数字图像处理程序文档格式.docx

1、clc;14499.jpgbw=im2bw（I,0.5）;%选取阈值为0.5figure;imshow（bw） %显示二值图象图象处理变换（二）1 傅立叶变换熟悉其概念和原理,实现对一幅灰度图像的快速傅立叶变换,并求其变换后的系数分布.2 离散余弦变换熟悉其概念和原理,实现对一幅灰度和彩色图像作的离散余弦变换,选择适当的DCT系数阈值对其进行DCT反变换.% 图象的FFT变换005.bmpsubplot（1,2,1）原图subplot（1,2,2）imhist（I）;直方图colorbar;J=fft2（I）;imshow（J）;FFT变换结果K=fftshift（J）;imshow（K）;零

2、点平移imshow（log（abs（K）,）,colormap（jet（64）,colorbar;系数分布图% 图象的DCT变换RGB=imread（imshow（RGB）;彩色原图a=rgb2gray（RGB）;imshow（a）;灰度图b=dct2（a）;imshow（log（abs（b）,）,colormap（jet（64）,colorbar;DCT变换结果b（abs（b）10）=0;% idctc=idct2（b）/255;imshow（c）;IDCT变换结果图象处理变换（三）小波变换实验内容： 熟悉小波变换的概念和原理,熟悉matlab小波工具箱主要函数的使用.利用二维小波分析对一幅

3、图象作2层小波分解,并在此基础上提取各层的低频信息实现图像的压缩.程序如下：clca=imread（subplot（1,2,1）;原始图象I=rgb2gray（a）;subplot（1,2,2）;原始图象的灰度图% 进行二维小波变换a,b = wavedec2（I, 2, bior3.7% 提取各层低频信息c = appcoef2（ a, b, , 1 ）;imshow（c, ）;一层小波变换结果d = appcoef2（ a, b, , 2 ）;imshow（d, ）;二层小波变换结果图象处理实验（四） 模板运算一、实验内容：（1）平滑：平滑的目的是模糊和消除噪声。平滑是用低通滤波器来完成，

4、在空域中全是正值。（2）锐化：锐化的目的是增强被模糊的细节。锐化是用高通滤波器来完成，在空域中，接近原点处为正，在远离原点处为负。利用模板进行图象增强就是进行模板卷积。1、 利用二个低通邻域平均模板（33和99）对一幅图象进行平滑，验证模板尺寸对图象的模糊效果的影响。2、 利用一个低通模板对一幅有噪图象（GAUSS白噪声）进行滤波，检验两种滤波模板（分别使用一个55的线性邻域平均模板和一个非线性模板：35中值滤波器）对噪声的滤波效果。3、 选择一个经过低通滤波器滤波的模糊图象，利用sobel和prewitt水平边缘增强高通滤波器（模板）对其进行高通滤波图象边缘增强，验证模板的滤波效果。4、 选

5、择一幅灰度图象分别利用 一阶Sobel算子和二阶Laplacian算子对其进行边缘检测，验证检测效果。二、实验步骤：1、利用低通邻域平均模板进行平滑：girl.bmpsubplot（1,3,1）;J=fspecial（averageJ1=filter2（J,I）/255;subplot（1,3,2）;imshow（J1）;3*3滤波K=fspecial（,9）;K1=filter2（K,I）/255;subplot（1,3,3）;imshow（K1）;9*9滤波2、中值滤波和平均滤波J=imnoise（I,gaussian,0,0.01）;subplot（2,2,1）;subplot（2,2,

6、2）;noise,5）;K1=filter2（K,J）/255;subplot（2,2,3）;L=medfilt2（J,3 5）;subplot（2,2,4）;imshow（L）;medium3、高通滤波边缘增强original pic,3）;J1=conv2（I,J）/255;%J1=filter2（J,I）/255;3*3lowpassprewittK1=filter2（K,J1）*5;L=fspecial（sobelL1=filter2（L,J1）*5;imshow（L1）;sibel4、边缘检测分别用sobel和laplacian算子来进行，程序如下：laplacian,0.7）;K1

7、=filter2（K,I）/100;L1=filter2（L,I）/200;图像处理实验（五）图像分割实验目的：1、 学习边缘检测2、 学习灰度阀值分割1、分别用sobel、Laplacian-Gaussian方法对一幅灰度图像进行边缘提取，2、给出对比结果i=imread（eight.tifimshow（i）;原始图像i1=edge（i,imshow（i1）;sober方法提取的边缘i2=edge（i,logimshow（i2）;Laplacian-Gaussian方法提取的边缘比较提取边缘的效果可以看出，sober算子是一种微分算子，对边缘的定位较精确，但是会漏去一些边缘细节。而Lapla

8、cian-Gaussian算子是一种二阶边缘检测方法，它通过寻找图象灰度值中二阶过零点来检测边缘并将边缘提取出来，边缘的细节比较丰富。通过比较可以看出Laplacian-Gaussian算子比sober算子边缘更完整，效果更好。3、利用双峰法对一幅灰度图像进行灰度分割处理imhist（i）;原始图像直方图thread=130/255;i3=im2bw（i,thread）;imshow（i3）;分割结果根据原图像的直方图，发现背景和目标的分割值大约在130左右，并将灰度图像转为二值图像，分割效果比较理想。图像处理实验（六）图像压缩与编码 学习JPEG压缩编码一实现基本JPEG的压缩和编码分三个步

