数字图像处理程序合集中（matlab实现）

已于 2023-08-11 12:05:09 修改
阅读量393 收藏 10
点赞数 1
分类专栏： matlab程序合集 文章标签： matlab 算法 计算机视觉
于 2023-08-11 11:36:42 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_56339807/article/details/132227439
版权

文章目录

前言

接上篇文章，这是这个合集的中集，主要包含影像的增强处理和影像的融合处理两大部分内容，请大家理性食用，欢迎大家批评指正！

其中用到了很多上篇中的函数，在用到的地方我会点出！

1.影像增强处理

1.1 直方图线性拉伸

function B=xxls(A) % 线性拉伸的函数
[row,col,band]=size(A);
samples=row*col;
A1=reshape(A,[samples,band]);
D=A1;
maxA=max(A1);
minA=min(A1);
for i=1:band
    for j=1:samples
        D(j,i)=255*(A1(j,i)-minA(i))/(maxA(i)-minA(i))+0;
    end
end
B=reshape(D,[row,col,band]);
figure(1)
subplot(1,2,1)
imshow(uint8(A))
% histogram(A)
title('原始图像')
subplot(1,2,2)
imshow(uint8(B))
% histogram(B)
title('线性拉伸后的图像')

1.2 直方图均衡化

function B=zftjh(A) % 直方图均衡函数
[row,col,band]=size(A);
samples=row*col;
A1=reshape(A,[samples,band]);
A2=cal_hist(A);
A3=zeros(samples,band);
for i=1:band
    for j=1:samples
        A3(j,i)=round(255*A2(A1(j,i)+1,2,i)); % 注意要向下取整，离散的灰度值只能为整数
    end
end
B=reshape(A3,[row,col,band]);
figure(1)
subplot(1,2,1)
imshow(uint8(A))
title('原始图像')
subplot(1,2,2)
imshow(uint8(B))
title('直方图均衡化后的图像')
end

用到了上篇中计算直方图函数cal-hist（）

1.3 直方图匹配

function C=zftpp(A,B) % A是待匹配图像，B是参考图像,C是输出的直方图匹配后的图像
[row,col,band]=size(A);
C=A;
hist1=cal_hist(A);
hist2=cal_hist(B);
P=zeros(256,band);
for k=1:band
   for i=1:256 % 256是hist矩阵的行数
     [~,index] = min(abs(hist1(i,2,k)-hist2(:,2,k)));
     P(i,k)=index-1;
   end
end
for i=1:band
    for j=1:row
        for k=1:col
            C(j,k,i)=P(A(j,k,i)+1,i);
        end
    end
end
figure(1);
subplot(1,3,1);
imshow(uint8(A));
title('原始图像');
subplot(1,3,2);
imshow(uint8(B));
title('参照图像');
subplot(1,3,3);
imshow(uint8(C));
title('直方图匹配化后的图像')
end

用到了上篇中计算直方图函数cal-hist（）

1.4 均值滤波

function B=jzlb(A) % 计算均值滤波的函数
[m,n,band]=size(A);
format long
B=A;
mode=[0.111,0.111,0.111;0.111,0.111,0.111;0.111,0.111,0.111];
for i=1:band
    for j=2:m-1
        for k=2:n-1
            linyu=[A(j-1,k-1,i),A(j,k-1,i),A(j+1,k-1,i);A(j-1,k,i),A(j,k,i),A(j+1,k,i);A(j-1,k+1,i),A(j,k+1,i),A(j+1,k+1,i)];
            B(j,k,i)=sum(dot(linyu,mode),2); % dot函数用来求内积，x1*y1+x2*y2+xn*yn
        end
    end
end
figure(1)
subplot(1,2,1)
% imshow(uint8(A))
histogram(A)
title('原始图像')
subplot(1,2,2)
% imshow(uint8(B))
histogram(B)
title('均值滤波后的图像')
end

