大数据最新MATLAB：Image Processing Toolbox工具箱入门实战，2024年最新资深大数据开发开发带你入门Framework-CSDN博客

本文链接：https://blog.csdn.net/2401_84181253/article/details/138917908

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

1.基本图像导入、处理和导出

2.实战项目一：利用imfindcircles（）函数检测和测量图像中的圆形目标

3.实战项目二：图像增强（预处理）统计米粒

4.实战项目三：利用Sobel算子进行裂纹检测

1.基本图像导入、处理和导出

Basic Image Import, Processing, and Export- MATLAB & SimulinkThis example shows how to read an image into the workspace, adjust the contrast in the image, and then write the adjusted image to a file. icon-default.png?t=N7T8 https://www.mathworks.com/help/releases/R2021b/images/image-import-and-export.html以下是输入的缺陷检测图片1.jpg（左），和经过histeq（直方图均衡使强度值扩展分布到了图像的完整范围内）函数提高对比度的2.jpg（右）。

I = imread("1.jpg");
whos I % 使用 whos 命令，检查 imread 函数如何在工作区中存储图像数据。
% 调用 imhist 函数创建直方图。
% 请在调用 imhist 之前使用 figure 命令，这样直方图就不会覆盖当前图窗窗口中显示的图像 I。
imhist(I)  
I2 = histeq(I);  % 使用 histeq 函数提高图像的对比度
imshow(I2)
imwrite(I2, '2.jpg');  % 使用 imwrite 函数，将刚刚经过调整的图像 I2 写入磁盘文件
imfinfo('2.jpg')  % imfinfo 函数返回文件中图像的相关信息

2.实战项目一：利用imfindcircles（）函数检测和测量图像中的圆形目标

Detect and Measure Circular Objects in an Image- MATLAB & Simulink ExampleThis example shows how to automatically detect circular objects in an image and visualize the detected circles. icon-default.png?t=N7T8 https://www.mathworks.com/help/releases/R2021b/images/detect-and-measure-circular-objects-in-an-image.htmlimfindcircles()使用基于圆形 Hough 变换 (CHT) 的算法在图像中寻找圆形。之所以使用这种方法，是因为当存在噪声、遮挡和变化的光照条件时该方法表现稳健。

有关imfindcircles()的详细信息，请参阅帮助文档：

Find circles using circular Hough transform - MATLAB imfindcirclesThis MATLAB function finds the circles in image A whose radii are approximately equal to radius. icon-default.png?t=N7T8 https://www.mathworks.com/help/releases/R2021b/images/ref/imfindcircles.html本项目旨在演示调参来寻求圆目标的过程。

rgb = imread('coloredChips.png');
imshow(rgb)

% 此段代码是为了清楚对象是比背景亮还是比背景暗，输出灰度图片看一看
% gray_image = rgb2gray(rgb);
% imshow(gray_image)

% 此段代码用来确定imfindcircles函数里的radiusRange，测出来应该是[25 30]
% d = drawline;  % 画一条线，大致画出圆的直径
% pos = d.Position  % 线的位置
% diffPos = diff(pos);  % 各行之间的一阶差分，也就是delta x和delta y
% diameter = hypot(diffPos(1),diffPos(2))  % 平方和的平方根（斜边）

% 这里开始找圆，用的是imfindcircles()函数
% 背景相当亮，大多数塑料片比背景暗，将参数 'ObjectPolarity' 设置为 'dark' 以搜索较暗的圆。
% imfindcircles 有两种不同寻找圆的方法：默认方法（称为相位编码方法）/两阶段方法，这里指定使用两阶段方法
% 两种方法都能准确找到部分可见（遮挡）塑料片的中心和半径。
[centers,radii] = imfindcircles(rgb,[25 30],'ObjectPolarity','dark', ...
    'Sensitivity',0.92,'Method','twostage');

% 注意到黄色圆都没有被检测到
% 与背景相比，黄色塑料片的强度几乎相同，甚至更亮。因此，要检测黄色塑料片，'ObjectPolarity' 改为 'bright'。
% [centersBright,radiiBright] = imfindcircles(rgb,[25 30], ...
%     'ObjectPolarity','bright','Sensitivity',0.95)
% 找到了三个原先未检测到的黄色塑料片，但仍有黄色塑料片未检测到

