数字图像处理复习

发表于 | 分类于 | 本文总阅读量 次
数字图像处理复习整理

imadjust(反相，幂次变化，变化)

  • imadjust ( img, [0 1], [ 1 0]); % 实现图像反相效果

  • g = imadjust(f,[low_in high_in], [low_out high_out],gamma) ;

  • imajust(f,[0 0.5],[0.5 1]); % 图像变亮

  • g2=imadjust(f,[0.5 0.75],[0 1]); % 将部分灰度区域扩展

    • gamma: 幂次基本变化

  • g = imadjust(f, [], [] , 0.3); %幂次变化

image-20191228162735178

imcomplement(img);

实现图像反相效果

img = imcomplement(img);

im2uint8和uint8函数的区别

数据类型uint8，以此方式存储的图像称为8位图像，可以节省存储空间。matlab读入图像的数据是uint8，而matlab中数值一般采用double型（64位）存储和运算，若要imshow显示图像结果，就需要再im2uint8，把数据类型转换成uint8类型，如果超过0~1范围，就要用uint8（）或者mat2gray（）把矩阵转化为灰度图像格式double

对比度拉伸

在处理图片前需要对图片进行mat2gray函数处理

  • 例 g = 1. / ( 1 + (0.15./(double(‘image’) + eps)).^E);
image-20191228165035818

直方图均衡化

  1. histeq直方图均衡化函数

    • g = histeq( f , nlev )
      • 其中f为原图像， nlev是为输出图像指定的灰度级数；默认64级

  2. 归一化直方图获取

    • p = imhist（f，b）/ numel(f)

  3. imhist绘制

    • imhist(f, b); %默认方式绘制直方图 b默认值为256
    • 若b=2则原图像的亮度被分成两个级别统计

  4. 例子：

    1
    2
    g = histeq(f,200);
    imhist(g);% 和imshow一样，会直接显示

线性空间滤波

  • 线性过滤器是线性系统和频域过滤概念在空域 的自然延伸。
  • 模板尺寸对过滤器效果的影响 – 模板尺寸越大，图像越模糊，图像细节丢失越多

空间域线性滤波函数

  1. fspecial（创建滤波器）

    • w = fspecial(‘type’,parameters) % 创建滤波器
    • 其中type为滤波器类型；parameters参数（可多个，根据类型决定）
    • type:
      • ‘average’：均值滤波，默认值为[3,3]
      • ‘disk’： 圆形区域均值滤波，参数代表区域半径，默认值为5.
      • ‘gaussian’：高斯低通滤波** fspecial(‘gaussian’,hsize,sigma)
        • hsize表示模板尺寸，默认值为[3 3]，sigma为滤波器的标准值，单位为像素，默认值为0.5
      • ‘ laplacian’： 拉普拉斯算子， FSPECIAL(‘laplacian’,ALPHA)
        • 参数alpha用于控制算子形状，取值范围为[0，1]，默认值为0.2
      • ‘log’： 拉普拉斯高斯算子， FSPECIAL(‘log’,HSIZE,SIGMA)
        • hsize表示模板尺寸，默认值为[3 3]，sigma为滤波器的标准差，单位为像素，默认值为0.5
      • ‘motion’：运动模糊算子， FSPECIAL(‘motion’,LEN,THETA)
        • 表示摄像物体逆时针方向以theta角度运动了len个像素，len的默认值为9，theta的默认值为0；
      • ‘prewitt’：边缘增强，大小为[3 3]，无参数 FSPECIAL(‘prewitt’)
      • ‘sobel’：边缘提取，无参数 FSPECIAL(‘sobel’)
      • ‘unsharp’：对比度增强滤波器，FSPECIAL(‘unsharp’,ALPHA)
        • 参数alpha用于控制滤波器的形状，范围为[0，1]，默认值为0.2

  2. imfilter(空间域线性滤波函数 )

    • g = imfilter(f,w,filtering_mode,boundary_opotion,size_option) % 空间域线性滤波函数
    • 其中f为输入图像， w为掩模（滤波器），g为滤波结果图像
    • filtering_mode指明 使用相关（‘corr ’） 还是卷积（‘conv ’）
    • boundary_opotion 指明图像边界如何填充(‘replicate’，’symmetric’, ‘circular’)
    • size_option指明计 算采用’ same ’还是 ‘full’

  3. 例子

    1
    2
    w = fspecial('average',31); % 掩模采用31x31的盒滤波器
    g = imfilter(f, w, 'conv', 'replicate', 'full');

非线性空间滤波

  • 定义： 使用模板进行结果像素值的计算，结果值直接取决于 像素邻域的值，而不使用乘积和的计算
  • 中值滤波
    • 主要用途：钝化图像、去除噪音
    • 计算公式：R = mid {zk | k = 1,2,…,9}
  • 最大值滤波
    • 主要用途：寻找最亮点
    • 计算公式：R = max {zk | k = 1,2,…,9}
  • 最小值滤波
    • 主要用途：寻找最暗点
    • 计算公式：R = min {zk | k = 1,2,…,9}

非线性空间滤波函数

  1. medfilt2( 二维中值滤波器）

    • g = medfilt2(f,[m n],padopt)
      • 其中[m n]指明领域范围
      • padopt指明边界填充方式：
        • ’ zero ’–0值填充(默认填充方 式)’symmetric’—镜像反射方式填充
        • ‘indexed’–若图像是double类型，则用1填充， 否则用0填充
    • 中值滤波对椒盐噪声的滤除效果非常好 
    1
    f = medfilt2(f); % 中值滤波

