基于MATLAB的图像处理的课程设计论文

基于MATLAB的图像处理的课程设计论文

目录

一、课程设计目的 (3)

二、课程设计要求 (3)

三、课程设计的内容 (3)

四、题目分析 (3)

五、总体设计 (4)

六、具体设计 (5)

6.1、文件 (5)

6.1.1、打开 (5)

6.1.2、保存 (5)

6.1.3、退出 (5)

6.2、编辑 (5)

6.2.1、灰度 (5)

6.2.2、亮度 (6)

6.2.3、截图 (7)

6.2.4、缩放 (7)

6.3、旋转 (9)

6.3.1、上下翻转 (9)

6.3.2、左右翻转 (9)

6.3.3任意角度翻转 (9)

6.4、噪声 (10)

6.5、滤波 (10)

6.6、直方图统计 (11)

6.7、频谱分析 (12)

6.7.1、频谱图 (12)

6.7.2、通过高通滤波器........................... .. (12)

6.7.3、通过低通滤波器...................................... . (13)

6.8、灰度图像处理................................................ . . (14)

6.8.1、二值图像……………………………………………….. .14

6.8.2、创建索引图像............................................. (14)

6.9、颜色模型转换 (14)

6.10、操作界面设计 (15)

七、程序调试及结果分析 (15)

八、心得体会 (16)

九、参考文献 (17)

十、附录 (18)

基于MATLAB的图像处理的课程设计

摘要：

数字图像处理技术是20世纪60年代发展起来的一门新兴学科，随着图像处理理论和方法的进一步完善，使得数字图像处理技术在各个领域得到了广泛应用，并显示出广阔的应用前景。MATLAB既是一种直观、高效的计算机语言,同时又是一个科学计算平台。它为数据分析和数据可视化、算法和应用程序开发提供了最核心的数学和高级图形工具。根据它提供的500多个数学和工程函数，工程技术人员和科学工作者可以在它的集成环境中交互或编程以完成各自的计算。MATLAB中集成了功能强大的图像处理工具箱。由于MATLAB语言的语法特征与C语言极为相似，而且更加简单，更加符合科技人员对数学表达式的书写格式，而且这种语言可移植性好、可扩展性强，再加上其中有丰富的图像处理函数，所以MATLAB在图像处理的应用中具有很大的优势。

关键词：MATLAB，数字图像处理

一、课程设计目的

综合运用MATLAB工具箱实现图像处理的GUI程序设计。

二、课程设计要求

1）熟悉和掌握MA TLAB 程序设计方法

2）掌握MATLAB GUI 程序设计

3）学习和熟悉MA TLAB图像处理工具箱

4）学会运用MATLAB工具箱对图像进行处理和分析

三、课程设计的内容

学习MATLAB GUI程序设计，利用MATLAB图像处理工具箱，设计和实现自己的Photoshop 。要求：按照软件工程方法，根据需求进行程序的功能分析和界面设计，给出设计详细说明。然后按照自己拟定的功能要求进行程序设计和调试。

以下几点是程序必须实现的功能。

1）图像的读取和保存。

2）设计图形用户界面，让用户能够对图像进行任意的亮度和对比度变化调整，显示和对比变换前后的图像。

3）设计图形用户界面，让用户能够用鼠标选取图像感兴趣区域，显示和保存该选择区域。

4）编写程序通过最近邻插值和双线性插值等算法将用户所选取的图像区域进行放大和缩小整数倍的操作，并保存，比较几种插值的效果。

5）图像直方图统计和直方图均衡，要求显示直方图统计，比较直方图均衡后的效果。

6）能对图像加入各种噪声，并通过几种滤波算法实现去噪并显示结果。比较去噪效果。

四、题目分析

信息化社会中，计算机在各种信息处理中发挥着重要的作用。我们可以借助计算机，对数字图像进行处理，以达到不同的效果。根据题目的要求，除了实现要求的功能外，还有很多的功能需要用到。

（1）、将一个RGB图像转换为灰度图像。

（2）、可以对图像做各种变换，如旋转等。

（3）、有时并不需要图像显示其细节部分，只要其轮廓，这时候不要很高的灰度级。可以把图像转换为二值图像，进行图像腐蚀，或是创建索引图像等。

（4）、分析一个图像的频谱特征，利用傅里叶变换，将图像从空间域变换到频域，然后进行各种处理，经过高通滤波器或是低通滤波器。

（5）、为了科学地定量描述和使用颜色，人们提出了各种颜色模型，按用途可分为三类：计算颜色模型，视觉颜色模型和工业颜色模型。有时为了不同的需要，要对颜色模型进行转换。

五、总体设计

由于要实现的功能并不是很多，所以在排版的过程中，把各个功能都安排在目录栏上，整体安排如下图所示：

同时在调节亮度时，虽然可以同对话框的形式输入调节的比例系数，但是这样效果不好了，不容易调节，因此这里考虑用滚动条来调节。因此，总体的设计界面如下图所示：

六、具体设计

6.1、文件

6.1.1、打开

为了让使用者更方便的使用，所以在设计的时候，通过对话框的形式来选择文件，选择uigetfile函数来实现，uigetfile函数显示一个打开文件对话框，该对话框自动列出当前路径下的目录和文件，由于这个GUI程序的操作对象是图像文件，所以设置这里的缺省后缀名为“.bmp”。

Uigetfile函数的调用格式为[name,path]=yigetfile(…), 在按下对话框中的执行按钮“打开”后，返回选择的文件名和路径，分别保存到“name”和“path”中。如果按下取消按钮或是发生错误，则返回值是0。根据返回值的情况，如果是0，则弹出提示错误的对话框，否则，通过imread函数读出图像数据，把图像数据赋值给全局变量handles.img。

6.1.2、保存

同样也通过对话框的形式来保存图像数据，通过uigetfile函数选择文件名和路径，用getimage（gca）取出坐标2变换后的图像数据保存到变量i，最后用imwrite 函数，把数据i存到指定的文件。

6.1.3、退出

退出比较简单，程序如下所示：

clc;

close all;

close(gcf);

6.2、编辑

6.2.1、灰度

由于RGB图像是三维图像，所以图像数据是一个三维数组，为了显示灰度图像，把三维图像降为二维，可以只取其中的二维数据，实现方法程序为：y=(handles.img(:,:,1)); %当然也可以选择(:,:,2) 或(:,:,3)????

imshow(y);

但是这样的话，根据程序所选的不同，图像数据也不同，显示也就不一样。

另一种方法就是，运用rgb2gray函数实现彩色图像到灰度图像的转换。程序为：

y=rgb2gray(handles.img); ?????

imshow(y);

这个程序只能用于RGB图像转换灰度图像，当原始图像本来就是灰度图像时，运行该程序时就会出错，但是使用者在使用时有时并不知道这些，为了使该程序更加完善，应该在使用者原先图像时灰度图像时使用该功能时，应该要显示提示类信息。所以在开始时应该要有一个RGB图像或是灰度图像的判断过程。完整的程序如下：

if isrgb(handles.img)

y=rgb2gray(handles.img);?????

imshow(y);

else

msgbox('这已经是灰度图像','转换失败');

end

如果原图是RGB，执行该操作的结果如下图：

如果原图本身已经是灰度图像了，执行该操作弹出如

右图所示的提示对话框

6.2.2、亮度

用imadjust函数，其调用格式如下：

g=imadust(f,[low_in high_in],[low_out high_out]),gamma)

gamma 表示映射性质，默认值是1 表示线性映射。

由于该函数有五个参数需要输入，为了方便用户改变，

所以这里设计一个输入对话框，用户通过对话框把五个参数

赋值给[low_in high_in],[low_out high_out],gamma这五个参

数，如下一组命令建立了如图所示的输入对话框：

prompt={'输入参数1','输入参数2','输入gamma'};

defans={'[0 0.7]','[0 1]','1'};

p=inputdlg(prompt,'输入参数',1,defans);

但是，这种方法并不能很好的让用户能够对图像进行任

意的亮度和对比度变化调整，有时并不事先知道参数的值要

多少，也不关心，而是任意调节的，直到满意为止。所以应

该用滑动条来调节图像的亮度和对比度，这样更适合用户的使用习惯。

由于imadjust函数有五个参数，所以原则上需要设计五个滑动条来调节对比度，这对用户来说显然比较麻烦，因此在设计的时候固定其中的三个参数，通过调节两个参数的值来改变亮度和对比度。

[0 handles.beta],[0 1],handles.gm，这里的变量handles.beta和handles.gm就通过滑动条得到，滑动条设计如下图：

亮度调整的tag名为ld，取值范围0~1，gamma值的tag名为gamma，取值范围为0~5。获取滑动条参数的程序如下：

handles.beta=get(handles.ld,'value');

handles.gm=get(handles.gamma,'value');