1.5 中值滤波

function B=zzlb(A,n1)% 中值滤波
[m,n,band]=size(A);
format long % 设置输出格式
B=zeros(m,n,band);
mode=[0.111,0.111,0.111;0.111,0.111,0.111;0.111,0.111,0.111];%不知道怎么输入1/9，所以用0.111来替代了
for i=1:band
    for j=2:m-1
        for k=2:n-1
             linyu=[A(j-1,k-1,i),A(j,k-1,i),A(j+1,k-1,i);A(j-1,k,i),A(j,k,i),A(j+1,k,i);A(j-1,k+1,i),A(j,k+1,i),A(j+1,k+1,i)];
             sunzi=linyu.*mode;
             sunzi=sort(reshape(sunzi,[1,n1]),2);
             B(j,k,i)=sunzi(round(n1/2)); % round函数是向上取整
        end
    end
end
figure(1)
subplot(1,2,1)
imshow(uint8(A))
title('原始图像')
subplot(1,2,2)
imshow(uint8(B))
title('中值滤波后的图像')
end

1.6 sobel算子

function B=sobel(A) %sobel锐化算子
[m,n,band]=size(A);
format long
mode1=[-1,-2,-1;0,0,0;1,2,1];
mode2=[-1,0,1;-2,0,2;-1,0,1];
B=A;
for i=1:band
    for j=2:m-1
        for k=2:n-1
            linyu=[A(j-1,k-1,i),A(j,k-1,i),A(j+1,k-1,i);A(j-1,k,i),A(j,k,i),A(j+1,k,i);A(j-1,k+1,i),A(j,k+1,i),A(j+1,k+1,i)];
            B(j,k,i)=abs(sum(sum(linyu.*mode1),2))+abs(sum(sum(linyu.*mode2),2));
        end
    end
end
figure(1)
subplot(1,2,1)
imshow(uint8(A))
title('原始图像')
subplot(1,2,2)
imshow(uint8(B))
title('sobel算子锐化后的图像')
end

1.7 prewitt算子

function B=prewitt(A) % prewitt算子锐化
[m,n,band]=size(A);
format long
mode1=[-1,-1,-1;0,0,0;1,1,1];
mode2=[-1,0,1;-1,0,1;-1,0,1];
B=A;
for i=1:band
    for j=2:m-1
        for k=2:n-1
            linyu=[A(j-1,k-1,i),A(j,k-1,i),A(j+1,k-1,i);A(j-1,k,i),A(j,k,i),A(j+1,k,i);A(j-1,k+1,i),A(j,k+1,i),A(j+1,k+1,i)];
            B(j,k,i)=abs(sum(sum(linyu.*mode1),2))+abs(sum(sum(linyu.*mode2),2));
        end
    end
end
figure(1)
subplot(1,2,1)
imshow(uint8(A))
title('原始图像')
subplot(1,2,2)
imshow(uint8(B))
title('prewitt算子锐化后的图像')
end

1.8 RGB-HIS转化

function B=rgb_his(A) % rgb-his，A为输入矩阵，已经转为double类型
[row,col,band]=size(A);
% 如果输入图像的波段数！=3，取前三个波段
if band~=3
    disp('输入的不是rgb图像,请选择三个波段');
    A=A(:,:,1:3);
end
% 初始化输出矩阵
B=zeros(row,col,3);
for i =1:row
    for j=1:col
        % 得到中间变量sita角，需要分情形讨论
        if (A(i,j,1)==A(i,j,2))&&(A(i,j,2)==A(i,j,3))
            sita=0;
        else
            fenzi=0.5*(2*A(i,j,1)-A(i,j,2)-A(i,j,3));
            fenmu=pow2(pow2(A(i,j,1)-A(i,j,2),2)+(A(i,j,1)-A(i,j,3)*(A(i,j,2)-A(i,j,3))),0.5);
            sita=180*acos(fenzi/fenmu)/pi;
        end
        % 求解i分量
        B(i,j,3)=(A(i,j,1)+A(i,j,2)+A(i,j,3))/3; 
        % 求解s分量
        B(i,j,2)=1-3/(A(i,j,1)+A(i,j,2)+A(i,j,3))*min([A(i,j,1);A(i,j,2);A(i,j,3)]);
        % 求解h分量
        if A(i,j,2)>=A(i,j,3)
            B(i,j,1)=sita;
        else
            B(i,j,1)=360-sita;
        end
    end
end
% 绘图展示进行对比
figure(1)
subplot(1,2,1)
imshow(uint8(A))
title('RGB图像')
subplot(1,2,2)
imshow(uint8(B))
title('HIS图像')
end

