【正文】 縮的方法是利用小波分解去掉圖像高頻部分二保留低頻部分。 圖47 圖48 結(jié)果分析：一個圖像做小波分解后，可得到一系列不同分辨率的子圖像，對應(yīng)的頻率是不相同的。)。title(39。 %改變圖像的高度axes()。,0)。%首先對第1層信息進行量化編碼ca1=wcodemat(ca1,440,39。39。v1,d1]。,1)。,C,S,39。d1=wrcoef2(39。39。v39。,1)。,C,S,39。 %分別對各頻率成分進行重構(gòu)h1=wrcoef2(39。39。a39。,C,S,1)。cd1=detcoef2(39。v39。,C,S,1)。 %提取小波分解結(jié)構(gòu)中第1 層的低頻系數(shù)和高頻系數(shù)ch1=detcoef2(39。39。小波進行1層小波分解thr=20。)。 %顏色映射[C,S]=wavedec2(X,1,39。X=double(X)/255。8*8的二維數(shù)據(jù)塊經(jīng)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(jīng)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。)。title(39。%進行DCT反變換，得到壓縮后的圖像axes()。,T39。%數(shù)據(jù)壓縮，丟棄右下角高頻數(shù)據(jù)D=blkproc(C,[8 8],39。P1.*x39。0 0 0 0 0 0 0 0]。0 0 0 0 0 0 0 0。1 0 0 0 0 0 0 0。1 1 1 0 0 0 0 0。%P1*x*P2相當(dāng)于像素塊的處理函數(shù)，P1=T P2=T39。,T,T39。%生成一個8*8 DCT變換矩陣B=blkproc(I,[8 8],39。%將真彩色RGB圖像轉(zhuǎn)換成灰度圖像（RGB并不發(fā)生變化）I=im2double(i)。)。%得到句柄yasuo的Value，賦給vaval=get(hObject,39。Value39。 %顯示運動模糊圖像 運行結(jié)果如下圖45所示：圖45結(jié)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。運動模糊39。 %將結(jié)果顯示在axes1中 imshow(blurred)。 %對圖像f進行濾波 %W2 = deconvwnr(blurred,PSF)。circular39。conv39。, LEN, THETA)。% 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。程序設(shè)計： case 4 %顯示運動模糊處理結(jié)果 LEN = 21。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?qū)⒊蔀橐粋€灰度級的變化帶，運用edge函數(shù)進行運算，達到了效果。)。title(39。 %將ig3進行邊緣處理axes ()。canny39。程序設(shè)計： case 3 %顯示邊緣信息處理圖像ig3=rgb2gray(T)。運用implement函數(shù)來實現(xiàn)圖像取反，形成底片效果。)。title(39。 %將圖像ig2取反，達到黑白色變換，實現(xiàn)底片效果axes ()。 主要程序設(shè)計： case 2 %底片效果顯示ig2=rgb2gray(T)。的結(jié)果，一般輸入?yún)?shù)為正數(shù)時，圖像按逆時針方向旋轉(zhuǎn)；輸入負數(shù)時，圖像按順時針方向旋轉(zhuǎn)。)。title(39。 %將圖像進行旋轉(zhuǎn)處理axes()。crop39。bilinear39。 %顯示對話框p1=str2num(p{1})。input39。}。 %設(shè)置提示字符串defans={39。旋轉(zhuǎn)角度:39。switch val %用switch語句設(shè)置選項case 1 img=rgb2gray(T)。Value39。)。 主要程序設(shè)計：function xiaoguo_Callback(hObject, eventdata, handles)global T %定義全局變量Tva=get( ,39。即 Z = G 1（S） 式(325)這時的灰度級Z 便是所希望的圖像的灰度級。如果對原始圖像和期望圖像均作直方圖均衡化處理，應(yīng)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。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(nèi)的對比度,這時可采用比較靈活的直方圖規(guī)定化方法。8).用fj和gi的映射關(guān)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。 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。其結(jié)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。值得注意的是，偽彩色雖然能將黑白灰度轉(zhuǎn)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。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。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(zhuǎn)化成彩色表示，就可以提高對圖像細節(jié)的辨別力。將圖像i轉(zhuǎn)換為j，~~1相匹配(3)偽彩色處理。)。 如： i=imread(39。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。 high_in],[low_out。