基于MATLAB的图像研究

基于MATLAB 的图像研究

直方图均衡化处理

基本原理

在实际应用中，希望能够有目的地增强某个灰度区间的图像， 即能够人为地修正直方图的形状， 使之与期望的形状相匹配，这就是直方图规定化的基本思想。换句话说，希望可以人为地改变直方图形状，使之成为某个特定的形状，直方图规定化就是针对上述要求提出来的一种增强技术，它可以按照预先设定的某个形状来调整图像的直方图。每一可能的灰度层次所占的像素个数尽量均等，每个像素具有同样的显示机会，从而使图像细节清晰，改善图像的整体对比度。

直方图及其均衡化结果

0.005

0.010.0150.020.025

00.005

0.010.0150.020.025

图1 直方图及其均衡化

空域图像处理

均值滤波

对一些图像进行线性滤波可以去除图像中某些类型的噪声。领域平均法就是一种非常适合去除通过扫描得到的图像中的噪声颗粒的线性滤波。

领域平均法是空间域平滑噪声技术。对于给定的图像()j i f ,中的每个像素点

()n m ,，取其领域S 。设S 含有M 个像素，取其平均值作为处理后所得图像像素

点()n m ,处的灰度。用一像素领域内各像素灰度平均值来代替该像素原来的灰度，即领域平均技术。

领域S 的形状和大小根据图像特点确定。一般取的形状是正方形、矩形及十字形等，S 的形状和大小可以在全图处理过程中保持不变，也可以根据图像的局部统计特性而变化，点(m,n)一般位于S 的中心。如S 为3×3领域，点(m,n)位于S 中心，则

()()∑∑-=-=++=111

1

,91,i j j n i m f n m f

中值滤波

中值滤波是一种非线性滤波，由于它在实际运算过程中并不需要图像的统计特性，所以比较方便。但是对一些细节多，特别是点、线、尖顶细节多的图像不宜采用中值滤波的方法。中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替。

设有一个一维序列1f ，，…，n f ，取窗口长度为m(m 为奇数)，对此序列进行中值滤波，就是从输入序列中2f 相继抽出m 个数，v i f -，…，1-i f ，…，1f ，…，

1+i f ，…，v i f +，其中i 为窗口的中心位置，2

1

-=

m v ，再将这m 个点按其数值大小排列，取其序号为正中间的那作为输出。用数学公式表示为：

{}v i i v i i f f f Med Y +-=,,,,ΛΛ

2

1

,-=

∈m v Z i

在进行滤波前，首先给图像添加噪声，在此，给图像添加高斯噪声和椒盐噪声，并进行均值滤波和中值滤波得到图像如下：

加入高斯噪声后图像加入椒盐噪声后图像

高斯噪声下均值滤波椒盐噪声下均值滤波

高斯噪声下中值滤波椒盐噪声下中值滤波

图2高斯噪声与椒盐噪声下的均值滤波与中值滤波

结果分析

中值滤波和均值滤波后，都残留一些噪点，但是均值滤波残留的噪点量要明显小于中值滤波。说明均值滤波对于线性的高斯噪声的滤波效果要优于中值滤波。

图像锐化

图像锐化的基本概述

图像在传输过程中，通常质量都要降低，除了噪声因素外，图像一般都要变得模糊。这主要是因为图像的传输或转换系统的传递函数对高频成分的衰减作用，造成图像的细节轮廓不清晰。图像锐化就是使灰度反差增强，从而增强图像中边缘信息，有利于轮廓抽取。因为轮廓或边缘就是图像中灰度变化率最大的地

方。因此，为了把轮廓抽取出来，就是要找一种方法把图像的最大灰度变化处找出来。

在拉普拉斯算子下的空域锐化结果如下：

拉普拉斯滤波图像（ui nt8）拉普拉斯滤波图像（doubl e）

原始图像中减去ui nt8原始图像中减去doubl e

图3 拉普拉斯算子下的空域锐化结果

频域图像处理

频率域平滑处理就是选择合适的低通滤波器对其频谱成分进行调整，然后经逆傅立叶变换得到平滑图像。其中常用的频率域平滑处理方法一般为频率域低通滤波法。频率域低通滤波是在分析图像信号的频率特征性时,一幅图像中的边缘、跳跃部分以及颗粒噪声代表图像信号的高频分量，而大面积的背景区则代表图像信号的低频分量。用滤波的方法滤除其高频部分就能去除噪声，使图像得到平滑。

Butterworth 滤波器下的平滑锐化处理

0.2

0.40.60.81

图4 频域低通滤波（平滑）

0.20.40.60.8

图5 频域高通滤波（锐化）

附录

%%%%%%%%%直方图及其均衡化

clear;

I=imread('peng.jpg');

I=rgb2gray(I);

I2=I;

add=[];

add1=[];

tab1=zeros(1,256);

tab2=zeros(1,256);

for n=0:255

X=I==n;

add=[add;sum(sum(X))];

end;

[a,b]=size(I);

final=add/(a*b);

for n=1:256

for i=1:n

tab1(n)=tab1(n)+final(i);

end;

end;

tab1=tab1*255;

tab2=round(tab1);

for n=1:a

for m=1:b

for t=0:255

if I(n,m)==t

I2(n,m)=tab2(t+1);

end;

end;

end;

end;

for n=0:255

X1=I2==n;

add1=[add1;sum(sum(X1))];

end;

[a1,b1]=size(I2);

final1=add1/(a1*b1);

figure;

subplot(211);stem(final,'Marker','none'); title('直方图') subplot(212);stem(final1,'Marker','none') ;title('直方图均衡化')

空域锐化滤波

clear all; close all

I = imread('peng.jpg');

w=fspecial('laplacian',0.2)

w8=[1,1,1;1,-8,1;1,1,1]I1= imfilter(I,w, 'replicate');

figure(1)

subplot(2,2,1),imshow(I1), title('拉普拉斯滤波图像（uint8）');

f = im2double(I);

f1= imfilter(f,w, 'replicate');

subplot(2,2,2), imshow(f1,[]), title('拉普拉斯滤波图像（double）'); f2= imfilter(f,w8, 'replicate');

f4 = f-f1;

f8 = f-f2;

subplot(2,2,3), imshow(f4);title('原始图像中减去 uint8');

subplot(2,2,4), imshow(f8);title('原始图像中减去double');