1.9 HIS-RGB转化

function B=his_rgb(A)% HIS转化为RGB
[row,col,~]=size(A);
% 初始化输出矩阵
B=A;
%% 以下是分角度进行讨论，代码就是课件上公式的复刻
%% 重点注意各分量代表的含义
% H对应1，S对应2，I对应3
% R对应1，G对应2，B对应3
for i=1:row
    for j=1:col
        if A(i,j,1)>=0&&A(i,j,1)<120
            B(i,j,3)=A(i,j,3)*(1-A(i,j,2));
            B(i,j,1)=A(i,j,3)*(1+(A(i,j,2)*cos(A(i,j,1))/cos(60-A(i,j,1))));
            B(i,j,2)=3*A(i,j,3)-(B(i,j,1)+B(i,j,3));
        elseif A(i,j,1)<240&&A(i,j,1)>=120
            B(i,j,1)=A(i,j,3)*(1-A(i,j,2));
            B(i,j,2)=A(i,j,3)*(1+(A(i,j,3)*cos(A(i,j,1)-120)/cos(180-A(i,j,1))));
            B(i,j,3)=3*A(i,j,3)-(B(i,j,1)+B(i,j,2));
        else
            B(i,j,2)=A(i,j,3)*(1-A(i,j,2));
            B(i,j,3)=A(i,j,3)*(1+(A(i,j,2)*cos(A(i,j,1)-240)/cos(300-A(i,j,1))));
            B(i,j,1)=3*A(i,j,3)-(B(i,j,2)+B(i,j,3));
        end
    end
end
% 将原始图像与结果图像展示比对
figure(1)
subplot(1,2,1)
imshow(uint8(A))
title('HIS图像')
subplot(1,2,2)
imshow(uint8(B))
title('RGB图像')
end

1.10 PCA变换

function [TZXL,B] = cal_pca(C) % 将A进行主成分分析得到矩阵B，并且将主成分展示出来
[lines,samples,bands] = size(C);
JZ = zeros(bands,lines*samples);
for i = 1:bands
   JZ(i,:) = reshape(C(:,:,i),[1,lines*samples]); % 将三维矩阵变为二维矩阵
end
COV = cal_cov(C); %得到每个波段的协方差矩阵
[TZXL,TZZ] = eigs(COV);  %得到特征值和特征向量
[~,index] = sort(diag(TZZ),'descend');   %将特征值按降序排列
TZXL = TZXL(:,index); %特征值为bands列，特征向量矩阵的每一列代表对应特征值的特征向量
A = TZXL';
B = A * JZ; %B的每一行代表第n各主成分，如果波段数大于3，只要取前三个主成分就可以了
B=reshape(B',[lines,samples,bands]);%将二维矩阵重新变成三维矩阵，便于图像的显示
figure(1)
subplot(1,2,1)
imshow(uint8(C))
title('原图像')
subplot(1,2,2) 
imshow(uint8(B))
title('k-l图像')
end

