【正文】 Y1=conv2(J,d1,39。)。)。)。使用MATLAB進行圖像輸入，可以利用以下簡單一步：f=imread(‘’)；Figure。3)%取彩色圖像的灰度分量。39。subplot(2,2,2)。均衡化結(jié)果39。本實驗要求用線性平滑濾波、中值平滑濾波、頻域低通濾波的方法進行程序設(shè)計。平滑噪聲可以在空間域中進行，基本方法是求像素灰度的平均值或中值。%給圖像加高斯噪聲 subplot(1,2,1)。)。加入高斯噪聲的圖像39。224。2）將其與一個(根據(jù)需要設(shè)計的)轉(zhuǎn)移的函數(shù)相乘。nearest39。,39。正變換F(u,v)224。所得到的結(jié)果恰好與低通濾波相反, 當大于X的頻率可以完全不受影響的通過濾波器,而小于X的則完全不能通過濾波器。 end endend通過對r數(shù)值的改變,和if條件的變化來實現(xiàn)不同的低通和高通情況下的濾波. 與fft2(f1)幅度譜的程序如下： Clc。 for x=1:128 for y=1:128 b(x,y)=(1).^(x+y).*a(x,y)。D:\圖像實驗 \img\39。figure(1)subplot(1,2,1)imshow(b,[0,255])。t=ifftshift(t)。R=88時的理想低通濾波結(jié)果圖和濾波頻譜圖：圖313R=24時的理想低通濾波結(jié)果圖和濾波幅度譜圖：圖314R=5時的理想低通濾波結(jié)果圖和濾波幅度譜圖：圖315.當R=5時，濾波后的圖像很模糊，無法分辨；當R=24時，濾波后的圖像有些模糊，能分辨出臉上的器官輪廓，但由于理想低通濾波器在頻域的銳截止特性，濾波后的圖像有較明顯的振鈴現(xiàn)象；當R=88時，濾波后的圖像比較清晰，但高頻分量損失后，圖像邊沿與文字變的有些模糊，在圖像的邊框附近仍有振鈴現(xiàn)象。n=15*log(+abs(n))。 end endend結(jié)果如下：原圖像及其頻譜圖圖312h2=abs(t)。)。程序代碼如下（取r=8時）Clc。a2=abs(a1)。for x=1:256for y=1:256if (x128).^2+(y128).^2r.^2。H(u,v)=1。(b),便可得到lena的人頭圖片.其次與上面任務(wù)一樣,對圖片數(shù)組進行快速傅立葉變換,然后用mesh()語句畫出他的幅度譜圖,2）進行頻域增強的低通濾波部分。1）讀出圖片,并生成圖片的數(shù)組.,然后再用語句a=fopen(39。即可,然后再用類似上面的方法畫出圖象和幅度譜.3）驗證其旋轉(zhuǎn)不變性。圖37 實驗圖象(a) 圖38 實驗圖象(b)，加深對頻域圖像增強的理解。)。imshow(J)。title(39。gaussian39。（2）熟悉在MATLAB環(huán)境下對圖像文件的I/O操作。)。imshow(J)。原圖像39。預備知識：（1）熟悉MATLAB圖像輸入輸出操作；（2）熟悉圖像的模板操作；（3）熟悉圖像的頻域變換處理；實驗原理：圖像增強是對圖像進行加工，以得到視覺效果更好或更有用的新圖像。title(‘原圖像’)f1=f(:。其中圖像文件讀入函數(shù)為imread,寫出函數(shù)為imwrite，無符號8位整型數(shù)轉(zhuǎn)換為雙精度類型函數(shù)為double，其逆運算函數(shù)為uint8。title(39。title(39。Y2=conv2(Y,d2,39。1,2,1。39。在mand window 中運行。title(39。subplot(4,2,7),imshow(D4)。subplot(4,2,5),imshow(D3)。subplot(4,2,3),imshow(D1)。D=(exp(D*255/10))/255。5）在figure（1）中顯示求反圖像、增強對比度圖像和降低對比度圖像的圖像與直方圖,并添加標注說明。7）熟悉常用空域平滑濾波和銳化濾波模板。%Sobel算子j=filter2(h,i)。j=medfilt2(i)。h=[1,1,1。)。j=imadjust(a,[,],[])。imhist(a)。 g=uint8(real(ifft2(g)))。 n=3。 pepper39。 低通濾波器一幅圖像的邊緣，跳躍部分以及顆粒噪聲代表圖像信號的高頻分量，而大面積的背景區(qū)域代表了圖像信號的低頻分量。)subplot(1,3,3)Imshow(medfilt2(LenaRaw,[3,3]))。