imadjust函數(shù)用于數(shù)字圖像的灰度或顏色調(diào)整，J = imadjust(I) 將灰度圖像 I 中的亮度值映射到 J 中的新值并使 1％ 的數(shù)據(jù)是在低高強度和飽和，這增加了輸出圖像 J 的對比度值。即將圖像從RGB分量圖轉(zhuǎn)換為HIS分量圖，之后將I分量增強，最后再將其轉(zhuǎn)換回RGB。這樣就可以理解亮紅色為RGB=[255,0,0]，亮綠色為RGB=[0,255,0]等等。比如R軸上，從[1，0，0]、[2,0,0]直到[255,0,0]，是個漸變，都是紅色，就是深紅淺紅的問題。RGB的每個分量都使用[0,255]內(nèi)的值。彩色指除去上述黑白灰以外的各種顏色，而RGB模型只是彩色模型的其中一種。顏色分為無彩色和有彩色兩種。在圖像處理中我們一般只考慮正的灰度值，所以還有將輸出圖像的灰度值范圍通過尺度變回到所要求的范圍。當(dāng)這樣的模板放在圖像中灰度值是常數(shù)或變化很小的區(qū)域時，其輸出為0或很小。這種濾波器的中心系數(shù)都是正的，而周圍的系數(shù)都是負的。（4）線性銳化濾波。因而，討論線性濾波器時，一般均以維納濾波器作為參考。在維納研究的基礎(chǔ)上，人們還根據(jù)最大輸出信噪比準則、統(tǒng)計檢測準則以及其他最佳準則求得的最佳線性濾波器。20世紀40年代，維納奠定了關(guān)于最佳濾波器研究的基礎(chǔ)。與平均濾波器相比，中值濾波器從總體上來說，能夠較好地保留原圖像中的躍變部分。對于有緩變的較長輪廓線物體的圖像，采用方形或圓形窗口為宜，對于包含尖頂角物體的圖像，適宜用十字形窗口。因此平均濾波的一般輸出為: 式(314) 對于二維序列進行中值濾波時，濾波窗口也是二維的，但這種二維窗口可以有各種不同的形狀，如線狀、方形、圓形、十字形、圓環(huán)形等。用數(shù)學(xué)公式表示為: ， 式(313)例如：有一個序列為{0，3，4，0，7}，則中值濾波為重新排序后的序列{0，0，3，4，7}中間的值為3。中值濾波的基本原理是把數(shù)字圖像或數(shù)字序列中一點的值用該點的一個鄰域中各點值的中值代替。在一定的條件下，可以克服線性濾波器所帶來的圖像細節(jié)模糊，而且對濾除脈沖干擾及圖像掃描噪聲最為有效。它是一種非線性濾波，由于它在實際運算過程中并不需要圖像的統(tǒng)計特性，所以比較方便。均值濾波本身存在著固有的缺陷，即它不能很好地保護圖像細節(jié)，在圖像去噪的同時也破壞了圖像的細節(jié)部分，從而使圖像變得模糊，不能很好地去除噪聲點。均值濾波也稱為線性濾波，其采用的主要方法為鄰域平均法。（1）均值濾波。一般通信中把乘性隨機性看成系統(tǒng)的時變性（如衰落或者多普勒）或者非線性所造成的。（3）乘性噪聲。濾波的目的有兩個：一是抽出對象的特征作為圖像識別的特征模式；二是為適應(yīng)計算機處理的要求，消除圖像數(shù)字化時所混入的噪聲。因此，實時采集的圖像需進行濾波處理。大量的實驗研究發(fā)現(xiàn)，由攝像機拍攝得到的圖像受椒鹽噪聲的影響較嚴重。椒鹽噪聲是由圖像傳感器，傳輸信道，解碼處理等產(chǎn)生的黑白相間的亮暗點噪聲。高斯白噪聲的二階矩不相關(guān)，一階矩為常數(shù)，是指先后信號在時間上的相關(guān)性。所謂高斯噪聲是指它的概率密度函數(shù)服從高斯分布（即正態(tài)分布）的一類噪聲。而對于一個圖像來說，表現(xiàn)圖像的最主要的部分是低頻部分，所以壓縮的方法是利用小波分解去掉圖像高頻部分二保留低頻部分。一個圖像做小波分解后，可得到一系列不同分辨率的子圖像，對應(yīng)的頻率是不相同的。將小波分析映入圖像壓縮范疇也是一個重要手段，并有著它自己的特點?？梢圆捎蒙晕⒏淖冇嬎愎降姆椒?，使輸出序列的非零項總和基本上和輸入序列的非零項數(shù)相等，并且可以完全重構(gòu)。這樣分解到6步后得到的序列的非零項個數(shù)的總和為116，超過了輸入序列的長度。分解多步后非零項的個數(shù)可能比輸入序列的長度增加較多。的非零值范圍相同。若完全按照上述公式計算，在經(jīng)過J步分解后，所得到的J+1個序列和的非零項的個數(shù)之和一般要大于M，究竟這個項目增加到了多少？下面來分析一下上述計算過程。為簡單起見，設(shè)尺度系數(shù)與小波函數(shù)都是實數(shù)。所不同的是：在DWT中，輸出數(shù)據(jù)下標(biāo)增加1時，權(quán)系數(shù)在輸入數(shù)據(jù)的對應(yīng)點下標(biāo)增加2，這稱為“間隔取樣”。為信號的輸入數(shù)據(jù)，N為輸入信號的長度，L為所需的級數(shù)。設(shè)f(x)為一維輸入信號，記，這里與分別稱為定標(biāo)函數(shù)與子波函數(shù)，與為二個正交基函數(shù)的集合。在DCT變換后舍棄那些不嚴重影響圖像重構(gòu)接近0的系數(shù)。隨著U、V值增大，相應(yīng)的系數(shù)分別代表逐步壓縮的水平空間頻率分量和垂直空間頻率分量的大小。到達接收端后再通過反離散余弦變換回到樣值，雖然會有一定的失真，但是能基本接受。由于大多數(shù)的圖像的高頻分量較小，相應(yīng)于高頻成分的系數(shù)經(jīng)常為零，加上人眼對高頻成分的失真不太敏感，所以可以用更粗的量化。任何連續(xù)的事物堆成函數(shù)的傅里葉變換中只含有余弦項，因此余弦變換與傅里葉變換一樣，有明確的物理意義。通過文獻的學(xué)習(xí)，先對模糊圖像進行一階微分，然后進行自相關(guān)運算，可得一條鑒別曲線，曲線上會出現(xiàn)對稱的相關(guān)峰，峰值為負，兩相關(guān)峰之間的距離等于運動模糊長度。設(shè)計中采用edge函數(shù)來實現(xiàn)邊緣信息的獲取。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?qū)⒊蔀橐粋€灰度級的變化帶，對這種變化最有用的2個特征(灰度的變化率和方向)，它們分別以梯度向量的幅度和方向來表示。邊緣廣泛存在于物體與背景之間、物體與物體之間、基