图像增强图像滤波边缘检测的MATLAB实现Word文档格式.docx

图像增强图像滤波边缘检测的MATLAB实现Word文档格式.docx

《图像增强图像滤波边缘检测的MATLAB实现Word文档格式.docx》由会员分享，可在线阅读，更多相关《图像增强图像滤波边缘检测的MATLAB实现Word文档格式.docx（8页珍藏版）》请在冰豆网上搜索。

J=histeq（I）;

%将灰度图像转换成具有64（默认）个离散灰度级的灰度图像

imshow（I）

）

figure,imshow（J）

直方图均衡化后的图像'

figure

（1）

subplot（121）;

imhist（I,64）

原始图像的直方图'

subplot（122）;

imhist（J,64）

均衡化的直方图'

（请自己运行查看）

分析：

从上图中可以看出，用直方图均衡化后，图像的直方图的灰度间隔被拉大了，均衡化的图像的一些细节显示了出来，这有利于图像的分析和识别。

直方图均衡化就是通过变换函数histeq将原图的直方图调整为具有“平坦”倾向的直方图，然后用均衡直方图校正图像。

下面利用直方图规定化对图像进行增强：

figure,imshow（I）;

hgram=50:

2:

250;

%规定化函数

J=histeq（I,hgram）;

figure,imshow（J）;

直方图规定化后的图像'

figure,imhist（I,64）;

figure,imhist（J,64）;

直方图规定化后的直方图'

运行结果：

变换灰度间隔后的图像和直方图：

1:

hgram=50:

5:

3 

图像滤波的Matlab实现

3.1conv2函数

功能：

计算二维卷积

格式：

C=conv2（A,B）

C=conv2（Hcol,Hrow,A）

C=conv2（...,'

shape'

说明：

对于C=conv2（A,B），conv2的算矩阵A和B的卷积，若[Ma,Na]＝size（A）,[Mb,Nb]=size（B）,则size（C）=[Ma+Mb-1,Na+Nb-1];

C=conv2（Hcol,Hrow,A）中，矩阵A分别与Hcol向量在列方向和Hrow向量在行方向上进行卷积；

C=conv2（...,'

）用来指定conv2

返回二维卷积结果部分，参数shape可取值如下：

》full为缺省值，返回二维卷积的全部结果；

》same返回二维卷积结果中与A大小相同的中间部分；

valid返回在卷积过程中，未使用边缘补0部分进行计算的卷积结果部分，当size（A）>

size（B）时，size（C）=[Ma-Mb+1,Na-Nb+1]。

3.2conv函数

计算多维卷积

与conv2函数相同

3.3filter2函数

计算二维线型数字滤波，它与函数fspecial连用

Y=filter2（B,X）

Y=filter2（B,X,'

对于Y=filter2（B,X），filter2使用矩阵B中的二维FIR滤波器对数据X进行滤波，结果Y是通过二维互相关计算出来的，其大

小与X一样；

对于Y=filter2（B,X,'

），filter2返回的Y是通过二维互相关计算出来的，其大小由参数shape确定，其取值如下

：

》full返回二维相关的全部结果，size（Y）>

size（X）；

》same返回二维互相关结果的中间部分，Y与X大小相同；

》valid返回在二维互相关过程中，未使用边缘补0部分进行计算的结果部分，有size（Y）<

size（X）。

3.4fspecial函数

产生预定义滤波器

H=fspecial（type）

H=fspecial（'

gaussian'

n,sigma） 

高斯低通滤波器

sobel'

） 

Sobel水平边缘增强滤波器

prewitt'

Prewitt水平边缘增强滤波器

laplacian'

alpha） 

近似二维拉普拉斯运算滤波器

log'

高斯拉普拉斯（LoG）运算滤波器

average'

n） 

均值滤波器

unsharp'

模糊对比增强滤波器

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）

J=imnoise（I,'

salt&

pepper'

%添加盐椒噪声，噪声密度为默认值0.05

添加盐椒噪声后的图像'

K1=filter2（fspecial（'

3）,J）/255;

%应用3×

3邻域窗口法

figure,imshow（K1）

3×

3窗的邻域平均滤波图像'

K2=filter2（fspecial（'

7）,J）/255;

%应用7×

7邻域窗口法

figure,imshow（K2）

7×

7窗的邻域平均滤波图像'

K3=filter2（fspecial（'

9）,J）/255;

%应用9×

9邻域窗口法

figure,imshow（K3）

9×

9窗的邻域平均滤波图像'

K4=filter2（fspecial（'

11）,J）/255;

%应用11×

11邻域窗口法

figure,imshow（K4）

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。

0.02）;

%添加盐椒噪声，噪声密度为0.02

）

K1=medfilt2（J）;

%在默认的3×

3的邻域窗中进行中值滤波

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

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（'

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。

%应用Laplacian算子对图像进行锐化

H=fspecial（'

%应用laplacian算子滤波锐化图像

laplacianH=filter2（H,I）;

figure,imshow（laplacianH）

laplacian算子锐化后的图像'

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,'

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）。

BW=edge（I,'

%以自动域值选择法对图像进行Sobel算子边缘检测

figure,imshow（BW）;

自动域值的Sobel算子边缘检测'

[BW,thresh]=edge（I,'

%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,'

0.02,'

%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）

域值为0.02的水平方向的sobel算子检测'

BW2=edge（I,'

%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）

域值为0.02的垂直方向的sobel算子检测'

BW3=edge（I,'

0.05,'

%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）

域值为0.05的水平方向的sobel算子检测'

BW4=edge（I,'

%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）

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：

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。

%以自动域值选择法对图像进行Prewitt算子边缘检测

自动域值的prewitt算子边缘检测'

%返回当前Prewitt算子边缘检测的阈值

prewitt算子自动选择的阈值为：

%以域值为0.02水平方向对图像进行Prewitt算子边缘检测

域值为0.02的水平方向的prewitt算子检测'

%以域值为0.02垂直方向对图像进行Prewitt算子边缘检测

域值为0.02的垂直方向的prewitt算子检测'

%以域值为0.05水平方向对图像进行Prewitt算子边缘检测

域值为0.05的水平方向的prewitt算子检测'

%以域值为0.05垂直方向对图像进行Prewitt算子边缘检测

域值为0.05的垂直方向的prewitt算子检测'

测试结果：

0.1399

（本资料素材和资料部分来自网络，仅供参考。

请预览后才下载，期待您的好评与关注！