%% 1.cal-cov计算协方差函数
%% 2.eigs计算特征值和特征向量

2.影像融合处理

2.1 Brovey变换融合算法

function C=Brovey(A,B) % A为全色影像，B为高光谱影像，C为融合后的影像
% 分别得到A与B矩阵的大小便于内插
[m1,n1]=size(A);
[m2,n2,band]=size(B);
% 构造梯度向量F，并且设置参数将高光谱影像大小调整为与全色影像一致
F = griddedInterpolant(double(B));
xq = linspace(0,m2,m1)';
yq = linspace(0,n2,n1)';
zq = (1:band)';
F.Method = 'linear';
vq = F({xq,yq,zq});
% 初始化D矩阵用来B矩阵每个位置光谱向量的和
D=zeros(m1,n1);
C=zeros(m1,n1,band);
% 循环累加得到D矩阵中每个位置的值
for i=1:m1
    for j=1:n1
        D(i,j)=sum(vq(i,j,:));
    end
end
% brovey融合的核心公式：C=A.*B(i)/sum(B(i))
for i=1:band
    C(:,:,i)=A.*vq(:,:,i)./D; %得到每个单波段矩阵
end
% 将输入图像与融合图像展示
figure(1)
subplot(1,3,1)
imshow(uint8(A))
title('全色图像')
subplot(1,3,2) 
imshow(uint8(B(:,:,2:4)))
title('多光谱图像')
subplot(1,3,3) 
imshow(uint8(C(:,:,2:4)))
title('融合后图像')

2.2 乘积变换融合算法

function C=chengji(A,B) % A为全色影像，B为高光谱影像，C为融合后的影像
[m1,n1]=size(A);
[m2,n2,band]=size(B);
%构造梯度向量F，并且设置参数将高光谱影像大小调整为与全色影像一致
F = griddedInterpolant(double(B));
xq = linspace(0,m2,m1)';
yq = linspace(0,n2,n1)';
zq = (1:band)';
F.Method = 'linear';
vq = F({xq,yq,zq});
C=zeros(m1,n1,band);
% 乘积运算的核心公式 C(i)=A.*B(i)
for i=1:band
    C(:,:,i)=A.*vq(:,:,i); %得到每个单波段矩阵
end
% 将融合后的C影像的灰度值变为0-255之间
for j=1:band
C(:,:,j) = round((C(:,:,j) - min(min(C(:,:,j))))*255./(max(max(C(:,:,j))) - min(min(C(:,:,j)))));% 将灰度值复原回0-255
end
% 分三个图框将A，B，以及最终的融合结果输出对比
figure(1)
subplot(1,3,1)
imshow(uint8(A))
title('全色图像')
subplot(1,3,2) 
imshow(uint8(B(:,:,2:4)))
title('多光谱图像')
subplot(1,3,3) 
imshow(uint8(C(:,:,2:4)))
title('融合后图像')

2.3 PCA影像融合算法

function C=pca_ronghe(A,B) % A为全色影像，B为高光谱影像，C为融合后的影像
% 分别得到A与B矩阵的大小便于内插
[m1,n1]=size(A);
[m2,n2,band]=size(B);
% 构造梯度向量F，并且设置参数将高光谱影像大小调整为与全色影像一致
F = griddedInterpolant(double(B));%创建一个重采样对象
xq = linspace(0,m2,m1)';
yq = linspace(0,n2,n1)';
zq = (1:band)';% 重新分割序列，便于插值
F.Method = 'linear'; % 使用线性方式进行插值
vq = round(F({xq,yq,zq})); % F是一个梯度变换向量
% 调用之前编写的函数得到B主成分分析之后的矩阵
[TZXL,vq]=cal_pca(vq);
% 对灰度值取整
vq=round(vq);
% 以pca变换后的高光谱影像的第一主成分为参考对全色影像进行直方图匹配
pipei=zftpp(A(:,:,1),vq(:,:,1)); 
% 匹配结果替代原来的第一主成分
vq(:,:,1)=pipei;
% pca逆变换得到结果
C=vq*TZXL;
% 将输入与输出展示对比
figure(1)
subplot(1,3,1)
imshow(uint8(A))
title('全色图像')
subplot(1,3,2) 
imshow(uint8(B))
title('多光谱图像')
subplot(1,3,3) 
imshow(uint8(A))
title('融合后图像')
end

