利用MATLAB对图像进行处理.docx

1、利用MATLAB对图像进行处理光电图像处理学生姓名： 专业班级： 学 号： 任课教师： 2021年 4月（一）彩色图像的增强1.研究目的及意义人类传递的信息有70%是视觉信息.图像信息是传递信息的重要媒体和手段。但是在生活中,常常由于光线不充足,在获得图像后会发现图像亮度不够,导致景物无法看清楚。为了研究和分析图像,需对图像进行必要的处理。对于数字图像常用的处理方法就是用图像增强技术来改善图像的像质。图像增强是指按特定的需要突出一幅图像的某些信息,同时，削弱或去除某些不需要的信息的处理方法。其主要目的是使处理后的图像对某种特定的应用来说，比原始图像更适用。处理的结果使图像更适合于人的视觉特性或

2、机器的识别系统。图像增强技术主要是针对灰度图来作用。其手段是修改直方图。在图像处理中色彩的运用是很重要的,原因有两个:第一,在自动图像分析中色彩是一个有力的描述工具,它通常可使从一个场景中识别和抽取日标的处理得到简化;第二,人们对图像进行分析时,人眼区别的灰度层次大约只有二十几种,但却能够识别成千上万的色彩。彩色图像中含有较大的信息量;而且人眼对色彩的识别和区分能力可以达到灰度辨别能力的百倍以上，所以彩色图像的增强对从图像中获得更多的信息有着非常重要的作用。2.理论基础图像增强根据图像的模糊情况采用各种特殊的技术突出图像中的某些信息，削弱或消除无关信息达到强调图像的整体或局部特征的目的。常用的

3、图像增强技术有直方图修改、图像平滑滤波、图像锐化等。图像增强技术主要分为两类：频域增强法和空域增强法。频域增强法主要是利用各种频域滤波器进行图像平滑或锐化处理,然后进行变换域反变換来增强图像;空域增强法是直接针对图像中的像素,对图像的灰度进行处理。空域法属于直接增强的方法,它包括扩展对比度的灰度变换和直方图变换.清除噪声的平滑法和增强边缘的锐化法。图像增强原理：设原始图像在处的灰度为，而增强后的灰度为，则图像的增强可表示为将在处的灰度映射为,可表示为,针对灰度图像。彩色图像是由红、绿、蓝三基色叠加而成，每一基色便是一幅灰度图，因此，彩色增强可以说是建立在灰度图像增强基础上的。3.常见的方法彩色

4、图像的增强一般根据其处理对象的不同可以分为: (1) 伪彩色增强法：对灰度图像进行伪彩色增强,使之映射到彩色图像，有利于人眼观察到灰度图像中不易辨别的细节。(2)真彩色增强法：对彩色图像进行真彩色增强，可通过调整彩色图像中的高度分量实现，提高彩色图像对比度来辨别彩色图像中不易辨别的细节（3）假彩色增强：把真实的自然彩色图像或遥感多光谱图像处理成假彩色图像。彩色图像的增强，可以将原始彩色图像从红、绿、蓝RGB空间转换到色调、饱和度、亮度HSV空间；也可以保持色调H分量不变，对亮度V采用均值和标准差方式进行局部增强，根据饱和度S和亮度V的关系，对饱和度S进行变化；也可将经过处理后的图像HSV空间转

5、换到RGB空间。不同颜色空间的彩色图像的分量有所不同，对彩色图像的分量进行增强，当然不仅仅是对亮度进行增强，还可以对色调进行平衡，或对饱和度进行增强。（1）RGB模型增强将R、G、B三基色分别进行直方图的修改，增强后再合成彩色图像可以得到增强的彩色图像。假设原彩色图像的像素值为则目标图像的像素值y为（2）HSB模型增强基于人类对色彩的感觉，HSB模型描述了颜色的三个基本特征：色相（H）、饱和度（S）、亮度（B）。若将灰度图像的直方图修改的图像增强方法应用到彩色图像的亮度分量上，而色相和饱和度不变，就可以得到细节更清晰的彩色图像。过程可以用图1来描述。用数学方法描述为：原图像HSB模型像素值为：

6、,增强后HSB模型像素值为：,增强后的彩色图像像素值y为：,式中G为RGB模型与HSB模型的交换算法，为逆变换算法。在运算过程中,目标图像的对比度场可能存在着对比度放大,并且整个过程中噪声是存在的，可能在结果图像中原本平坦的内部并“不平坦”,存在一些亮点或暗点。这种情况在灰度图像中尚可以接受,因为它符合原来的黑白色调;但是在彩色图的亮度分量处理结果中就不. 合适了,因为亮度分量中原本很大的对比度过分放大,但同时要保证细微的对比度信息得到充分的放大 ,故而在运算过程中要对对比度进行调整。（3）基于视觉统计特性的伪彩色映射关于人类视觉的色彩感知的研究和统计结果表明，大量人眼色彩感知较好的图像，其R