执行该操作，调节滑动条到上图所示位置，结果如下图：

6.2.3、截图

在MATLAB中，用函数imcrop实现对图像的剪切操作。该操作剪切的是图像中的一个矩形子图，用户可以通过参数指定这个矩形四个顶点的坐标，也可以交互地用鼠标选取这个矩形。

Imcrop函数的调用格式如下：

y=imcrop(handles.img);

不管handles.img是三维的还是二维数据，该函数都能进行操作。下图就是对三维图像的截图：

6.2.4、缩放

在MATLAB中，用函数imresize来实现对图像的放大或缩小。插值方法可选用三种方法，最近邻插值，双线性插值，双三次插值。

该函数的调用格式如下：

B＝imresize(A，m，method)

其中：

参数method用于指定插值的方法，可选的值为“nearest”(最近邻法),“bilinear”(双线性插值)、“bicubic”(双三次插值)，缺省值为“nearest”。

B＝imresizee(A．m，method)表示返回原图A的m倍放大图像(m小

于1时实际上是缩小)；

下图就是采用邻近插值法的放大和缩小图像，参数值保持默认设置：

虽然处理后看不出放大的效果，这是由于坐标轴限制的原因，如果把处理后的图片保存起来，再把处理后的文件打开，就可以看到比较明显的放大效果。

缩小后的结果如下：

6.3、旋转

6.3.1、上下翻转

函数flipud是实现一个二维矩阵的上下翻转，如

a=[1 2;3 4],经过该函数处理后，原矩阵变为[3 4;1 2];所以利用该函数也可以对图像进行上下翻转处理，但由于该函数针对二维数据的处理，所以在写程序时，要对RGB图像和灰度图像分开处理，这就要用到isrgb函数来判断，如果是灰度图像，则可以直接用这个函数进行处理，否则就要对RGB图像进行降维处理，

for k=1:3

y(:,:,k)=flipud(x(:,:,k));

end

处理结果如图：

6.3.2、左右翻转

对图像的左右翻转也可以用fliplr函数来处理，同样的，也要对灰度和彩色图像分开处理，处理结果如图：

6.3.3任意角度翻转

用函数imrotate来实现对图像的插值旋转。

该函数的调用格式如下：

B＝imrotate(A，angle，method，’crop’)

其中，参数method用于指定插值的方法，可选的值可以有三种，分别为邻近插值，双线性插值，双三次插值，缺省时为邻近插值，参数angle代表旋转的角度。

一般来说，旋转后的图像会比原图大，用户可以指定“crop”参数对旋转后

的图像进行剪切(取图像的中间部分)，使返回的图像与原图大小相同。执行结果为：

6.4、噪声

经常用到的噪声有三种，高斯噪声，椒盐噪声，乘性噪声，可以通过以下三个函数来实现：

y=imnoise(handles.img,'gaussian',p1,p2);%高斯噪声

y=imnoise(x,'salt & pepper',p1); %椒盐噪声

y=imnoise(handles.img,'speckle',p1); %乘性噪声

p1，p2的参数也通过输入对话框的形式得到，原图加入高斯噪声后结果如下所示：

6.5、滤波

这里选择三种滤波方法，

k=medfilt2(handles.noise_img);%中值滤波

k=wiener2(handles.noise_img,[5,5]);%自适应滤波

k=filter2(fspecial('average',3),handles.noise_img)/255;%平滑滤波

同样的，这些函数也是针对二维数据，所以要先判断是彩色图像还是灰度图像，然后分别进行处理，下面是对彩色图像的自适应滤波处理：

i=handles.noise_img;

if isrgb(i)

a=handles.noise_img(:,:,1);

b=handles.noise_img(:,:,2);

c=handles.noise_img(:,:,3);

k(:,:,1)=wiener2(a,[5,5]);

k(:,:,2)=wiener2(b,[5,5]);

k(:,:,3)=wiener2(c,[5,5]);

imshow(k);

执行结果如图：

对其他方法的滤波程序也类似，由于把各个滤波方法放在一个选择框里，所以程序要用以下的选择语句：

switch str

case '中值滤波'

case '自适应滤波'

case '平滑滤波'

end

6.6、直方图统计

用imhist函数对图像数据进行直方图统计，

x=imhist(handles.img(:,:,1));

bar(horz,x);

其中，x矩阵的数据是0~255灰度值的统计个数，如果直接对x矩阵数据进行图形图显示，由于有256个数据，在坐标系中就会很密集，为了更清楚的显示条形图，所以在程序设计时，把x数据进行部分提取，

x1=x(1:10:256);

horz=1:10:256;

bar(horz,x1);

除了显示数据的直方图统计外，还可以对图像进行均衡处理，所用到的函数是histeq，这两个函数同样只使用于二维数据，所以也要对二维和三维数据分开处理。

直方图显示和均衡后的图像分别如下图所示

6.7、频谱分析

6.7.1、频谱图

为了得到图像的频谱图，先要对数据进行傅里叶变换，用fft2函数对二维数据进行快速傅里叶变换，同时为了更好的观察频谱图，需要把fft2变换后的数据进行平移，利用fftshift函数，把快速傅里叶变换的DC 组件移到光谱中心。这样图像能量的低频成分将集中到频谱中心，图像上的边缘、线条细节信息等高频成分将分散在图像频谱的边缘。如下图所示：

6.7.2、通过高通滤波器

axes(handles.axes2);

x=(handles.img);

if isrgb(x)

msgbox('这是彩色图像,不能通过高通滤波器','失败');

else

y1=imnoise(x,'gaussian'); %加高斯噪声

f=double(y1); % 数据类型转换

k=fft2(f); % 傅立叶变换

g=fftshift(k); % 转换数据矩阵

[M,N]=size(g);

nn=2;

d0=3; %截止频率为3

m=fix(M/2); n=fix(N/2);

for i=1:M

for j=1:N

d=sqrt((i-m)^2+(j-n)^2); % 计算高通滤波器传递函数

if d<=d0

h=0;

else h=1;

end

result(i,j)=h*g(i,j);

end

end

result=ifftshift(result);

y2=ifft2(result);

y3=uint8(real(y2));

imshow(y3);

end

6.7.3、通过低通滤波器

axes(handles.axes2);

x=(handles.img);

if isrgb(x)

msgbox('这是彩色图像,不能通过低通滤波器','失败');

else

y1=imnoise(x,'salt & pepper'); % 叠加椒盐噪声

f=double(y1); % 数据类型转换，不支持图像的无符号整型的计算

g=fft2(f); % 傅立叶变换

g=fftshift(g); % 转换数据矩阵

[M,N]=size(g);

nn=2; % 二阶巴特沃斯(Butterworth)低通滤波器d0=10; %截止频率为10

m=fix(M/2); n=fix(N/2);

for i=1:M

for j=1:N

d=sqrt((i-m)^2+(j-n)^2);

h=1/(1+0.414*(d/d0)^(2*nn));% 计算低通滤波器传递函数

result(i,j)=h*g(i,j);

end

end

result=ifftshift(result);

y2=ifft2(result);

y3=uint8(real(y2));

imshow(y3); % 显示滤波处理后的图像

end

6.8、灰度图像处理

6.8.1、二值图像

用j=im2bw(x);来对灰度图像到二值图像的转换。转换结果为：

6.8.2、创建索引图像

用X = grayslice(I,n)函数来实现，转换后得到的图像为：

6.9、颜色模型转换

下面是RGB颜色模型到HSV模型的转换程序：

axes(handles.axes2);

x=(handles.img);

if isrgb(x)

HSV=rgb2hsv(x);

imshow(HSV);

else

msgbox('这是灰度图像,不能转换','转换失败');

end

转换后的结果为：

同样的，转化为ntsc和ycbcr模型，只要改为相应的函数即可。函数如下：

rgb2ntsc(x);% rgb模型转ntsc模型

rgb2ycbcr(x);% rgb模型转ycbcr模型

6.10、操作界面设计

为了使整个操作界面更加的美观，对背景颜色和字体颜色进行设置。

七、程序调试及结果分析

在程序设计过程中，碰到很多的问题。

1、一个函数只能对灰度图像处理，不能对RGB图像处理，那么如何才

能对RGB图像处理呢？

这主要是对MATLAB函数的不够清楚，用到的很多函数是针对二维数据的，而RGB图像的数据是一个三维矩阵，所以处理要与灰度图像不同，在开始的时候，我认为应该找一个能够应用于三维矩阵的函数，结果却没找到，后来想到可以把三维数据进行降维处理，同样使用二维的函数，只要是同样处理三次。比如，彩色图像的滤波处理，直方图均衡等。