LenaRaw=uint8(temp39。 %應(yīng)用7*7鄰域窗口法 subplot(224),imshow(K2) 中值濾波器其原理是把數(shù)字圖像或數(shù)字序列中某一點的值用該點的一個鄰域中各點值的中值交換。) subplot(222) imshow(J) title(39。39。 平滑濾波器用于模糊處理和減小噪聲。圖像增強技術(shù)主要包含直方圖修改處理、圖像平滑處理、圖像尖銳化處理和彩色技術(shù)等。（2） 拉普拉斯算子拉普拉斯算子是線性二階微分算子，與梯度算子一樣，具有旋轉(zhuǎn)不變性，從而滿足不同走向的圖像邊界的銳化要求。 銳化圖像平滑往往使圖像中的邊界、輪廓變得模糊，為了減少這類不利效果的影響，這就需要利用圖像銳化技術(shù)，使圖像邊緣變得清晰。這些噪聲的存在直接影響著后續(xù)的處理過程，使圖像失真。常見的圖像噪聲主要有加性噪聲、乘性噪聲和量化噪聲等。這樣，在很多特殊的情況下，需要變換后圖像的直方圖具有某種特定的曲線，例如對數(shù)和指數(shù)等，直方圖規(guī)定化可以解決這一問題。由于上述原因，數(shù)字圖像的直方圖均衡只能是近似的。這時可以將圖像的灰度范圍分開，并且讓灰度頻率較小的灰度級變大。第二個條件則保證了映射變換后的像素灰度值在允許的范圍內(nèi)。一幅圖像的直方圖等于它各個部分直方圖的和?；叶燃墳閇0,L1]范圍的數(shù)字圖像的直方圖是離散函數(shù)h()=，這里是第k級灰度，是圖像中灰度級為的像素個數(shù)。為了增加變換的動態(tài)范圍，在上述一般公式中可以加入一些調(diào)制參數(shù)，以改變變換曲線的初始位置和曲線的變化速率。 線性變換假定原圖像f(x,y)的灰度范圍為[a,b]，變換后的圖像g(x,y)的灰度范圍線性的擴展至[c,d]，則對于圖像中的任一點的灰度值P(x,y)，變換后為g(x,y)，其數(shù)學表達式如下所示[1]。一維離散沃爾什變換假如N=2，則離散 f(x) （ x=0,1, 2,…,N1）的沃爾什變換 u=0，1，2，…，N1 () x=0，1，2，…，N1 ()二維離散沃爾什變換 ()（u=0,1,2…,M1 v=0,1,2…,N1） ()（x=0,1,2…,M1 y=0,1,2…,N1）這里假定了M=2，N＝2從上式可知，反正變換核具有可分離性，即 ()所以，二維離散沃爾什變換可由兩次變換來實現(xiàn)。為了快速有效的對圖像進行處理和分析，我們通常都需要對圖像進行一些變換，把原來的圖像信息變?yōu)榱硪粡埿问剑褂嬎銠C更容易理解、處理和分析。圖像增強中變換域增強也得到很廣泛的應(yīng)用，例如付傅氏變換、離散余弦變換、小波變換等，其中小波是近年來發(fā)展起來的一種新的時頻分析工具，它具有時頻局部化能力和多分辨率分析的能力，使得它很適合于信號處理鄰域。VLSI的出現(xiàn)更使得處理速度大大提高，其造價也進一步降低，極大的促進了圖像處理系統(tǒng)的普及和應(yīng)用。圖像平滑就是針對圖像噪聲的操作，其主要作用是為了消除噪聲，圖像平滑的常用方法是采用均值濾波或中值濾波，均值濾波是一種線性空間濾波，它用一個有奇數(shù)點的掩模在圖像上滑動，將掩模中心對應(yīng)像素點的灰度值用掩模內(nèi)所有像素點灰度的平均值代替，如果規(guī)定了在取均值過程中掩模內(nèi)各像素點所占的權(quán)重，即各像素點所乘系數(shù)，這時就稱為加權(quán)均值濾波；中值濾波是一種非線性空間濾波，其與均值濾波的區(qū)別是掩模中心對應(yīng)像素點的灰度值用掩模內(nèi)所有像素點灰度值的中間值代替。 常用的圖像增強方法（1） 直方圖均衡化有些圖像在低值灰度區(qū)間上頻率較大，使得圖像中較暗區(qū)域中的細節(jié)看不清楚。圖像增強的目的是使圖像的某些特性方面更加鮮明、突出，使處理后的圖像更適合人眼視覺特性或機器分析，以便于實現(xiàn)對圖像的更高級的處理和分析。這時可以按一定的規(guī)則修改原來圖像的每一個象素的灰度，從而改變圖像灰度的動態(tài)范圍。 圖像增強的現(xiàn)狀與應(yīng)用計算機圖像處理的發(fā)展歷史不長，但已經(jīng)引起了人們的重視。目前，許多新的增強算法都充分利用了周圍鄰域這一重要的信息，形成了很多局部處理的灰度調(diào)整算法，該方法主要利用了鄰域的統(tǒng)計特性。通過采取適當?shù)脑鰪娞幚砜梢詫⒃灸：磺迳踔?