《基于MATLAB的图像增强处理》.pptVIP

5.3、空间域增强处理 空域滤波是指直接在图像本身进行处理，它分为线性滤波和非线性滤波。滤波包括高通滤波、低通滤波、带通滤波。 方法有中值滤波，最大、最小值滤波等 从处理效果上分为平滑空间滤波器和锐化空间滤波器。 平滑滤波器用于模糊处理和减少噪声，经常在图像的预处理中使用 锐化滤波器主要用于突出图像的细节或增强模糊的细节 噪声生成函数：imnoise 格式：J=imnoise(I,type) J=imnoise(I,type,parameters) /*type指噪声的类型,parameters指噪声参数 噪声类型及参数： gaussian（高斯噪声）：（m，v）m为均值，v为方差 lacolver：m=0的高斯噪声 possion（泊松噪声）：无参数 speckle：（d）强度，默认为0.05 salt pepper（椒盐噪声）：（v）均值为0 图像平滑 均值滤波：取滤波窗口的平均值进行滤波。如3*3的窗口，则H=ones（3）/9 中值滤波：取滤波窗口的中值进行滤波对椒盐噪声的处理效果特别好 中值滤波函数：medfilt2 格式：B=medfilt2(A,[m,n]) /*指定大小为m*n的窗口进行中值滤波 B=medfilt2(A) ordfilt2:该函数给定n个数值，按大小顺序排列，将处于第k的位置的元素输出，不仅可实现中值滤波，还能实现最大/最小值滤波 格式：B=ordfilt2(A,order,domain) /*通过domain中的第order个非零元素置换A中每个元素 B=ordfilt2(A,order,domain,s) /*s为domain的附加值 维纳滤波：wiener2 格式：J=wiener2(I,[m,n],noise) [J,noise]=wiener2(I,[m,n]) /*noise为噪声功率 图像锐化 图像锐化有两种方法：梯度法，laplace算子 梯度法：gradient求矩阵的梯度 格式：[fx,fy]=gradient(f) [fx,fy]=gradient(f,h) /*h为步长值默认为1 [fx,fy]=gradient(f,hx,hy) [fx,fy,fz]=gradient(f) 1)将梯度直接赋值给原函数，无变化处为零 2)设定阈值T当梯度大于T时，梯度赋值原函数，否则不变 3)设定灰度值G1，当梯度大于T时，将G1赋值给原函数，否则不变 4)设定灰度值G2，当梯度大于T时，不变，否则将G2赋值给原函数 5)设定G1，G2，当梯度大于T时，将G1赋值给原函数；当梯度小于T时，将G2赋值给原函数 laplace算子 laplace图像增强算子 例： （图像加入噪声） （两种滤波方式的比较） 5.4、频域增强 频域增强是利用傅里叶变换，将图像从空间域变换到频率域进行处理，最后再变回空间域的方法。 对于一幅图像，它的边缘，细节，跳跃部分及噪声都是高频部分，而大面积的背景及缓慢变化的部分则代表低频部分。 频域增强步骤：原始图像（f(x,y)）→F(u,v)→G(u,v)→数字图像（g(x,y)） /*G(u,v)=F(u,v)*H(u,v) 理想低通滤波器H： 巴特沃思低通滤波器H： 指数低通滤波器H： 理想高通滤波器H： 巴特沃思低通滤波器H： 指数低通滤波器H： /*n代表n阶，D(u,v)代表u,v到原点的距离，D0代表截止频率 例： （高通、低通滤波器） 例（续）： 第六章：图像分割 当人们对图像的某个区域或目标感兴趣时，用图像分割将其提取出来。 方法有：边缘检测、阈值分割、基于区域的图像分割 6.1：边缘检测 边缘检测：边缘是指图像像素灰度有变化的那些像素的集合。 边缘分为：1）阶跃性边缘：两边像素值有明显的不同 2）屋顶型边缘：他位于灰度值从增加到减少的变化转化点 边缘检测算子：梯度算子、laplacian算子、log算子、canny算子等 边缘检测函数：edge 格式： 6.2：阈值分割 阈值分割是一种简单有效的图像分割法。该方法用一个或几个阈值将图像的灰度分为几个部分，将隶属于同一部分的像素视为相同的区域。 方法有：双峰法、迭代