3.4fspecial函数
功能：
产生预定义滤波器
格式：
H=fspecial（type）
H=fspecial（'gaussian',n,sigma） 高斯低通滤波器
H=fspecial（'sobel'） Sobel水平边缘增强滤波器
H=fspecial（'prewitt'） Prewitt水平边缘增强滤波器
H=fspecial（'laplacian',alpha） 近似二维拉普拉斯运算滤波器
H=fspecial（'log',n,sigma） 高斯拉普拉斯（LoG）运算滤波器
H=fspecial（'average',n） 均值滤波器
H=fspecial（'unsharp',alpha） 模糊对比增强滤波器
说明：
对于形式H=fspecial（type），fspecial函数产生一个由type指定的二维滤波器H，返回的H常与其它滤波器搭配使用。
4.滤波
4.1目的
运用中值滤波克服线性滤波器所带来的图像细节模糊。
4.2使用设备
PC兼容机一台，操作系统为Windows2000（或Windows98，WindowsXP，以下默认为Windows2000）
4.3使用滤波对图像进行增强
4.3.1线性滤波（邻域平均）
线性低通滤波器最常用的是线性平滑滤波器，这种滤波器的所有系数都是正的，也称邻域平均。
邻域平均减弱或消除了傅立叶变换的高频分量，对噪声的消除有所增强，但是由于平均而使图像变得更为模糊，细节的锐化程度逐渐减弱。
下面使用不同的平滑模板对图像进行滤波：
（二维线性滤波fliter2）
程序代码：
I=imread（'cameraman.tif'）;
imshow（I）
title（'原始图像'）
J=imnoise（I,'salt&pepper'）; %添加盐椒噪声，噪声密度为默认值0.05
figure,imshow（J）
title（'添加盐椒噪声后的图像'）
K1=filter2（fspecial（'average',3）,J）/255; %应用3×3邻域窗口法
figure,imshow（K1）
title（'3×3窗的邻域平均滤波图像'）
K2=filter2（fspecial（'average',7）,J）/255; %应用7×7邻域窗口法
figure,imshow（K2）
title（'7×7窗的邻域平均滤波图像'）
K3=filter2（fspecial（'average',9）,J）/255; %应用9×9邻域窗口法
figure,imshow（K3）
title（'9×9窗的邻域平均滤波图像'）
K4=filter2（fspecial（'average',11）,J）/255; %应用11×11邻域窗口法
figure,imshow（K4）
title（'11×11窗的邻域平均滤波图像'）
4.3.2中值滤波
中值滤波可以保留目标边缘，这是中值滤波器相对于均值滤波器的最大优势。
中值滤波具有去噪的性能，可以消除孤立的噪声点，可以用来减弱随机干扰和脉冲干扰，但是边缘不模糊。
程序代码：
I=imread（'cameraman.tif'）;
imshow（I）
title（'原始图像'）
J=imnoise（I,'salt&pepper',0.02）; %添加盐椒噪声，噪声密度为0.02
figure,imshow（J）
title（'添加盐椒噪声后的图像'）
K1=medfilt2（J）; %在默认的3×3的邻域窗中进行中值滤波
figure,imshow（K1）
title（'默认的3×3的邻域窗的中值滤波图像'）
K2=medfilt2（J,[55]）; %在5×5的邻域窗中进行中值滤波
figure,imshow（K2）
title（'5×5的邻域窗的中值滤波图像'）
从上可见，中值滤波的效果要比邻域平均的低通滤波效果好，中值滤波以后的图像的轮廓比较清晰，而且使用较小的模板得到的视觉效果反而好一些。
4.3.3锐化滤波
图像锐化处理的目的是使模糊图像变得清晰，锐化滤波器减弱或消除了傅立叶空间的低频分量，保留高频分量，从而加强了图像的轮廓，使图像看起来比较清晰。
下面应用Laplacian算子对图像进行锐化处理：
Laplacian算子是线性二次微分算子，其格式为：
h=fspecial（'laplacian',alpha），返回一个3×3的滤波器来近似二维Laplacian算子的形状，参数alpha决定了Laplacian算子的形状，alpha的取值范围为0.0~1.0，默认的值为0.2。
程序代码：
%应用Laplacian算子对图像进行锐化
I=imread（'cameraman.tif'）;
imshow（I）
title（'原始图像'）
H=fspecial（'laplacian'）;
%应用laplacian算子滤波锐化图像
laplacianH=filter2（H,I）;
figure,imshow（laplacianH）
