基于MATLAB的数字图像处理基本操作

最新推荐文章于 2024-09-25 09:06:00 发布
最新推荐文章于 2024-09-25 09:06:00 发布
阅读量2.7k 收藏 42
点赞数 3
文章标签： 计算机视觉 机器学习 人工智能 算法 深度学习
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/weixin_46022493/article/details/123109125
版权

实验一：图像增强

实验名称：图像增强

实验目的：1.熟悉图像在Matlab下的读入，输出及显示；

2.熟悉直方图均衡化；

3.熟悉图像的线性指数等；

4.熟悉图像的算术运算及几何变换.

实验原理：

图像增强是为了使受到噪声等污染图像在视觉感知或某种准则下尽量的恢复到原始图像的水平之外，还需要有目的性地加强图像中的某些信息而抑制另一些信息，以便更好地利用图像。图像增强分频域处理和空间域处理，这里主要用空间域的方法进行增强。空间域的增强主要有：灰度变换和图像的空间滤波。

图像的直方图实际上就是图像的各像素点强度概率密度分布图，是一幅图像所有像素集合的最基本统计规律，均衡化是指在每个灰度级上都有相同的像素点过程。

实验内容如下：

I=imread('E:\cs.jpg');%读取图像
subplot(2,2,1),imshow(I),title('源图像')
J=rgb2gray(I)%灰度处理
subplot(2,2,2),imshow(J)   %输出图像
title('灰度图像')    %在原始图像中加标题
subplot(2,2,3),imhist(J) %输出原图直方图
title('原始图像直方图')

0e1ba5b5a9fbb913e87f836e2485c06f.png 
几何运算：
I=imread('E:\cs.jpg');%读取图像
subplot(1,2,1),imshow(I);
theta = 30;
K = imrotate(I,theta); 
subplot(1,2,2),imshow(K)

9809a502d227e9e56d78e02d33461fdc.png 
对数运算：
I=imread('E:\dog.jpg');
subplot(2,2,1),imshow(I),title('源图像')
J=rgb2gray(I)%灰度处理
subplot(2,2,2),imshow(J),title('灰度变换后图像')
J1=log(1+double(J));
subplot(2,2,3),imshow(J1,[]),title('对数变换后')

c45a828b99722f85726b59dde4791ba9.png 
指数运算:
I=imread('E:\dog.jpg');
f=double(I);
g=(2^2*(f-1))-1
f=uint8(f);
g=uint8(g);
subplot(1,2,1);subimage(f),title('变换一')
subplot(1,2,2);subimage(g),title('变换二')

e99ef98173f8ff75d45ca23652e2372b.png 
加法运算：
clc;clear all;close all;
i = imread('E:\dog.jpg');
j = imnoise(i,'gaussian',0,0.02);
subplot(1,3,1),imshow(i),title('图一')
subplot(1,3,2),imshow(j),title('图二')
k=zeros(242,308);
 for p=1:100
     j = imnoise(i,'gaussian',0,0.02);
     j1 = im2double(j);
     k = k + j1;
 end
k=k/100;
subplot(1,3,3),imshow(k),title('图三')

