【正文】 七、總結(jié)運用matlab軟件對圖像進行處理，讓我鞏固了之前所學的知識，同時也在這次作業(yè)中更加了解到matlab語言在生活中的運用環(huán)境和掌握這門語言的重要性八、存在問題？ ，為何添加椒鹽噪聲時無法顯示。一般來說，它們都是由特定領域的專家開發(fā)的，用戶可以直接使用工具箱學習、應用和評估不同的方法而不需要自己編寫代碼。同時對一些特殊的可視化要求，例如圖形對話等，MATLAB也有相應的功能函數(shù)，保證了用戶不同層次的要求?？捎糜诳茖W計算和工程繪圖。圖形處理功能圖形處理功能MATLAB自產(chǎn)生之日起就具有方便的數(shù)據(jù)可視化功能，以將向量和矩陣用圖形表現(xiàn)出來，并且可以對圖形進行標注和打印。MATLAB的這些函數(shù)集包括從最簡單最基本的函數(shù)到諸如矩陣，特征向量、快速傅立葉變換的復雜函數(shù)。在通常情況下，可以用它來代替底層編程語言，如C和C++。其可以快捷的實現(xiàn)用戶所需的各種計算功能。%添加均值為0。gaussian39。,)。salt amp。高斯白噪聲包括熱噪聲和散粒噪聲。如果一個噪聲，它的幅度分布服從高斯分布，而它的功率譜密度又是均勻分布的，則稱它為高斯白噪聲。但這類算法存在自身無法克服的矛盾：一方面為增強斑點去噪效果需選較大的濾波窗口，另一方面為保持圖像的實際分辨率要求所選的窗口較小。非相干多視處理會降低圖像的地面分辨率。SAR圖像斑點噪聲的去除一方面要抑制圖像均勻區(qū)域斑點噪聲，另一方面要保持圖像邊緣和紋理細節(jié)信息。這些源產(chǎn)生的電磁波或尖峰脈沖通過磁、電耦合或是通過電源線等路徑進入放大電路，各種電氣設備，形成各種形式的干擾。在新的坐標系下,假設（x0,y0）距離原點的距離為r,點與原點之間的連線與x軸的夾角為b,旋轉(zhuǎn)的角度為a,旋轉(zhuǎn)后的點為（x1,y1）噪聲：是電路或系統(tǒng)中不含信息量的電壓或電流。那么不難得到： x1 = x0w/2。由于原圖像的坐標是以左上角為原點的,所以我們先把坐標轉(zhuǎn)換為以圖像中心為原點。當然這個點通常就是圖像的中心。二值圖像可以解釋為二維整數(shù)格Z，圖像變形處理領域很大程度上就是受到這個觀點啟發(fā)。一些輸入輸出設備，如激光打印機、傳真機、單色計算機顯示器等都可以處理二值圖像。二值圖像操作只返回與二值圖像的形式或結(jié)構(gòu)有關(guān)的信息，如果希望對其他類型的圖像進行同樣的操作，則首先要將其轉(zhuǎn)換為二進制的圖像格式，可以通過調(diào)用MATLAB提供的im2bw（）來實現(xiàn)。這兩個可取的值分別對應于關(guān)閉和打開，關(guān)閉表征該像素處于背景，而打開表征該像素處于前景。W、單色圖像表示二值圖像，但是也可以用來表示每個像素只有一個采樣值的任何圖像，例如灰度圖像等。二值圖像是每個像素只有兩個可能值的數(shù)字圖像。二值圖像一般用來描述文字或者圖形，其優(yōu)點是占用空間少，缺點是，當表示人物，風景的圖像時，二值圖像只能描述其輪廓，不能描述細節(jié)。在這樣的應用領域每個采樣 16 位即 65536 級得到流行。這種精度剛剛能夠避免可見的條帶失真，并且非常易于編程?；叶葓D像經(jīng)常是在單個電磁波頻譜如可見光內(nèi)測量每個像素的亮度得到的。但是，在數(shù)字圖像領域之外，“黑白圖像”也表示“灰度圖像”，例如灰度的照片通常叫做“黑白照片”。這類圖像通常顯示為從最暗黑色到最亮的白色的灰度，盡管理論上這個采樣可以任何顏色的不同深淺，甚至可以是不同亮度上的不同顏色。通道是Photoshop處理圖像的核心部分，所有的色彩調(diào)整工具都是圍繞在這個核心周圍使用的。通道是整個Photoshop顯示圖像的基礎。用不同的灰度色階來表示“ 紅，綠，藍”在圖像中的比重。五、算法綜述 灰度圖像：一幅完整的圖像，是由紅色、綠色、藍色三個通道組成的。添加斑點噪聲39。imshow(J)。,)。J=imnoise(I,39。添加高斯噪聲39。imshow(J)。,0,)。J1=imnoise(I,39。原圖39。imshow(I)。)。（3）對給定的圖像添加噪聲（斑點噪聲、高斯噪聲）效果展示：代碼：I= imread(39。figure。imshow(Imgnew2,[])。Imgnew2(u,v)=(1s)*(1t)*p1+(1s)*t*p3+(1t)*s*p2+s*t*p4。t=yy_low。p4=Img(x_up,y_up)。p2=Img(x_up,y_low)。endif(yy_low)elsey=y_up。amp。amp。y=tem(2)。0])。for u=1:hnewfor v=1:wnewtem=T*([u。Imgnew2=zeros(hnew,wnew)。T=[cos(alpha),sin(alpha)。hnew=ceil(hnew)。hnew=w*sin(alpha)+h*cos(alpha)。alpha=pi/4。Img=double(Img)。D:My DocumentsMy 39。close all。)