out（i,j）=0;
end
end
end
out=f.*out;%对应元素相乘实现频域滤波
（2）巴特沃斯高通滤波器
巴特沃斯高频加强公式
H（u,v）=a+b/（1+D0/D（u,v））^2n
functionout=imibtws（I,d0）
%I参数输入的灰度图像
%d0参数截止频率距远点距离
%返回值：
out–指定的巴特沃斯高通滤波器
f=fft2（I）;%傅立叶变换
f=fftshift（f）;%转换数据矩阵
[M,N]=size（I）;
out=zeros（M,N）;
nn=2;
fori=1:
M
forj=1:
N
d=sqrt（（i-M/2）^2+（j-N/2）^2）;
if（d）
out（i,j）=1/（1+0.414*（d0/d）^（2*nn））;
end
end
end
out=f.*out;%对应元素相乘实现频域滤波
（3）归一化函数
functionout=guiyi（I）
%guiyi图像频域显示前的预处理
%I参数图像频域
%返回值：
out–图像频域显示
I=ifftshift（I）;
I=ifft2（I）;
I=uint8（real（I））;
out=I;
（4）主函数
closeall
clear
clc
I=imread（'LENA.bmp'）;
figure
（1）;subplot（1,2,1）;imshow（I）;title（'原图像'）;
f=fft2（I）;%做fft变换
f=fftshift（f）;%将零点移到中心
t=log（1+abs（f））;%对幅值做对数变换，以压缩动态范围
figure
（1）;subplot（1,2,2）;imshow（t,[]）;title（'原图像FFT'）;
%t是doublearray,是浮点数,需要[].
%理想高通过滤
h=imideal（I,60）;
out=f+0.9*h;
%归一化处理
out=guiyi（out）;
figure
（2）;subplot（1,2,1）;imshow（out）;title（'理想高频加强锐化'）;
h=guiyi（h）;
figure
（2）;subplot（1,2,2）;imshow（h）;title（'理想高频加强锐化'）;
%巴特沃斯高通过滤器
h=imibtws（I,15）;
out=f+0.9*h;%高频加强锐化
%归一化处理
out=guiyi（out）;
figure（3）;subplot（1,2,1）;imshow（out）;title（'巴特沃斯高频加强锐化'）;
h=guiyi（h）;
figure（3）;subplot（1,2,2）;imshow（h）;title（'巴特沃斯高频加强滤波'）;
（5）实验结果
2、实现基于DCT的模拟JPEG标准图像压缩过程，并针对大压缩比的重构图像会产生马赛克效应的问题，设计采用一些方法减少马赛克效应。
程序应体现以下几个步骤。
（a）减少马赛克效应的方法，可以是图像编码中的预处理（不一定在第一个步骤）
（b）彩色坐标转换
压缩可采用YUV坐标。
（c）离散余弦变换
采用8×8子块的二维离散余弦变换算法。
（d）量化
（e）压缩图像重构
（f）结果比较与分析
（1）主函数
rgb=imread（'Lena.jpg'）;%读取图片
%下面是对RGB三个分量进行分离,此时他们依然为整数
r=rgb（:
:
1）;
g=rgb（:
:
2）;
b=rgb（:
:
3）;
figure,imshow（rgb）,title（'原来的RGB图像'）;
%RGB到YUV的转换
y=0.299*double（r）+0.587*double（g）+0.114*double（b）;
u=-0.169*double（r）-0.3316*double（g）+0.5*double（b）;
v=0.5*double（r）-0.4186*double（g）-0.0813*double（b）;
yuv=cat（3,y,u,v）;%YUV图像
figure,imshow（uint8（yuv））,title（'通过计算得到的YUV图像'）
dt=dctmtx（8）;%产生一个8*8的DCT变换举证
%进行DCT变换dydudv是double类型
dy=blkproc（y,[88],'P1*x*P2',dt,dt'）;
du=blkproc（u,[88],'P1*x*P2',dt,dt'）;
dv=blkproc（v,[88],'P1*x*P2',dt,dt'）;
a=[1611101624405161;
1212141926586055;
1413162440576955;
1417222951878062;
182237566810910377;
243555648110411392;
49647887103121120101;
7292959811210010399;];%量化值
b=[1718244799999999;
1821266699999999;
2426569999999999;
4766999999999999;
9999999999999999;
9999999999999999;
9999999999999999;