  2. ordfilt2（排序滤波器）

    • 可以生成统计排序滤波器 （也称为排序滤波器）
    • 原理：对图像领域中所包含的像素进行排序，然后 使用排序结果确定的值代替领域中的中心像素的值。
    • 用法： g= ordfilt2(f,order,domain)
      • 其中f为输入图像;order指明领域内像素排序后用以代替领域中心像素的元素序号; domain指明领域范围，由0、 1组成。
    • 例：g= ordfilt2(f,1,ones(m,n))%最小滤波器
    • 例：g= ordfilt2(f,m*n,ones(m,n))%最大滤波器
    • 例：g= ordfilt2(f,median(1:m*n),ones(m,n))%中值滤波器
    1
    g = ordfilt2(f,13,ones(5,5));

线性滤波器与非线性滤波器区别

  • 线性滤波器的原始数据与滤波结果是一种算术运算，即用加减乘除等运算实现。由于线性滤波器是算术运算，有固定的模板，因此滤波器的转移函数是可以确定并且是唯一的。

  • 非线性滤波器的原始数据与滤波结果是一种逻辑关系，即用逻辑运算实现，是通过比较一定邻域内的灰度值大小来实现的，没有固定的模板。

增强图像

  1. 拉普拉斯算子

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    f=imread(‘moon.tif’); 
    w4=fspecial(‘laplacian’,0); % 使用fspecial函数创建拉普拉斯滤波器
    w8=[1 1 1;1 -8 1;1 1 1]; % 手工创建拉普拉斯滤波器

    f=im2double(f);
    g4=f-imfilter(f,w4,’replicate’); % 使用拉普拉多算子和imfilter函数对图像进行增强操作
    g8=f-imfilter(f,w8,’replicate’);

    imshow(f);
    figure,imshow(g4);
    figure,imshow(g8);

  2. sobel算子

    1
    2
    3
    4
    5
    6
    7
    8
    9
    f=imread(‘moon.tif’); 
    w4=fspecial(‘sobel’,0); % 使用sobel函数创建拉普拉斯滤波器

    f=im2double(f);
    g4=f-imfilter(f,w4,’replicate’); % 使用sobel算子和imfilter函数对图像进行增强操作

    imshow(f);
    figure,imshow(g4);
    figure,imshow(g8);

imnoise(生成噪声)

​ 注意 函数imnoise在给图像f添加噪声之前先 将它转换为范围[0, 1]的double图像；

​ f = im2double(f);

  1. g = imnoise(f, type, parameters)

    • f 为输入图像，函数imnoise在给图像f添加噪声之前先 将它转换为范围[0, 1]的double图像；
    • type为噪声的类型，有 ‘gaussian’, ‘localvar’, ‘salt & pepper’, ‘speckle’, ‘poisson’等等。
    • parameters为参数，根据不同类型的噪声而不同。

  2. 各种形式

    1. g = imnoise(f, ‘gaussian’, m, var)
      • 将均值为m，方差为var的高斯噪声添加到图像f中
      • 默认值：均值m为0, 方差var为0.01
    2. g = imnoise(f, ‘localvar’,v)
      • 将均值为0、局部方差为V的高斯噪声添加到图像f中
      • V为与f大小相同的一个数组，它包含每个点的理想方差
    3. g = imnoise(f, ‘localvar’, image_intensity, var)
      • 将均值为0的高斯噪声添加到图像f中
      • 局部方差var是图像f的亮度值函数
      • image_intensity
    4. g = imnoise(f, ‘salt & pepper’,d)
      • 将椒盐噪声添加到图像f中
      • d为噪声密度，即包含噪声值的图像区域的百分比，因 此大约有d*numel(f)个像素受到影响。
      • d的默认值为0.05
    5. g = imnoise(f, ‘speckle’, var)
      • 用方程g = f + nf将乘性噪声添加到图像中f
      • n是均值为0，方差为var的均匀分布的随机噪声
      • Var的默认值为0.04
    6. g = imnoise(f, ‘poisson’)
      • 从数据中生成泊松噪声，而不是将人工的噪声添加到数据中

  3. 高斯噪声直方图分布特点

    高斯噪声特点是它主要由阻性元器件内部产生，它的概率密度函数 服从高斯分布（即正态分布）

  4. 椒盐噪声直方图分布特点

    在密度标度的白端有一个额外的尖峰，因为噪声成分为纯黑或纯白

imread （提取分量图像）

从彩色图像中提取三幅分量图像

1
2
3
4
file = imread(‘*.tif’) % 使用imread函数读文件
fr = file(:, :, 1); % 提取红色通道
fg = file(:, :, 2); % 绿色通道
fb = file(:, :, 3); % 蓝色通道

cat (将分量图像合成彩色图像)

  1. C = cat(dim,A1,A2,A3,A4,…)

    • dim为1时，将矩阵上下拼接 ：[A; B] (注意 分号！分号！分号！)
    • dim为2时，将矩阵左右拼接：[A, B]
    • dim=3时则可以构造三维数组

  2. 例

    1
    file = cat(3,fr,fg,fb); % 将rgb三个分量合成一个彩色图像

    image-20191228221648733

size（ 获取数组的行数和列数 ）

size中的A为数组A

注：在使用该函数前，先用double进行处理。例： f = double(f);

  1. s=size(A)

    • 一个输出参数
    • 返回一个行向量(s)，该行向量的第一个元素是数组A的行数，第 二个元素是数组A的列数

  2. [r,c]=size(A)

    • 有两个输出参数时
    • 将数组的行数返回到第一个输出变量， 将数组的列 数返回到第二个输出变量（ r行数，c列数）

  3. r=size(A,1)

    • r 为数组A的行数

  4. c=size(A,2)

    • c 为数组B的列数

rgb2hsi rgb彩色图像转为HSI空间图像

hsi2rgb 调用函数将HSI图像转化为RGB图像

0%