76bf82c020d2e494de6bb94171a50819.png

实验二

实验名称：图像变换

实验目的：

（1）进一步对matlab的了解和使用；

（2）学习如何在matlab中对数字图像的处理；

实验原理：

图像和其他信号一样，既能在空间域处理，也能在频率域处理。把图像信息从空域变换到频域，可以更好的分析加工处理。因为图像信息的频域处理具有如下特点：

（1）能量守恒，但能量重新分配；

（2）有利于提取图像的某些特征；

（3）正交变换具有能量集中作用，可以实现图像的高效压缩编码； （4）频域用快速算法；

实验器材：电脑 matlab软件

实验内容：

（1）了解正交变换基本概念

（2）掌握图像的离散傅里叶和离散余弦变换

（3）熟悉图像的沃尔什及哈达玛变换

实验过程如下：

傅里叶变换
I = imread('E:\dog.jpg')
I = rgb2gray(I)
J = fft2(I)
subplot(2,2,1),imshow(I),title('灰度变换')
J = fftshift(J)
subplot(2,2,2),imshow(log(abs(J)),[]),title('傅里叶变换')
J(abs(J)<5000)=0
subplot(2,2,3),imshow(log(abs(J)+eps),[]),title('滤波')
J = ifftshift(J)
K = ifft2(J)
subplot(2,2,4),imshow(K,[0 255]),title('傅里叶逆变换')

70e4e9f2fc50ddfe73992ff64dd60c5a.png 
余弦变换：
clear all;
RGB=imread('E:\dog.jpg');
I=rgb2gray(RGB);
figure;imshow(I);title('灰度图像');
J=dct2(I);
figure;imshow(log(abs(J)),[]);
colormap(jet(64)),colorbar;title('二维离散余弦变换')

338e165caacaf044ccaa9b687a77263f.png

8d8d098fa8eeda791bd07553578de218.png 
沃尔什—哈达玛变换：
I=zeros(2.^8);
I(2.^7-2.^4+1:2.^7+2.^4,2.^7-2.^4+1:2.^7+2.^4)=ones(2*2.^4);
subplot(1,2,1);colormap(gray(128)),imagesc(I);
[m,n]=size(I)
for k=1:n
wht(:,k)=hadamard(m)*I(:,k)/m;
end
for j=1:m
wh(:,j)=hadamard(n)*wht(j,:)'/n;
end
wh=wh';
subplot(1,2,2);
colormap(gray(128)),imagesc(wh);

dafcdfac5b17f119ffd2dbd0925a134e.png 
Radon变换：
R=radon（I，theta）：I表示待处理的图像，theta表示Radon变换的方向角度，可以是一个标量或向量值。R的每一列对应图像I在theta某祎角度的Radon变换值。
I=zeros(120,120); 
I(25:75,25:75)=1;
figure;imshow(I);
theta=0:180;[R,xp]=radon(I,theta);
figure;imshow(R,[],'Xdata',theta,'Ydata',xp,...
'InitialMagnification','fit')
xlabel('\theta (degrees)')ylabel('x''')
colormap(hot),colorbar
iptsetpref('ImshowAxesVisible','off')

f12dd27d62c6ab7fd3bbc21df2028b4d.png

268b358e51dab9c0f24df10266af87f4.png

实验三

实验名称：图像的复原

实验目的：1.加深图像复原的相关原理，熟悉相关算法；

2.能够产生运动模糊图像，加入高斯，椒盐噪声，并对噪 声进行中值，均值，最大值，最小值进行滤波复原；

3.对彩色图像RGB转换到HISI，并显示对应分量，同时完成相关平滑 滤波。

实验仪器：计算机，Matlab软件

实验原理：

图像复原的基本思路:先建立退化的数学模型，然后根据该模型对退化图像进行拟图像复原合。图像复原模型可以用连续数学和离散数学处理，处理项的实现可在空间域卷积，或在频域相乘.图像复原的基本任务:消除模糊。

图像的退化主要是由系统的相关特性以及噪声两方面的因素所导致的，我们可以通过设计一个合适的复原滤波器（即实现逆滤波过程）来实现图像的复原。图1 中f（x，y）表示的是一幅静止、二维的图像，它在外部噪声n（x，y）的干扰作用之下，在经过系统h（x，y）之后，退化成为g（x，y），复原后的图像为f（x，y）。针对于退化图像的复原，我们通常可以采用这样两种方式来进行：

其一，当对于原始图像缺乏必需的先验知识时，我们可以采用就退化过程建立一个模型，首先对其进行一个大概的描述，然后在复原的过程根据具体的情况进行逐步合理的修正，逐步消除误差影响。这种方法建立在对图像的退化过程进行合理的估计的基础之上，从这个角度来看它是一种估计的方法；

其二，当我们对原始图像具有足够的先验知识时，我们这时候则直接针对原始图像建立一个精确的数学模型，然后再对退化图像进行复原处理，这种效果更好.