2、同一个操作对灰度图像可以使用，当用户选择的是彩色图像时，该操

作就会出错？

这是由于设计程序时，本身程序是有针对性的，有些程序只能对灰度图像有效，有些对彩色图像有效，但是用户并不清楚这些，所以在设计的过程中就要考虑全面，要分开设计。在本次课程设计中，我均对每个程序的开始时，用if isrgb（x）进行判断。

3、在没有加入噪声的情况下，点击“中值滤波”或是其它滤波，会提示

错误？

这是由于在滤波程序设计的过程中，开始用到的变量是handles.noise_img，而这个变量是在加入噪声时候才定义的，所以在没有加入噪声的情况下，点击各个滤波就会弹出变量没有定义的错误，解决方法就是在文件打开的时候就给定义handles.noise_img=x。

4、本次设计存在一个比较大的问题，就是每次操作都是独立的，比如：

要对图像加入噪声，然后在此基础上进行亮度调整，截图，频谱分析

等等就不行。

我认为应该是整个程序设计过程中对变量的设置没有做好，应该每次操作后，把处理后的数据保存在一个全局变量，这样还要对处理后的数据进行在处理时，只要把这个全局变量作为原始数据带入就可。

八、心得体会

1、在这次课程设计过程中，感触很深，由于对MATLAB图像处理的函数不熟悉，导致自己走了很多的弯路，比如在设计图像左转90度和右转90度时，由于开始并不知道imrotate函数，只知道上下翻转flipud和左右翻转fliplr函数，想着要怎么用这两个函数来实现左转和右转呢，如果当当只用矩阵转置的话，并不能达到要求，后来想可以结合flipud和fliplr函数来实现，下面程序是实现左转90度：axes(handles.axes2);

x=(handles.img);

if isrgb(handles.img)

a=x(:,:,1);

b=x(:,:,2);

c=x(:,:,3);

e=a';

g=b';

f=c';

y(:,:,1)=e;

y(:,:,2)=g;

y(:,:,3)=f;

axes(handles.axes2);

for k=1:3

f(:,:,k)=flipud(y(:,:,k));

end

imshow(f);

else

m=x';

y=flipud(m);

imshow(y);

end

同理，也可以通过转置和fliplr函数实现右转90度。

但是后来发现其实只要用imrotate函数就可以解决问题。通过这次经历后，后来在设计其它程序时，尽量找MATLAB自带的现成函数，而不是一碰到问题就自己想算法，这样可以节省较多的时间。

2、在理工科的专业应用背景下，用matlab 进行相关计算与仿真编程的优势非常突出。特定的问题处理算法，我们通常都以M文件的文本形式给定最终的解决方案，自己设计的程序是在MATLAB环境下，用MATLAB语言编写的，这对于有安装MATLAB软件的计算机上运行并不存在什么问题，关键是一般的计算机很少有去安装MATLAB软件的，那么要在这些机子上运行该程序要怎么办呢，难道要先安装MATLAB软件，这显然太麻烦了，对于一个通用的，比较成熟的解决方案，我们当然期望它能应用到更多的场合，而.exe （可执行）文件可运行于所有的通用WINDOWS操作系统，为此，将M文件转换成.exe文件倒是个不错的想法。

通过查找资料，了解到在生成可执行性文件之前，需要进行一系列编译环境方面的配置：

要将用Matlab语言编写的函数文件编译成可独立执行的*.exe文件(即可脱离Matalab环境的执行程序)，首先要安装和配置好Matlab Compiler，一般来说，在安装Matlab时就已经安装了相应版本的Matlab Compiler。只是不同版本的Matlab，其编译器的使用方法有一定的差异，这一点要引起一定的注意。

在确定安装好Matlab Compiler后，还需要对Compiler进行适当的配置，方法是在Matlab命令窗口输入：

Mbuild –setup

然后根据提示执行相应的操作，使用者可根据自己计算机中现有编译器的情况选择合适的编译器，如VC++ 6.0、VC++7.0、Bland C的编译器等，目前Matlab 好象还不支持VC++8.0(我计算机安装的就是VC++2005，Matlab就无法识别)。当然，如果你的计算机里根本就没有安装其他任何语言的编译器，也可选择Matlab自带的Lcc编译器，其实这个编译器对大多数用户已经够用了(我就是选择的Matlab自带的Lcc编译器)。

配置好编译器后，自然就是对自己编写的M文件进行编译了。

将M文件编译为独立可执行文件的语法是：

>>mcc –m fun1.m fun2.m…..

其中fun1就是最后的可执行文件的名称。

3、通过本次课程设计，使自己对MATLAB GUI设计流程有了比较深刻的体会，同时也了解了一般软件设计的过程。在设计过程中碰到了很多的问题，通过这些问题，使自己分析问题，解决问题的能力得到了较大的提高。

九、参考文献

【1】郑阿奇，曹戈，赵阳.MATLAB实用教程[M].北京：电子工业出版社

【2】程卫国，冯峰，姚东，徐听.MATLAB5.3应用指南[M].北京：人民邮电出版社

【3】陈杨.MATLAB 6.X图像编程与图像处理[M].西安：西安电子科技大学出版社

十、附录

function varargout = two(varargin)

% Begin initialization code - DO NOT EDIT

gui_Singleton = 1;

gui_State = struct('gui_Name', mfilename, ...

'gui_Singleton',

gui_Singleton, ...

'gui_OpeningFcn',

@two_OpeningFcn, ...

'gui_OutputFcn',

@two_OutputFcn, ...

'gui_LayoutFcn',

[] , ...

'gui_Callback', []);

if nargin && ischar(varargin{1})

gui_State.gui_Callback = str2func(varargin{1});

end

if nargout

[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});

else

gui_mainfcn(gui_State, varargin{:});

end

% End initialization code - DO NOT EDIT

% --- Executes just before erzhi is made visible.

function two_OpeningFcn(hObject, eventdata, handles, varargin)

% This function has no output args, see OutputFcn.

---------------------------------------------------------

%接下来是菜单的程序

---------------------------------------------------------

function file_Callback(hObject, eventdata, handles)

--------------------------------------------------------

%文件打开程序

function open_Callback(hObject, eventdata, handles)

[name,path]=uigetfile({'*.bmp'},'载入图像');

if isequal(name,0)|isequal(path,0)

errordlg('没有选中文件','出错');

return;

else

x=imread([path,name]);

axes(handles.axes1);

imshow(x);

handles.img=x;

handles.noise_img=x;

guidata(hObject,handles)

end

---------------------------------------------------

function save_Callback(hObject, eventdata, handles)

%文件保存

[filename,pathname] = uiputfile('*.bmp','图片保存为');

if isequal([filename,pathname],[0,0])

errordlg('没有保存','出错');

return;

else

file=strcat(pathname,filename);

(handles.axes2);

i=getimage(gca);

imwrite(i,file);

end

-----------------------------------------------------

function exit_Callback(hObject, eventdata, handles)

clc;

close all;

close(gcf);

---------------------------------------------------------

%编辑菜单的程序

------------------------------------------------------

function edit_Callback(hObject, eventdata, handles)

-------------------------------------------------

function huidu_Callback(hObject, eventdata, handles)

%灰度处理

axes(handles.axes2);

if isrgb(handles.img)

y=rgb2gray(handles.img); %RGB??????????

imshow(y);

else

msgbox('这已经是灰度图像','转换失败');

end

------------------------------------------------------

function liangdu_Callback(hObject, eventdata, handles)

%亮度处理

prompt={'输入参数1','输入参数2','输入gamma'};

defans={'[0 0.7]','[0 1]','1'};

p=inputdlg(prompt,'输入参数',1,defans);

p1=str2num(p{1});

p2=str2num(p{2});

p3=str2num(p{3});

gamma=p3;

x=(handles.img);

y=imadjust(x,p1,p2,gamma);

axes(handles.axes2);

imshow(y);

------------------------------------------------------

function jietu_Callback(hObject, eventdata, handles)

%截图

set(handles.axes2,'HandleVisibility','ON');

axes(handles.axes2);

y=imcrop(handles.img);

imshow(y);

handles.Timage=y;

------------------------------------------------------

function fangda_Callback(hObject, eventdata, handles)

------------------------------------------------------

function lingjz_Callback(hObject, eventdata, handles)

%邻近插值放大

axes(handles.axes2);

prompt={'输入放大倍数:'};

defans={'2'};

p=inputdlg(prompt,'输入放大倍数',1,defans);

p1=str2num(p{1});

y=imresize(handles.img,p1,'nearest');

%最近邻插值法放大

imshow(y);

------------------------------------------------------

function shuangxianfa_Callback(hObject, eventdata, handles)