频域图像平滑和锐化

clc;clear all;close all;

f=imread ('peng.jpg');

[row,col]=size(f);

g=fft2(f);%二维离散傅里叶变换

gls1=fftshift(g);

gls2=fftshift(g);

H=zeros(row,col);

x0=floor(row/2);

y0=floor(col/2);

u0=x0;v0=y0;

D0=50;%截止频率

n=0.2;%滤波器阶数

for u=1:row

for v=1:col

D=(u-u0)^2+(v-v0)^2;

H1(u,v)=1/(1+(D/D0)^(2*n));

H2(u,v)=1/(1+(D0/D)^(2*n));

gls1(u,v) = gls1(u,v)*H1(u,v);%%% 低通滤波（平滑） gls2(u,v) = gls2(u,v)*H2(u,v);%%% 高通滤波（锐化）end

end

%%%%%%%%%%%%%% 频域图像平滑

figure(1)

rs1=ifftshift(gls1); %% 反频移

r1=real(ifft2(rs1)); %% 反变换

subplot (2,2,1);imshow(f);

subplot (2,2,2);imshow(uint8(r1));

subplot (2,2,3);imshow(f+uint8(r1));

subplot (2,2,4);

H3=H1(x0,y0:col);

plot(H3);

axis([0 y0 min(H3) max(H3)]);

频域图像锐化

figure(2)

rs2=ifftshift(gls2); %% 反频移

r2=real(ifft2(rs2)); %% 反变换subplot (2,2,1);imshow(f);

subplot (2,2,2);imshow(uint8(r2)); subplot (2,2,3);imshow(f+uint8(r2)); subplot (2,2,4);

H4=H2(x0,y0:col);

plot(H4);

axis([0 y0 min(H4) max(H4)]);

基于MATLAB的图像复原

基于MATLAB的图像复原 摘要 随着信息技术的发展，数字图像像已经充斥着人们身边的任意一个角落。由于图像的传送、转换，或者其他原因，可能会造成图像的降质、模糊、变形、质量下降、失真或者其他情况的图像的受损。本设计就针对“图像受损”的问题，在MATLAB环境中实现了利用几何失真校正方法来恢复被损坏的图像。几何失真校正要处理的则是在处理的过程，由于成像系统的非线性，成像后的图像与原图像相比，会产生比例失调，甚至扭曲的图像。 图像复原从理论到实际的操作的实现，不仅能改善图片的视觉效果和保真程度，还有利于后续的图片处理，这对医疗摄像、文物复原、视频监控等领域都具有很重要的意义。 关键字：图像复原；MATLAB；几何失真校正

目录 摘要 (1) 1 MATLAB 6.x 信号处理 (1) 2 图像复原的方法及其应用 (13) 2.1 图像复原的方法 (13) 2.2 图像复原的应用 (14) 3 几何失真校正实现 (15) 3.1 空间变换 (15) 3.1.1 已知()y x r,和()y x s,条件下的几何校正 (16) 3.1.2 ()y x r,和()y x s,未知条件下的几何失真 (16) 3.2 灰度插值 (17) 3.3 结果分析 (19) 参考文献 (20) 附录 (21)

1 MATLAB 6.x信号处理 （1）对MATLAB 6 进行了简介，包括程序设计环境、基本操作、绘图功能、M文件以及MATLAB 6 的稀疏矩阵这五个部分。MATLAB的工作环境有命令窗口、启动平台、工作空间、命令历史记录与当前路径窗口这四部分。M文件的编辑调试环境有四个部分的设置，分别是：Editor/Debugger的参数设置，字体与颜色的设置，显示方式的设置，键盘与缩进的设置。MATLAB采用路径搜索的方法来查找文件系统的M文件，常用的命令文件组在MATLAB文件夹中，其他M文件组在各种工具箱中。基本操作主要是对一些常用的基本常识、矩阵运算及分解、数据分析与统计这三方面进行阐述。MATLAB的基本操作对象时矩阵，所以对于矩阵的输入、复数与复数矩阵、固定变量、获取工作空间信息、函数、帮助命令进行了具体的描述。矩阵运算是MATLAB的基础，所有参与运算的数都被看做为矩阵。MATLAB中共有四大矩阵分解函数：三角分解、正交分解、奇异值分解以及特征值分解。数据分析与统计包括面向列的数据分析、数据预处理、协方差矩阵与相关系数矩阵、曲线拟合这四部分。MATLAB 中含有丰富的图形绘制寒素，包括二维图形绘制、三维图像绘制以及通用绘图工具函数等，同时还包括一些专业绘图函数，因此其具有很强大的绘图功能。简单的二维曲线可以用函数plot来绘制，而简单的三维曲线图则用plot3来绘制。在绘制图形时，MATLAB自动选择坐标轴表示的数值范围，并用一定的数据间隔标记做标注的数据，当然自己也可以指定坐标轴的范围与数据间隔。专业的绘图函数有绘梯度图制条形图、饼图、三维饼图、箭头图、星点图、阶梯图以及等高线。M文件时用户自己通过文本编辑器或字处理器生成的，且其之间可以相互调用，用户可以根据自己的需要，自我编写M文件。M文件从功能上可以分为底稿文件与函数文件两类，其中底稿文件是由一系列MATLAB语句组成的，而函数文件的第一行必须包含关键字“function”，二者的区别在于函数文件可以接受输入参数，并可返回输出参数，而底稿文件不具备参数传递的功能；在函数文件中定义及使用的变量大都是局部变量，只在本函数的工作区内有效，一旦退出该函数，即为无效变量，而底稿文件中定义或使用的变量都是全局变量，在退出文件后仍为有效变量。稀疏矩阵是一种特殊类型的矩阵，

