黄金版------中值、均值滤波程序.doc

I=imread(桂花叶.jpg); J=rgb2gray(I); K=imnoise(J,gaussian,0.02); %加入高斯噪声 K1=filter2(fspecial(average,3),K)/255; %进行3*3均值滤波 K2=filter2(fspecial(average,5),K)/255; %进行5*5均值滤波 L1=medfilt2(K,[3,3]); %加入3*3中值滤波 L2=medfilt2(K,[5,5]); %加入5*5中值滤波 subplot(231),imshow(K),title(加噪); subplot(232),imshow(K1),title(3*3均值滤波); subplot(233),imshow(K2),title(5*5均值滤波); subplot(234),imshow(L1),title(3*3中值滤波); subplot(235),imshow(L2),title(5*5中值滤波); I=imread(rice1.jpg); axis([0,2500,0,2000]); grid on; %显示网络线 axis on; %显示坐标系 level=graythresh(I); %确定灰度阈值 BW=im2bw(I,level); BW1=~BW; subplot(121),imshow(I);title(原图); subplot(122),imshow(BW1);title(Otsu法阈值分割); axis([0,2500,0,2000]); grid on %显示网络线 axis on %显示坐标系 2.5 边缘检测 图像的边缘是指图像局部亮度变化最显著的部分，即在灰度级上发生急剧变化的区域。从空域角度看，二维图像上的边缘相邻像素灰度从某一个值跳变到另一个差异较大的值。其灰度变化曲线呈现奇异信号波形。边缘检测分阶跃信号和屋顶形脉冲信号；阶跃状的边缘处于图像中两个具有不同灰度的相邻区域之间，而屋顶状的边缘上升下降都比较缓慢。 图像边缘信息是图像的重要特征，也是计算机视觉和图像识别的基础。对树叶的边缘进行检测是树叶识别的基础，从二维数字图像上可得到的所有树叶的特征都基于其轮廓信息的。因此对树叶边缘信息检测情况的好坏直接影响到最终的处理结果。 对于边缘的检测常常借助于空域微分算子进行，通过将其模板与图像卷积完成。两个具有不同灰度值的相邻区域之间总存在灰度边缘。灰度边缘是灰度值不连续（或突变）的结果，这种不连续常可利用求一阶和二阶导数方便地检测到。已有的边缘检测方法，主要有一次微分（Sobel 算子、Roberts算子等）、二次微分（Laplace算子等）和模板操作（Prewitt 算子、Kirsch 算子、Robinson 算子等）等。 Sobel算子：Sobel 边缘算子的掩模模板是两个3×3的卷积核。Sobel边缘算子强调中心像素的4-邻域对其的影响，而削弱4个对角近邻像素对其作用。它是有方向性的，在水平方向和垂直方向上形成最强烈的边缘。噪声抑制效果强于Prewitt算子，但得到的边缘较宽。 -1 0 1 -2 0 2 -1 0 1 1 2 1 0 0 0 -1 -2 -1 Roberts算子：Robert边缘算子是一种局部差分算子，采用两个2×2的掩模模板对图像的边缘进行检测。去噪作用小，边缘检测能力只优于简单梯度算子。 1 0 0 -1 0 -1 1 0 Prewitt算子：Prewitt算子与Sobel算子的方程一样，只是常量c=1。不仅能检测边缘点，而且能抑制噪声的影响。 -1 0 1 -1 0 1 -1 0 1 1 1 1 0 0 0 -1 -1 -1 Gauss-Laplace算子：Laplace算子是二阶微分算子，具有各项同性，只需要一个卷积核进行计算即可。Laplace算子精度高，但是同时对噪声更敏感，因此在检测之前一般先进行平滑，把高斯平滑滤波器和Laplace锐化滤波器结合起来形成Gauss-Laplace算子。正因为如此，本文首选该算子预处理图像。常用的Gauss-Laplace算子是5*5模板。 -2 -4 -4 -4 -2 -4 0 8 0 -4 -4 8 24 8 -4 -4 0 8 0 -4 -2 -4 -4 -4 -2 Gauss-Lap