應用圖像處理matlab軟件課程設計(編輯修改稿)

　

【文章內容簡介】 2)．統計各灰度級的像素數目 式(318) 3).計算原始圖像直方圖各灰度級的頻數 式(319) 4).計算累積分布函數 式(320) 5).應用以下公式計算映射后的輸出圖像的灰度級，P為輸出圖像灰度級的個數，其中INT為取整符號。 式(321) 6).統計映射后各灰度級的像素數目 ni, i=0,1,…,k,…P1。7).計算輸出直方圖Pg(gi)=ni/n, i=0,1,…,P1。8).用fj和gi的映射關系修改原始圖像的灰度級,從而獲得直方圖近似為均勻分布的輸出圖像。(2) 直方圖規定化直方圖均衡化的優點是能自動增強整個圖像的對比度,但它的具體增強效果不易控制,處理的結果總是得到全局的均衡化的直方圖。實際工作中,有時需要變換直方圖使之成為某個特定的形狀,從而有選擇地增強某個灰度值范圍內的對比度,這時可采用比較靈活的直方圖規定化方法。直方圖規定化增強處理的步驟如下:令Pr（r）和Pz（z）分別為原始圖像和期望圖像的灰度概率密度函數。如果對原始圖像和期望圖像均作直方圖均衡化處理，應有 式(322) 式(323) 式(324)由于都是進行均衡化處理，處理后的原圖像概率密度函數Ps（S）及理想圖像概率密度函數PV（V）是相等的。于是，我們可以用變換后的原始圖像灰度級S代替式(323)中的V。即 Z = G 1（S） 式(325)這時的灰度級Z 便是所希望的圖像的灰度級。此外，利用式(322)與式(323)式還可得到組合變換函數 Z = G 1［T（r）］ 式(326)對連續圖像，重要的是給出逆變換解析式。 主要程序設計：function xiaoguo_Callback(hObject, eventdata, handles)global T %定義全局變量Tva=get( ,39。Value39。)。%得到句柄lvbo的Value，賦給vaval=get(hObject,39。Value39。)。switch val %用switch語句設置選項case 1 img=rgb2gray(T)。 %將T轉化為二維的灰色圖像，賦給imgprompt={39。旋轉角度:39。}。 %設置提示字符串defans={39。039。}。 %設置默認值p=inputdlg(prompt,39。input39。,1,defans)。 %顯示對話框p1=str2num(p{1})。 %將對話框轉換為數值f=imrotate(img,p1,39。bilinear39。,39。crop39。)。 %將圖像進行旋轉處理axes()。 %將結果顯示在axes1中imshow(f)。title(39。旋轉后圖像39。)。 %顯示旋轉后的圖像 運行結果如下圖41所示，彈出對話框，現在設置旋轉角度為30，按“OK”運行結果如下圖42所示： 圖41 圖42分析結果： 圖42是按逆時針旋轉30176。的結果，一般輸入參數為正數時，圖像按逆時針方向旋轉；輸入負數時，圖像按順時針方向旋轉。運行結果正常。 主要程序設計： case 2 %底片效果顯示ig2=rgb2gray(T)。 %將T轉化為二維的灰色圖像，賦給ig2f2=implement(ig2)。 %將圖像ig2取反，達到黑白色變換，實現底片效果axes ()。 %將結果顯示在axes1中imshow(f2)。title(39。底片效果39。)。 %顯示低片效果圖像 運行結果如下圖43所示：圖43分析結果：圖43完成了對二值圖像的求補運算，將二值圖像進行黑白兩色互換，就是把黑色部分變成白的，把白色部分變成黑的。運用implement函數來實現圖像取反，形成底片效果。程序運行正常。程序設計： case 3 %顯示邊緣信息處理圖像ig3=rgb2gray(T)。 %將T轉化為二維的灰色圖像，賦給ig3f3=edge(ig3,39。canny39。)。 %將ig3進行邊緣處理axes ()。 %將結果顯示在axes1中imshow(f3)。title(39。邊緣信息39。)。 %顯示邊緣信息圖像 運行結果如下圖44所示： 圖44結果分析：圖44顯示了邊緣信息處理之后的圖像，利用邊緣鄰近一階或二階方向導數變化規律，用簡單的方法檢測邊緣。如果一個像素落在圖像中某一個物體的邊界上，那么它的鄰域將成為一個灰度級的變化帶，運用edge函數進行運算，達到了效果。程序運行正常。程序設計： case 4 %顯示運動模糊處理結果 LEN = 21。 THETA = 0。% 表示攝像物體逆時針方向以0角度運動了21個像素 PSF = fspecial(39。motion39。, LEN, THETA)。 %點擴展函數的卷積運算 blurred = imfilter(T, PSF, 39。conv39。, 39。circular39。)。 %對圖像f進行濾波 %W2 = deconvwnr(blurred,PSF)。 %對濾波后的圖像進行恢復 axes()。 %將結果顯示在axes1中 imshow(blurred)。title(39。運動模糊39。)。 %顯示運動模糊圖像 運行結果如下圖45所示：圖45結果分析： 從圖45所示，運行之后的圖像明顯比原圖像模糊，程序運行正常。 圖像壓縮模塊的設計1. DCT變換程序設計：function yasuo_Callback(hObject, eventdata, handles)global T 定義全局變量Tva=get(,39。Value39。)。%得到句柄yasuo的Value，賦給vaval=get(hObject,39。Value39。)。switch val %用switch語句設置選項case 1 %顯示DCT變換圖像i=rgb2gray(T)。%將真彩色RGB圖像轉換成灰度圖像（RGB并不發生變化）I=im2double(i)。%把灰度圖像的數據類型轉換成雙精度浮點類型T=dctmtx(8)。%生成一個8*8 DCT變換矩陣B=blkproc(I,[8 8],39。P1*x*P239。,T,T39。)。%P1*x*P2相當于像素塊的處理函數，P1=T P2=T39。,進行離散余弦變換mask=[1 1 1 1 0 0 0 0。1 1 1 0 0 0 0 0。1 1 0 0 0 0 0 0。1 0 0 0 0 0 0 0。0 0 0 0 0 0 0 0。0 0 0 0 0 0 0 0。0 0 0 0 0 0 0 0。0 0 0 0 0 0 0 0]。%8*8的二維數據塊經DCT后變成8*8個變換系數，代表低頻成份的量分布于左上角，而越高頻率成份越向右下角分布C=blkproc(B,[8 8],39。P1.*x39。,mask)。%數據壓縮，丟棄右下角高頻數據D=blkproc(C,[8 8],39。P1*x*P239。,T39。,T)。%進行DCT反變換，得到壓縮后的圖像axes()。 %將結果顯示在axes2中imshow(D)。title(39。DCT變換39。)。 %顯示DCT變換之后的圖像運行結果如下圖46所示：圖46結果分析： 圖46是一個8*8的二維離散余弦變換將圖像的空間表達式轉換到頻率域,只用少量的數據點來表達圖像。8*8的二維數據塊經DCT后變成8*8個變換系數，代表低頻成份的量分布于左上角，而越高頻率成份越向右下角分布，經過運算，丟棄右下角高頻數據，從而達到圖像的壓縮效果。 程序設計：case 2X=rgb2gray(T)。X=double(X)/255。 %歸一化處理colormap(pink)。 %顏色映射[C,S]=wavedec2(X,1,39。39。)。 %對圖像用‘39。小波進行1層小波分解thr=20。 %設置小波系數閾值cal=appcoef2(C,S,39。39。,1)。 %提取小波分解結構中第1 層的低頻系數和高頻系數ch1=detcoef2(39。h39。,C,S,1)。cv1=detcoef2(39。v39。,C,S,1)。cd1=detcoef2(39。d39。,C,S,1)。a1=wrcoef2(39。a39。,C,S,39。39。,1)。 %分別對各頻率成分進行重構h1=wrcoef2(39。h39。,C,S,39。39。,1)。v1=wrcoef2(39。v39。,C,S,39。39。,1)。d1=wrcoef2(39。d39。,C,S,39。39。,1)。c1=[a1,h1。v1,d1]。%進行圖像壓縮處理，保留小波分解第1層低頻信息，進行圖像的壓縮%第1層的低頻信息為ca2,顯示第1層的低頻信息ca1=appcoef2(C,S,39。39。,1)。%首先對第1層信息進行量化編碼ca1=wcodemat(ca1,440,39。mat39。,0)。ca1=*ca1。 %改變圖像的高度axes()。 %將結果顯示在axes2中imshow(cal)。title(39。小波變換39。)。 %顯示小波變換之后的圖像運行結果如下圖48所示，47是選取的原始圖片。 圖47 圖48 結果分析：一個圖像做小波分解后，可得到一系列不同分辨率的子圖像，對應的頻率是不相同的。高分辨率子圖像上大部分點的數值都接近于0，分辨率越高越明顯。而對于一個圖像來說，表現圖像的最主要的部分是低頻部分，所以壓縮的方法是利用小波分解去掉圖像高頻部分二保留低頻部分。經過小波變換之后的圖像比原來圖像的字節數有所降低，達到了壓縮圖片的效果。 噪聲處理模塊的設計 1）