【正文】 ,6)imshow(f3),title(39。)運行結(jié)果線性空間濾波a=imread(39。)% figure,subplot(2,3,1)imshow(a),title(39。)w=1/(31*31)*ones(31)%生成31*31的全為1的矩陣，命名為w a1=imfilter(a,w)%利用imfilter函數(shù)進行濾波 subplot(2,3,2)imshow(a1)a2=imfilter(a,w,39。)%圖像的大小通過復制圖像邊界外的值來擴展 subplot(2,3,3)imshow(a2)a3=imfilter(a,w,39。)%圖像的大小通過邊界鏡像反射來擴展 subplot(2,3,4)3imshow(a3)a4=imfilter(a,w,39。)%圖像的大小通過將圖像處理為二維周期函數(shù)的一個周期來擴展subplot(2,3,5)imshow(a4)aa=im2uint8(a)a5=imfilter(aa,w,39。)subplot(2,3,6)imshow(a5)b=imread(39。)figure,subplot(2,2,1)imshow(b),title(39。)w1=fspecial(39。,[4])%生成average平滑濾波器 b1=imfilter(b,w1)%進行濾波 subplot(2,2,2)imshow(b1),title(39。)w2=fspecial(39。,5)%生成disk平滑濾波器 b2=imfilter(b,w2)subplot(2,2,3)imshow(b2),title(39。)w3=fspecial(39。,[3 3],)%生成gaussian平滑濾波器 b3=imfilter(b,w3)4subplot(2,2,4)imshow(b3),title(39。)c=imread(39。)figure,subplot(2,2,1)imshow(c),title(39。)w4=fspecial(39。)%生成prewitt銳化濾波器 c1=imfilter(c,w4)subplot(2,2,2)imshow(c1),title(39。)w5=fspecial(39。)%生成sobel銳化濾波器 c2=imfilter(c,w5)subplot(2,2,3)imshow(c2),title(39。)w6=fspecial(39。)%生成laplacian銳化濾波器 c3=imfilter(c,w6)subplot(2,2,4)imshow(c3),title(39。)運行結(jié)果非線性空間濾波d=imread(39。)%，賦值給d d1=imnoise(d,39。 pepper39。被椒鹽噪聲污染的圖像39。用中值濾波器進行濾波 subplot(1,2,2)imshow(d2),title(39。)運行結(jié)果四、實驗總結(jié)（心得體會）通過這次實驗，首先我熟悉了Matlab的基本操作，掌握了圖像處理的基本操作，比如如何讀一張圖片進來、如何顯示一張圖片等等。其次我知道了灰度變換的函數(shù)imadjust的使用，它是將選定的灰度級別范圍變換為規(guī)定的范圍，可以自由變換圖像的灰度級別；還有掌握了如何畫圖像的直方圖、將直方圖均衡化等等。常用的平滑濾波器有average,disk，gaussian、銳化濾波器有prewitt, sobel,laplacian。這些都是一些比較初級的函數(shù)，后面還有很多圖像處理方法需要學習。x+y結(jié)論：不同點：f2的頻譜是對f1頻譜的移位，它時f1的頻譜從原點（0，0）移到了中心（64，64），而得到了一個完整的頻譜。（3）若將f2(x,y)順時針旋轉(zhuǎn)45度得到f3(x,y)，試顯示FFT(f3)的幅度譜，并與FFT(f2)的幅度譜進行比較。for i=38:1:90 for j=58:1:70 f1(i,j)=255。imshow(f1)。imshow(fft2(f1))。end end figure(2)。imshow(f2)。bilinear39。%將f2順時針旋轉(zhuǎn)45度 subplot(1,3,2)。%顯示f2的頻譜 subplot(1,3,3)。%顯示f3的頻譜結(jié)論：均衡化后的直方圖并非完全均勻分布的原因：因為圖像的像素個數(shù)和灰度等級均為離散值，而且均衡化后使灰度級并歸。256大小、256級灰度的數(shù)字圖像lena進行頻域的理想低通、高通濾波，同屏顯示原圖、幅度譜圖和低通、高通濾波的結(jié)果圖。fid=fopen(39。,39。)。uint839。subplot(2,2,1)imagesc(data)。title(39。,39。,39。)。imshow(fft2(data))。[M,N]=size(s)。%對n賦初值 %GLPF濾波，d0=5，15，30（程序中以d0=30為例）d0=30。%對M/2進行取整 n2=floor(N/2)。%點（i,j）到傅立葉變換中心的距離 h=1*exp(1/2*(d^2/d0^2))。%GLPF濾波后的頻域表示 end end s=ifftshift(s)。