%双线放大

axes(handles.axes2);

prompt={'输入放大倍数:'};

defans={'2'};

p=inputdlg(prompt,'输入放大倍数',1,defans);

p1=str2num(p{1});

y=imresize(handles.img,p1,'bilinear');

%最近邻插值法放大

imshow(y);

------------------------------------------------ function shuangsanci_Callback(hObject, eventdata, handles)

%双三次放大

axes(handles.axes2);

prompt={'输入放大倍数:'};

defans={'2'};

p=inputdlg(prompt,'输入放大倍数',1,defans);

p1=str2num(p{1});

y=imresize(handles.img,p1,'bicubic');

imshow(y);

-------------------------------------------------------

function suoxiao_Callback(hObject, eventdata, handles)

%邻近插值缩小

axes(handles.axes2);

prompt={'输入放大倍数:'};

defans={'0.2'};

p=inputdlg(prompt,'输入放大倍数',1,defans);

p1=str2num(p{1});

y=imresize(handles.img,p1,'nearest');

%最近邻插值法缩小

imshow(y);

------------------------------------------------------

function shuangxian_Callback(hObject, eventdata, handles)

%双线性缩小

axes(handles.axes2);

prompt={'输入放大倍数:'};

defans={'0.2'};

p=inputdlg(prompt,'输入放大倍数',1,defans);

p1=str2num(p{1});

y=imresize(handles.img,p1,'bilinear');

%最近邻插值法缩小

imshow(y);

--------------------------------------------------------

function shuangsancisuox_Callback(hObject, eventdata, handles)

%双三次缩小

axes(handles.axes2);

prompt={'输入放大倍数:'};

defans={'0.2'};

p=inputdlg(prompt,'输入放大倍数',1,defans);

p1=str2num(p{1});

y=imresize(handles.img,p1,'bicubic');

imshow(y);

------------------------------------------------------

function xuanzhuan_Callback(hObject, eventdata, handles)

-------------------------------------------------------

function updown_Callback(hObject, eventdata, handles)

%上下翻转

axes(handles.axes2);

x=(handles.img);

if isrgb(handles.img)

for k=1:3

y(:,:,k)=flipud(x(:,:,k));%上下翻转函数

end

imshow(y);

else

x=(handles.img);

y=flipud(x);

imshow(y);

end

---------------------------------------------------------

function leftright_Callback(hObject, eventdata, handles)

%左右翻转

axes(handles.axes2);

if isrgb(handles.img)

x=(handles.img);

for k=1:3

y(:,:,k)=fliplr(x(:,:,k));%左右翻转函数

end

imshow(y);

else

x=(handles.img);

y=fliplr(x);

imshow(y);

end

------------------------------------------------------

function zeft90_Callback(hObject, eventdata, handles)

%左转90度

axes(handles.axes2);

x=(handles.img);

y=imrotate(x,90);

imshow(y);

-------------------------------------------------------

function right90_Callback(hObject, eventdata, handles)

%右转90度

axes(handles.axes2);

x=(handles.img);

y=imrotate(x,-90);

imshow(y);

------------------------------------------------------

function other_Callback(hObject, eventdata, handles)

%任意角度旋转

axes(handles.axes2);

prompt={'输入参数1:'};

defans={'30'};

p=inputdlg(prompt,'输入参数',1,defans);

p1=str2num(p{1});

y=imrotate(handles.img,p1);

imshow(y);

-----------------------------------------------------

function gs_Callback(hObject, eventdata, handles)

%加入高斯噪声

axes(handles.axes2);

prompt={'输入参数1:','输入参数2'};

defans={'0','0.02'};

p=inputdlg(prompt,'输入参数',1,defans);

p1=str2num(p{1});

p2=str2num(p{2});

y=imnoise(handles.img,'gaussian',p1,p2);

imshow(y);

matlab图像处理的几个实例

Matlab图像处理的几个实例（初学者用） 1.图像的基本信息及其加减乘除 clear,clc; P=imread('yjx.jpg'); whos P Q=imread('dt.jpg'); P=im2double(P); Q=im2double(Q); gg1=im2bw(P,0.3); gg2=im2bw(P,0.5); gg3=im2bw(P,0.8); K=imadd(gg1,gg2); L=imsubtract(gg2,gg3); cf=immultiply(P,Q); sf=imdivide(Q,P); subplot(421),imshow(P),title('郁金香原图'); subplot(422),imshow(gg1),title('0.3'); subplot(423),imshow(gg2),title('0.5'); subplot(424),imshow(gg3),title('0.8'); subplot(425),imshow(K),title('0.3+0.5'); subplot(426),imshow(L),title('0.5-0.3'); subplot(427),imshow(cf),title('P*Q'); subplot(428),imshow(sf),title('P/Q'); 2.图像缩放 clear,clc; I=imread('dt.jpg'); A=imresize(I,0.1,'nearest'); B=imresize(I,0.4,'bilinear'); C=imresize(I,0.7,'bicubic'); D=imresize(I,[100,200]); F=imresize(I,[400,100]); figure subplot(321),imshow(I),title('原图'); subplot(322),imshow(A),title('最邻近插值'); subplot(323),imshow(B),title('双线性插值'); subplot(324),imshow(C),title('二次立方插值'); subplot(325),imshow(D),title('水平缩放与垂直缩放比例为2:1'); subplot(326),imshow(F),title('水平缩放与垂直缩放比例为1:4');

基于Matlab基本图像处理程序

图像读入 ●从图形文件中读入图像 imread Syntax: A = imread(filename, fmt) filename：指定的灰度或彩色图像文件的完整路径和文件名。 fmt:指定图形文件的格式所对应的标准扩展名。如果imread没有找到filename所制定的文件,会尝试查找一个名为filename.fmt的文件。 A：包含图像矩阵的矩阵。对于灰度图像,它是一个M行N列的矩阵。如果文件包含 RGB真彩图像,则是m*n*3的矩阵。 ●对于索引图像，格式[X, map] = imread(filename, fmt) X：图像数据矩阵。 MAP：颜色索引表 图像的显示 ●imshow函数：显示工作区或图像文件中的图像 ●Syntax： imshow(I) %I是要现实的灰度图像矩阵 imshow(I,[low high]，param1, val1, param2, val2,...) %I是要现实的灰度图像矩阵，指定要显示的灰度范围，后面的参数指定显示图像的特定参数 imshow(RGB) imshow(BW) imshow(X,map) %map颜色索引表 imshow(filename) himage = imshow(...) ●操作：读取并显示图像 I=imread('C:\Users\fanjinfei\Desktop\baby.bmp');%读取图像数据 imshow(I);%显示原图像 图像增强 一．图像的全局描述 直方图（Histogram）：是一种对数据分布情况的图形表示，是一种二维统计图表，它的两个坐标分别是统计样本和该样本对应的某个属性的度量。 图像直方图（Image Histogram）：是表示数字图像中亮度分布的直方图，用来描述图象灰度值，标绘了图像中每个亮度值的像素数。 灰度直方图：是灰度级的函数，它表示图像中具有某种灰度级的像素的个数，反映了图 像中某种灰度出现的频率。描述了一幅图像的灰度级统计信息。是一个二维图，横坐标为图像中各个像素点的灰度级别，纵坐标表示具有各个灰度级别的像素在图像中出现的次数或概率。 归一化直方图：直接反应不同灰度级出现的比率。纵坐标表示具有各个灰度级别的像

基于MATLAB的图像处理的基本运算

课程设计任务书 学生姓名：专业班级： 指导教师：工作单位： 题目: 基于MATLAB的图像处理的基本运算 初始条件： 要求完成的主要任务:（包括课程设计工作量及其技术要求，以及说明书撰写等具体要求） （1）能够对图像亮度和对比度变化调整，并比较结果 （2）编写程序通过最近邻插值和双线性插值等算法将用户所选取的图像区域进行放大和缩小整数倍的和旋转操作，并保存，比较几 种插值的效果 （3）图像直方图统计和直方图均衡，要求显示直方图统计，比较直方图均衡后的效果。 （4）对图像加入各种噪声，比较效果。 时间安排： 指导教师签名：年月日 系主任（或责任教师）签名：年月日 目录 摘要.......................................................................................................................... 错误!未定义书签。 1 MATLAB简介 ........................................................................................................ 错误!未定义书签。2图像选择及变换................................................................................................... 错误!未定义书签。 2.1 原始图像选择读取....................................................................................... 错误!未定义书签。 2.1.1 原理图的读入与基本变换 .................................................................... 错误!未定义书签。

图像处理实例(含Matlab代码)

