 255# 彩色图像elif ndim == 3:if indicator == 0:dst[x, y, :] = 0else:dst[x, y, :] = 255return dst高斯噪声：def addGaussianNoise(image,sigma):mean = 0.0row, col ,ch= image.shapegauss = np.random.normal(mean, sigma, (row, col,ch)) gauss = gauss.reshape(row, col,ch)noisy = image + gaussreturn noisy.astype(np.uint8)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。
加入椒盐噪声后图像的滤波：img1 =cv2.imread("D:\\mote.jpg",0)img=img1[100:300]src =salt_pepperNoise(img)cv2.imshow("origin",src)dst = cv2.blur(src,(3,3)) #均值滤波模板cv2.imshow("blur",dst)dst1 = cv2.medianBlur(src,5) #中值滤波cv2.imshow("medianBlur",dst1)dst2 = cv2.GaussianBlur(src,(3,3),0) #高斯滤波cv2.imshow("GaussianBlur",dst2)cv2.waitKey(0)cv2.destroyAllWindows()3) 进行低通滤波，显示处理后的图像。
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。
数字图像处理中的空间滤波数学原理探索
数字图像处理中的空间滤波数学原理探索数字图像处理是一门研究如何对图像进行数字化处理的学科。
在数字图像处理中，空间滤波是一种常用的技术，用于改善图像的质量、增强图像的细节以及去除图像中的噪声。
本文将探索数字图像处理中的空间滤波数学原理。
一、数字图像的表示和处理在数字图像处理中，图像被表示为一个二维矩阵，矩阵的每个元素代表图像中的一个像素点。
每个像素点的值表示了该点的亮度或颜色信息。
数字图像处理的目标是通过对图像矩阵进行各种操作，改变图像的外观和质量。
二、空间滤波的概念空间滤波是一种基于像素点周围邻域像素值的操作，通过对像素点及其邻域像素进行加权平均或其他运算，来改变图像的外观和质量。
空间滤波可以分为线性滤波和非线性滤波两种类型。
三、线性滤波的数学原理线性滤波是指滤波操作可以表示为线性函数的滤波方法。
在数字图像处理中，常用的线性滤波方法包括均值滤波、高斯滤波和中值滤波。
1. 均值滤波均值滤波是一种简单的线性滤波方法，它通过计算像素点周围邻域像素的平均值来实现。
均值滤波可以有效地去除图像中的噪声，但同时也会导致图像的模糊。
2. 高斯滤波高斯滤波是一种基于高斯函数的线性滤波方法，它通过对像素点周围邻域像素进行加权平均来实现。
高斯滤波可以有效地去除图像中的噪声，同时保持图像的细节。
3. 中值滤波中值滤波是一种基于排序统计的线性滤波方法，它通过对像素点周围邻域像素进行排序，然后取中间值作为滤波结果。
中值滤波可以有效地去除图像中的椒盐噪声，但对于其他类型的噪声效果较差。
四、非线性滤波的数学原理非线性滤波是指滤波操作不能表示为线性函数的滤波方法。
在数字图像处理中，常用的非线性滤波方法包括边缘保持滤波和维纳滤波。
1. 边缘保持滤波边缘保持滤波是一种基于图像边缘信息的非线性滤波方法，它通过保持图像的边缘信息来实现。
边缘保持滤波可以有效地增强图像的细节和轮廓。
2. 维纳滤波维纳滤波是一种基于图像和噪声的统计特性的非线性滤波方法，它通过最小化图像和噪声之间的均方误差来实现。
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)
缺点： 是需要更多的用户输入。
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。应提取目标区域的灰度值特性， 将图像进行二值化， 即可保留范围在I1-I2区 间范围的图像，将其余灰度值显示为黑色。
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。
优点：对于背景和前景都太亮或者太暗的图像非常有用，且计算量不大。
缺点：变换后图像的灰度级减少， 某些细节消失； 某些图像， 如直方图有高
峰，经处理后对比度不自然的过分增强。
灰度分段线性变换：
分段线性变换函数可以增强原图各部分的反差， 即增强输入图像中感兴趣的 灰度区域，相对抑制那些不感兴趣的灰度区域。
1.1
（
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。
1.