9、骤：1 首先通过DCT变换去除数据冗余；2 使用量化表对DCT系数进行量化；3 对量化后的系数进行Huffman编码。具体源程序由主程序及两个子程序（DCT量化、Huffman编码）组成：1主程序autumn.tifyiq=rgb2ntsc（I）;my=16 11 10 16 24 40 51 61;12 12 14 19 26 58 60 55;14 13 16 24 40 57 69 56;14 17 22 29 51 87 80 62;18 22 37 56 68 109 103 77;24 35 55 64 81 104 113 92;49 64 78 87 103 121 120 1

10、01;72 92 95 98 112 100 103 99;miq=17 18 24 47 99 99 99 99;18 21 26 66 99 99 99 99;24 26 56 99 99 99 99 99;47 66 99 99 99 99 99 99;99 99 99 99 99 99 99 99;99 99 99 99 99 99 99 99;I1=yiq（:,:,1）;I2=（:,2）;m n=size（I1）;t1=8;ti1=1;while（t1t1=t1+8;ti1=ti1+1;endt2=8;ti2=1;while（t2t2=t2+8;ti2=ti2+1;times=0;f

11、or k=0:ti1-2for j=0:ti2-2dct8x8（I1（k*8+1:k*8+8,j*8+1:j*8+8）,my,times*64+1）;dct8x8（I2（k*8+1:j*8+8）,miq,times*64+1）;times=times+1;block（I2（k*8+1:t2）,8 8, dctmtx（8）t1,j*8+1:j*8+8）,times*64+1）;t2）,times*64+1）;2function dct8x8（I,m,s） %定义DCT量化子程序T=inline（y=blkproc（I,8 8,T）;y=round（y./m）;p=1;te=1;while（p=1

12、.0） break;elsepm p2=min（p（1:p1-1）;p（p2）=1.1;pm2,p3=min（p（1:p（p3）=1.1;pn=pm+pm2;p（p1）=pn;tree（po,1）=p2;tree（po,2）=p3;po=po+1;po-1tt=k;m1=1;if（or（tree（k,1）9,tree（k,2）9）if（tree（k,1）9）c（tree（k,1）,2）=c（tree（k,1）,2）+m1;m2=1;while（ttm1=m1*2;for h=tt:if（tree（h,1）=tt+g）m2=m2+1;tt=h;elseif（tree（h,2）=tt+g）c（tr

13、ee（k,1）,3）=m2;if（tree（k,2）c（tree（k,2）,2）=c（tree（k,2）,2）+m1;elseif（tree（l,2）=tt+g）m2=m2+1,tt=h;c（tree（k,2）,3）=m2;二JPEG2000采用小波变换编码，小波变换压缩编码实现程序为load wbarb;subplot（2,2,1）,image（X）;colormap（map）c,s=wavedec2（X,2, thr=20;ca1=appcoed2（c,s, ch1=detcoef2（h,c,s,1）;cv1=detcoef2（vcd1=detcoef2（da1=wrcoef2（a,c,s

14、, h1=wrcoef2（v1=wrcoef2（d1=wrcoef2（c1=a1,h1,v1,d1;ca1=wcodemat（ca1,440, mat,0）;ca1=0.5*ca1subplot（2,2,2）,image（ca1）压缩图象一）ca2=appcoed2（c,s, ca2=wcodemat（ca2,440, ca2=0.5*ca2;subplot（2,2,3）,image（ca2）压缩图象二图象处理实验（七）应用KL变换进行图象的特征提取一、实验要求：应用KL变换进行图象的特征提取。熟悉MATLAB的相关命令。二、实验目的：掌握如何应用KL变换进行图象的特征提取。三、实验内容：选择

15、一幅稍大的灰度图象（最好用纹理图象），按下面步骤进行实验：（1）应用99的窗口对上述图象进行随机抽样，共抽样200块子图象；（2）将所有子图象按列相接变成一个81维的行向量；（3）对所有200个行向量进行KL变换，求出其对应的协方差矩阵的特征向量和特征值，按降序排列特征值以及所对应的特征向量；（4）选择前40个最大特征值所对应的特征向量作为主元，将原图象块向这40个特征向量上投影，所获得的投影系数就是这个子块的特征向量。（5）求出所有子块的特征向量。四、实验结果：源程序如下：M=rand（200,200）;a.bmpmx,my=size（I）;for i=1:200for j=1:199if（ceil（M（i,j）*mx）x（i）=ceil（M（i,j）*mx）;y（i）=ceil（M（i,j+1）*my）;I1（:,i）=imcrop（I,x（i）,y（i）,8,8）;I2（:,i）=reshape（I1（:,i）,1,81）;I2=double（I2）;C=I2*I2/200;a,s=eig（C）;A=a（161:200,:U=A*I2;imshow（U）;特征向量