图像处理的matlab程序Word文档下载推荐.docx

图像处理的matlab程序Word文档下载推荐.docx

《图像处理的matlab程序Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《图像处理的matlab程序Word文档下载推荐.docx（27页珍藏版）》请在冰豆网上搜索。

）

%统计各灰度值像素个数，存储在p中，计算概率，存储在pi中

p=zeros（1,256）;

pr=zeros（1,256）;

sumpr=zeros（1,256）;

%累积概率密度

fork=1:

256;

p（k）=length（find（map==k））;

pr（k）=p（k）/pixsum;

sumpr

（1）=pr

（1）;

255

sumpr（i+1）=sumpr（i）+pr（i）;

%统计完成，概率计算完成，累积概率密度计算完成。

%绘制灰度直方图

figure

（2）

bar（0:

255,pr,'

g'

axis（[02550max（pr）]）

xlabel（'

灰度r'

ylabel（'

概率pi'

灰度直方图'

%灰度直方图绘制完成

%直方图拉伸。

（g-0）/（f-min）=（255-0）/（max-min）

A=max（max（map））;

B=min（min（map））;

%fig（i,j）=255/（A-B）*（map（i,j）-B）;

fig（i,j）=255*sumpr（map（i,j）+1）;

%直方图均衡化

fig=uint8（fig）;

pfig（k）=length（find（fig==k））;

pfigi（k）=pfig（k）/pixsum;

figure（3）

imshow（fig）

直方图拉伸后灰度图像'

figure（4）

255,pfigi,'

axis（[02550max（pfigi）]）

直方图拉伸化后灰度直方图'

%计算拉伸前后方差

mean_map=sum（sum（map））/（row*col）;

mean_fig=sum（sum（fig））/（row*col）;

var_map=sum（sum（（map-mean_map）.^2））/（row*col）;

var_fig=sum（sum（（fig-mean_fig）.^2））/（row*col）;

fprintf（'

拉伸前方差为：

%d'

var_map）

\n拉伸后方差为：

%d\n'

var_fig）

Sobel算子matlab实现：

BMW.jpg'

[m,n,l]=size（map1）;

I=zeros（m,n）;

%I=uint8（I）;

m

n

I（i,j）=0.11*map1（i,j,1）+0.59*map1（i,j,2）+0.3*map1（i,j,3）;

imshow（I,[]）

B=zeros（m,n）;

A=I;

fori=2:

m-1

forj=2:

n-1

sx=-1*A（i-1,j-1）-2*A（i,j-1）-1*A（i+1,j-1）...

+1*A（i-1,j+1）+2*A（i,j+1）+1*A（i+1,j+1）;

sy=-1*A（i-1,j-1）-2*A（i-1,j）-1*A（i-1,j+1）...

+1*A（i+1,j-1）+2*A（i+1,j）+1*A（i+1,j+1）;

B（i,j）=max（sx,sy）/4;

figure

（2）

imshow（B,[]）

title（'

Sobel算法处理后'

Scharr算子matlab实现：

sx=-3*A（i-1,j-1）-10*A（i,j-1）-3*A（i+1,j-1）...

+3*A（i-1,j+1）+10*A（i,j+1）+3*A（i+1,j+1）;

sy=-3*A（i-1,j-1）-10*A（i-1,j）-3*A（i-1,j+1）...

+3*A（i+1,j-1）+10*A（i+1,j）+3*A（i+1,j+1）;

B（i,j）=max（sx,sy）/15;

Scharr算法处理后'

Robert算子matlab实现：

fori=1:

m-1;

n-1;

B（i,j）=max（abs（A（i+1,j+1）-A（i,j））,abs（A（i+1,j）-A（i,j+1）））;

figure（4）

Robert算法处理后'

骨架提取和交叉点检测的matlab实现，用的是中轴法，细化法检测出来的是边缘，程序附后：

map（i,j）=0.11*map1（i,j,1）+0.59*map1（i,j,2）+0.3*map1（i,j,3）;

imshow（map,[]）

Y=zeros（row,col）;

%存储输出图像

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%5根据通道二值化

ifmap1（i,j,2）>

map1（i,j,1）&

&

map1（i,j,2）>

map1（i,j,3）

Y（i,j）=1;

else

Y（i,j）=0;

imshow（Y,[]）

二值化后图像'

%以下为骨架提取程序

temp=ones（row,col）;

N=0;

%统计邻域内非零像素个数。

T=0;

%统计0-1变换次数

80%大循环次数

fori=2:

row-1

forj=2:

col-1

a=[Y（i,j）,Y（i,j-1）,Y（i+1,j-1）,Y（i+1,j）,Y（i+1,j+1）,Y（i,j+1）,Y（i-1,j+1）,Y（i-1,j）,Y（i-1,j-1）];

%邻域元素排序。

中间为1，左边为2，逆时针分别为2---9

ifa

（1）==1

form=1:

8

ifa（m）==1

N=N+1;

forn=1:

7

ifa（n）==0&

a（n+1）==1

T=T+1;

ifa（8）==0&

a

（1）==1

if（N>

=2）&

（N<

=6）&

（T==1）&

（a

（2）*a（4）*a（6）==0）&

（a（4）*a（6）*a（8）==0）

temp（i,j）=0;

%标记要删除的点，标志为1

N=0;

T=0;

%删除点

iftemp（i,j）==0

%第一步完成

form=2:

9

ifa（8）==0

（a

（2）*a（4）*a（8）==0）&

（a

（2）*a（6）*a（8）==0）

temp（i,j）==0;

end

%第二步完成

%完成，输出

提取的骨架'

%以下为交叉点检测及标志，交叉点标注在灰度图中

temp1=zeros（row,col）;

fori=2:

c=sum（sum（Y（i-1:

i+1,j-1:

j+1）））;

ifc>

=4

temp1（i,j）=1;

iftemp1（i,j）==1

map（i,j）=255;

%标注完成，显示灰度图

标注的交叉点'

细化法（这个程序没有实现骨架提取，但仍提出供大家参考）：

%骨架提取，以前的思路是进行若干次腐蚀，直到腐蚀为空集的前一次，但效果不好。

%现在改成细化法。

skel=zeros（row,col）;

%细化索引表

tab=[0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,...

1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,1,...

0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,...

1,1,0,0,1,1,0,0,0,0,0,0,0,0,0,0,...

0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,...

1,1,0,0,1,1,0,0,1,1,0,1,1,1,0,1,...

1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,0,...

1,1,0,0,1,1,0,0,1,1,0,1,1,1,0,0,...

1,1,0,0,1,1,1,0,1,1,0,0,1,0,0,0];

B=[124;

8016;

3264128];

N=sum（sum（Y（i-1:

j+1）.*B））;

skel（i,j）=tab（N+1）;

%腐蚀完成

imshow（skel,[]）

提取的图像骨架'

LOG算法的matlab实现：

log=[-2-4-4-4-2;

...

-4080-4;

-48248-4;

-2-4-4-4-2];

A=I;

fori=3:

m-2

forj=3:

n-2

S=sum（sum（A（i-2:

i+2,j-2:

j+2）.*log））;

B（i,j）=S/56;

LOG算法处理后'

Kirsch算法的matlab实现：

[m,n,dep]=size（map1）;

tic

s=zeros（8,1）;

t=zeros（8,1）;

temp=sum（sum（A（[i-1:

i+1],[j-1:

j+1]）））-A（i,j）;

s

（1）=A（i-1,j-1）+A（i-1,j）+A（i-1,j+1）;

s

（2）=A（i-1,j）+A（i-1,j+1）+A（i,j+1）;

s（3）=A（i-1,j+1）+A（i,j+1）+A（i+1,j+1）;

s（4）=A（i,j+1）+A（i+1,j+1）+A（i+1,j）;

s（5）=A（i+1,j+1）+A（i+1,j）+A（i+1,j-1）;

s（6）=A（i+1,j）+A（i+1,j-1）+A（i,j-1）;

s（7）=A（i+1,j-1）+A（i,j-1）+A（i-1,j-1）;

s（8）=A（i,j-1）+A（i-1,j-1）+A（i-1,j）;

fork=1:

t（k）=temp-s（k）;

B（i,j）=max（max（abs（5*s-3*t）））/15;

Kirsch算法处理后'

toc%统计一下程序运行时间，可以见证这个算法速度较慢

均值、高斯和中值去噪的matlab实现：

%实现去噪处理的三个小算法，并显示噪声图。

%@@@@@@@@@@@@@@@@@@@@@均值滤波，存储在fig1中

fig1=zeros（row,col）;

fig1（i,j）=1/9*sum（sum（map（i-1:

%fig1（i,j）=1/9*（map（i-1,j-1）+map（i-1,j）+map（i-1,j+1）+map（i,j-1）+...

%map（i,j）+map（i,j+1）+map（i+1,j-1）+map（i,j+1）+map（i+1,j+1））;

%滤波完成，边缘处理，直接将原图边缘加入

fig1（1,:

）=map（1,:

fig1（row,:

）=map（row,:

fig1（:

1）=map（:

1）;

col）=map（:

col）;

fig1=uint8（fig1）;

%边缘处理完成

subplot（2,1,1）

imshow（fig1）

均值去噪'

fig11=map-fig1;

subplot（2,1,2）

imshow（fig11）

噪声图像'

%@@@@@@@@@@@@@@@@@@@@@加权滤波，存储在fig2中

fig2=uint8（zeros（row,col））;

model=uint8（[121;

242;

121]）;

fig2（i,j）=sum（sum（map（i-1:

j+1）.*model））/16;

%fig2（i,j）=1/16*（map（i-1,j-1）+2*map（i-1,j）+map（i-1,j+1）+2*map（i,j-1）+...

%4*map（i,j）+2*map（i,j+1）+map（i+1,j-1）+2*map（i,j+1）+map（i+1,j+1））;

fig2（1,:

fig2（row,:

fig2（:

imshow（fig2）

加权去噪'

fig21=map-fig2;

imshow（fig21）

%@@@@@@@@@@@@@@@@@@@@@中值滤波，存储在fig3中

fig3=uint8（zeros（row,col））;

sortmap=uint8（zeros（1,9））;

sortmap=sort（[map（i-1,j-1:

j+1）,map（i,j-1:

j+1）,map（i+1,j-1:

j+1）]）;

fig3（i,j）=sortmap（5）;

fig3（1,:

fig3（row,:

fig3（:

imshow（fig3）

中值去噪'

fig31=map-fig3;

imshow（fig31）

腐蚀和膨胀的matlab实现：

[row,col,dep]=