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。
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。
实验三图像滤波
实验三 图像滤波实验一、实验目的1.熟练掌握空域滤波中常用滤波器的原理；2.理解邻域平均、中值滤波降噪法等的图像增强原理；3.加深对图像增强的认识，巩固所学图像增强理论知识和相关算法；4.利用MATLAB 程进行图像滤波，观察增强效果。
二、实验原理以图像平滑为例：图像平滑方法是一种实用的图像处理技术，能减弱或消除图像中的高频率分量，但不影响低频率分量。
因为高频率分量主要对应图像中的区域边缘等灰度值较大变化较快的部分，平滑滤波将这些分量滤去可减少局部灰度起伏，使图像变得比较平滑。
实际应用中，平滑滤波还可用于消除突发噪声，或者在提取较大目标前去除过小的细节或将目标内的小间断连接起来。
1. 邻域平均法用窗口像素的平均值取代中心像素原来的灰度值。
邻域的选取通常有4-邻域和8-邻域。
∑∈=A y x y x f L j i g ),(),(1),( 2. 中值滤波与加权平均方式的平滑滤波不同，中值滤波是抑制噪声的非线性处理方法。
对于给定的n 个数值{a1,a2,…,an}，将它们按大小有序排列。
当n 为奇数时，位于中间位置的那个数值称为这n 各数值的中值。
当n 为偶数时，位于中间位置的两个数值的平均值称为这n 个数值的中值。
中值滤波，就是图像中滤波后的某像素输出值等于该像素邻域中各像素灰度的中值。
三、实验内容与步骤：按下面要求编写程序并运行对peppers.bmp 图像添加零均值“高斯”噪声，用3×3或9×9滑动平均模板进行降噪处理，观察平均降噪图像的效果。
1.对peppers.bmp 图像添加零均值“高斯”噪声程序代码如下：I=imread('d:\peppers.bmp');J=imnoise(I,'gaussian',0,0.02);subplot(1,2,1);imshow(I);title('原图');subplot(1,2,2);imshow(J);title('加噪处理后的图');运行结果如下：2.用3×3滑动平均模板进行降噪处理，观察平均降噪图像的效果程序代码如下：I=imread('d:\peppers.bmp');J=imnoise(I,'gaussian',0,0.02);[H,W]=size(J);M=double(J);M1=M;for j=2:H-1for k=2:W-1M1(j,k)=[M(j-1,k-1)+M(j-1,k)+M(j-1,k+1)+M(j,k-1)+M(j,k)+M(j,k+1)+M(j+1,k-1) +M(j+1,k)+M(j+1,k+1)]/9;end;end;subplot(1,3,1);imshow(I);title('原图');subplot(1,3,2);imshow(J);title('加噪处理');subplot(1,3,3);imshow(uint8(M1),[]);title('3*3邻域平均降噪处理');运行结果如下：3.对peppers.bmp图像添加“椒盐”噪声，分别采用5×5的矩形、圆形及十字形窗口进行中值滤波处理，观察处理结果。
数字图像处理空域滤波
矩形大小是50*120像素。
结果分析：
（1）噪声明显减少，但图像变模糊了。尤其是图像细
节域滤波器近似相同时。
（2）滤波器越大，模糊程度加剧。
线性滤波器——例2
提取感兴趣物体而模糊图像
统计排序滤波器
什么是统计排序滤波器？
是一种非线性滤波器，基于滤波器所在图
缺点：无法保证覆盖
0～255全范围
②先提取最小值
取反后加在差图像中
然后用乘每一像素
可保证结果
具体执行的模板右图图
中心正
中心负
拉普拉斯算子是强调灰度突变而减加重灰度慢变化的区域。
具体办法是：把原图像拉普拉斯图像叠加在一起，这样既能保
护拉氏锐化效果，同时又能复原背景信息。
f ( x, y ) 2 f ( x, y ) 拉氏模板中心轴为负
（3）沿着斜坡面微分值非0（ 0 ）
二阶微分也类似：
（1）平坦区为0
（2）在灰度阶梯或斜坡的起始点及中止点处为非0（ 0 ）
（3）沿常数斜率的斜坡面的微分0（=0）
对于一元函数表达一阶微分：f
x
f ( x 1) f ( x)
2 f
二阶微分： 2 f ( x 1) f ( x 1) 2 f ( x)
y
则有：
2
f [ f ( x 1, y ) f ( x 1, y ) f ( x, y 1) f ( x, y 1)] 4 f ( x, y ),
y2
图像相减时，可能出现负值，如何来解决？
例如：0～255
差图像要进行标定：
①每一像素+255
- 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。