基于Matlab基本图像处理程序

图像读入 ●从图形文件中读入图像 imread Syntax: A = imread(filename, fmt) filename：指定的灰度或彩色图像文件的完整路径和文件名。 fmt:指定图形文件的格式所对应的标准扩展名。如果imread没有找到filename所制定的文件,会尝试查找一个名为filename.fmt的文件。 A：包含图像矩阵的矩阵。对于灰度图像,它是一个M行N列的矩阵。如果文件包含 RGB真彩图像,则是m*n*3的矩阵。 ●对于索引图像，格式[X, map] = imread(filename, fmt) X：图像数据矩阵。 MAP：颜色索引表 图像的显示 ●imshow函数：显示工作区或图像文件中的图像 ●Syntax： imshow(I) %I是要现实的灰度图像矩阵 imshow(I,[low high]，param1, val1, param2, val2,...) %I是要现实的灰度图像矩阵，指定要显示的灰度范围，后面的参数指定显示图像的特定参数 imshow(RGB) imshow(BW) imshow(X,map) %map颜色索引表 imshow(filename) himage = imshow(...) ●操作：读取并显示图像 I=imread('C:\Users\fanjinfei\Desktop\baby.bmp');%读取图像数据 imshow(I);%显示原图像 图像增强 一．图像的全局描述 直方图（Histogram）：是一种对数据分布情况的图形表示，是一种二维统计图表，它的两个坐标分别是统计样本和该样本对应的某个属性的度量。 图像直方图（Image Histogram）：是表示数字图像中亮度分布的直方图，用来描述图象灰度值，标绘了图像中每个亮度值的像素数。 灰度直方图：是灰度级的函数，它表示图像中具有某种灰度级的像素的个数，反映了图 像中某种灰度出现的频率。描述了一幅图像的灰度级统计信息。是一个二维图，横坐标为图像中各个像素点的灰度级别，纵坐标表示具有各个灰度级别的像素在图像中出现的次数或概率。 归一化直方图：直接反应不同灰度级出现的比率。纵坐标表示具有各个灰度级别的像

基于matlab的图像识别与匹配

基于matlab的图像识别与匹配 摘要 图像的识别与匹配是立体视觉的一个重要分支，该项技术被广泛应用在航空测绘，星球探测机器人导航以及三维重建等领域。 本文意在熟练运用图像的识别与匹配的方法，为此本文使用一个包装袋并对上面的数字进行识别与匹配。首先在包装袋上提取出来要用的数字，然后提取出该数字与包装袋上的特征点，用SIFT方法对两幅图进行识别与匹配，最终得到对应匹配数字的匹配点。仿真结果表明，该方法能够把给定数字与包装袋上的相同数字进行识别与匹配，得到了良好的实验结果，基本完成了识别与匹配的任务。

1 研究内容 图像识别中的模式识别是一种从大量信息和数据出发，利用计算机和数学推理的方法对形状、模式、曲线、数字、字符格式和图形自动完成识别、评价的过程。 图形辨别是图像识别技术的一个重要分支，图形辨别指通过对图形的图像采用特定算法，从而辨别图形或者数字，通过特征点检测，精确定位特征点，通过将模板与图形或数字匹配，根据匹配结果进行辨别。 2 研究意义 数字图像处理在各个领域都有着非常重要的应用，随着数字时代的到来，视频领域的数字化也必将到来，视频图像处理技术也将会发生日新月异的变化。在多媒体技术的各个领域中，视频处理技术占有非常重要的地位，被广泛的使用于农业，智能交通，汽车电子，网络多媒体通信，实时监控系统等诸多方面。因此，现今对技术领域的研究已日趋活跃和繁荣。而图像识别也同样有着更重要的作用。 3 设计原理 3.1 算法选择 Harris 角点检测器对于图像尺度变化非常敏感，这在很大程度上限制了它的应用范围。对于仅存在平移、旋转以及很小尺度变换的图像，基于Harris 特征点的方法都可以得到准确的配准结果，但是对于存在大尺度变换的图像，这一类方法将无法保证正确的配准和拼接。后来，研究人员相继提出了具有尺度不变性的特征点检测方法，具有仿射不变性的特征点检测方法，局部不变性的特征检测方法等大量的基于不变量技术的特征检测方法。 David.Lowe 于2004年在上述算法的基础上，总结了现有的基于不变量技术的特征检测方法，正式提出了一种基于尺度空间的，对图像平移、旋转、缩放、甚至仿射变换保持不变性的图像局部特征，以及基于该特征的描述符。并将这种方法命名为尺度不变特征变换（Scale Invariant Feature Transform），以下简称SIFT 算法。SIFT 算法首先在尺度空间进行特征检测，并确定特征点的位置和特征点所处的尺度，然后使用特征点邻域梯度的主方向作为该特征点的方向特征，以实现算子对尺度和方向的无关性。利用SIFT 算法从图像中提取出的特征可用于同一个物体或场景的可靠匹配，对图像尺度和旋转具有不变性，对光照变化、

基于MATLAB的图像处理的基本运算

课程设计任务书 学生姓名：专业班级： 指导教师：工作单位： 题目: 基于MATLAB的图像处理的基本运算 初始条件： 要求完成的主要任务:（包括课程设计工作量及其技术要求，以及说明书撰写等具体要求） （1）能够对图像亮度和对比度变化调整，并比较结果 （2）编写程序通过最近邻插值和双线性插值等算法将用户所选取的图像区域进行放大和缩小整数倍的和旋转操作，并保存，比较几 种插值的效果 （3）图像直方图统计和直方图均衡，要求显示直方图统计，比较直方图均衡后的效果。 （4）对图像加入各种噪声，比较效果。 时间安排： 指导教师签名：年月日 系主任（或责任教师）签名：年月日 目录 摘要.......................................................................................................................... 错误!未定义书签。 1 MATLAB简介 ........................................................................................................ 错误!未定义书签。2图像选择及变换................................................................................................... 错误!未定义书签。 2.1 原始图像选择读取....................................................................................... 错误!未定义书签。 2.1.1 原理图的读入与基本变换 .................................................................... 错误!未定义书签。