% 要查找圆，imfindcircles 仅使用图像中的边缘像素。这些边缘像素基本上是具有高梯度值的像素。
% 'EdgeThreshold' 参数控制像素的梯度值必须有多高，才能将其视为边缘像素并包含在计算中。
% 该参数的高值（更接近 1）只允许包含强边缘（较高梯度值），而低值（更接近 0）的宽容度更高，可在计算中包含较弱的边缘（较低梯度值）。
% 对于检测不到黄色塑料片的情况，是因为对比度低，一些边界像素（在塑料片的圆周上）预期具有低梯度值。因此，请降低 'EdgeThreshold'。
[centersBright,radiiBright,metricBright] = imfindcircles(rgb,[25 30], ...
    'ObjectPolarity','bright','Sensitivity',0.95,'EdgeThreshold',0.1);

imshow(rgb)
hBright = viscircles(centersBright, radiiBright,'Color','b');  % 蓝色画出
h = viscircles(centers,radii);  % 红色画出

3.实战项目二：图像增强（预处理）统计米粒

本案例说明如何在分析前的预处理步骤增强图像。例如校正背景亮度不均匀问题，并将图像转换为二值图像，以便于识别前景对象（单个米粒）。然后分析对象，例如计算每粒大米的面积，并计算图像中所有对象的统计量。

关于形态学图像处理的知识（strel腐蚀和imopen形态学开操作），可参考冈萨雷斯的数字图像处理第9章和以下资料：

形态学运算与仿真：图像处理中形态学操作的简单解释 - 知乎 (zhihu.com) icon-default.png?t=N7T8 https://zhuanlan.zhihu.com/p/628780157

简而言之，形态学运算包括膨胀、腐蚀、开运算、闭运算等。其中：

膨胀操作可以将图像中的物体变大，使它更加连通；
腐蚀操作则可以将图像中的物体变小，使它更加细化；
开运算可以去除噪声，平滑图像的边缘；
闭运算可以填补图像中物体的孔洞。

这里应用strel腐蚀和imopen形态学开操作，目的是得到背景。

经过预处理得到图像的二值版本，然后利用bwconncomp（）在二值图像中查找所有连通分量（对象）得到所有米粒的信息。最后展示了经过预处理后的图片和米粒面积的直方图：

I = imread('rice.png');
% imshow(I)

% strel 对象表示一个平面形态学结构元素，该元素是形态学膨胀和腐蚀运算的重要部分。
se = strel('disk',15);
% 开操作Open先对图像进行腐蚀操作，然后再进行膨胀操作的组合过程，可以用于消除小的物体或细节，并且可以平滑物体的边界
% 闭操作Close则相反，它是先对图像进行膨胀操作，然后再进行腐蚀操作的组合过程。可以用于填补小的空洞或裂缝，并且也可以平滑物体的边界。
% imopen执行形态学开操作，然后得到背景
background = imopen(I,se);
% imshow(background)
I2 = I - background;
% 默认情况下，imadjust 对所有像素值中最低的 1% 和最高的 1% 进行饱和处理。此运算可提高输出图像的对比度。
I3 = imadjust(I2);
bw = imbinarize(I3);  % 使用 imbinarize 函数将灰度图像转换为二值图像
bw = bwareaopen(bw,50);  % 使用 bwareaopen 函数去除图像中的背景噪声。
cc = bwconncomp(bw,4);  % bwconncomp查找二值图像中的连通分量
% cc.NumObjects
labeled = labelmatrix(cc);  % 使用 labelmatrix 根据 bwconncomp 的输出创建标签矩阵，将二进制图像中的连通分量标记为唯一的整数值。使用标签矩阵可视化不同的连通分量。
RGB_label = label2rgb(labeled,'spring','c','shuffle');  % 为了更容易区分不同的连通分量，使用label2rgb将标签矩阵显示为RGB图像，并对标签的颜色随机。
% imshow(RGB_label)
graindata = regionprops(cc,'basic');  % regionprops返回二值图像中每个8连通分量（对象）的属性集的测量值。
grain_areas = [graindata.Area];
histogram(grain_areas)
title('Histogram of Rice Grain Area')

