数字图像处理期末复习资料全Word格式.docx
《数字图像处理期末复习资料全Word格式.docx》由会员分享，可在线阅读，更多相关《数字图像处理期末复习资料全Word格式.docx（17页珍藏版）》请在冰豆网上搜索。
delY=50;
%平移量Y
mask=[10delX;
01delY;
001];
%平移的变换矩阵
fori=1:
m
forj=1:
n
tmp=[i;
j;
1];
tmp=mask*tmp;
%矩阵乘法得到的结果是一个3行1列的数
x=tmp（1,1）;
y=tmp（2,1）;
%判断变换后的位置是否越界
if（x<
=m）&
&
（y<
=n）&
（x>
=1）&
（y>
=1）
res（x,y）=Im（i,j）;
end
subplot（1,2,2）;
imshow（res）;
平移后的图像'
空域内对图像进行镜像运算（几何运算）
%灰度图像
clc
clear
img=imread（'
%读取图像
ifndims（img）==3%ndims（a）表示矩阵a的维数。
如果是彩色图像就转换为灰度图像
img=rgb2gray（img）;
%转换
subplot（1,3,1）;
imshow（img）;
原始图像'
img=im2double（img）;
%转换为double类型，使所有点在0-1之间
[m,n]=size（img）;
%获取图像大小
res1=zeros（m,n）+255;
%构造结果矩阵，加255将图像初始化为白色，不加就是黑色
res2=zeros（m,n）+255;
res1（i,n-j+1）=img（i,j）;
%水平镜像
res2（m-i+1,j）=img（i,j）;
%垂直镜像
subplot（1,3,2）;
imshow（res1）;
水平镜像'
subplot（1,3,3）;
imshow（res2）;
垂直镜像'
imwrite（res1,'
hor.bmp'
imwrite（res2,'
ver.bmp'
%彩色图像
[m,n,l]=size（img）;
res1=zeros（m,n,l）+255;
res2=zeros（m,n,l）+255;
fork=1:
l
res1（i,n-j+1,k）=img（i,j,k）;
res2（m-i+1,j,k）=img（i,j,k）;
空域内使用指定的模板对灰度图像进行平滑处理
[1]%均值滤波
ifnumel（size（img））>
figure;
imshow（img）;
img=double（img）;
%n是模板大小（即n×
n）
n=3;
a（1:
n,1:
n）=1;
%a即n×
n模板,元素全是1
[height,width]=size（img）;
%输入图像是[height,width]的,且hight>
n,width>
n
x1=double（img）;
x2=x1;
height-n+1
width-n+1
c=x1（i:
i+（n-1）,j:
j+（n-1））.*a;
%取出x1中从（i,j）开始的n行n列元素与模板相乘
s=sum（sum（c））;
%求c矩阵中各元素之和
x2（i+（n-1）/2,j+（n-1）/2）=s/（n*n）;
%将与模板运算后的各元素的均值赋给模板中心位置的元素
end
end
%未被赋值的元素取原值
pha=uint8（x2）;
imshow（pha）;
[2]%中值滤波（最大值滤波、最小值滤波）
i+（n-1）,j:
j+（n-1））;
%取出x1中从（i,j）开始的n行n列元素,即模板（n×
n的）
e=c（1,:
%是c矩阵的第一行
foru=2:
n
e=[e,c（u,:
）];
%将c矩阵变为一个行矩阵
%mm=median（e）;
%mm是中值（mm=max（e）是最大值，mm=min（e）是最小值）
mm=min（e）;
x2（i+（n-1）/2,j+（n-1）/2）=mm;
%将模板各元素的中值赋给模板中心位置的元素
彩色图像平滑处理（均值滤波）
if（numel（size（img））<
3）
disp（'
请输入彩色图像'
else
subplot（2,3,1）;
img=imnoise（img,'
gaussian'
%g=imnoise（f，‘gaussian’，m，var）是将均值为m，方差为var的高斯噪声加到图像f上。
m的默认值是0、var默认值是0.01
subplot（2,3,2）;
添加噪声后的图像'
%分解
img=double（img）;
R=img（:
:
1）;
G=img（:
2）;
B=img（:
3）;
%对彩色图像的R分量进行平滑处理，而其它分量保持不变
[m,n]=size（R）;
fori=2:
m-1
forj=2:
n-1
R（i,j）=（R（i-1,j-1）+R（i-1,j）+R（i-1,j+1）+R（i,j-1）+R（i,j）+R（i,j+1）+R（i+1,j-1）+R（i+1,j）+R（i+1,j+1））/9;
img1=cat（3,R,G,B）;
img1=uint8（img1）;
subplot（2,3,3）;
imshow（img1）;
R分量平滑处理后'
%对彩色图像的R分量和G分量进行平滑处理，B分量保持不变
G（i,j）=（G（i-1,j-1）+G（i-1,j）+G（i-1,j+1）+G（i,j-1）+G（i,j）+G（i,j+1）+G（i+1,j-1）+G（i+1,j）+G（i+1,j+1））/9;
img2=cat（3,R,G,B）;
img2=uint8（img2）;
subplot（2,3,4）;
