图像边缘锐化和标准图像压缩过程.docx

1、图像边缘锐化和标准图像压缩过程1.实现两个高频加强的图像边缘锐化的方法，原始图像是灰度图像，给出高频加强公式、程序和实验效果。（注意程序不能是直接一个函数的调用，要把变换过程和公式体现出来。）（1）理想高通滤波器function out = imideal(I, freq)% I参数 输入的灰度图像% freq参数 高通滤波器的截止频率% 返回值：out 指定的理想高通滤波器f=fft2(I); % 傅立叶变换 f=fftshift(f); % 转换数据矩阵M,N = size(I);out = ones(M,N);for i=1:M for j=1:N if (sqrt(i-M/2)2+(j

2、-N/2)2)freq) out(i,j)=0; end endendout = 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)2nfunction out = 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;for i=1:Mfor j=1:N d=sqrt(i-M/2)

3、2+(j-N/2)2); if (d) out(i,j)=1/(1+0.414*(d0/d)(2*nn); end endendout = f .* out; %对应元素相乘实现频域滤波(3)归一化函数function out = 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close allclearclcI=imread(LENA.bmp);figure(1);subplot(1,2,1);imshow(I

4、);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double array,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);subpl

5、ot(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

6、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88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

7、(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 dy du dv是double类型dy=blkproc(y,8 8,P1*x*P2,dt,dt);du=blkproc(u,8 8,P1*x*P

8、2,dt,dt);dv=blkproc(v,8 8,P1*x*P2,dt,dt);a= 16 11 10 16 24 40 51 61; 12 12 14 19 26 58 60 55; 14 13 16 24 40 57 69 55; 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 87 103 121 120 101; 72 92 95 98 112 100 103 99; %量化值 b= 17 18 24 47 99 99 99 99; 18 21 26 66

9、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; 99 99 99 99 99 99 99 99; 99 99 99 99 99 99 99 99; %系数量化 dy1=blkproc(dy,8 8,x./P1,a); du1=blkproc(du,8 8,x./P1,b); dv1=blkproc(dv,8 8,x./P1,b); %这里进行取整量化,dy2 du2 dv2是uint8类型 dy2=int8(dy1);

10、 du2=int8(du1); dv2=int8(dv1); %dy3 du3 dv3是double类型 dy3=blkproc(double(dy2),8 8,x.*P1,a); du3=blkproc(double(du2),8 8,x.*P1,b); dv3=blkproc(double(dv2),8 8,x.*P1,b); %取左上角十个点 m= 1 1 1 1 0 0 0 0; 1 1 1 0 0 0 0 0; 1 1 0 0 0 0 0 0; 1 0 0 0 0 0 0 0; 0 0 0 0 0 0 0 0; 0 0 0 0 0 0 0 0; 0 0 0 0 0 0 0 0; 0

11、0 0 0 0 0 0 0; %dy4 du4 dv4是double类型 dy4=blkproc(dy3,8 8,P1.*x,m); du4=blkproc(du3,8 8,P1.*x,m); dv4=blkproc(dv3,8 8,P1.*x,m); %DCT逆变换 Y=blkproc(double(dy4),8 8,P1*x*P2,dt,dt); U=blkproc(double(du4),8 8,P1*x*P2,dt,dt); V=blkproc(double(dv4),8 8,P1*x*P2,dt,dt); %YUV是double类型 YUV=cat(3,uint8(Y),uint8(

12、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，

13、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clear all %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figure NO 1 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

14、(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 figure NO 2title(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for k=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endfigure,bar(0:255,GP,g) %绘制直方图 figure NO 3title(原图像直方图)xlabel(灰度值)ylabel(出现概率)%三，直方图均衡化S1

15、=zeros(1,256);for i=1:256 for j=1:i S1(i)=GP(j)+S1(i); %计算Sk endendS2=round(S1*256); %将Sk归到相近级的灰度for i=1:256 GPeq(i)=sum(GP(find(S2=i); %计算现有每个灰度级出现的概率 endfigure,bar(0:255,GPeq,b) %显示均衡化后的直方图 figure NO 4title(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 figure NO 5legend(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;for i=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endfigure,imshow(PA) %显示均衡化后的图像 figure NO 6title(均衡化后图像)imwrite(PA,PicEqual.bmp);实验结果