加入噪声：
I=imread('E:\dog.jpg');%读取原图像  
%考虑是否加入灰度处理          
J1=imnoise(I,'salt & pepper',0.02); %加入椒盐噪声
J2=imnoise(I,'gaussian',0,0.01);%加入高斯白噪声   
J3=imnoise(I,'poisson');%加入泊松噪声        
J4=imnoise(I,'speckle',0.04);%加入乘法噪声   
figure;
subplot(221),imshow(J1);title('加入椒盐噪声后图像')
subplot(222),imshow(J2);title('加入高斯白噪声后图像')
subplot(223),imshow(J3);title('加入泊松噪声后图像')
subplot(224),imshow(J4);title('加入乘法噪声后图像')

e947002b76f1143a7642b2194d46859a.png 
%对椒盐噪声和高斯白噪声进行imfilter滤波
rgb=imread('E:\dog.jpg');
h=ones(5,5)/25;
rgb1=imfilter(rgb,h);
rgb2=imfilter(rgb1,h,'replicate');
figure;
subplot(1,3,1);imshow(rgb);title('Original');%原始
subplot(1,3,2);imshow(rgb1);title('Filtered');%一维滤波
subplot(1,3,3);imshow(rgb);title('boundary replication');%边缘滤波

f256ea9d7b0128d238e72d09d9d97c06.png 
%增加运动滤波，水平边缘增强，拉普拉斯滤波
rgb=imread('E:\dog.jpg');
h1=[0,0,0.0000,0.0021,0.0042;0.1958,0.1979,0.2000,0.1979,0.1958 ;0.0042,0.0021,0.0000,0,0];
h2=[ 1,2,1;0,0,0;-1,-2,-1];
h3=[0.1667,0.6667,0.1667;0.6667,-3.3333,0.1667;0.1667,
		0.6667, 0.1667];
rgb1=imfilter(rgb,h1);
rgb2=imfilter(rgb,h2);
rgb3=imfilter(rgb,h3);
figure;
subplot(2,2,1),imshow(rgb),title('原图像')
subplot(2,2,2),imshow(rgb1),title('运动滤波')
subplot(2,2,3),imshow(rgb2),title('水平边缘增强')
subplot(2,2,4),imshow(rgb3),title('拉普拉斯滤波')

5d476501ae7c95a2579288e1149ecadc.png 
%fspecial产生线性滤波器
rgb=imread('E:\dog.jpg');
h1=fspecial('average',[5,3]);
h2=fspecial('gaussian',[5,3],1);
h3=fspecial('laplacian',0);
rgb1=imfilter(rgb,h1);
rgb2=imfilter(rgb,h2);
rgb3=imfilter(rgb,h3);
figure;
subplot(2,2,1),imshow(rgb),title('原图像')
subplot(2,2,2),imshow(rgb1),title('均值滤波')
subplot(2,2,3),imshow(rgb2),title('高斯滤波')
subplot(2,2,4),imshow(rgb3)

ddf2be72bdc108e82efff437fe4b40fe.png 
I=imread('E:\dog.jpg');%二值化函数的输入图像既可以是彩色图像也可以是灰度图像  
th=graythresh(I); %自动确定二值化的最佳阈值      
J=im2bw(I,th);    %二值化阈值可以自己设定，值为0-1之间，而不是0-255，这一点要切记  
subplot(121),imshow(I);   
subplot(122),imshow(J);

