Matlab图像处理教程PPT资料.pptx

Matlab图像处理教程PPT资料.pptx

《Matlab图像处理教程PPT资料.pptx》由会员分享，可在线阅读，更多相关《Matlab图像处理教程PPT资料.pptx（86页珍藏版）》请在冰豆网上搜索。

由于图像阵列很大，直接在空间域中进行处理，涉及计算量很大。

因此，往往采用各种图像变换的方法，如傅立叶变换、沃尔什变换、离散余弦变换等间接处理技术，将空间域的处理转换为变换域处理，不仅可减少计算量，而且可获得更有效的处理（如傅立叶变换可在频域中进行数字滤波处理）。

目前新兴研究的小波变换在时域和频域中都具有良好的局部化特性，它在图像处理中也有着广泛而有效的应用。

2）图像编码与压缩。

图像编码压缩技术可减少描述图像的数据量（即比特数），以便节省图像传输、处理时间和减少所占用的存储器容量。

压缩可以在不失真的前提下获得，也可以在允许的失真条件下进行。

编码是压缩技术中最重要的方法，它在图像处理技术中是发展最早且比较成熟的技术。

3）图像增强和复原。

图像增强和复原的目的是为了提高图像的质量，如去除噪声，提高图像的清晰度等。

图像增强不考虑图像降质的原因，突出图像中所感兴趣的部分。

如强化图像高频分量，可使图像中物体轮廓清晰，细节明显；

如强化低频分量可减少图像中噪声影响。

图像复原要求对图像降质的原因有一定的了解，一般讲应根据降质过程建立“降质模型”，再采用某种滤波方法，恢复或重建原来的图像。

主要研究内容,4）图像分割。

图像分割是数字图像处理中的关键技术之一。

图像分割是将图像中有意义的特征部分提取出来，其有意义的特征有图像中的边缘、区域等，这是进一步进行图像识别、分析和理解的基础。

虽然目前已研究出不少边缘提取、区域分割的方法，但还没有一种普遍适用于各种图像的有效方法。

因此，对图像分割的研究还在不断深入之中，是目前图像处理中研究的热点之一。

5）图像描述。

图像描述是图像识别和理解的必要前提。

作为最简单的二值图像可采用其几何特性描述物体的特性，一般图像的描述方法采用二维形状描述，它有边界描述和区域描述两类方法。

对于特殊的纹理图像可采用二维纹理特征描述。

随着图像处理研究的深入发展，已经开始进行三维物体描述的研究，提出了体积描述、表面描述、广义圆柱体描述等方法。

6）图像分类（识别）。

图像分类（识别）属于模式识别的范畴，其主要内容是图像经过某些预处理（增强、复原、压缩）后，进行图像分割和特征提取，从而进行判决分类。

图像分类常采用经典的模式识别方法，有统计模式分类和句法（结构）模式分类，近年来新发展起来的模糊模式识别和人工神经网络模式分类在图像识别中也越来越受到重视。

研究目的,一般来讲,对图像进行处理（或加工、分析）的主要目的有三个方面:

（1）提高图像的视感质量,如进行图像的亮度、彩色变换，增强、抑制某些成分，对图像进行几何变换等，以改善图像的质量。

（2）提取图像中所包含的某些特征或特殊信息。

这些被提取的特征或信息往往为计算机分析图像提供便利。

提取特征或信息的过程是模式识别或计算机视觉的预处理。

提取的特征可以包括很多方面,如频域特征、灰度或颜色特征、边界特征、区域特征、纹理特征、形状特征、拓扑特征和关系结构等。

（3）图像数据的变换、编码和压缩，以便于图像的存储和传输。

/1、图像的读取和显示,一、图像的读取,A=imread（FILENAME,FMT）,FILENAME指定图像文件的完整路径和文件名。

如果在work工作目录下只需提供文件名。

FMT为图像文件的格式对应的标准扩展名。

A=imread（lean256.BMP）;

%读入图像,二、图像的写入,imwrite（A，FILENAME,FMT）,FILENAME参数指定文件名。

FMT为保存文件采用的格式。

imwrite（A,kk.bmp）;

/1、图像的读取和显示,三、图像的显示,imshow（I,lowhigh）,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。

figure；

imshow（I6）;

title（TheMainPassPartofTTC10373）;

matlab图像类型,二值图像索引图像灰度图像真彩图像多帧图像,/1、图像的读取和显示,四、图像的格式转换,im2bw（I,LEVEL）;

rgb2gray;

从RGB图创建灰度图，存储类型不变。

im2uint8将图像转换成uint8类型,阈值法从灰度图、RGB图创建二值图。

LEVEL为指定的阈值；

（0,1）。

im2double将图像转换成double类型,灰度图像能转成彩色图像吗？

/2、图像的几何运算,一、图像的加法运算,imadd（I,J）;

两幅图像的大小要一致，数据类型一致,二、图像的减法运算,imsubtract（I,J）;

imdivide（I,J）;

immultiply（I,J）;