%%1.cal-pca，pca变换 %%2.zftpp，直方图匹配函数

2.4 HSI变换融合算法

function C=hsi_ronghe(A,B)% his融合，A为全色影像，B为多波段影像
% 获取影像大小
[m1,n1]=size(A);
[m2,n2,band]=size(B);
%创建一个重采样对象
F = griddedInterpolant(double(B));
% 重新分割序列，便于插值
xq = linspace(0,m2,m1)';
yq = linspace(0,n2,n1)';
zq = (1:band)';
% 使用线性方式进行插值
F.Method = 'linear'; 
% F是一个梯度变换向量
vq = round(F({xq,yq,zq})); 
% 调用rgb影像转化为his影像的函数
vq=rgb_his(vq);
% 将数据类型改为可以代数运算的形式
vq=double(vq);
% 以pca变换后的高光谱影像的第一主成分为参考对全色影像进行直方图匹配
pipei=zftpp(A(:,:,1),vq(:,:,1)); 
% 将高光谱影像的第一主成分进行替换
vq(:,:,1)=pipei;
% 将灰度值化为整数
C=round(his_rgb(vq));
% 画图展示比对
figure(1)
subplot(1,3,1)   
imshow(uint8(A))
title('全色图像')
subplot(1,3,2) 
imshow(uint8(B))
title('多光谱图像')
subplot(1,3,3) 
imshow(uint8(C))
title('融合后图像')
end