296829819248578dbefaa9479e7d5a41.png 
产生运动模糊图像
clc;clear all;
I = imread('E:\dog.jpg');
subplot(121);imshow(I);title('原始图像');
H = fspecial('motion',20,45);
MotionBlur  = imfilter(I,H,'replicate');
subplot(122);imshow(MotionBlur);title('运动模糊图像');

4a88c487b8a73f0d60d38ef358f515c6.png 
clc;clear all;
I = imread('eight.tif');
J = imnoise(I,'salt & pepper',0.02);
K = medfilt2(J);
subplot(121);imshow(J);title('加入椒盐噪声的图像');
subplot(122);imshow(K);title('中值滤波的图像');

84e9184d4e500f79f9aed9c2c3608873.png 
clc;clear all;
I = imread('snowflakes.png');
MAX = ordfilt2(I,25,ones(5,5));
MIN = ordfilt2(I,1,ones(5,5));
subplot(221);imshow(I);title('原始图像');
subplot(222);imshow(MAX);title('最大值滤波');
subplot(223);imshow(MIN);title('最小值滤波');

9b78c48de0445d514d5586e609d2fb2d.png

实验四

实验名称：图像的检测与分割

实验目的：

（1）进一步对matlab的了解和使用；

（2）学习如何在matlab中对数字图像的处理；

实验原理：

数字图像处理主要目的：一是对图像进行加工和处理，得到满足人的视觉和心理需要的改变进行式。二是对图像中的目标物进行分析很理解，包括：

（1）把图像分割成不同目标物和背景的不同区域；

（2）提取正确代表不同目标物特点的特征参数，并进行扫描；

（3）对图像中目标物进行识别和分类；

实验器材：电脑 matlab软件

实验内容：

（1）了解图像分割的概念

（2）掌握阈值分割及边缘点检测的基本方法

（3）对检测目标图像提取特征并进行分析

实验过程：

图像分割：指的是将数字图像细分为多个图像子区域（像素的集合）（也被称作超像素）的过程，就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。图像分割的目的是简化或改变图像的表示形式，使得图像更容易理解和分析。图像分割通常用于定位图像中的物体和边界（线，曲线等）。更精确的，图像分割是对图像中的每个像素加标签的一个过程，这一过程使得具有相同标签的像素具有某种共同视觉特性。图像分割的结果是图像上子区域的集合（这些子区域的全体覆盖了整个图像），或是从图像中提取的轮廓线的集合（例如边缘检测）。一个子区域中的每个像素在某种特性的度量下或是由计算得出的特性都是相似的，例如颜色、亮度、纹理。邻接区域在某种特性的度量下有很大的不同。现有的图像分割方法主要分以下几类：基于阈值的分割、区域生长、区域分裂合并、分水岭算法、边缘分割（边缘检测）、直方图法、聚类分析、小波变换等。

（1）阈值分割及边缘点检测的基本方法

阈值分割：双峰法、迭代法、OTSU方法

双峰法：根据双峰法原理，观察到灰度图像直方图呈现明显的双峰状，则选取双峰之间的谷底所对应的灰度级作为阈值分割。如上图，选取160作为分割点。

I=imread('E:\dog.jpg');
I=rgb2gray(I);
imhist(I);
I=imread('E:\dog.jpg');
I=rgb2gray(I);
figure
subplot(1,2,1)
imshow(I);
[width,height]=size(I);
title('原图')
for i=1:width
for j=1:height
if(I(i,j)<230)
RC(i,j)=0;
else
RC(i,j)=1;
end
end
end
subplot(1,2,2)
imshow(RC)
title('双峰法图像阈值分割处理效果图')