信号与系统实验报告——图像处理 学院：信息科学与工程学院 专业：2014级通信工程 组长：** 组员：** 2017.01.02

目录 目录 (2) 实验一图像一的细胞计数 (3) 一、实验内容及步骤 (3) 二、Matlab程序代码 (3) 三、数据及结果 (4) 实验二图像二的图形结构提取 (5) 一、实验内容及步骤 (5) 二、Matlab程序代码 (5) 三、数据及结果 (6) 实验三图像三的图形结构提取 (7) 一、实验内容及步骤 (7) 二、Matlab程序代码 (7) 三、数据及结果 (8) 实验四图像四的傅里叶变化及巴特沃斯低通滤波 (9) 一、实验内容及步骤 (9) 二、Matlab程序代码 (9) 三、数据及结果 (10) 实验五图像五的空间域滤波与频域滤波 (11) 一、实验内容及步骤 (11) 二、Matlab程序代码 (11) 三、数据及结果 (12)

实验一图像一的细胞计数 一、实验内容及步骤 将该图形进行一系列处理，计算得到途中清晰可见细胞的个数。 首先，由于原图为RGB三色图像处理起来较为麻烦，所以转为灰度图，再进行二值化化为黑白图像，得到二值化图像之后进行中值滤波得到细胞分布的初步图像，为了方便计数对图像取反，这时进行一次计数，发现得到的个数远远多于实际个数，这时在进行一次中值滤波，去掉一些不清晰的像素点，剩下的应该为较为清晰的细胞个数，再次计数得到大致结果。 二、Matlab程序代码 clear;close all; Image = imread('1.jpg'); figure,imshow(Image),title('原图'); Image=rgb2gray(Image); figure,imshow(Image),title('灰度图'); Theshold = graythresh(Image); Image_BW = im2bw(Image,Theshold); Reverse_Image_BW22=~Image_BW; figure,imshow(Image_BW),title('二值化图像'); Image_BW_medfilt= medfilt2(Image_BW,[3 3]); figure,imshow(Image_BW_medfilt),title('中值滤波后的二值化图像'); Reverse_Image_BW = ~Image_BW_medfilt; figure,imshow(Reverse_Image_BW),title('图象取反'); Image_BW_medfilt2= medfilt2(Reverse_Image_BW,[20 20]); figure,imshow(Image_BW_medfilt2),title('第二次中值滤波的二值化图像'); [Label, Number]=bwlabel(Image_BW_medfilt,8);Number [Label, Number]=bwlabel(Image_BW_medfilt2,8);Number

MATLAB在图像处理技术方面的应用论文

MATLAB在图像处理技术方面的应用 摘要：本文介绍了MATLAB语言的特点以及图像处理工具箱实现的经典图像处理 技术。应用该工具箱对一实拍的芯片图像进行前期预处理，通过实例验证了该语言具有强大的矩阵运算与图形处理能力，是一种简洁易学，可读性强、功能强大的应用软件，对它的应用可以快速实现模拟仿真，大大提高实验效率。 关键词：MATLAB语言；图像处理；灰度图像 Application of MATLAB to Image Processing Technique LI Liao-liao DENG Shan-xi (College of Instrumentation Science ,Hefei University of Technology,Hefei,Anhui,230009,China) Abstract: This paper introduces characteristics of MATLAB language and classical image processing technique realized by using image processing toolbox. The toolbox is applied to pre-processing operations for a CMOS chip photograph, by experiment it proved that MATLAB possesses powerful capability to matrix operation and image processing, it is an application software that is simple and easy to study and understand and possesses multiple functions. MATLAB can be used to simulation tests, that will improve efficiency of experiment greatly. Key words: MATLAB software; image processing; gray image. 1、引言 MATLAB 的名称源自Matrix Laboratory ，由美国MathWorks公司推出。它是一种科学计算软件，专门以矩阵的形式处理数据。MATLAB 将高性能的数值计算和可视化集成在一起，构成了一个方便的、界面友好的用户环境，并提供了大量的内置函数。从而被广泛地应用于科学计算、控制系统、信息处理、神经网络、图像处理、小波分析等领域的分析、仿真和设计工作，而且利用MATLAB 产品的开放式结构，可以非常容易地对MATLAB 的功能进行扩充，从而在不断深化对问题认识的同时，不断完善MATLAB 产品以提高产品自身的竞争能力。MATLAB中的数字图像是以矩阵形式表示的，这意味着MATLAB强大的矩阵运 算能力用于图像处理非常有利，矩阵运算的语法对MATLAB中的数字图像同样适用。本文对MATLAB图 像处理工具箱进行探索及应用，实验证明该软件功能强大，语言简洁易学，人机界面友好，工具箱具有丰富的技术支持并集成了该领域专家的智慧，应用简单而效果良好。 2、MATLAB图像处理工具箱及数字图像处理基本过程简介 数字图像处理工具箱函数包括以下15类：、⑴、图像显示函数；⑵、图像文件输入、输出函数；⑶、图像几何操作函数；⑷、图像像素值及统计函数；⑸、图像分析函数；⑹、图像增强函数；⑺、线性滤波函数；⑻、二维线性滤波器设计函数；⑼、图像变换函数；⑽、图像邻域及块操作函数；⑾、二值图像操作函数；⑿、基于区域的图像处理函数；⒀、颜色图操作函数；⒁、颜色空间转换函数；⒂、图像类型和类型转换函数。 MATLAB图像处理工具箱支持四种图像类型，分别为真彩色图像、索引色图像、灰度图像、二值图像，由于有的函数对图像类型有限制，这四种类型可以用工具箱的类型转换函数相互转换。MATLAB可操作的图像文件包括BMP、HDF、JPEG、PCX、TIFF、XWD等格式。下面就图像处理的基本过程讨论工具箱

matlab课程设计题目

课题一： 连续时间信号和系统时域分析及MATLAB实现 课题要求： 深入研究连续时间信号和系统时域分析的理论知识。利用MATLAB强大的图形处理功能、符号运算功能以及数值计算功能，实现连续时间信号和系统时域分析的仿真波形。 课题内容： 一、用MATLAB实现常用连续时间信号的时域波形（通过改变参数，分析其时域特性）。 1、单位阶跃信号， 2、单位冲激信号， 3、正弦信号， 4、实指数信号， 5、虚指数信号， 6、复指数信号。 二、用MATLAB实现信号的时域运算 1、相加， 2、相乘， 3、数乘， 4、微分， 5、积分 三、用MATLAB实现信号的时域变换（参数变化，分析波形变化） 1、反转， 2、使移（超时，延时）， 3、展缩， 4、倒相， 5、综合变化 四、用MATLAB实现信号简单的时域分解 1、信号的交直流分解， 2、信号的奇偶分解 五、用MATLAB实现连续时间系统的卷积积分的仿真波形 给出几个典型例子，对每个例子，要求画出对应波形。 六、用MATLAB实现连续时间系统的冲激响应、阶跃响应的仿真波形。 给出几个典型例子，四种调用格式。 七、利用MATLAB实现连续时间系统对正弦信号、实指数信号的零状态响应的仿真波形。 给出几个典型例子，要求可以改变激励的参数，分析波形的变化。 课题二： 离散时间信号和系统时域分析及MATLAB实现。 课题要求： 深入研究离散时间信号和系统时域分析的理论知识。利用MATLAB强大的图

形处理功能、符号运算功能以及数值计算功能，实现离散时间信号和系统时域分析的仿真波形。 课题内容： 一、用MATLAB绘制常用信号的时域波形（通过改变参数分析其时域特性） 1、单位序列， 2、单位阶跃序列， 3、正弦序列， 4、离散时间实指数序列， 5、离散时间虚指数序列， 6、离散时间复指数序列。 二、用MATLAB实现信号的时域运算 1、相加， 2、相乘， 3、数乘。 三、用MATLAB实现信号的时域变换（参数变化，分析波形的变化） 1、反转， 2、时移（超时，延时）， 3、展缩， 4、倒相。 四、用MATLAB实现离散时间系统卷积和仿真波形 给出几个典型例子，对每个例子要求画出e(k)，h(k)，e(i)，h(i)，h(-i)，Rzs(k)波形。 五、用MATLAB实现离散时间系统的单位响应，阶跃响应的仿真波形 给出几个典型例子，四中调用格式。 六、用MATLAB实现离散时间系统对实指数序列信号的零状态响应的仿真波形 给出几个典型例子，要求可以改变激励的参数，分析波形的变化。 课题三： 连续时间信号傅里叶级数分析及MATLAB实现。 课题要求： 深入研究连续时间信号傅里叶级数分析的理论知识，利用MATLAB强大的图形处理功能，符号运算功能以及数值计算功能，实现连续时间周期信号频域分析的仿真波形。 课题内容： 一、用MATLAB实现周期信号的傅里叶级数分解与综合 以周期矩形波信号为例，绘出包含不同谐波次数的合成波形，观察合成波形与原矩形 波形之间的关系及吉布斯现象。