基于MATLAB图像处理报告

基于M A T L A B图像处理报告一、设计题目 图片叠加。 二、设计要求 将一幅礼花图片和一幅夜景图片做叠加运算，使达到烟花夜景的美图效果。 三、设计方案 、设计思路 利用matlab强大的图像处理功能，通过编写程序，实现对两幅图片的像素进行线性运算，利用灰度变换的算法使图片达到预期的效果。 、软件介绍 MATLAB是matrix&laboratory两个词的组合，意为矩阵工厂（矩阵实验室）。是由美国mathworks公司发布的主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言（如C、Fortran）的编辑模式，代表了当今国际科学计算软件的先进水平。 MATLAB和Mathematica、Maple并称为三大数学软件。它在数学类科技应用软件中在数值计算方面首屈一指。MATLAB可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等，主要应用于工程计算、控制设计、信号处理与通讯、图像处理、信号检测、金融建模设计与分析等领域。 MATLAB的基本数据单位是矩阵，它的指令表达式与数学、工程中常用的形式十分相似，故用MATLAB来解算问题要比用C，FORTRAN等语言完成相同的事情简捷得多，并且MATLAB 也吸收了像Maple等软件的优点，使MATLAB成为一个强大的数学软件。在新的版本中也加入了对C，FORTRAN，C++，JAVA的支持。可以直接调用，用户也可以将自己编写的实用程序导入到MATLAB函数库中方便自己以后调用，此外许多的MATLAB爱好者都编写了一些经典的程序，用户直接进行下载就可以用。

基于MATLAB的图像恢复算法研究

中北大学 课程设计说明书 学生姓名：学号： 学生姓名：学号： 学生姓名：学号： 学院：信息商务学院 专业：电子信息工程 题目：信息处理综合实践: 基于MATLAB的图像恢复算法研究 指导教师：职称: 年月日

中北大学 课程设计任务书 13/14 学年第一学期 学院：信息商务学院 专业：电子信息工程 学生姓名：学号： 学生姓名：学号： 学生姓名：学号: 课程设计题目：信息处理综合实践: 于MATLAB的图像恢复算法研究起迄日期： 课程设计地点：电子信息科学与技术专业实验室 指导教师： 系主任： 下达任务书日期: 年月日

目录 摘要： (6) 1．图像复原的概念 (6) 1.1图像复原的定义 (6) 1.2 图象恢复与图象增强的异同 (6) 1.3 图象退化的原因 (6) 1.4 维纳滤波的研究历史 (6) 1.5图象退化举例 (7) 2．退化模型 (8) 2.1图象退化模型概述 (8) 2.2连续函数退化模型 (8) 2.3离散函数退化模型 (8) 3.图象复原技术 (9) 3.1无约束恢复 (9) 3.2逆滤波 (9) 3.3 维纳（Wiener）滤波器基本原理 (10) 3.4维纳滤波复原法 (11) 3.5图像复原例图 (12) 4．图像复原的MATLAB实现实例 (13) 5.结束语 (14) 参考文献： (14) 附录： (14) （1）.维纳滤波复原源代码： (14) （2）.规则化滤波复原程序源代码： (15) （3）.Lucy-Richardson复原滤波源代码： (15) （4）.盲目去卷积复原源代码： (15)

摘要： 图像复原是图象处理的一个重要课题。图像复原也称图象恢复，是图象 处理中的一大类技术。它的主要目的是改善给定的图像质量。当给定了一幅 退化了的或者受到噪声污染了的图像后，利用退化现象的某种先验知识来重 建或恢复原有图像是复原处理的基本过程。可能的退化有光学系统中的衍 射，传感器非线性畸变，光学系统的像差，摄影胶片的非线性，大气湍流的 扰动效应，图像运动造成的模糊及几何畸变等等。噪声干扰可以由电子成像 系统传感器、信号传输过程或者胶片颗粒性造成。各种退化图像的复原都 可归结为一种过程，具体地说就是把退化模型化，并且采用相反的过程进行 处理，以便恢复出原图像。文章介绍了图象退化的原因，几种常用的图像滤 波复原技术，以及用MATLAB实现图像复原的方法。 1．图像复原的概念 1.1图像复原的定义 图像复原也称图象恢复，是图象处理中的一大类技术。所谓图像复原，是指去除或减轻在获取数字图像过程中发生的图像质量下降（退化）这些退化包括由光学系统、运动等等造成图像的模糊，以及源自电路和光度学因素的噪声。图像复原的目标是对退化的图像进行处理，使它趋向于复原成没有退化的理想图像。成像过程的每一个环节（透镜，感光片，数字化等等）都会引起退化。在进行图像复原时，既可以用连续数学，也可以用离散数学进行处理。其次，处理既可在空间域，也可在频域进行。 1.2 图象恢复与图象增强的异同 相同点：改进输入图像的视觉质量。 不同点：图象增强目的是取得较好的视觉结果(不考虑退化原因)；图象恢复根据相应的退化模型和知识重建或恢复原始的图像(考虑退化原因)。 1.3 图象退化的原因 图象退化指由场景得到的图像没能完全地反映场景的真实内容，产生了失真等问题。其原因是多方面的。如： 透镜象差/色差 聚焦不准（失焦，限制了图像锐度） 模糊（限制频谱宽度） 噪声（是一个统计过程） 抖动（机械、电子） 1.4 维纳滤波的研究历史 维纳是著名的数学家，后来被誉为信息理论家。维纳的著作不仅是一个很好的创见，而且具有结合工程的实际意义，是线性滤波理论研究的一个重要的开端. 在第二次世界大战中，由于雷达的发明以及防空炮火控制的任务，把大量有修养的数学家和物理学家都动员到信息科学这个研究领域中来了，这个时候人们活跃于这个领域，并有许多重大的科学创造。数学家维纳对于滤波理论的研究成果，就是这时候重大的科学创见之一。