fb3dd9d88c6f18359e93c6900731b069.png

fc8cf7732b8a8b2dd03156f644844c00.png 
迭代法
I=imread('E:\dog.jpg');
I=rgb2gray(I);
Figure,subplot(1,2,1)imshow(I);title('原图')
clc;clear all;close all;
I=imread('E:\dog.jpg');
I=rgb2gray(I);
Figure,subplot(1,2,1)imshow(I);title('原图');
I=double(I);
T=(min(I(:))+max(I(:)))/2;
done=false;
i=0;
while ~done
r1=find(I<=T);
r2=find(I>T);
Tnew=(mean(I(r1))+mean(I(r2)))/2;
done=abs(Tnew-T)<1;
T=Tnew;
i=i+1;
end
I(r1)=0;
I(r2)=1;
subplot(1,2,2);imshow(I);title('迭代效果图');

f7b74b032f9ba5bc3a718d5be6220533.png 
OTSU方法
I=imread('E:\dog.jpg');
I=rgb2gray(I);
figure
subplot(1,2,1)
imshow(I);
title('原图');
[width,height]=size(I);
level=graythresh(I);
BW=im2bw(I,level);
subplot(1,2,2)
imshow(BW);
title('OSTU阈值分割效果图');

f4f58e625bd4005f0304121b6b163a43.png 
边缘点检测：
Prewitt算子检测图像的边缘、不同σ值的LoG算子检	测图像的边缘、Canny算子检测图像的边缘
I = imread('bacteria.BMP');
BW1 = edge(I,'prewitt',0.04);             
figure(1);
imshow(I);
figure(2);
imshow(BW1);
Prewitt算子检测图像的边缘

bc9c53df53d59e5c17e004de99a47727.png 
I = imread('E:\bacteria.BMP');
BW1 = edge(I,'log',0.003);  % σ=2
imshow(BW1);title('σ=2')
BW1 = edge(I,'log',0.003,3); % σ=3
figure, imshow(BW1);title('σ=3')
不同σ值的LoG算子检测图像的边缘

a0ec3635eb939d424127c70666b9b9c6.png 
I = imread('E:\bacteria.BMP');
imshow(I);
BW1 = edge(I,'canny',0.2);
figure,imshow(BW1);
Canny算子检测图像的边缘