4.实战项目三：利用Sobel算子进行裂纹检测

Sobel算子实现步骤：

1.首先需要两个方向（水平和竖直方向）的滤波核：

$S_x=\begin{bmatrix} -1 &0 &1 \ -2 &0 &2 \ -1 &0 &1 \end{bmatrix},S_y=\begin{bmatrix} -1 &-2 &-1 \ 0 &0 &0 \ 1 &2 &1 \end{bmatrix}=S_{x}^{T}$

这是因为边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。所以通常说来图像中梯度较大的点代表着边缘。边缘检测方法分为两类：

基于搜索：利用一阶导数最大值检测边缘。通过寻找图像一阶导数中的最大值来检测边界，然后利用计算结果估计边缘的局部方向，代表算法是Sobel算子和Scharr算子。这是因为边缘附近的像素值会有明显突变，即变化最大，也就是一阶导数最大（实际操作中通常设置一个阈值）。那么找到最大的一阶导数也就找到了像素变化最大的点，即边缘点。
基于零穿越：利用二阶导数为0检测边缘。代表算法是Laplace算子。因为在一阶导数的基础上再求一次导，那么此时零点就是变化最大的点，即边缘点。

导数定义： $f{}'(x)=\lim_{h \to 0}\frac{f(x+h)-f(x-h)}{2h}$

对于不连续的函数，一阶导数（一阶均差）可以写作：

$f{}'(x)=f(x+1)-f(x)=f(x)-f(x-1)$

所以有： $f{}'(x)=\frac{f(x+1)-f(x)+f(x)-f(x-1)}{2}=\frac{f(x+1)-f(x-1)}{2}$ ，也就是后-前。

因此我们有：

x方向的梯度：拿后一列（下标j+1）减去前一列（下标j-1）:

$\frac{\partial f}{\partial x}=\left |[f(i-1,j+1)+f(i,j+1)+f(i+1,j+1)]-[f(i-1,j-1)+f(i,j-1)+f(i+1,j-1)] \right |$

y方向的梯度：拿后一行（下标i+1）减去前一行（下标i-1）:

$\frac{\partial f}{\partial y}=\left |[f(i+1,j-1)+f(i+1,j)+f(i+1,j+1)]-[f(i-1,j-1)+f(i-1,j)+f(i-1,j+1)] \right |$

写成卷积表达式就是：

$S_x=\begin{bmatrix} -1 &0 &1 \ -1 &0 &1 \ -1 &0 &1 \end{bmatrix},S_y=\begin{bmatrix} -1 &-1 &-1 \ 0 &0 &0 \ 1 &1 &1 \end{bmatrix}=S_{x}^{T}$

$\frac{\partial f}{\partial x}=S_x\bigotimes f,\frac{\partial f}{\partial y}=S_y\bigotimes f$

梯度： $\nabla f=[\frac{\partial f}{\partial x},\frac{\partial f}{\partial y}],\left | \nabla f \right |=\sqrt{\left | \frac{\partial f}{\partial x} \right |^2+\left |\frac{\partial f}{\partial y} \right |^2}$

为计算方便起见，通常： $\left | \nabla f \right |=\left | \frac{\partial f}{\partial x} \right |+\left |\frac{\partial f}{\partial y} \right |$

以上卷积核 $S_x=\begin{bmatrix} -1 &0 &1 \ -1 &0 &1 \ -1 &0 &1 \end{bmatrix},S_y=\begin{bmatrix} -1 &-1 &-1 \ 0 &0 &0 \ 1 &1 &1 \end{bmatrix}=S_{x}^{T}$ 称为Prewitt算子。现在我们在计算梯度时引入加权平均，就构成了Sobel算子和Schar算子：

Sobel算子提高了4邻域的权重： $S_x=\begin{bmatrix} -1 &0 &1 \ -2 &0 &2 \ -1 &0 &1 \end{bmatrix},S_y=\begin{bmatrix} -1 &-2 &-1 \ 0 &0 &0 \ 1 &2 &1 \end{bmatrix}=S_{x}^{T}$