(完整版)数字图像处理MATLAB程序【完整版】

第一部分数字图像处理

实验一图像的点运算 实验1.1 直方图 一．实验目的 1．熟悉matlab图像处理工具箱及直方图函数的使用； 2．理解和掌握直方图原理和方法； 二．实验设备 1.PC机一台； 2.软件matlab。 三．程序设计 在matlab环境中，程序首先读取图像，然后调用直方图函数，设置相关参数，再输出处理后的图像。 I=imread('cameraman.tif');%读取图像 subplot(1,2,1),imshow(I) %输出图像 title('原始图像') %在原始图像中加标题 subplot(1,2,2),imhist(I) %输出原图直方图 title('原始图像直方图') %在原图直方图上加标题 四．实验步骤 1. 启动matlab 双击桌面matlab图标启动matlab环境； 2. 在matlab命令窗口中输入相应程序。书写程序时，首先读取图像，一般调用matlab自带的图像， 如:cameraman图像；再调用相应的直方图函数，设置参数；最后输出处理后的图像； 3．浏览源程序并理解含义； 4．运行，观察显示结果； 5．结束运行，退出； 五．实验结果 观察图像matlab环境下的直方图分布。 (a)原始图像 (b)原始图像直方图 六．实验报告要求 1、给出实验原理过程及实现代码； 2、输入一幅灰度图像，给出其灰度直方图结果，并进行灰度直方图分布原理分析。

实验1.2 灰度均衡 一．实验目的 1．熟悉matlab图像处理工具箱中灰度均衡函数的使用； 2．理解和掌握灰度均衡原理和实现方法； 二．实验设备 1.PC机一台； 2.软件matlab； 三．程序设计 在matlab环境中，程序首先读取图像，然后调用灰度均衡函数，设置相关参数，再输出处理后的图像。 I=imread('cameraman.tif');%读取图像 subplot(2,2,1),imshow(I) %输出图像 title('原始图像') %在原始图像中加标题 subplot(2,2,3),imhist(I) %输出原图直方图 title('原始图像直方图') %在原图直方图上加标题 a=histeq(I,256); %直方图均衡化，灰度级为256 subplot(2,2,2),imshow(a) %输出均衡化后图像 title('均衡化后图像') %在均衡化后图像中加标题 subplot(2,2,4),imhist(a) %输出均衡化后直方图 title('均衡化后图像直方图') %在均衡化后直方图上加标题 四．实验步骤 1. 启动matlab 双击桌面matlab图标启动matlab环境； 2. 在matlab命令窗口中输入相应程序。书写程序时，首先读取图像，一般调用matlab自带的图像， 如:cameraman图像；再调用相应的灰度均衡函数，设置参数；最后输出处理后的图像； 3．浏览源程序并理解含义； 4．运行，观察显示结果； 5．结束运行，退出； 五．实验结果 观察matlab环境下图像灰度均衡结果及直方图分布。 (a)原始图像 (b)均衡化后图像

基于MATLAB的图像处理字母识别

数字图像处理 报告名称：字母识别 学院：信息工程与自动化学院专业：物联网工程 学号：201310410149 学生姓名：廖成武 指导教师：王剑 日期：2015年12月28日 教务处制

目录 字母识别 1.---------------------测试图像预处理及连通区域提取 2.---------------------样本库的建立采集feature 3.---------------------选择算法输入测试图像进行测试 4.---------------------总结

字母识别 1.imgPreProcess（联通区域提取）目录下 conn.m：连通区域提取分割（在原图的基础上进行了膨胀、腐蚀、膨胀的操作使截取的图像更加接近字母） %%提取数字的边界，生成新的图 clear; clc; f=imread('5.jpg'); f=imadjust(f,[0 1],[1 0]); SE=strel('square',5); %%膨胀、腐蚀、膨胀 A2=imdilate(f,SE); SE=strel('disk',3) f=imerode(A2,SE) SE=strel('square',3); f=imdilate(f,SE); gray_level=graythresh(f); f=im2bw(f,gray_level); [l,n]=bwlabel(f,8) %%8连接的连接分量标注 imshow(f) hold on for k=1:n %%分割字符子句 [r,c]=find(l==k); rbar=mean(r); cbar=mean(c); plot(cbar,rbar,'Marker','o','MarkerEdgeColor','g','MarkerFaceColor',' y','MarkerSize',10); % plot(cbar,rbar,'Marker','*','MarkerEdgecolor','w'); row=max(r)-min(r) col=max(c)-min(c) for i=1:row for j=1:col seg(i,j)=1; end

基于MATLAB的运动模糊图像处理

基于MATLAB的运动模糊图像处理 提醒： 我参考了文献里的书目和网上的一些代码而完成的，所以误差会比较大，目前对于从网上下载的模糊图片的处理效果很不好，这是我第一次上传自己完成的实验的文档，希望能帮到一些人吧。 研究目的 在交通系统、刑事取证中图像的关键信息至关重要，但是在交通、公安、银行、医学、工业监视、军事侦察和日常生活中常常由于摄像设备的光学系统的失真、调焦不准或相对运动等造成图像的模糊，使得信息的提取变得困难。但是相对于散焦模糊，运动模糊图像的复原在日常生活中更为普遍，比如高速运动的违规车辆的车牌辨识，快速运动的人群中识别出嫌疑人、公安刑事影像资料中提取证明或进行技术鉴定等等，这些日常生活中的重要应用都需要通过运动模糊图像复原技术来尽可能地去除失真，恢复图像的原来面目。因此对于运动模糊图像的复原技术研究更具有重要的现实意义。 图像复原原理 本文探讨了在无噪声的情况下任意方向的匀速直线运动模糊图像的复原问题，并在此基础上讨论了复原过程中对点扩散函数(PSF)的参数估计从而依据自动鉴别出的模糊方向和长度构造出最为近似的点扩散函数，构造相应的复原模型，实现运动模糊图像的复原；在模糊图像自动复原的基础上，根据恢复效果图的纹理特征和自动鉴别出的模糊长度和角度，人工调整模糊方向和长度参数，使得复原效果达到最佳。 实验过程 模糊方向的估计： 对图1(a)所示的原始图像‘车牌’图像做方向θ=30?，长度L=20像素的匀速直线运动模糊，得到退化图像如图1(b)

1(a) 1(b) j=imread('车牌1.jpg'); figure(1),imshow(j); title('原图像'); len=20; theta=30; psf=fspecial('motion',len,theta); j1=imfilter(j,psf,'circular','conv'); figure,imshow(j1); title('PSF 模糊图像'); 图1(c)和1(d)分别为原图像和模糊图像的二次傅里叶变化