基于MATLAB图像处理报告

基于M A T L A B图像处理报告一、设计题目 图片叠加。 二、设计要求 将一幅礼花图片和一幅夜景图片做叠加运算，使达到烟花夜景的美图效果。 三、设计方案 、设计思路 利用matlab强大的图像处理功能，通过编写程序，实现对两幅图片的像素进行线性运算，利用灰度变换的算法使图片达到预期的效果。 、软件介绍 MATLAB是matrix&laboratory两个词的组合，意为矩阵工厂（矩阵实验室）。是由美国mathworks公司发布的主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言（如C、Fortran）的编辑模式，代表了当今国际科学计算软件的先进水平。 MATLAB和Mathematica、Maple并称为三大数学软件。它在数学类科技应用软件中在数值计算方面首屈一指。MATLAB可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等，主要应用于工程计算、控制设计、信号处理与通讯、图像处理、信号检测、金融建模设计与分析等领域。 MATLAB的基本数据单位是矩阵，它的指令表达式与数学、工程中常用的形式十分相似，故用MATLAB来解算问题要比用C，FORTRAN等语言完成相同的事情简捷得多，并且MATLAB 也吸收了像Maple等软件的优点，使MATLAB成为一个强大的数学软件。在新的版本中也加入了对C，FORTRAN，C++，JAVA的支持。可以直接调用，用户也可以将自己编写的实用程序导入到MATLAB函数库中方便自己以后调用，此外许多的MATLAB爱好者都编写了一些经典的程序，用户直接进行下载就可以用。

MATLAB中图像函数大全 详解及例子

图像处理函数详解——strel 功能：用于膨胀腐蚀及开闭运算等操作的结构元素对象(本论坛随即对膨胀腐蚀等操作进行讲解)。 用法：SE=strel(shape,parameters) 创建由指定形状shape对应的结构元素。其中shape的种类有 arbitrary' 'pair' 'diamond' 'periodicline' 'disk' 'rectangle' 'line' 'square' 'octagon 参数parameters一般控制SE的大小。 例子： se1=strel('square',6) %创建6*6的正方形 se2=strel('line',10,45) %创建直线长度10，角度45 se3=strel('disk',15) %创建圆盘半径15 se4=strel('ball',15,5) %创建椭圆体，半径15，高度5

图像处理函数详解——roipoly 功能：用于选择图像中的多边形区域。 用法：BW=roipoly(I,c,r) BW=roipoly(I) BW=roipoly(x,y,I,xi,yi) [BW,xi,yi]=roipoly(...) [x,y,BW,xi,yi]=roipoly(...) BW=roipoly(I,c,r)表示用向量c、r指定多边形各点的X、Y坐标。BW选中的区域为1，其他部分的值为0. BW=roipoly(I)表示建立交互式的处理界面。 BW=roipoly(x,y,I,xi,yi)表示向量x和y建立非默认的坐标系，然后在指定的坐标系下选择由向量xi，yi指定的多边形区域。 例子：I=imread('eight.tif'); c=[222272300270221194]; r=[21217512112175]; BW=roipoly(I,c,r); imshow(I)

基于Matlab的数字图像处理系统毕业设计论文

论文（设计）题目： 基于MATLAB的数字图像处理系统设计 姓名宋立涛 学号２０１２１１８６７ 学院信息学院 专业电子与通信工程 年级２０１２级 ２０１３年６月１６日

基于MATLAB的数字图像处理系统设计 摘要 MATLAB 作为国内外流行的数字计算软件，具有强大的图像处理功能，界面简洁，操作直观，容易上手，而且是图像处理系统的理想开发工具。 笔者阐述了一种基于MATLAB的数字图像处理系统设计，其中包括图像处理领域的大部分算法，运用MATLAB 的图像处理工具箱对算法进行了实现，论述了利用系统进行图像显示、图形表换及图像处理过程，系统支持索引图像、灰度图像、二值图像、RGB 图像等图像类型；支持BMP、GIF、JPEG、TIFF、PNG 等图像文件格式的读，写和显示。 上述功能均是在MA TLAB 语言的基础上，编写代码实现的。这些功能在日常生活中有很强的应用价值，对于运算量大、过程复杂、速度慢的功能，利用MATLAB 可以既能快速得到数据结果，又能得到比较直观的图示。 关键词：MATLAB 数字图像处理图像处理工具箱图像变换

第一章绪论 1.1 研究目的及意义 图像信息是人类获得外界信息的主要来源，近代科学研究、军事技术、工农业生产、医学、气象及天文学等领域中，人们越来越多地利用图像信息来认识和判断事物，解决实际问题，由此可见图像信息的重要性，数字图像处理技术将会伴随着未来信息领域技术的发展，更加深入到生产和科研活动中，成为人类生产和生活中必不可少的内容。 MATLAB 软件不断吸收各学科领域权威人士所编写的实用程序，经过多年的逐步发展与不断完善，是近几年来在国内外广泛流行的一种可视化科学计算软件。MATLAB 语言是一种面向科学与工程计算的高级语言，允许用数学形式的语言来编写程序，比Basic、Fortan、C 等高级语言更加接近我们书写计算公式的思维方式，用MATLAB 编写程序犹如在演算纸上排列出公式与求解问题一样。它编写简单、编程效率高并且通俗易懂。 1.2 国内外研究现状 1.2.1 国内研究现状 国内在此领域的研究中具有代表性的是清华大学研制的数字图像处理实验开发系统TDB-IDK 和南京东大互联技术有限公司研制的数字图像采集传输与处理实验软件。 TDB-IDK 系列产品是一款基于TMS320C6000 DSP 数字信号处理器的高级视频和图像系统，也是一套DSP 的完整的视频、图像解决方案，该系统适合院校、研究所和企业进行视频、图像方面的实验与开发。该软件能够完成图像采集输入程序、图像输出程序、图像基本算法程序。可实现对图像信号的实时分析，图像数据相对DSP独立方便开发人员对图像进行处理，该产品融合DSP 和FPGACPLD 两个高端技术，可以根据用户的具体需求合理改动，可以分析黑白和彩色信号，可以完成图形显示功能。 南京东大互联技术有限公司研制的数字图像采集传输与处理实验软件可实现数字图像的采集、传输与处理。可利用软件及图像采集与传输设备，采集图像并实现点对点的数字图像传输，可以观察理解多种图像处理技术的效果和差别，

(完整版)数字图像处理MATLAB程序【完整版】

第一部分数字图像处理

实验一图像的点运算 实验1.1 直方图 一．实验目的 1．熟悉matlab图像处理工具箱及直方图函数的使用； 2．理解和掌握直方图原理和方法； 二．实验设备 1.PC机一台； 2.软件matlab。 三．程序设计 在matlab环境中，程序首先读取图像，然后调用直方图函数，设置相关参数，再输出处理后的图像。 I=imread('cameraman.tif');%读取图像 subplot(1,2,1),imshow(I) %输出图像 title('原始图像') %在原始图像中加标题 subplot(1,2,2),imhist(I) %输出原图直方图 title('原始图像直方图') %在原图直方图上加标题 四．实验步骤 1. 启动matlab 双击桌面matlab图标启动matlab环境； 2. 在matlab命令窗口中输入相应程序。书写程序时，首先读取图像，一般调用matlab自带的图像， 如:cameraman图像；再调用相应的直方图函数，设置参数；最后输出处理后的图像； 3．浏览源程序并理解含义； 4．运行，观察显示结果； 5．结束运行，退出； 五．实验结果 观察图像matlab环境下的直方图分布。 (a)原始图像 (b)原始图像直方图 六．实验报告要求 1、给出实验原理过程及实现代码； 2、输入一幅灰度图像，给出其灰度直方图结果，并进行灰度直方图分布原理分析。

实验1.2 灰度均衡 一．实验目的 1．熟悉matlab图像处理工具箱中灰度均衡函数的使用； 2．理解和掌握灰度均衡原理和实现方法； 二．实验设备 1.PC机一台； 2.软件matlab； 三．程序设计 在matlab环境中，程序首先读取图像，然后调用灰度均衡函数，设置相关参数，再输出处理后的图像。 I=imread('cameraman.tif');%读取图像 subplot(2,2,1),imshow(I) %输出图像 title('原始图像') %在原始图像中加标题 subplot(2,2,3),imhist(I) %输出原图直方图 title('原始图像直方图') %在原图直方图上加标题 a=histeq(I,256); %直方图均衡化，灰度级为256 subplot(2,2,2),imshow(a) %输出均衡化后图像 title('均衡化后图像') %在均衡化后图像中加标题 subplot(2,2,4),imhist(a) %输出均衡化后直方图 title('均衡化后图像直方图') %在均衡化后直方图上加标题 四．实验步骤 1. 启动matlab 双击桌面matlab图标启动matlab环境； 2. 在matlab命令窗口中输入相应程序。书写程序时，首先读取图像，一般调用matlab自带的图像， 如:cameraman图像；再调用相应的灰度均衡函数，设置参数；最后输出处理后的图像； 3．浏览源程序并理解含义； 4．运行，观察显示结果； 5．结束运行，退出； 五．实验结果 观察matlab环境下图像灰度均衡结果及直方图分布。 (a)原始图像 (b)均衡化后图像

MATLAB结课论文设计.