9999999999999999;];
%系数量化
dy1=blkproc（dy,[88],'x./P1',a）;
du1=blkproc（du,[88],'x./P1',b）;
dv1=blkproc（dv,[88],'x./P1',b）;
%这里进行取整量化,dy2du2dv2是uint8类型
dy2=int8（dy1）;
du2=int8（du1）;
dv2=int8（dv1）;
%dy3du3dv3是double类型
dy3=blkproc（double（dy2）,[88],'x.*P1',a）;
du3=blkproc（double（du2）,[88],'x.*P1',b）;
dv3=blkproc（double（dv2）,[88],'x.*P1',b）;
%取左上角十个点
m=[
11110000;
11100000;
11000000;
10000000;
00000000;
00000000;
00000000;
00000000;];
%dy4du4dv4是double类型
dy4=blkproc（dy3,[88],'P1.*x',m）;
du4=blkproc（du3,[88],'P1.*x',m）;
dv4=blkproc（dv3,[88],'P1.*x',m）;
%DCT逆变换
Y=blkproc（double（dy4）,[88],'P1*x*P2',dt',dt）;
U=blkproc（double（du4）,[88],'P1*x*P2',dt',dt）;
V=blkproc（double（dv4）,[88],'P1*x*P2',dt',dt）;
%YUV是double类型
YUV=cat（3,uint8（Y）,uint8（U）,uint8（V））;%经过DCT变换和量化后的YUV图像
figure,imshow（YUV）,title（'经过DCT变换和量化后的YUV图像'）;
R=Y-0.001*U+1.402*V;
G=Y-0.344*U-0.714*V;
B=Y+1.772*U+0.001*V;
RGB=cat（3,R,G,B）;%经过DCT反变换和量化后的YUV图像
RGB=uint8（RGB）;
figure,imshow（RGB）,title（'经过压缩后的图像'）;
imwrite（RGB,'newLena.jpg'）;%保存压缩图像
（2）实验结果
（3）实验结果分析
对比压缩前后的图像可知，压缩后的图像稍显模糊，这是因为该压缩算法为有损压缩，压缩后的图像丢失了原始图像部分数据信息。
但由于DCT变换有使图像能量集中在左上方的特性，因此压缩图像保留了原始图像大部分的图像特征，其视觉效果与原始图像相差不大
3、将结合自己的研究方向和图像处理的关系，实现一个基本算法。
图像均衡化
clearall%一，图像的预处理，读入彩色图像将其灰度化
P=imread（'Lena.jpg'）;%读入JPG彩色图像文件
imshow（P）%显示出来figureNO1
title（'输入的彩色JPG图像'）
imwrite（rgb2gray（P）,'PicSampleGray.bmp'）;%将彩色图片灰度化并保存
PS=rgb2gray（P）;%灰度化后的数据存入数组
figure,imshow（P）%显示灰度化后的图像，也是均衡化前的样品figureNO2
title（'灰度化后的图像'）
%二，绘制直方图
[m,n]=size（P）;%测量图像尺寸参数
GP=zeros（1,256）;%预创建存放灰度出现概率的向量
fork=0:
255
GP（k+1）=length（find（P==k））/（m*n）;%计算每级灰度出现的概率，将其存入GP中相应位置
end
figure,bar（0:
255,GP,'g'）%绘制直方图figureNO3
title（'原图像直方图'）
xlabel（'灰度值'）
ylabel（'出现概率'）
%三，直方图均衡化
S1=zeros（1,256）;
fori=1:
256
forj=1:
i
S1（i）=GP（j）+S1（i）;%计算Sk
end
end
S2=round（S1*256）;%将Sk归到相近级的灰度
fori=1:
256
GPeq（i）=sum（GP（find（S2==i）））;%计算现有每个灰度级出现的概率
end
figure,bar（0:
255,GPeq,'b'）%显示均衡化后的直方图figureNO4
title（'均衡化后的直方图'）
xlabel（'灰度值'）
ylabel（'出现概率'）
figure,plot（0:
255,S2,'r'）%显示灰度变化曲线figureNO5
legend（'灰度变化曲线'）
xlabel（'原图像灰度级'）
ylabel（'均衡化后灰度级'）
%四，图像均衡化
PA=P;
fori=0:
255
PA（find（P==i））=S2（i+1）;%将各个像素归一化后的灰度值赋给这个像素
end
figure,imshow（PA）%显示均衡化后的图像figureNO6
title（'均衡化后图像'）
imwrite（PA,'PicEqual.bmp'）;
实验结果
升级会员 