图像处理matlab程序实例

程序实例 1旋转: x=imread('d:\MATLAB7\work\flower.jpg'); y=imrotate(x,200,'bilinear','crop'); subplot(1,2,1); imshow(x); subplot(1,2,2); imshow(y) 2.图像的rgb clear [x,map]=imread('D:\Program Files\MATLAB\R2012a\bin\shaohaihe\shh1.jpg');y=x(90:95,90:95);imshow(y)R=x(90:95,90:95,1);G=x(90:95,90:95,2);B=x(90:95,90:95,3);R,G,B 3.加法运算clear I=imread('D:\Program Files\MATLAB\R2012a\bin\shaohaihe\shh3.jpg');J=imnoise(I,'gaussian',0,0.02);%向图片加入高斯噪声subplot(1,2,1),imshow(I);%显示图片subplot(1,2,2),imshow(J);K=zeros(242,308);%产生全零的矩阵，大小与图片的大小一样for i=1:100%循环100加入噪声J=imnoise(I,'gaussian',0,0.02);J1=im2double(J);K=K+J1;end K=K/100; figure,imshow(K);save

4.减法 clear I=imread('D:\Program Files\MATLAB\R2012a\bin\shaohaihe\shao.jpg'); J=imread('D:\Program Files\MATLAB\R2012a\bin\shaohaihe\shao1.jpg'); K=imsubtract(I,J);%实现两幅图相减 K1=255-K;%将图片求反显示 figure;imshow(I); title('有噪声的图'); figure;imshow(J); title('原图'); figure;imshow(K1); title('提取的噪声'); save 5.图像的乘法 H=imread('D:\Program Files\MATLAB\R2012a\bin\shaohaihe\shao.jpg'); I=immultiply(H,1.2);将此图片乘以1.2 J=immultiply(H,2); subplot(1,3,1),imshow(H); title('原图'); subplot(1,3,2),imshow(I); title('·放大1.2'); subplot(1,3,3),imshow(J); title('放大2倍'); 6除法运算 moon=imread('moon.tif'); I=double(moon); J=I*0.43+90; K=I*0.1+90; L=I*0.01+90; moon2=uint8(J); moon3=uint8(K); moon4=uint8(L); J=imdivide(moon,moon2); K=imdivide(moon,moon3); L=imdivide(moon,moon4); subplot(2,2,1),imshow(moon); subplot(2,2,2),imshow(J,[]); subplot(2,2,3),imshow(K,[]); subplot(2,2,4),imshow(L,[]);

MATLAB实现图像恢复设计报告

MATLAB实现图像恢复设计报告 一、设计目标及需求分析 设计目标：希望通过matlab设计一个软件来实现对CT图像的模糊再恢复的过程，是对现实中CT图像复原的一个简单仿真。 需求分析：随着网络和通信技术的发展，数字图像处理与分析技术已经在科学研究、工业生产、医疗卫生、教育等领域得到了广泛应用，对推动社会的发展和提高人们的生活水平都起到了重要作用[1]。而在医学CT影像中，CT图像的影响因素众多，包括部分容积效应，空间分辨力，密度分辨力，相机条件设定和噪声等[2]。这些因素会造成CT 图像模糊失真，需要对图像进行恢复，才能满足对临床诊断的要求。 二、设计概要 图像退化 三、详细设计 在GUI界面设计中选取三个静态文本分别叫“原始图像”、“模糊加噪图像”、“恢复图像”，添加三个坐标轴，三个按钮分别用于“读入原始图像”、“模糊和加噪”、“恢复”。 图一 GUI界面设计

①点击按钮“读入图像”，将选取的原始肺部CT图像导入第一个坐标轴中。 ②点击按钮“模糊和加噪”，对原始CT图像进行运动模糊，加入高斯噪声，生成的图像显示在第二个坐标轴中。 图二模糊和加噪 在这里用MATLAB图像处理工具函数fspecial生成了一个运动模糊的点扩展函数PSF，PSF 再与原图卷积得到模糊图像，这一步操作是为了模拟现实CT图像中由于病人身体的移动，心脏搏动和胃肠蠕动这些不自主的运动造成的伪影。在CT图像中的噪声有多种类型，有高斯噪声，椒盐噪声，泊松噪声，斑点噪声等。这里只引入了高斯噪声是由于通过查阅文献得知，CT图像中的噪声主要是高斯噪声[3]，是一个抽象简化的退化模型。 ③点击按钮“恢复”，对模糊和加噪的图像进行图像复原，将复原后的图像显示在第三个坐标轴上。

图像运算的MATLAB实现

rice=imread(‘rice.png’); % 读入图像 I=double(rice); % 数据类型转换 J=I*0.43+60; % 像素点算术运算 rice2=uint8(J) % 数据类型转换subplot(1,2,1),imshow(rice); % 原图绘制subplot(1,2,2),imshow(rice2); % 计算后图像绘制

X = uint8([ 255 10 75; 44 225 100]); Y = uint8([ 50 20 50; 50 50 50 ]); Z = imdivide(X,Y)

I = imread('rice.png'); % 读入图像background = imopen(I,strel('disk',15)); % 图像开运算Ip = imdivide(I,background); % 图像除法运算imshow(Ip,[]) % 显示运算后的图像

I = imread('rice.png'); % 读入图像 J = imdivide(I,2); % 图像除以一个常数subplot(1,2,1), imshow(I) % 显示原始图像subplot(1,2,2), imshow(J) % 显示运算后的图像

I = imread('cameraman.tif'); % 读入图像J = imlincomb(2,I); % 灰度值放大imshow(J) % 显示运算后的图像

I = imread('cameraman.tif'); % 读入图像 J = uint8(filter2(fspecial('gaussian'), I)); % 图像滤波 K = imlincomb(1,I,-1,J,128); % K(r,c) = I(r,c) - J(r,c) + 128 % 图像相减后加上一个常数figure, imshow(K) % 显示运算后的图像

基于matlab的人脸识别算法(PCA)