MATLAB程序设计(论文) 基于MATLAB实现语音信号的去噪 院（系）名称电子与信息工程学院 专业班级通信工程 学号 学生姓名 任课教师

论文任务

摘要 滤波器设计在数字信号处理中占有极其重要的地位，FIR数字滤波器和IIR 滤波器是滤波器设计的重要组成部分。利用MATLAB信号处理工具箱可以快速有效地设计各种数字滤波器。课题基于MATLAB有噪音语音信号处理的设计与实现，综合运用数字信号处理的理论知识对加噪声语音信号进行时域、频域分析和滤波。通过理论推导得出相应结论，再利用MATLAB 作为编程工具进行计算机实现。在设计实现的过程中，使用窗函数法来设计FIR数字滤波器，用巴特沃斯、切比雪夫和双线性变法设计IIR数字滤波器，并利用MATLAB 作为辅助工具完成设计中的计算与图形的绘制。通过对对所设计滤波器的仿真和频率特性分析，可知利用MATLAB信号处理工具箱可以有效快捷地设计FIR和IIR数字滤波器，过程简单方便，结果的各项性能指标均达到指定要求。 关键词数字滤波器 MATLAB 窗函数法巴特沃斯切比雪夫双线性变换

目录 第1章绪论 (1) 1.1数字信号处理的意义 (1) 1.2语音去噪设计要求 (2) 第2章语音去噪方案设计 (3) 2.1语音去噪的应用意义 (3) 2.2 语音去噪设计框图 (3) 2.3设计原理 (4) 第3章程序分析 (5) 3.1 语音去噪采样过程 (5) 3.2 语音去噪方案 (6) 第 4 章总结 (8) 参考文献 (9) 附录 (10)

第1章绪论 1.1数字信号处理的意义 数字信号处理是利用计算机或专用处理设备，以数值计算的方法对信号进行采集、抽样、变换、综合、估值与识别等加工处理，借以达到提取信息和便于应用的目的。它在语音、雷达、图像、系统控制、通信、航空航天、生物医学等众多领域都获得了极其广泛的应用。具有灵活、精确、抗干扰强、设备尺寸小、造价低、速度快等优点。 数字滤波器, 是数字信号处理中及其重要的一部分。随着信息时代和数字技术的发展，受到人们越来越多的重视。数字滤波器可以通过数值运算实现滤波，所以数字滤波器处理精度高、稳定、体积小、重量轻、灵活不存在阻抗匹配问题，可以实现模拟滤波器无法实现的特殊功能。数字滤波器种类很多，根据其实现的网络结构或者其冲激响应函数的时域特性，可分为两种，即有限冲激响应( FIR，Finite Impulse Response)滤波器和无限冲激响应( IIR，Infinite Impulse Response)滤波器。 FIR滤波器结构上主要是非递归结构，没有输出到输入的反馈，系统函数H (z)在处收敛，极点全部在z = 0处（因果系统），因而只能用较高的阶数达到高的选择性。FIR数字滤波器的幅频特性精度较之于IIR数字滤波器低，但是线性相位，就是不同频率分量的信号经过fir滤波器后他们的时间差不变，这是很好的性质。FIR 数字滤波器是有限的单位响应也有利于对数字信号的处理，便于编程，用于计算的时延也小，这对实时的信号处理很重要。FIR滤波器因具有系统稳定，易实现相位控制，允许设计多通带（或多阻带）滤波器等优点收到人们的青睐。 IIR滤波器采用递归型结构，即结构上带有反馈环路。IIR滤波器运算结构通常由延时、乘以系数和相加等基本运算组成，可以组合成直接型、正准型、级联型、并联型四种结构形式，都具有反馈回路。同时，IIR数字滤波器在设计上可以借助成熟的模拟滤波器的成果，如巴特沃斯、契比雪夫和椭圆滤波器等，有现成的设计数据或图表可查，在设计一个IIR数字滤波器时，我们根据指标先写出模拟滤波器的公式，然后通过一定的变换，将模拟滤波器的公式转换成数字滤波器的公式。 滤波器的设计可以通过软件或设计专用的硬件两种方式来实现。随着MATLAB软

基于matlab的数字图像处理论文

迭代与分形 姓名：吴涛班级：2007级电科一班学号：20074053053 摘要：几何学研究的对象是客观世界中物体的形状。传统欧氏几何学的研究对象，都是规则并且光滑的，比如：直线、曲线、曲面等。但客观世界中物体的形状，并不完全具有规则光滑等性质，因此只能近似当作欧氏几何的对象，比如：将凹凸不平的地球表面近似为椭球面。虽然多数情况下通过这样的近似处理后，能够得到符合实际情况的结果，但是对于极不规则的形态，比如：云朵、烟雾、树木等，传统的几何学就无能为力了。 如何描述这些复杂的自然形态？如何分析其内在的机理？这些就是分形几何学所面对和解决的问题。 关键字：迭代；分形；树形 一、问题分析 在我们的世界上，存在着许多极不规则的复杂现象，比如：弯弯曲曲的海岸线、变化的云朵、宇宙中星系的分布、金融市场上价格的起伏图等，为了获得解释这些极端复杂现象的数学模型，我们需要认识其中蕴涵的特性，构造出相应的数学规则。 曼德尔布罗特（Mandelbrot）在研究英国的海岸线形状等问题时，总结出自然界中很多现象从标度变换角度表现出对称性，他将这类集合称作自相似集，他发现维数是尺度变换下的不变量，主张用维数来刻划这类集合。Mandelbrot将这类几何形体称为分形(fractal)，意思就是不规则的、分数的、支离破碎的，并对它们进行了系统的研究，创立了分形几何这一新的数学分支。Mandelbrot认为海岸、山峦、云彩和其他很多自然现象都具有分形的特性，因此可以说：分形

是大自然的几何学。 分形几何体一般来说都具有无限精细的自相似的层次结构，即局部与整体的相似性，图形的每一个局部都可以被看作是整体图形的一个缩小的复本。早在19世纪就已经出现了一些具有自相似特性的分形图形，比如：瑞典数学家科赫（von Koch）设计的类似雪花和岛屿边缘的一类曲线，即Koch曲线；英国植物学家布朗通过观察悬浮在水中的花粉的运动轨迹，提出来的布朗运动轨迹。 分形几何把自然形态看作是具有无限嵌套的层次结构，并且在不同尺度下保持某种相似的属性，于是，简单的迭代过程，就是描述复杂的自然形态的有效方法。 （Koch曲线） （布朗运动轨迹） 二、背景知识介绍 1、分形几何的形成。 分形几何的概念是美籍法国数学家曼德尔布罗特（Mandelbrot）于1975年首先提出的，但最早的工作可追朔到1875年，德国数学家维尔斯特拉斯（Weierestrass）构造了处处连续但处处不可微的函数，集合论创始人康托尔（Cantor，德国数学家）构造了有许多奇异性质的康托尔三分集。1890年，意大利数学家皮亚诺（Peano）构造了填充空间的曲线。1904年，瑞典数学家科赫（Koch）设计出类似雪花和岛屿边缘的一类曲线。1915年，波兰数学家谢尔宾斯基（Sierpinski）设计了象地毯和海绵一样的几何图形。这些都是为解决分析与拓朴学

图像处理matlab程序实例

程序实例 1旋转: x=imread('d:\MATLAB7\work\flower.jpg'); y=imrotate(x,200,'bilinear','crop'); subplot(1,2,1); imshow(x); subplot(1,2,2); imshow(y) 2.图像的rgb clear [x,map]=imread('D:\Program Files\MATLAB\R2012a\bin\shaohaihe\shh1.jpg');y=x(90:95,90:95);imshow(y)R=x(90:95,90:95,1);G=x(90:95,90:95,2);B=x(90:95,90:95,3);R,G,B 3.加法运算clear I=imread('D:\Program Files\MATLAB\R2012a\bin\shaohaihe\shh3.jpg');J=imnoise(I,'gaussian',0,0.02);%向图片加入高斯噪声subplot(1,2,1),imshow(I);%显示图片subplot(1,2,2),imshow(J);K=zeros(242,308);%产生全零的矩阵，大小与图片的大小一样for i=1:100%循环100加入噪声J=imnoise(I,'gaussian',0,0.02);J1=im2double(J);K=K+J1;end K=K/100; figure,imshow(K);save