（2）圖像旋轉(zhuǎn) 原圖效果展示：代碼：clc。title(39。)subplot(3,1,3)。title(39。)subplot(3,1,2)。title(39。subplot(3,1,1)。i = rgb2gray(a)。C:Documents and 39。然而，圖像屬于二維信號，和一維信號相比，它有自己特殊的一面，處理的方式和角度也有所不同。圖像處理是信號處理的子類，另外與計算機科學、人工智能等領域也有密切的關(guān)系。目前大多數(shù)的圖像是以數(shù)字形式存儲，因而圖像處理很多情況下指數(shù)字圖像處理。end第五篇：數(shù)字圖像處理實驗報告數(shù)字圖像處理實驗報告目錄一、數(shù)字圖像處理簡介圖像處理，是對圖像進行分析、加工、和處理，使其滿足視覺、心理以及其他要求的技術(shù)。green39。Color39。LineWidth39。lines(k).point2]。,10)。,10,39。lines = houghlines(BW,T,R,p,39。white39。color39。s39。,ceil(*max(H(:))))。)p = houghpeaks(H,5,39。), ylabel(39。), axis on, axis normal xlabel(39。figure(1), imshow(T,R,H,[],39。ThetaResolution39。RhoResolution39。)。BW = edge(I,39。I=RGB。d:39。%利用canny算子進行邊緣檢測 subplot(2,3,1),imshow(I)subplot(2,3,2),imshow(BW1)subplot(2,3,3),imshow(BW2)subplot(2,3,4),imshow(BW3)subplot(2,3,5),imshow(BW4)subplot(2,3,6),imshow(BW5)邊緣連接使用Hough變換作線檢測和連接clear all。canny39。)。%利用prewitt算子進行邊緣檢測 BW4 = edge(I,39。prewitt39。)。%利用Sobel算子進行邊緣檢測 BW2 = edge(I,39。sobel39。I=rgb2gray(I)。d:39。七、程序清單邊緣檢測由edge函數(shù)實現(xiàn)各算子對圖像的邊緣檢測clear all。六、實驗心得體會對于一些圖像處理的函數(shù)不是很了解，只能夠按課本的參照函數(shù)拷貝做實驗，對于其中的一些函數(shù)問題理解不是很透徹，有些甚至完全不懂。也即把檢測整體特性轉(zhuǎn)化為檢測局部特性。（2）Hough變換原理是什么？答：Hough變換的基本原理在于利用點與線的對偶性，將原始圖像空間的給定的曲線通過曲線表達形式變?yōu)閰?shù)空間的一個點。五、思考題（1）邊緣的方向是什么意思？為什么要考慮邊緣的方向？答：邊緣常常意味著一個區(qū)域的終結(jié)和另一個區(qū)域的開始，圖像的邊緣也包含了物體的形狀的重要信息，他不僅在分析圖像時大幅度的減少了要處理的信息量，而且還保護了目標的邊界結(jié)構(gòu)。)。title(39。subplot(3,2,5)。J2=ifft2(result)。)。%以三維坐標顯示該圖像頻譜圖 title(39。z=log(abs(result))。y=0:1:255。end end subplot(3,2,6)。else h=1/(1+*(d0/d)^(2*nn))。for i=1:M for j=1:N d=sqrt((im)^2+(jn)^2)。m=fix(M/2)。%利用二階巴特沃斯（Butterworth）高通濾波器nn=2。低通濾波后的圖像39。imshow(J3)。J3=uint8(abs(J2))。result=ifftshift(result)。低通濾波后的頻譜39。%取幅度 mesh(z)。[x,y]=meshgrid(x,y)。x=0:1:255。% 計算低通濾波器傳遞函數(shù) result(i,j)=h*g(i,j)。for i=1:M for j=1:N d=sqrt((im)^2+(jn)^2)。m=fix(M/2)。nn=2。)。%以三維坐標顯示該圖像頻譜圖 title(39。z=log(abs(g))。y=0:1:255。% 轉(zhuǎn)換數(shù)據(jù)矩陣 subplot(3,2,2)。g=fft2(f)。)。title(39。subplot(3,2,1)。39。Figure。%頻域增強（巴特沃斯原型）%二階巴特沃斯（Butterworth）低通濾波器 %clc。理想高通濾波后的圖像39。%對原圖進行高通濾波 for k=1:1:n for l=1:1:m if(k^2+l^2)imshow(uint8(abs(d)))。subplot(3,2,6)。理想低通濾波后的圖像39。%逆傅里葉變換 imshow(uint8(abs(b)))。%新建圖像顯示窗口 result=fftshift(result)。)。title(39。[x,y]=meshgrid(x,y)。%三維方式顯示低通濾波后的頻譜圖 x=0:1:255。end