【文章內容簡介】 是在低高強度和飽和，這增加了輸出圖像 J 的對比度值。 14 J = imadjust(I,[low_in。 high_in],[low_out。 high_out]) ， 將圖像 I中的亮度值映射到 J中的新值，即將 low_in 至 high_in 之間的值映射到 low_out至 high_out 之間的值。 low_in 以下與 high_in 以上的 值被剪切掉了，也就是說， low_in 以下的值映射到 low_out， high_in 以上的值映射到 high_out。它們都可以使用空的矩陣 [ ]，默認值是 [0 1]。 如： i=imread(39。e:\39。)。 j=imadjust(i,[,],[ ])。將圖像 i轉換為 j，使灰度值從 ~與缺省值 0~1相匹配 (3)偽彩色處理。 偽彩色處理是指將黑白圖像轉化為彩色圖像，或者是將單色圖像變換成給定彩色分布圖像。由于人眼對彩色的分辨能力遠遠高于對灰度的分辨能力， 所以將灰度圖像轉化成彩色表示，就可以提高對圖像細節(jié)的辨別力。因此，偽色彩處理的主要目的是為了提高人眼對圖像細節(jié)的分辨能力，以達到圖像增強的目的。 偽彩色處理的基本原理是將黑白圖像或者單色圖像的各個灰度級匹配到彩色空間中的一點，從而使單色圖像映射成彩色圖像。對黑白圖像中不同的灰度賦予不同的彩色。值得注意的是，偽彩色雖然能將黑白灰度轉化為彩色，但這種彩色并不是真正表現(xiàn)圖像的原始顏色，而僅僅是一種便于識別的偽彩色。 灰度變換 模塊的 設計 （ 1）直方圖均衡化 直方圖均衡化又稱直方圖平坦化 ,是將一已知灰度概率 密度分布的圖像經過某種變換 ,變成一幅具有均勻灰度概率密度分布的新圖像。其結果是擴展了像元取值的動態(tài)范圍 ,從而達到增強圖像整體對比度的效果。 直方圖均衡化的具體實現(xiàn)步驟如下 : 1） .列出原始圖像的灰度級 式 (317) 2)．統(tǒng)計各灰度級的像素數(shù)目 式 (318) 15 3).計算原始圖像直方圖各灰度級的頻數(shù) 式 (319) 4).計算累積分布函數(shù) 式 (320) 5).應用以下公式計算映射后的輸出圖像的灰度級， P 為輸出圖像灰度級的個數(shù)，其中 INT為取整符號。 式 (321) 6).統(tǒng)計映射后各灰度級的像素數(shù)目 ni, i=0,1,? ,k,? P1。 7).計算輸出直方圖 Pg(gi)=ni/n, i=0,1,? ,P1。 8).用 fj和 gi的映射關系修改原始圖像的灰度級 ,從而獲得直方圖近似為均勻分布的輸出圖像。 (2) 直方圖規(guī)定化 直方圖均衡化的優(yōu)點是能自動增強整個圖像的對比度 ,但它的具體增強效果不易控制 ,處理的結果總是得到全局的均衡化的直方圖。實際工作中 ,有時需要變換直方圖使之成為某個 特定的形狀 ,從而有選擇地增強某個灰度值范圍內的對比度 ,這時可采用比較靈活的直方圖規(guī)定化方法。直方圖規(guī)定化增強處理的步驟如下 : 令 Pr（ r）和 Pz（ z）分別為原始圖像和期望圖像的灰度概率密度函數(shù)。如果對原始圖像和期望圖像均作直方圖均衡化處理，應有 式 (322) 式 (323) 式 (324) 由于都是進行均衡化處理，處理后的原圖像概率密度函數(shù) Ps（ S）及理想圖像 概率密度函數(shù) PV（ V）是相等的。于是，我們可以用變換后的原始圖像灰度級S代替式 (323)中的 V。即 Z = G 1（ S） 式 (325) 16 這時的灰度級 Z 便是所希望的圖像的灰度級。 此外，利用 式 (322)與 式 (323)式還可得到組合變換函數(shù) Z = G 1［ T（ r）］ 式 (326) 對連續(xù)圖像，重要的是給出逆變換解析式。 設計與調試 分析 模塊 的設計 主要程序設計： function xiaoguo_Callback(hObject, eventdata, handles) global T %定義全局變量 T va=get( ,39。Value39。)。%得到句柄 lvbo的 Value，賦給 va val=get(hObject,39。Value39。)。 switch val %用 switch語句設置選項 case 1 img=rgb2gray(T)。 %將 T轉化為二維的灰色圖像，賦給 img prompt={39。旋轉角度 :39。}。 %設置提示字符串 defans={39。039。}。 %設置默認值 p=inputdlg(prompt,39。input39。,1,defans)。 %顯示對話框 p1=str2num(p{1})。 %將對話框轉換為數(shù)值 f=imrotate(img,p1,39。bilinear39。,39。crop39。)。 %將圖像進行旋轉處理 axes()。 %將結果顯示在 axes1中 imshow(f)。title(39。旋轉后圖像 39。)。 %顯示旋轉后的圖像 運行結果如下圖 41所示，彈出對話框，現(xiàn)在設置旋轉角度為 30，按“ OK”運行結果如下圖 42所示： 17 圖 41 圖 42 分析結果： 圖 42 是按逆時針旋轉 30176。的結果， 一般輸入?yún)?shù)為正數(shù)時，圖像按逆時針方向旋轉；輸入負數(shù)時，圖像按順時針方向旋轉。運行結果正常。 主要程序設計： case 2 %底片效果顯示 ig2=rgb2gray(T)。 %將 T轉化為二維的灰色圖像，賦給 ig2 f2=implement(ig2)。 %將 圖像 ig2取反 ，達到黑白色變換，實現(xiàn)底片效果 axes ()。 %將結果顯示在 axes1中 imshow(f2)。title(39。底片效果 39。)。 %顯示低片效果圖像 運行結果如下圖 43所示： 圖 43 18 分析結果： 圖 43完成了 對 二值圖像 的求補運算，將二值圖像進行 黑白兩色互換，就是把黑色部分變成白的，把白色部分變成黑的 。 運用 implement 函數(shù)來實現(xiàn)圖像取反，形成底片效果。 程序運行正常。 程序設計： case 3 %顯示邊緣信息處理圖像 ig3=rgb2gray(T)。 %將 T轉化為二維的灰色圖像，賦給 ig3 f3=edge(ig3,39。canny39。)。 %將 ig3進行邊緣處理 axes ()。 %將結果顯示在 axes1中 imshow(f3)。title(39。邊緣信息 39。)。 %顯示邊緣信息圖像 運行結果如下圖 44所示： 圖 44 結果分析： 圖 44顯示了邊緣信息處理之后的圖像， 利用邊緣鄰近一階或二階方向導數(shù)變化規(guī)律，用簡單的方法檢測邊緣 。 如果一個像素落在圖像中某一個物體的邊界上，那么它的鄰域將成為一個灰度級的變化帶， 運用 edge函數(shù)進行運算，達到了效果。程序運行正常。 處理 程序設計： 19 case 4 %顯示運動模糊處理結果 LEN = 21。 THETA = 0。% 表示攝像物體逆時針方向以 0角度運動了 21個像素 PSF = fspecial(39。motion39。, LEN, THETA)。 %點擴展函數(shù)的卷積運算 blurred = imfilter(T, PSF, 39。conv39。, 39。circular39。)。 %對圖像 f進行濾波 %W2 = deconvwnr(blurred,PSF)。 %對濾波 后的圖像進行恢復 axes()。 %將結果顯示在 axes1中 imshow(blurred)。title(39。運動模糊 39。)。 %顯示 運動模糊 圖像 運行結果如下圖 45所示： 圖 45 結果分析： 從圖 45所示，運行之后的圖像明顯比原圖像模糊，程序運行正常。 圖像壓縮 模塊 的設計 變換 程序設計： function yasuo_Callback(hObject, eventdata, handles) global T 定義全局變量 T va=get(,39。Value39。)。%得到句柄 yasuo的 Value，賦給 va val=get(hObject,39。Value39。)。 switch val %用 switch語句設置選項 case 1 %顯示 DCT變換 圖像 i=rgb2gray(T)。%將真彩色 RGB圖像轉換成灰度圖像（ RGB并不發(fā)生變化） I=im2double(i)。%把灰度圖像的數(shù)據(jù)類型轉換成雙精度浮點類型 T=dctmtx(8)。%生成一個 8*8 DCT變換矩陣 B=blkproc(I,[8 8],39。P1*x*P239。,T,T39。)。%P1*x*P2相當于像素塊的處理函數(shù)， P1=T P2=T39。,進行離散余弦變換 mask=[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 0 0 0 0 0 0 0]。 %8*8的二維數(shù)據(jù)塊經 DCT后變成 8*8個變換系數(shù)，代表低頻成份的量分布于左上 20 角，而越高頻率成份越向右下角分布 C=blkproc(B,[8 8],39。P1.*x39。,mask)。%數(shù)據(jù)壓縮，丟棄右下角高頻數(shù)據(jù) D=blkproc(C,[8 8],39。P1*x*P239。,T39。,T)。%進行 DCT反變換，得到壓縮后的圖像 axes()。 %將結果顯示在 axes2中 imshow(D)。title(39。DCT變換 39。)。 %顯示 DCT變換之后的圖像 運行結果如 下圖 46所示： 圖 46 結果分析： 圖 46是一 個 8*8的二維離散余弦變換將圖像的空間表達式轉換到頻率域 ,只用少量的數(shù)據(jù)點來表達圖像 。 8*8的二維數(shù)據(jù)塊經 DCT后變成 8*8個變換系數(shù)，代表低頻成份的量分布于左上角，而越高頻率成份越向右下角分布 ，經過運算， 丟棄右下角高頻數(shù)據(jù) ，從而達到圖像的壓縮效果。 程序設計： case 2 X=rgb2gray(T)。 X=double(X)/255。 %歸一化處理 colormap(pink)。 %顏色映射 [C,S]=wavedec2(X,1,39。39。)。 %對圖像用‘ 39。小波進行 1層小波分解 thr=20。 %設置小波系數(shù)閾值 cal=appcoef2(C,S,39。39。,1)。 %提取小波分解結構中第 1 層的低頻系數(shù)和高 頻系數(shù) ch1=detcoef2(39。h39。,C,S,1)。 cv1=detcoef2(39。v39。,C,S,1)。 cd1=detcoef2(39。d39。,C,S,1)。 a1=wrcoef2(39。a39。,C,S,39。39。,1)。 %分別對各 頻率成分進行重構 21 h1=wrcoef2(39。h39。,C,S,39。39。,1)。 v1=wrcoef2(39。v39。,C,S,39。39。,1)。 d1=wrcoef2(39。d39。,C,S,39。