1c2b043f16af2913a2b75e25e9249bbf.png 
（2）对检测目标图像提取特征并进行分析（基于区域的图像特征提取）
a=imread('E:\dog.jpg');
%读入图像
subplot(2,2,1);
%设置原始图像显示位置
imshow(a);
%显示原始图像
title('原始图像');
%命名为原始图像
f=rgb2gray(a);
%将原始图像转换成灰度图像
B=medfilt2(f);
%将图像进行中值滤波
subplot(2,2,2);
%设置灰度图像显示位置
imshow(B);title('灰度图像');
seedx=[256,128,300];
seedy=[128,256,284];
hold on
plot(seedx,seedy,'gs','linewidth',1);title('灰度图像处理');
B=double(B);
markerim=B==B(seedy(1),seedx(1));
for i=2:length(seedx)
markerim=markerim|(B==B(seedy(i),seedx(i)));
end
thresh=[15,10,15];
maskim=zeros(size(B));
for i=1:length(seedx)
g=abs(B-B(seedy(i),seedx(i)))<=thresh(i);
maskim=maskim|g;
end
[g,nr]=bwlabel(imreconstruct(markerim,maskim),8);
g=mat2gray(g);
subplot(2,2,3);imshow(g);title('最终结果');
seedx=[156,78,300];
seedy=[78,156,284];
hold on
plot(seedx,seedy,'gs','linewidth',1);title('灰度图像处理');
B=double(B);
markerim=B==B(seedy(1),seedx(1));
for i=2:length(seedx)
markerim=markerim|(B==B(seedy(i),seedx(i)));
end
thresh=[15,10,15];
maskim=zeros(size(B));
for i=1:length(seedx)
g=abs(B-B(seedy(i),seedx(i)))<=thresh(i);
maskim=maskim|g;
end
[g,nr]=bwlabel(imreconstruct(markerim,maskim),8);
g=mat2gray(g);subplot(2,2,3);imshow(g);title('最终结果');
seedx=[256,128,300];
seedy=[128,256,284];
hold on
plot(seedx,seedy,'gs','linewidth',1);title('灰度图像处理');
B=double(B);
markerim=B==B(seedy(1),seedx(1));
for i=2:length(seedx)
markerim=markerim|(B==B(seedy(i),seedx(i)));
end
thresh=[15,10,15];
maskim=zeros(size(B));
for i=1:length(seedx)
g=abs(B-B(seedy(i),seedx(i)))<=thresh(i);
maskim=maskim|g;
end
[g,nr]=bwlabel(imreconstruct(markerim,maskim),8);
g=mat2gray(g);
subplot(2,2,3);imshow(g);title('最终结果');
seedx=[108,108,300];
seedy=[108,108,284];
hold on
plot(seedx,seedy,'gs','linewidth',1);title('灰度图像处理');
B=double(B);
markerim=B==B(seedy(1),seedx(1));
for i=2:length(seedx)
markerim=markerim|(B==B(seedy(i),seedx(i)));
end
thresh=[15,10,15];
maskim=zeros(size(B));
for i=1:length(seedx)
g=abs(B-B(seedy(i),seedx(i)))<=thresh(i);
maskim=maskim|g;
end
[g,nr]=bwlabel(imreconstruct(markerim,maskim),8);
g=mat2gray(g);
subplot(2,2,3);imshow(g);title('最终结果');
seedx=[108,108,108];
seedy=[108,108,108];
hold on
plot(seedx,seedy,'gs','linewidth',1);title('灰度图像处理');
B=double(B);
markerim=B==B(seedy(1),seedx(1));
for i=2:length(seedx)
markerim=markerim|(B==B(seedy(i),seedx(i)));
end
thresh=[15,10,15];
maskim=zeros(size(B));
for i=1:length(seedx)
g=abs(B-B(seedy(i),seedx(i)))<=thresh(i);
maskim=maskim|g;
end
[g,nr]=bwlabel(imreconstruct(markerim,maskim),8);
g=mat2gray(g);
subplot(2,2,3);imshow(g);title('最终结果');
seedx=[80,50,108];
seedy=[50,80,108];
hold on
plot(seedx,seedy,'gs','linewidth',1);title('灰度图像处理');
B=double(B);
markerim=B==B(seedy(1),seedx(1));
for i=2:length(seedx)
markerim=markerim|(B==B(seedy(i),seedx(i)));
end
thresh=[15,10,15];
maskim=zeros(size(B));
for i=1:length(seedx)
g=abs(B-B(seedy(i),seedx(i)))<=thresh(i);
maskim=maskim|g;
end
[g,nr]=bwlabel(imreconstruct(markerim,maskim),8);
g=mat2gray(g);
subplot(2,2,3);imshow(g);title('最终结果');
th=graythresh(g);
J=im2bw(g,th);
imshow(J);
A1=bwperim(J);
L=0;
[m,n]=size(A1);
for i=1:m*n
if  (A1(i)==1) L=L+1;
end
end
L  [m,n]=size(J);
S=0;
for i=1:m*n
if  (A1(i)==1) S=S+1;
end
end
S x=0; y=0;
for i=1:m for j=1:n
if(g(i,j)==1)
x=i+x;
y=j+y;
end
end
end
X=x/S
th=graythresh(g);
J=im2bw(g,th);
imshow(J);
A1=bwperim(J);
L=0;
[m,n]=size(A1);
for i=1:m*n
if  (A1(i)==1) L=L+1;
end
end
L  [m,n]=size(J);
S=0;
for i=1:m*n
if  (A1(i)==1) S=S+1;
end
end
S x=0; y=0;
for i=1:m for j=1:n
if(g(i,j)==1)
x=i+x;
y=j+y;
end
end
end
X=x/S
th=graythresh(g);
J=im2bw(g,th);
imshow(J);
A1=bwperim(J);
L=0;
[m,n]=size(A1);
for i=1:m*n
if  (A1(i)==1) L=L+1;
end
end
L
[m,n]=size(J);
S=0;
for i=1:m*n
if  (A1(i)==1) S=S+1;
end
end
S x=0; y=0;
for i=1:m for j=1:n
if(g(i,j)==1)
x=i+x;
y=j+y;
end
end
end
X=x/S
th=graythresh(g);
J=im2bw(g,th);
imshow(J);
A1=bwperim(J);
L=0;
[m,n]=size(A1);
for i=1:m*n
if  (A1(i)==1) L=L+1;
end
end
L
[m,n]=size(J);
S=0;
for i=1:m*n
if  (A1(i)==1) S=S+1;
end
end
S
x=0;
y=0;
for i=1:m for j=1:n
if(g(i,j)==1)
x=i+x;
y=j+y;
end
end
end
X=x/S