title（'laplacian算子锐化后的图像'）
分析：
由图可以看出，应用了Laplacian算子对图像锐化以后，将图像区域的边缘轮廓勾划了出来，因此Laplacian算子对于边缘检测也具有很好的功效。
5.边缘检测
下面利用sobel算子对图像进行边缘检测：
使用edge函数实现图像的边缘检测，其调用格式为：
BW=edge（I,'sobel',thresh,direction） 根据指定的敏感阈值thresh用Sobel算子对图像进行边缘检测，edge函数忽略了所有小于阈值的边缘，如果没有指定阈值thresh或为空，函数自动选择参数值，direction指定Sobel算子边缘检测的方向，其参数值为'horizontal'，'vertical'或'both'（默认）。
程序代码：
I=imread（'cameraman.tif'）;
imshow（I）
title（'原始图像'）
BW=edge（I,'sobel'）;
%以自动域值选择法对图像进行Sobel算子边缘检测
figure,imshow（BW）;
title（'自动域值的Sobel算子边缘检测'）
[BW,thresh]=edge（I,'sobel'）;
%返回当前Sobel算子边缘检测的阈值
disp（'sobel算子自动选择的阈值为：
'）
disp（thresh）
BW1=edge（I,'sobel',0.02,'horizontal'）;
%以域值为0.02水平方向对图像进行Sobel算子边缘检测
figure,imshow（BW1）
title（'域值为0.02的水平方向的sobel算子检测'）
BW2=edge（I,'sobel',0.02,'vertical'）;
%以域值为0.02垂直方向对图像进行Sobel算子边缘检测
figure,imshow（BW2）
title（'域值为0.02的垂直方向的sobel算子检测'）
BW3=edge（I,'sobel',0.05,'horizontal'）;
%以域值为0.05水平方向对图像进行Sobel算子边缘检测
figure,imshow（BW3）
title（'域值为0.05的水平方向的sobel算子检测'）
BW4=edge（I,'sobel',0.05,'vertical'）;
%以域值为0.05垂直方向对图像进行Sobel算子边缘检测
figure,imshow（BW4）
title（'域值为0.05的垂直方向的sobel算子检测'）
测试结果图：
sobel算子自动选择的阈值为：
0.1433
由图可以看出，在采用水平和垂直方向的Sobel算子对图像进行边缘检测时，分别对应的水平和垂直方向上的边缘有较强的响应，阈值越小，检测的图像的边缘细节数越多，而增大阈值时，有些轮廓则未能检测出。
其用法和Sobel算子类似。
其调用格式为：
BW=edge（I,'prewitt',thresh,direction）根据指定的敏感阈值thresh用Prewitt算子对图像进行边缘检测。
程序代码：
I=imread（'cameraman.tif'）;
imshow（I）
title（'原始图像'）
BW=edge（I,'prewitt'）;
%以自动域值选择法对图像进行Prewitt算子边缘检测
figure,imshow（BW）;
title（'自动域值的prewitt算子边缘检测'）
[BW,thresh]=edge（I,'prewitt'）;
%返回当前Prewitt算子边缘检测的阈值
disp（'prewitt算子自动选择的阈值为：
'）
disp（thresh）
BW1=edge（I,'prewitt',0.02,'horizontal'）;
%以域值为0.02水平方向对图像进行Prewitt算子边缘检测
figure,imshow（BW1）
title（'域值为0.02的水平方向的prewitt算子检测'）
BW2=edge（I,'prewitt',0.02,'vertical'）;
%以域值为0.02垂直方向对图像进行Prewitt算子边缘检测
figure,imshow（BW2）
title（'域值为0.02的垂直方向的prewitt算子检测'）
BW3=edge（I,'prewitt',0.05,'horizontal'）;
%以域值为0.05水平方向对图像进行Prewitt算子边缘检测
figure,imshow（BW3）
title（'域值为0.05的水平方向的prewitt算子检测'）
BW4=edge（I,'prewitt',0.05,'vertical'）;
%以域值为0.05垂直方向对图像进行Prewitt算子边缘检测
figure,imshow（BW4）
title（'域值为0.05的垂直方向的prewitt算子检测'）
测试结果：
prewitt算子自动选择的阈值为：
0.1399
升级会员 