%% 1.rgb-his,rgb格式转化为his格式图像 %%2.zftpp,直方图匹配函数

会飞的神里绫华
关注
专栏目录
基于matlab实现数字图像处理之图像变换
qq_45840242的博客
06-04 2745
基于matla实现数字图像处理中的图像变换的问题（1）了解图像变换的意义和手段。（2）熟悉傅立叶变换的基本性质。（3）通过实验了解二维频谱的分布特点。
VC数字图像处理编程讲座 2
郭家佑VC/C++/C
12-07 1234
[导读]本讲座系统介绍了如何使用Visual C++对bmp、gif、jpg等常见格式图像进行处理前 言数字图像处理技术与理论是计算机应用的一个重要领域，许多工程应用都涉及到图像处理，一直有一个强烈的愿望，想系统的写一个关于数字图像处理的讲座，由于工作学习很忙，时至今日才得以实现。“图”是物体透射光或反射光的分布，“像”是人的视觉系统对图的接收在大脑中形成的印象或认识。图像是两者的结合
【数字图像处理】基于MATLAB GUI的数字图像处理程序
冷芝士鸭的学习笔记
05-23 4210
系统包含五个功能模块： - 开始模块包括：加载图像、保存图像、重置面板。保存图像可分别保存系统六个图像显示框中除原图外的五个显示框内容。 - 预处理模块包括： - 几何变换， - 添加噪声， - 图像平滑，包括空间域平滑滤波和频域平滑滤波。 - 图像锐化，包括图像锐化和图像边界提取 - 形态学处理，包括腐蚀、膨胀、开运算、闭运算、重建开运算。 - 其他处理，包括二值化、灰度化、图像反转。 - 特征提取模块包括点特征提取和纹理特征提取。 - 图像分割模块包括KNN和分水岭，分水岭又分为普通分水岭和改进分水岭
数字图像处理程序
05-31
数字图像处理，图像分割，之乱，隐藏和解密算法实现
数字图像处理程序1
weixin_43685341的博客
01-02 325
数字图像处理程序 I=imread('C:\Users\12166\Desktop\wlj.jpg'); figure,subplot(121);%显示原图 imshow(I),title('org'); whos I; IF=rgb2gray(I);%灰度图像处理 imshow(IF),title('GRAY') imwrite(IF,'C:\Users\12166\Desktop\gray.jpg') IR45=imrotate(I,45);%原图旋转45度 figure,subplot(121);
【图像算法】常见的数字图像处理程序大全
weixin_34220179的博客
04-22 779
图像算法：数字图像处理程序大全  SkySeraph Apr 22nd 2011  HQU Email：zgzhaobo@gmail.com    QQ：452728574 Latest Modified Date：Apr 22nd 2011 HQU 说明：几乎包括所有常用的图像处理算法，发于博客，以备查询之用... Dib头文件 class CDibImage  { // Cons...
利用Matlab实现数字图像处理.pdf
06-28
总结来说，Matlab在数字图像处理方面提供了强大的工具箱和函数库，通过简单的编程即可实现复杂的图像处理任务。利用Matlab进行图像处理，不仅可以节约时间、提高工作效率，而且可以通过直观的图像输出获得丰富的信息...
数字图像处理实验程序MATLAB.docx
10-12
【数字图像处理实验程序MATLAB】是关于使用MATLAB进行图像处理的一个实验文档，主要涵盖了图像的转换、平均值计算以及傅里叶变换和离散余弦变换等基本操作。 在实验一中，主要涉及了彩色图像到灰度图像、索引图像和...
功能非常全的数字图像处理程序（含源代码）
03-02
本程序集成了非常全的数字图像处理功能，功能模块包含图像增强，图像拉伸，几何变换，形态学运算，边缘检测，图像复原，小波变换，图像编码，图像匹配，以及特效显示等等。程序使用VC++编写，包含了源代码。
数字图像处理程序汇总
07-07
数字图像处理程序，包括： ① BMP的读取和显示。 ② BMP图像转RAW灰度图像。 ③ 图像的特效显示。 ④ 图像的直方图均衡化。 ⑤ 图像的均值滤波，高斯滤波，最大值滤波，最小值滤波。 ⑥ 图像的拉普拉斯边缘检测算法。 ⑦ 图像的旋转，放大，缩小。
数字图像处理的程序和文档
06-06
数字图像处理课程的报告文档,以及我自己写的频率域图像处理的程序.程序是.NET上的WinForm程序,如果您的机器不是使用的Vista操作系统,您需要下载安装.Net FrameWork2.0.你可以在http://www.microsoft.com/downloads/details.aspx?displaylang=zh-cn&FamilyID=0856EACB-4362-4B0D-8EDD-AAB15C5E04F5 下载.
数字图像处理MATLAB程序.pdf
10-13
【数字图像处理MATLAB程序】涉及的技术主要集中在图像处理的基础操作上，包括图像的点运算、灰度均衡和滤波。以下将详细解释这些概念及其在MATLAB中的实现。 1. **图像点运算**：在实验一中，点运算主要指的是对...
MNIST手写数字分类图像分类KNN分类器 MATLAB代码实现
08-13
# MNIST手写数字分类图像分类KNN分类器 MATLAB代码实现 该代码实现了一个简单的 k 最近邻(kNN)分类器,用于对 MNIST 手写数字数据集进行分类。 使用方法： 1. 将代码压缩包解压，该项目已包含所有代码和MNIST数据集 2...
数字图像处理程序大全
weixin_30374009的博客
06-05 438
SkySeraph Apr 22nd 2011 HQU Email：zgzhaobo@gmail.com QQ：452728574 Latest Modified Date：Apr 22nd 2011 HQU 说明：几乎包括所有常用的图像处理算法，发于博客，以备查询之用... Dib头文件 class CDibImage { // Constructor and D...
数字图像处理
最新发布
weixin_50928346的博客
12-04 922
处理前后效果图：利用直方图均衡化的方法对图像进行增强，只是对像素分布进行的均衡处理。在均衡各色彩像素的同时，亦把图像中的各噪声分量也均衡化了，虽然实现了图像增强了作用，但不能很好的把图像中噪声分量完全消去。在直方图均衡化之后再在HIS彩色模型中对图像的色调、色饱和度和亮度各个分量进行处理，能够很好的实现图像增强的目的。运用RGB模型与HIS模型之间的各个分量的相互转换的公式，可以很方便的对RGB彩色图像进行图像增强的操作，但是对单幅图像的增强操作，存在边缘和细节模糊的现象。设计总结。
MATLAB图像处理实现DCT水印源代码分析
资源摘要信息:"本资源包含了MATLAB环境下实现DCT（离散余弦变换）水印嵌入和提取的源代码及相关文件。...通过学习和研究这些内容，可以加深对图像处理中数字水印技术的理解，进一步掌握MATLAB在图像处理中的应用。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

会飞的神里绫华

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值