23a5b27f406793da3cf7ad51c42d895b.png

灰度处理是指不含彩色信息，只含亮度信息的图像，乍眼一看，灰度图就是黑白的，但是，点与点之间黑的程度是不一样的。原图像为400*348像素，经程序灰度化处理和中值滤波后，整幅图像很易于后续的研究处理。

本次设计使我对数字图像处理技术的原理及MATLAB编程技术有了更进一步的了解。同时，深入懂得了图像中区域特征的检测与提取技术研究的具体流程和实施方法。让我不仅仅是在学习知识上，还有对科学实验的严谨态度上都有了很大提升。

实验五

实验名称：形态学图像处理

实验仪器： 电脑 MATLAB软件

实验目的：

（1）了解数学形态学的基本概念；

（2）熟悉常用的结构元素；

（3）掌握腐蚀，膨胀以及开闭运算；

实验原理：数学形态学是以形态结构元素为基础对图像进行分析的数学工具。它的基本思想是用具有一定形态的结构元素区度量和提取图像中的对应形状以达到对图像分析和识别的目的。数学形态学的应用可以简化图像数据，保持它们基本的形状特征，并除去不相干的结构。数学形态学的基本运算有4个：膨胀、腐蚀、开启和闭合。它们在二值图像中和灰度图像中各有特点。基于这些基本运算还可以推到和组合成各种数学形态学实用算法。用他们可以进行图像形状和结构的分析及处理，包括基于流域概念的图像分割，基于腐蚀和开运算的骨架抽取以及图像编码压缩，基于测地距离的图像重建，基于形态学滤波器的颗粒分析和基于击中/击不中变换的目标识别等。

实验内容及步骤：

膨胀和腐蚀这两种运算时紧密联系在一起的，最常见的膨胀和腐蚀操作的组合为开操作、闭操作、击中击不中变换。Matlab 提供了 imdilate 函数来实现膨胀操作。开操作是指先对图像进行腐蚀，然后膨胀其结果。闭操作是指先对图像进行膨胀，后对其进行腐蚀。

I=imread('E:\zy.jpg');
se=strel('disk',5,4);
J1=imerode(I,se);
J2=imopen(I,se);
J3=imclose(I,se);
subplot(2,2,1),imshow(I),xlabel('a) 原图');
subplot(2,2,2),imshow(J1),xlabel('b) 腐蚀');
subplot(2,2,3),imshow(J2),xlabel('c) 开运算');
subplot(2,2,4),imshow(J3),xlabel('d) 闭运算');