4.减法 clear I=imread('D:\Program Files\MATLAB\R2012a\bin\shaohaihe\shao.jpg'); J=imread('D:\Program Files\MATLAB\R2012a\bin\shaohaihe\shao1.jpg'); K=imsubtract(I,J);%实现两幅图相减 K1=255-K;%将图片求反显示 figure;imshow(I); title('有噪声的图'); figure;imshow(J); title('原图'); figure;imshow(K1); title('提取的噪声'); save 5.图像的乘法 H=imread('D:\Program Files\MATLAB\R2012a\bin\shaohaihe\shao.jpg'); I=immultiply(H,1.2);将此图片乘以1.2 J=immultiply(H,2); subplot(1,3,1),imshow(H); title('原图'); subplot(1,3,2),imshow(I); title('·放大1.2'); subplot(1,3,3),imshow(J); title('放大2倍'); 6除法运算 moon=imread('moon.tif'); I=double(moon); J=I*0.43+90; K=I*0.1+90; L=I*0.01+90; moon2=uint8(J); moon3=uint8(K); moon4=uint8(L); J=imdivide(moon,moon2); K=imdivide(moon,moon3); L=imdivide(moon,moon4); subplot(2,2,1),imshow(moon); subplot(2,2,2),imshow(J,[]); subplot(2,2,3),imshow(K,[]); subplot(2,2,4),imshow(L,[]);

基于MATLAB的运动模糊图像处理

基于MATLAB的运动模糊图像处理 提醒： 我参考了文献里的书目和网上的一些代码而完成的，所以误差会比较大，目前对于从网上下载的模糊图片的处理效果很不好，这是我第一次上传自己完成的实验的文档，希望能帮到一些人吧。 研究目的 在交通系统、刑事取证中图像的关键信息至关重要，但是在交通、公安、银行、医学、工业监视、军事侦察和日常生活中常常由于摄像设备的光学系统的失真、调焦不准或相对运动等造成图像的模糊，使得信息的提取变得困难。但是相对于散焦模糊，运动模糊图像的复原在日常生活中更为普遍，比如高速运动的违规车辆的车牌辨识，快速运动的人群中识别出嫌疑人、公安刑事影像资料中提取证明或进行技术鉴定等等，这些日常生活中的重要应用都需要通过运动模糊图像复原技术来尽可能地去除失真，恢复图像的原来面目。因此对于运动模糊图像的复原技术研究更具有重要的现实意义。 图像复原原理 本文探讨了在无噪声的情况下任意方向的匀速直线运动模糊图像的复原问题，并在此基础上讨论了复原过程中对点扩散函数(PSF)的参数估计从而依据自动鉴别出的模糊方向和长度构造出最为近似的点扩散函数，构造相应的复原模型，实现运动模糊图像的复原；在模糊图像自动复原的基础上，根据恢复效果图的纹理特征和自动鉴别出的模糊长度和角度，人工调整模糊方向和长度参数，使得复原效果达到最佳。 实验过程 模糊方向的估计： 对图1(a)所示的原始图像‘车牌’图像做方向θ=30?，长度L=20像素的匀速直线运动模糊，得到退化图像如图1(b)

1(a) 1(b) j=imread('车牌1.jpg'); figure(1),imshow(j); title('原图像'); len=20; theta=30; psf=fspecial('motion',len,theta); j1=imfilter(j,psf,'circular','conv'); figure,imshow(j1); title('PSF 模糊图像'); 图1(c)和1(d)分别为原图像和模糊图像的二次傅里叶变化

图像增强及MATLAB实现

《数字图像处理》课程设计 课设题目：图像增强与MATLAB实现学校学院：华东交通大学理学院 学生班级：13级信息计算（2）班学生：超 学生学号：20130810010216 指导老师：自柱

图像增强与MATLAB实现 摘要 数字图像处理是指将图像信号转换成数字格式并利用计算机对其进行处理的过程。图像增强是数字图像处理的过程中经常采用的一种方法，它对提高图像质量起着重要的作用。本文先对图像增强的原理进行概述，然后对图像增强的方法分类并给出直方图增强、对比度增强、平滑和锐化等几种常用的增强方法的理论基础，通过Matlab实验得出的实际处理效果来对比各种算法的优缺点，讨论不同的增强算法的技术要点，并对其图像增强方法进行性能评价。 关键字：图像；图像增强；算法

目录 一、MATLAB的简介 (1) 1.1MATLAB主要功能 (1) 二、MATLAB的主要功能 (1) 2.1数字增强技术概述 (1) 2.2数字图像的表示 (2)

三、直方图的均衡化 (2) 3.1图像的灰度 (2) 3.2灰度直方图 (2) 3.3直方图均衡化 (3) 四、图像二值化 (5) 4.1图像二值化 (5) 五、对比度增强 (7) 5.1对比度增强 (7) 5.2灰度调整 (8) 5.3对数变换 (9) 六、滤波 (10) 6.1平滑滤波 (10) 6.2线性平滑滤波程序： (11) 6.3非线性滤波 (12) 七、锐化 (18) 八、参考文献 (19) 九、自我评价 (20)

一、Matlab的简介 1.1 MATLAB主要功能 MATLAB是建立在向量、数组和矩阵基础上的一种分析和仿真工具软件包，包含各种能够进行常规运算的“工具箱”，如常用的矩阵代数运算、数组运算、方程求根、优化计算及函数求导积分符号运算等；同时还提供了编程计算的编程特性，通过编程可以解决一些复杂的工程问题；也可绘制二维、三维图形，输出结果可视化。目前，已成为工程领域中较常用的软件工具包之一。 二、MATLAB的主要功能 2.1数字增强技术概述 图像增强是按特定的需要突出一幅图像中的某些信息，同时，消弱或去除某些信息使得图像更加实用。图像增强技术主要包含直方图修改处理、图像平滑处理、图像尖锐化处理等。 图像增强技术主要包括：直方图修改处理，图像平滑处理，图像尖锐化处理，彩色图像处理。从纯技术上讲主要有两类：频域处理法和空域处理法。 频域处理法主要是卷积定理，采用修改图像傅立叶变换的方法实现对图像的增强处理技术；空域处理法：是直接对图像中的像素进行处理，基本上是以灰度映射变换为基础的。

(完整版)基于matlab的数字图像处理毕业设计论文

优秀论文审核通过 未经允许切勿外传 摘要 数字图像处理是一门新兴技术，随着计算机硬件的发展，数字图像的实时处理已经成为可能，由于数字图像处理的各种算法的出现，使得其处理速度越来越快，能更好的为人们服务。数字图像处理是一种通过计算机采用一定的算法对图形图像进行处理的技术。数字图像处理技术已经在各个领域上都有了比较广泛的应用。图像处理的信息量很大，对处理速度的要求也比较高。MATLAB强大的运算和图形展示功能，使图像处理变得更加的简单和直观。本文介绍了MATLAB 语言的特点,基于MATLAB的数字图像处理环境，介绍了如何利用MATLAB及其图像处理工具箱进行数字图像处理，并通过一些例子来说明利用MATLAB图像处理工具箱进行图像处理的方法。主要论述了利用MATLAB实现图像增强、二值图像分析等图像处理。关键词：MATLAB，数字图像处理，图像增强，二值图像

Abstract Digital image processing is an emerging technology, with the development of computer in various areas on the processing speed requirement is relatively ），线性量化（liner quantization ），对数量化，MAX 量化，锥形量化（tapered quantization ）等。 3. 采样、量化和图像细节的关系 上面的数字化过程，需要确定数值N 和灰度级的级数K 。在数字图像处理中，一般都取成2的整数幂，即: (2.1) (2.2) 一幅数字图像在计算机中所占的二进制存储位数b 为: *log(2)**()m N N b N N m bit == (2.3) 例如，灰度级为256级(m=8)的512×512的一幅数字图像，需要大约210万个存储位。随着N 和m 的增加，计算机所需要的存储量也随之迅速增加。 由于数字图像是连续图像的近似，从图像数字化的过程可以看到。这种近似的程度主要取决于采样样本的大小和数量(N 值)以及量化的级数K(或m 值)。N 和K 的值越大，图像越清晰。 2.2 数字图像处理概述 2.2.1 基本概念 数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。数字图像处理的产生和迅速发展主要受三个因素的影响：一是计算机的发展；二是数学的发展(特别是离散数学理论的创立和完善)；三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的