subplot(2,2,3)。p=fftshift(fft2(data))。%分別返回p的行數(shù)到M中，列數(shù)到N中 n=2。%初始化d1 n3=floor(M/2)。%對N/2進行取整 for i=1:M for j=1:N dd=sqrt((in3)^2+(jn4)^2)。%GHPF濾波函數(shù)p(i,j)=h1*p(i,j)。%對p進行反FFT移動%對s進行二維反離散的Fourier變換后，取復數(shù)的實部轉(zhuǎn)化為無符號8位整數(shù) p=uint8(real(ifft2(p)))。%創(chuàng)建圖形圖像對象 imshow(p)。12256級灰度的數(shù)字圖像（（指紋圖）（顯微醫(yī)學圖像）進行如下處理：（1）對原圖像進行直方圖均衡化處理，同屏顯示處理前后圖像及其直方圖，比較異同，并回答為什么數(shù)字圖像均衡化后其直方圖并非完全均勻分布。數(shù)字圖像均衡化后其直方圖并非完全均勻分布的原因：由于原圖像中目標物的灰度主要集中于低亮度部分，而且象素總數(shù)比較少，而所占的灰度等級比較多，因此圖像的對比度比較好，亮度比較大，整體圖像清晰。數(shù)字圖像均衡化后，其直方圖并非完全均勻分布，這是因為圖像的象素個數(shù)和灰度等級均為離散值；而且均衡化使灰度級并歸，因此，均衡化后，其直方圖并非完全均勻分布。fid=fopen(39。,39。)。uint839。%將打開的文件讀入到data1 subplot(4,2,1)。imshow(data11)。CELL39。Color39。b39。%加標題 subplot(4,2,2)。原圖像直方圖39。imhist(data11)。%取第二個子窗口data2=uint8(data1)。%直方圖均衡化imshow(b,256)。均衡化39。Color39。b39。subplot(4,2,4)。title(39。)。d:39。r39。%打開無格式文件data3=(fread(fid,[128,128],39。))39。%將灰度圖象轉(zhuǎn)換成uint8格式 imshow(data31)。FING39。Color39。b39。subplot(4,2,6)imhist(data31)。原圖像直方圖39。subplot(4,2,7)。%將灰度圖象轉(zhuǎn)換成uint8格式 d=histeq(data4)。%顯示均衡化圖象,256可缺省 title(39。,39。,39。)。imhist(d)。均衡化后原圖像直方圖39。（2）對原圖像加入高斯噪聲，用4鄰域平均法平滑加噪聲圖像（圖像四周邊界不處理，下同），同屏顯示原圖像、加噪圖像和處理后的圖像。229。fid=fopen(39。,39。)。uint839。%將打開的文件讀入到data1 I=uint8(data1)。gaussian39。%加乘性噪聲 H1=[0 1 0。0 1 0]/4。%領域平均subplot(2,4,1),imshow(I)。原圖像39。subplot(2,4,2),imshow(I1)。加噪聲后圖像39。subplot(2,4,3),imshow(J)。不加門限平滑后圖像39。%加門限后濾波T= 2*sum(I1(:))/128^2。for i = 1:128for j = 1:128if abs(I1(i,j)J(i,j))Tim_T(i,j)= J(i,j)。endend end subplot(2,4,8)。title(39。)。256大小、256級灰度的數(shù)字圖像lena進行銳化處理，顯示處理前、后圖像。D:39。% 讀入原圖像 figure(1)。imshow(I)。原始圖像39。L=fspecial(39。)。1 51。L2=[02 0。02 0]。replicate39。% α=1時的拉普拉斯算子 LP2=imfilter(I,L2,39。)。imshow(LP1)。Laplacian算子α=1銳化圖像39。subplot(1,3,3)。title(39。)。2f，g2(m,n)=4af(m,n)a[f(m1,n)+f(m+1,n)+f(m,n1)+f(m,n+1)+f(m,n1)+f(m,n+1)]則回答如下問題：① f(m,n)、g1(m,n)和g2(m,n)之間有何關(guān)系？ ② g2(m,n)代表圖像中的哪些信息？ ③ 由此得出圖像銳化的實質(zhì)是什么？①因為g2(m,n)=a209。a的大小決定，a值越大則梯度信息所占的比例越大）、Prewitt和Sobel邊緣檢測算子，對256180。圖像：源代碼：I=imread(39。)。imshow(I)。原始圖像39。J=double(I)。%計算梯度 A=sqrt(IX.*IX+IY.*IY)。imshow(A,[])。Roberts梯度法銳化圖像39。%Prewitt算子銳化S=imfilter(I,fspecial(39。))。imshow(S)。Prewitt算子銳化圖像39。%Sobel算子銳化S=imfilter(I,fspecial(39。))。imshow(S)。Sobel算子銳化圖像39。