d32854ffdb96683e8cbd075bc8893efb.png

你的matlab大师
关注
基于MATLAB的数字图像处理
m0_60677550的博客
08-10 5674
基于MATLAB的数字图像处理实验一：图像增强实验名称：图像增强实验目的：1.熟悉图像在Matlab下的读入，输出及显示； 2.熟悉直方图均衡化； 3.熟悉图像的线性指数等； 4.熟悉图像的算术运算及几何变换.实验原理：图像增强是为了使受到噪声等污染图像在视觉感知或某种准则下尽量的恢复到原始图像的水平之外，还需要有目的性地加强图像中的某些信息而...
基于MATLAB的数字图像处理系统
m0_59833680的博客
08-19 1259
基于MATLAB的数字图像处理系统摘要：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...
数字图像处理
最新发布
2301_77422170的博客
09-25 1039
模拟图像：可以理解为直接观测到的图像，例如生物或机械成像系统中直接获取的图 像，没有经过采样和量化数字图像：将模拟图像进行离散化、数字化得到的图像，可以方便计算机处理。opencv 读写和显示图像OpenCV读取摄像机视频图像帧。
基于Matlab的车牌识别系统（带界面、模板库）
热门推荐
haoji007的博客
07-21 1万+
源码下载：http://download.csdn.net/download/zhangquan2015/10192749 GithubPage：https://zhangquan1995.github.io 中文摘要：随着二十一世纪到来，经济快速发展和人们生活水平显著提高，汽车逐渐成为家庭的主要交通工具。汽车的产量快速增多，车辆流动也变得越来越频繁，因此给交通带来了严重问题，如交通堵塞、交通事...
matlab数字图像处理系统
matlabBBQ的博客
12-30 1324
课题介绍matlab具有完备的图形处理功能、友好的用户界面以及功能强大的图形处理工具箱，能够实现对数字图像的编辑和处理工作，实现功能包括数字图像的读取、存储、显示、去色、图像翻转、局部放大、透明度调整、去噪、平滑、锐化、压缩、边缘检测等操作。本文的主要内容如下：1．研究图像处理技术，包括图像处理技术的分类、数字图像处理的特点，主要内容以及应用。2．分析MATLAB软件及其在图像处理中的应用。3．完...
基于matlab的数字图像处理系统设计与实现
04-07
在本文中，我们将深入探讨如何使用MATLAB进行数字图像处理系统的开发与实现。MATLAB（矩阵实验室）是一款强大的数学计算软件，广泛应用于工程、科学计算和数据分析领域，其中包括图像处理。MATLAB提供了丰富的图像...
基于Matlab数字图像处理课程设计
11-04
在“基于Matlab数字图像处理课程设计”中，我们探讨了使用Matlab这一强大的计算环境进行图像处理的各种技术。这个项目旨在让学生深入理解数字图像处理的基本概念，并通过实践提升编程能力。以下是一些关键知识点的...
基于MATLAB GUI的数字图像处理
06-01
在本项目中，我们主要探讨的是“基于MATLAB GUI的数字图像处理”。MATLAB（Matrix Laboratory）是一款强大的数值计算和数据分析软件，同时它也提供了图形用户界面（GUI）工具，使得用户可以创建交互式的图像处理应用...
基于matlab的数字图像处理系统
09-17
解压密码：HuanYingXiaZai 这是数字图像处理的课程设计,GUI界面,具有各种数字图像处理功能,如灰度变换,调节对比度,亮度,色彩平衡,图像合成,腐蚀,膨胀等,基本上把书上能够做的功能都做了!
基于MATLABGUI的数字图像处理系统设计
06-12
基于matlab的数字图像处理系统设计
基于Matlab
01-15
基于Matlab
数字图像处理程序
08-04
涵盖了数字图像处理大部分的知识点，有些程序是对一些简单算法的详细实现，有些只是简单的调用了系统函数进行图像处理···
基于Matlab的数字图像处理系统设计
GGMMM123的博客
12-19 1187
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，
基于MATLAB的数字图像处理实现
本资源摘要信息将围绕数字图像处理的MATLAB实现这个主题，详细介绍数字图像处理的基本概念、MATLAB在数字图像处理中的应用、数字图像处理的技术和方法等方面的知识点。 一、数字图像处理的基本概念 数字图像处理是...
评论
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

你的matlab大师

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