3.基于matlab的人脸识别算法 3.1 问题描述 对于一幅图像可以看作一个由像素值组成的矩阵，也可以扩展开，看成一个矢量，如一幅 N*N 象素的图像可以视为长度为N2 的矢量，这样就认为这幅图像是位于N2 维空间中的一个点，这种图像的矢量表示就是原始的图像空间，但是这个空间仅是可以表示或者检测图像的许多个空间中的一个。不管子空间的具体形式如何，这种方法用于图像识别的基本思想都是一样的，首先选择一个合适的子空间，图像将被投影到这个子空间上，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是各种距离度量。因此，本次试题采用PCA算法并利用GUI实现。 对同一个体进行多项观察时，必定涉及多个随机变量X1，X2，…，Xp，它们都是的相关性, 一时难以综合。这时就需要借助主成分分析来概括诸多信息的主要方面。我们希望有一个或几个较好的综合指标来概括信息，而且希望综合指标互相独立地各代表某一方面的性质。 任何一个度量指标的好坏除了可靠、真实之外，还必须能充分反映个体间的变异。如果有一项指标，不同个体的取值都大同小异，那么该指标不能用来区分不同的个体。由这一点来看，一项指标在个体间的变异越大越好。因此我们把“变异大”作为“好”的标准来寻求综合指标。3.1.1 主成分的一般定义 设有随机变量X1，X2，…，Xp，其样本均数记为，，…，，样本标准差记为S1，S2，…，Sp。首先作标准化变换，我们有如下的定义： (1) 若C1=a11x1+a12x2+ … +a1pxp，…，且使 Var(C1)最大，则称C1为第一主成分； (2) 若C2=a21x1+a22x2+…+a2pxp，…，(a21，a22，…，a2p)垂直于(a11，a12，…，a1p)，且使Var(C2)最大，则称C2为第二主成分； (3) 类似地，可有第三、四、五…主成分，至多有p个。 3.1.2 主成分的性质 主成分C1，C2，…，Cp具有如下几个性质： （1) 主成分间互不相关，即对任意i和j，Ci 和Cj的相关系数 Corr(Ci，Cj)=0 i j (2) 组合系数(ai1，ai2，…，aip)构成的向量为单位向量， (3) 各主成分的方差是依次递减的，即 Var(C1)≥Var(C2)≥…≥Var(Cp)

基于matlab数字图像处理与识别系统含程序

目录 第一章绪论 (2) 1.1 研究背景 (2) 1.2 人脸图像识别的应用前景 (3) 1.3 本文研究的问题 (4) 1.4 识别系统构成 (4) 1.5 论文的内容及组织 (5) 第二章图像处理的Matlab实现 (6) 2.1 Matlab简介 (6) 2.2 数字图像处理及过程 (6) 2.2.1图像处理的基本操作 (6) 2.2.2图像类型的转换 (7) 2.2.3图像增强 (7) 2.2.4边缘检测 (8) 2.3图像处理功能的Matlab实现实例 (8) 2.4 本章小结 (11) 第三章人脸图像识别计算机系统 (11) 3.1 引言 (11) 3.2系统基本机构 (12) 3.3 人脸检测定位算法 (13) 3.4 人脸图像的预处理 (18) 3.4.1 仿真系统中实现的人脸图像预处理方法 (19) 第四章基于直方图的人脸识别实现 (21) 4.1识别理论 (21) 4.2 人脸识别的matlab实现 (21) 4.3 本章小结 (22) 第五章总结 (22) 致谢 (23) 参考文献 (24) 附录 (25)

第一章绪论 本章提出了本文的研究背景及应用前景。首先阐述了人脸图像识别意义；然后介绍了人脸图像识别研究中存在的问题；接着介绍了自动人脸识别系统的一般框架构成；最后简要地介绍了本文的主要工作和章节结构。 1.1 研究背景 自70年代以来.随着人工智能技术的兴起.以及人类视觉研究的进展.人们逐渐对人脸图像的机器识别投入很大的热情，并形成了一个人脸图像识别研究领域，.这一领域除了它的重大理论价值外，也极具实用价值。 在进行人工智能的研究中，人们一直想做的事情就是让机器具有像人类一样的思考能力，以及识别事物、处理事物的能力，因此从解剖学、心理学、行为感知学等各个角度来探求人类的思维机制、以及感知事物、处理事物的机制，并努力将这些机制用于实践，如各种智能机器人的研制。人脸图像的机器识别研究就是在这种背景下兴起的，因为人们发现许多对于人类而言可以轻易做到的事情，而让机器来实现却很难，如人脸图像的识别，语音识别，自然语言理解等。如果能够开发出具有像人类一样的机器识别机制，就能够逐步地了解人类是如何存储信息，并进行处理的，从而最终了解人类的思维机制。 同时，进行人脸图像识别研究也具有很大的使用价依。如同人的指纹一样，人脸也具有唯一性，也可用来鉴别一个人的身份。现在己有实用的计算机自动指纹识别系统面世，并在安检等部门得到应用，但还没有通用成熟的人脸自动识别系统出现。人脸图像的自动识别系统较之指纹识别系统、DNA鉴定等更具方便性，因为它取样方便，可以不接触目标就进行识别，从而开发研究的实际意义更大。并且与指纹图像不同的是，人脸图像受很多因素的干扰:人脸表情的多样性;以及外在的成像过程中的光照，图像尺寸，旋转，姿势变化等。使得同一个人，