7、GB三分量的相关系数矩阵的均值如表1所示：表1 符合视觉特性的彩色图像相关系数相关系数RGBR1 0000 8480 704G0 8481 0000 884B0 7040 8841 000表1中 分量R和S的相关系数定义为：可以设计一线性变换，变换矩阵A将彩色图像的RGB分量进行变换，使变换后的RGB三维空间的相关系数符合表1，也即更符合人视觉的统计特性。假设原彩色图像的像素值为：，其相关系数矩阵为，目标图像的相关系数矩阵为，由相关系数的非负定性，可对和进行Cholsky分解，有：，其中，为上三角阵，,分别表示矩阵的转置和求逆，设A为：,则目标图像像素值y为：上式变换后作为最终的彩色增强图更符

8、合人的视觉感知特性。由于相关系数的定义式(7)是对各分量交流功率的归一化值,故而对于变换结果y,虽然其动态范围可能超过或小于显示或打印的范围，但是对其做线性拉伸处理再显示不会改变相关系数,仍可以保持较好的视觉效果,同时满足输出动态范围的约束。RGB模型是用来直接描述图像的彩色信息，在处理彩色图像时,往往不对R.、G、B直接来处理。相比，HSB模型中只对模型中的亮度信息进行处理会得到较好的图像效果；为了能更清楚地看清图像，将灰度图映射为色彩较丰富的伪彩色图，可以观察到更多的图像细节。4.彩色图像增强的优缺点生活中，人们经常用图像来表示信息。因此，图像信息的准确传递，并适合人眼准确接收都是非常重要

9、的。如果图像信息没有准确传递信息或者图像传递的信息不适合人眼接收，就应该对图像进行处理，使之可以适合人眼接收，准确传递信息。在得到的彩色图像中，有时会存在对比度低、颜色偏暗以及局部细节不明显等问题，为了改善图像的视觉效果、突出图像的特征，利于进一步的处理，需要对图像进行增强处理。（二）编写MATLAB程序并对运行结果进行分析1.流程图2.MATLAB程序代码clear%选取一幅真彩色照片，将其分解成红、绿、蓝三个分量显示，并绘制直方图；A=imread(山水画.png);subplot(231),imshow(A(:,:,1),title(红色分量);subplot(232),imshow(A

10、(:,:,2),title(绿色分量);subplot(233),imshow(A(:,:,3),title(蓝色分量);subplot(234),imhist(A(:,:,1),title(红,直方图);subplot(235),imhist(A(:,:,2),title(绿，直方图);subplot(236),imhist(A(:,:,3),title(蓝，直方图);%把彩色图像分别转化为灰度图和二值图，将其显示并绘制直方图；B=rgb2gray(A);C=im2bw(A,0.5);figure,subplot(431),imshow(A),title(原图 );subplot(432),

11、imshow(B),title(灰度图);subplot(433),imshow(C),title(二值图);subplot(434),imhist(A),title(原图直方图);subplot(435),imhist(B),title(灰度图直方图);subplot(436),imhist(C),title(二值直方图);%将灰度图进行直方图均衡化，显示均衡化后的图像并绘制直方图；subplot(437),D=histeq(A);imshow(D),title(原图均衡化);subplot(438),E=histeq(B);imshow(E),title(灰度图均衡化);subplot(4

12、,3,10),imhist(D),title(均衡后原图直方图);subplot(4,3,11),imhist(E),title(均衡后灰度直方图);%对灰度图像分别加入高斯噪声和椒盐噪声，显示加噪后的图像并绘制其直方图；figure,F=imnoise(B,salt & pepper,0.06);G=imnoise(B,gaussian,0,0.01);subplot(221),imshow(F),title(加椒盐噪声);subplot(222),imshow(G),title(高斯噪声);subplot(223),imhist(F),title(加椒盐噪声噪声后的直方图);subplot

13、(224),imhist(G),title(加高斯噪声后的直方图);%对加噪后的图像进行均值滤波和中值滤波，显示滤波后的图像并绘制直方图；H=fspecial(average,3);H1=filter2(H,F)/255;%椒盐I=fspecial(average,3);I1=filter2(I,G)/255;%高斯J=medfilt2(F,3,5);%椒盐K=medfilt2(G,3,5);%高斯L=fspecial(average,5);L1=filter2(L,G)/255;M=fspecial(average,7);M1=filter2(M,G)/255;N=fspecial(aver

14、age,9);N1=filter2(N,G)/255;figure,subplot(331),imshow(H1),title(椒盐噪声的3*3均值滤波)subplot(332),imshow(I1),title(高斯噪声的3*3均值滤波) subplot(334),imshow(J),title(椒盐噪声的中值滤波)subplot(335),imshow(K),title(高斯噪声的中值滤波)subplot(333),imshow(L1),title(高斯噪声的5*5均值滤波)subplot(336), imshow(M1), title(高斯噪声的7*7均值滤波)subplot(339),

