基于matlab的数字图像处理作业..docx

数字图像处理期末作业电子通信与物理学院电子与通信工程米强151331033作业一：下图含有零均值高斯噪声，可尝试任意方法进行处理以取得尽可能好的结果。首先读取图片所在位置，用wiener2函数来进行维纳滤波，然后输出处理后的图像。程序与处理结果：I=imread(c:a.bmp);figure,imshow(I);J=wiener2(I,[5,5]);figure,imshow(J)原图：用维纳滤波处理后的图像：作业二：下图含有干扰条纹（moire pattern），分别用中值滤波和频域滤波的方法进行处理。对中值滤波，需改变滤波窗口的尺寸已达到最佳效果：对于频域滤波，通过观察图像的频谱特点设计滤波器。中值滤波法：使用中值滤波，中值滤波法是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。程序与处理结果：I=imread(c:\MATLAB7\hw2_radiograph.jpg);figure,imshow(I);B=medfilt2(I,[2,2]);%中值滤波，窗口大小为2*2；figure,imshow(B);原始图像：中值滤波后的图像：2、频域滤波法：我设计的是利用频域的低通滤波器来实现对此图像的处理。程序与处理结果：clc;clear all;close all;f=imread(hw2_radiograph.jpg);figure,imshow(f);[row,col]=size(f);g=fft2(f);gls=fftshift(g);H=zeros(row,col);x0=floor(row/2);y0=floor(col/2);u0=x0;v0=y0;D0=50;n=0.2;for u=1:row for v=1:col D=(u-u0)^2+(v-v0)^2; H(u,v)=1/(1+(D/D0)^(2*n)); endendrss=gls.*H;%滤波rs=ifftshift(rss);%反频移r=real(ifft2(rs));%反变换subplot(2,2,1);imshow(f);原始图像：作业三：造成下图降质的点扩展函数PSF近似为高斯模型，并含有加性白噪声。设法估计PSF和噪声的参数，利用维纳滤波进行恢复。原理：采用维纳滤波是假设图像信号可近似看成为平稳随机过程的前提下，按照使原始图像和估计图像之间的均方误差达到最小的准则函数来实现图像复原的。程序与步骤：f=imread(C:\MATLAB7\c.bmp); subplot(2,2,1);imshow(f);title(（A）原始图像); PSF=fspecial(motion,7,45); gb=imfilter(f,PSF,circular); g=imnoise(gb,gaussian,0,0.0001);subplot(2,2,2);imshow(g);title(（B）加燥和运动模糊图像);noise=imnoise(gb,gaussian,0,0.0001);Sn=abs(fft2(noise)).^2; nA=sum(Sn(:))/prod(size(noise)); Sf=abs(fft2(f)).^2; fA=sum(Sf(:))/prod(size(f)); R=nA/fA; fr1=deconvwnr(g,PSF,R); NCORR=fftshift(real(ifft2(Sn))); ICORR=fftshift(real(ifft2(Sf))); fr2=deconvwnr(g,PSF,NCORR,ICORR); subplot(2,2,3);imshow(fr1);title(（C）常数比率维娜滤波复原);subplot(2,2,4);imshow(fr2);title(（D）自相关函数维娜滤波复原);作业四：有如下训练图像所示的5类树叶，编程判定测试图像的类型。可设定某种衡量图像间相似性/差异的指标，计算测试图像与各训练图像的指标值，进而据此实现分类。由于被识别图像与原图像相比一般有很大程度的失真，如平移、旋转和其他变化，所以我们希望图像的描述量对于图像的各种畸变不敏感。不变距（Invariant Moments，IMg）是一种高度浓缩的图像特征，具有平移、灰度、尺度、旋转不变性，因此矩和矩函数被广泛用于图像的模式识别、图像分类、目标识别和场景分析中。正交矩具有绝对的独立性，没有信息冗余现象，抽样性能好，抗噪声能力强，适合于图像识别。矩在统计学中表征随机量的分布，一幅灰度图像可以用二