基于MATLAB的运动模糊图像恢复技术

基于MATLAB的运动模糊图像恢复技术 王洪珏 （温州医学院，浙江，温州） 摘要：MATLAB是当今流行的科学计算软件，它具有很强的数据处理能力。在其图像处理工具箱中有四个图像复原函数，本文就这些函数的算法原理、运用和恢复处理效果结合实力效果作简要对比讨论。 0前言 图像复原时图像处理中一个重要的研究课题。图像在形成、传输和记录的过程中，由于传感器的噪声、摄像机未对好焦、摄像机与物体相对运动、系统误差、畸变、噪声等因素的影响，使图像往往不是真实景物的完善影像。这种图像在形成、传输和记录过程中，由于成像系统、传输介质和设备的不完善，使图像质量下降的过程称为图像的退化。图像复原就是通过计算机处理，对质量下降的图像加以重建或恢复的过程。 图像复原过程一般为：找退化原因→建立退化模型→反向推演→图像复原 1算法产生概述 开发算法时，首先要创建图像退化的线性数学模型，接着选择准则函数，并以适当的数学形式表达，然后进行数学推演。推演过程中通常要进行表达形式（即空域形式、频域形式、矩阵-矢量形式或变换域形式）的相互转换，最后得到图像复原算式。 退化数学模型的空域、频域、矢量-矩阵表达形式分别是： g(x,y)=d(x,y)*f(x,y)+n(x,y) G(u,v)=D(u,v)〃F(u,v)+N(u,v) g=HF+n 其中：g(x,y)、d(x,y)、f(x,y)、n(x,y)分别为观测的退化图像、模糊函数、原图像、加性噪声，*为卷积运算符，（x=0,1,2，…，M-1），（y=0,1,2，…，N-1）。 2运动模糊的产生 景物与相机之间的相对运动通常会使相机所成的像存在运动模糊。对于线性移不变模糊，退化图像u0可以写成，u0=h*u+n，其中h为模糊核，*表示卷积，n为加性噪声。 由du/dt=0,文献[5]将这种运动模糊过程描述为波动方程：

基本数字(精选)图像处理算法的matlab实现

基本数字图像处理算法的matlab实现 1.数字图像处理的简单介绍 所谓数字图像就是把传统图像的画面分割成为像素的小的离散点，各像素的灰度值也是用离散值来表示的。 数字图像处理是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。 2.图像的显示与运算 2.1图像的显示 Matlab显示语句 imshow（I,[lowhigh]）%图像正常显示 I为要显示的图像矩阵。,[lowhigh]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。 subplot(m,n,p) 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。 2.2图像的运算 灰度化将彩色图像转化成为灰度图像的过程成为图像的灰度化处理。彩色图像中的每个像素的颜色有R、G、B三个分量决定，而每个分量有255中值可取，这样一个像素点可以有1600多万（255*255*255）的颜色的变化范围。而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像，其一个像素点的变化范围为255种，所以在数字图像处理种一般先将各种格式的图像转变成灰度图像以使后续的图像的计算量变得少一些。灰度图像的描述与彩色图像一样仍然反映了整幅图像的整体和局部的色度和亮度等级的分布和特征。图像的灰度化处理可用两种方法来实现。

第一种方法使求出每个像素点的R、G、B三个分量的平均值，然后将这个平均值赋予给这个像素的三个分量。 第二种方法是根据YUV的颜色空间中，Y的分量的物理意义是点的亮度，由该值反映亮度等级，根据RGB和YUV颜色空间的变化关系可建立亮度Y与R、G、B三个颜色分量的对应：Y=0.3R+0.59G+0.11B，以这个亮度值表达图像的灰度值。 灰度是灰度级的函数，它表示图象中具有每种灰度级的象素的个数，反映图象中每种灰度出现的频率。 图像增强的目标是改进图片的质量，例如增加对比度，去掉模糊和噪声，修正几何畸变等；图像复原是在假定已知模糊或噪声的模型时，试图估计原图像的一种技术。 Matlab图像格式转换语句 rgb2gray(I) %从RGB图创建灰度图 imhist(I) %画灰度直方图 图像的线性变换 D B=f(D A)=f A*D A+f B Matlab源代码： I1=imread('F:\图片2.jpg'); subplot(2,2,1);imshow(I1);title('原图'); I2=rgb2gray(I1); %灰度化图像 subplot(2,2,2);imshow(I2);title('灰度化后图'); [M,N]=size(I2); subplot(2,2,3) [counts,x]=imhist(I2,60); %画灰度直方图 counts=counts/M/N; stem(x,counts);title('灰度直方图'); g=zeros(M,N);%图像增强

基于MATLAB的人脸识别

基于ＭATＬAB的人脸识别

————————————————————————————————作者: ————————————————————————————————日期:

图像识别 题目:基于MＡTＬAB的人脸识别 院系:计算机科学与应用系 班级: 姓名： 学号： 日期：

设计题目基于MAＴLAＢ的人脸识别设 计技术参数 测试数据库图片10张训练数据库图片20张图片大小１02４×7６8 特征向量提取阈值 1 设计要求综合运用本课程的理论知识,并利用MAＴＬAB作为工具实现对人脸图片的预处理,运用ＰCA算法进行人脸特征提取，进而进行人脸匹配识别。 工作量 两周的课程设计时间，完成一份课程设计报告书，包括设计的任务书、基本原理、设计思路与设计的基本思想、设计体会以及相关的程序代码； 熟练掌握Maｔlab的使用。 工作计划第1-2天按要求查阅相关资料文献,确定人脸识别的总体设计思路； 第３-4天分析设计题目，理解人脸识别的原理同时寻求相关的实现算法；第５-８天编写程序代码，创建图片数据库,运用ＰCＡ算法进行特征提取并编写特征脸，上机进行调试； 第9-12天编写人脸识别程序,实现总体功能； 第13-1４天整理思路,书写课程设计报告书。 参考资料1 黄文梅，熊佳林,杨勇编著．信号分析与处理——MATAＬB语言及应用.国防科技大学出版社，2000 2 钱同惠编著.数字信号处理.北京:机械工业出版社，２004 3 姚天任,江太辉编著.数字信号处理．第2版.武汉:武汉理工大学出版社,200０ 4 谢平，林洪彬，王娜.信号处理原理及应用．机械工业出版社，２00４ 5刘敏，魏玲.Mａｔｌａb.通信仿真与应用.国防工业出版社，20０5 6 楼顺天.基于Ｍatlab7．x 的系统分析与设计.西安电子科技大学,200２ 7孙洪.数字信号处理.电子工业出版社，２001 目录 引言?错误!未定义书签。 1 人脸识别技术?错误!未定义书签。 1.1人脸识别的研究内容?错误!未定义书签。 1.1.1人脸检测(Faｃe Dｅｔection）........... 错误!未定义书签。