imshow（img2）;
对R和G分量进行平滑处理后'
%对彩色图像的3个分量同时进行平滑处理
G（i,j）=（G（i-1,j-1）+G（i-1,j）+G（i-1,j+1）+G（i,j-1）+G（i,j）+G（i,j+1）+G（i+1,j-1）+G（i+1,j）+G（i+1,j+1））/9;
B（i,j）=（B（i-1,j-1）+B（i-1,j）+B（i-1,j+1）+B（i,j-1）+B（i,j）+B（i,j+1）+B（i+1,j-1）+B（i+1,j）+B（i+1,j+1））/9;
img3=cat（3,R,G,B）;
img3=uint8（img3）;
subplot（2,3,5）;
imshow（img3）;
对3个分量进行平滑处理后'
空域内对灰度图像或彩色图像进行模板卷积运算及增强处理
[1]模板：
%[FileName,FilePath]=uigetfile（'
*.jpg;
*.png;
*.tif;
*.img;
*.gif;
'
'
请选择图像数据'
%str=[FilePathFileName];
dimg=img;
%边界
fori=2:
m-1%非边界
dimg（i,j）=（img（i+1,j）+img（i-1,j）+img（i,j+1）+img（i,j-1））/4;
imshow（dimg）;
模板运算后的图像'
imshow（img+dimg）;
增强的图像'
[2]模板：
a=input（'
请输入a值（范围在[0，1]之间）：
%边界
m-1%非边界
dimg（i,j）=img（i-1,j）*（-a）+img（i,j-1）*（-a）+img（i,j）*（1+4*a）+img（i,j+1）*（-a）+img（i+1,j）*（-a）;
[3]模板：
fori=3:
m-2%%处理非边界像素
forj=3:
n-2
dimg（i,j）=img（i-2,j-2）+img（i-2,j-1）*4+img（i-2,j）*7+img（i-2,j+1）*4+img（i-2,j+2）+img（i-1,j-2）*4+img（i-1,j-1）*16+img（i-1,j）*26+img（i-1,j+1）*16+img（i-1,j+2）*4+img（i,j-2）*7+img（i,j-1）*26+img（i,j）*41+img（i,j+1）*26+img（i,j+2）*7+img（i+1,j-2）*4+img（i+1,j-1）*16+img（i+1,j）*26+img（i+1,j+1）*16+img（i+1,j+2）*4+img（i+2,j-2）+img（i+2,j-1）*4+img（i+2,j）*7+img（i+2,j+1）*4+img（i+2,j+2）;
imshow（img+dimg/273）;
拉普拉斯模板、锐化算子（P65）
[4]彩色图像拉普拉斯模板
subplot（2,2,1）;
img=im2double（img）;
%对R分量使用基本的Laplacian模板（P65）进行增强处理；
R1=R+R0
R1=R;
R1（i,j）=R（i,j）*（-4）+R（i-1,j）+R（i+1,j）+R（i,j-1）+R（i,j+1）;
R2=R-R1;
%模板中心为负,做减法运算
img1=cat（3,R2,G,B）;
subplot（2,2,2）;
对R分量处理后'
%对R和G分量使用扩展的Laplacian模板进行增强处理；
G1=G;
R1（i,j）=R（i,j）*（-8）+R（i-1,j）+R（i+1,j）+R（i,j-1）+R（i,j+1）+R（i-1,j-1）+R（i+1,j-1）+R（i-1,j+1）+R（i+1,j+1）;
G1（i,j）=G（i,j）*（-8）+G（i-1,j）+G（i+1,j）+G（i,j-1）+G（i,j+1）+G（i-1,j-1）+G（i+1,j-1）+G（i-1,j+1）+G（i+1,j+1）;
G2=G-G1;
img2=cat（3,R2,G2,B）;
subplot（2,2,3）;
对R和G分量处理后'
%使用扩展的Laplacian模板对彩色图像的三个分量进行增强处理
B1=B;
B1（i,j）=B（i,j）*（-8）+B（i-1,j）+B（i+1,j）+B（i,j-1）+B（i,j+1）+B（i-1,j-1）+B（i+1,j-1）+B（i-1,j+1）+B（i+1,j+1）;
B2=B-B1;
img3=cat（3,R2,G2,B2）;
subplot（2,2,4）;
对3个分量处理后'
频域内对图像进行低通处理（理想、Butterworth等）。
6部（P83）
[1]Butterworth滤波：
subplot（221）;
xlabel（'
原图像'
%数据类型转换
img=fft2（img）;
%图像Fourier变换
img=fftshift（img）;
%Fourier变换平移，中心变换
%中心变换代码实现，反中心变化也是一样的
%fori=1:
%forj=1:
%img（i,j）=（（-1）^（i+j））*img（i,j）;
%end
F2=log（abs（img））;
%对Fourier变换结果取绝对值，然后取对数
subplot（222）;
imshow（F2,[],'
InitialMagnification'
fit'
%将计算后的矩阵用图像表示
xlabel（'
（b）原始图像的Fourier变换图像'
[N1,N2]=size（img）;
%Fourier变换图像尺寸
n=2;
%参数赋初值。
高通n=0.3
d0=205;
n
升级会员 