15、imshow(N1),title(高斯噪声的9*9净值滤波)subplot(337),imhist(I1),title(高斯噪声3*3均值后的直方图)subplot(338),imhist(J),title(椒盐噪声中值后的直方图)%对平滑后的图像再进行高通滤波-锐化，分别用prewitt算子进行边缘增强% sobel算子进行边缘提取，显示滤波后的图像并绘制它们的直方图%3*3窗口高斯噪声的均值滤波O=conv2(B,I)/255;P=fspecial(prewitt);P1=filter2(P,O)*3;R=fspecial(sobel);R1=filter2(R,O)*3;figuresu

16、bplot(231),imshow(O);title(均值后二维卷积)subplot(232),imshow(P1);title(均值后边缘增强)subplot(233),imshow(R1);title(均值后边缘提取)subplot(234),imhist(O);title(均值后二维卷积直方图)subplot(235),imhist(P1);title(均值后边缘增强直方图)subplot(236),imhist(R1);title(均值后边缘提取直方图)%锐化b=double(A);s=size(b);c=zeros(s(1,1),s(1,2);for x=2:s(1,1)-1 for

17、 y=2:s(1,2)-1 c(x,y)=(-b(x+1,y)-b(x-1,y)-b(x,y+1)-b(x,y-1)+4*b(x,y); endendfigure,subplot(131),imshow(A),title(原图)subplot(132);imshow(c);title(Laplace锐化滤波图像);d=b+c;d=uint8(d);subplot(133);imshow(d);title(Laplace锐化滤波结果);3.图像处理结果3.图像处理结果1.选取一幅真彩色照片，将其分解成红、绿、蓝三个分量显示，并绘制直方图；2. 把彩色图像分别转化为灰度图和二值图，将其显示并绘制直

18、方图；将灰度图进行直方图均衡化，显示均衡化后的图像并绘制直方图；3. 对灰度图像分别加入高斯噪声和椒盐噪声，显示加噪后的图像并绘制其直方图；4. 对加噪后的图像进行均值滤波和中值滤波，显示滤波后的图像并绘制直方图；5. 对平滑后的图像再进行高通滤波-锐化，分别用prewitt算子进行边缘增强sobel算子进行边缘提取，显示滤波后的图像并绘制它们的直方图;6.Laplace锐化滤波图像；4.结果分析一幅彩色图片可以分成R,G,B三个分量显示，因为其中每一个彩色像素点都是在特定空间位置的红、绿、蓝三个分量。在直方图可以看出，经过灰度均衡后，图像动态范围加大，使图像对比度扩展，图像更加清晰，特征更加

19、明显；从实现算法上也可以看出，其优点主要在于能自动增强整幅图像的对比度，但只能得到全局均衡化处理的直方图。在实际应用种，往往要根据不同的要求有选择地对某灰度范围进行局部范围内的对比度增强，此时若要再采用直方图均衡就不太合适。均值滤波，对椒盐噪声的影响不大，因为在削弱噪声的同时整幅图像也变得模糊，其噪声仍然存在，采用中值滤波对加入椒盐噪声的图像处理后，结果有明显的改观；而对于高斯噪声，采用均值滤波的方法对去噪声效果明显。通过对比3*3、5*5、7*7、9*9的窗口，得出值越高去噪声后得到的图像越模糊。（三）心得体会数字图像是我们生活中接触图像处理后，它伴随人们的生活，学习，工作，并在军事，工业，

20、和医学方面发挥着很大的作用。学完之后发现图像处理必须要思路清晰，表达明确。敲代码要仔细，不然出错后很难发现。对于数学要求高，基础太弱，对一些公式会看不懂。因此，对于图像处理这方面还应该继续加强学习，打牢基础，才能有熟练掌握。数字图像的应用不仅贯通各个行业，还遍布我们生活的电子产品，这让我学习后感觉离这些产品的使用和了解更近了一步，学习数字图像处理对我们非常有用，无论以后是否从事相关工作都让我感觉受益良多。随着现代电子技术发展地越来越快，我相信图像处理技术一定会有更大的进步，从国防到娱乐，无论哪一方面都会给我们带来更多的便利。一幅RGB图像就是彩色像素的一个3MN数组，其中每一个彩色像素点都是在特定空间位置的红、绿、蓝三个分量。由于彩色显示器采用红、绿和蓝来生成目标颜色，所以RGB颜色空间是计算机图形学最通常的选择。但是，当处理图像时，使用RGB颜色空间并不是很有效。此外，要在RGB颜色空间中生成任何一种颜色，三个RGB分量都需要占用相同的带宽。这就使得每个RGB颜色分量需要同样的像素深度和现实分辨率。HIS颜色空间将高度分里与一幅彩色图像中携带的彩色信息分开。因此，HIS模型对于开发基于彩色描述的图像处理算法是一个理想的工具，使得图像看起来更加自然和直观。RGB彩色图像是有三幅单色的亮度图像构成的,所以一定可以从一幅RGB图像中提取出图像的亮度信息。