三、图像的除法运算,四、图像的乘法运算,两幅图相乘除没有意义,/2、图像的几何运算,五、图像的缩放（p_6.m）,imresize（A,mrows，ncols,method）,六、图像的旋转,imrotate（A,angle,method）,methodNearest:

最近邻插值Bilinear:

双线性插值Bicubic:

双三次插值，系统默认值,图像的点运算,点运算是直接对图像的像素值进行操作的，不会改变图像像素的位置,常见的灰度变换,1比例线性灰度变换2分段线性灰度变换3非线性灰度变换,1比例线性灰度变换,2分段线性灰度变换,3非线性灰度变换,图像的直方图,灰度级0,L-1，灰度直方图用离散函数h（rk）表示rk为第k级灰度，nk是图像中具有灰度级rk的像素数目，0kL-1，0nkn-1，n为图像总的像素数目。

归一化的直方图：

函数histogram表示，简写为h。

灰度直方图的定义,图像直方图函数imhist,例：

I=imread（lena256.bmp）;

subplot（1,2,1）,imshow（I）;

subplot（1,2,2）,imhist（I）;

直方图均衡化,对于灰度级范围较低的灰度图像，可以通过直方图均衡化的方法来进行灰度变换。

Matlab使用histeq函数来实现直方图均衡化例：

I=imread（image1.bmp）;

G=imread（image2.bmp）;

K=histeq（I）;

subplot（3,2,1）,imshow（I）;

subplot（3,2,2）,imhist（I）;

subplot（3,2,3）,imshow（G）;

subplot（3,2,4）,imhist（G）;

subplot（3,2,5）,imshow（K）;

subplot（3,2,6）,imhist（K）;

通过实验，较窄的输入灰度级范围变换到了输出图像的整个亮度范围。

亮度和对比度都得到较大的增强。

四、灰度阈值变换及二值化,T为指定阈值,BW=im2bw（I,level）;

%level为人工设定阈值范围为0,1,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。

kittlerMet:

表示kittler最小分类错误（minimumerrorthresholding）全局二值化算法。

原图像,直接阈值分割0.25,自动阈值分割,OTSU算法分割,KittlerMet算法,Niblack算法,Kapur算法,MATLAB在图像空域滤波的应用,图像滤波按作用域分为两类，即空间域和频域处理。

（1）空域处理是直接对图像进行处理

（2）频域处理则是在图像的某个变换域内，对图像的变换系数进行运算，然后通过逆变换获得图像增强效果。

/4、空间域图像增强,一、噪声添加,h=imnoise（I,type,parameters）;

type为噪声类型，合法值如下：

添加高斯白噪声,添加椒盐噪声,/4、空间域图像增强,二、空间域滤波,滤波过程就是在图像f（x,y）中逐点移动模板，使模板中心和点（x,y）重合，滤波器在每一点（x,y）的响应是根据模板的具体内容并通过预先定义的关系来计算的。

空域滤波的步骤,

（1）定义中心点（x,y）

（2）对预先定义的以（x,y）为中心点的邻域内的像素进行运算（3）令运算结果为该点处处理的响应（4）对图像中的每一点重复此步骤,空域滤波基本原理,B=imfilter（f,w,option1,option2,）;

f为要进行滤波操作的图像。

w为滤波操作使用的模板，为一个二维数组，可自己定义。

option1是可选项，包括：

1、边界选项（symmetric、replicate、circular）2、尺寸选项（same、full）3、模式选项（corr、conv）,原图像,滤波后图像,三、滤波器设计,/4、空间域图像增强,h=fspecial（type,parameters）,parameters为可选项，是和所选定的滤波器类型type相关的配置参数，如尺寸和标准差等。

type为滤波器的类型。

其合法值如下：

线性滤波,均值滤波,MATLAB线性空间滤波函数imfilter,B=imfilter（A,H）A是输入图像，B是滤波后的输出图像，H是滤波模板例：

subplot（2,2,1）,imshow（I）K1=imfilter（I,fspecial（average,33）;

K2=imfilter（I,fspecial（average,55）;

K3=imfilter（I,fspecial（average,77）;

subplot（2,2,2）,imshow（K1）subplot（2,2,3）,imshow（K2）subplot（2,2,4）,imshow（K3）,均值滤波的优缺点,均值滤波可以去除均值为0的白噪声，但却使得图像边缘模糊。

加权的滤波模板可以较好的解决上述问题,典型加权平均算子,

（1）中心加权算子,2）中心和四邻点加权算子,加权均值滤波,I=imread（rec.bmp）;

subplot（2,2,1）,imshow（I）K1=imfilter（I,fspecial（gaussian,33）;

K2=imfilter（I,fspecial（gaussian,55）;

K3=imfilter（I,fspecial（gaussian,77）;

subplot（2,2,2）,imshow（K1）subplot（2,2,3）,imshow（K2）subplot（2,2,4）,imshow（K3）,非线性滤波器中值滤波,