图像处理课件

Matlab的图像处理数字图像实际上是一组有序离散的数据，

Matlab是一种基于向量（数组）而不是标量的高级程序语言，因而Matlab从本质上就提供了对图像的支持。使用Matlab可以对这些离散数据形成的矩阵进行一次性的处理。一、图像处理的基础知识。二、

Matlab图像处理工具箱简介二、Matlab进行图像处理范例。●图像：直接量化的原始信号形式●图像的最小单位是像素●用于表现自然影像●图形：运算形成的抽象化产物●图形由具有方向和长度的矢量表示●用于分析运算结果，简单图形表示1、图形与图像

一、图像处理的基础知识

数字图像的生成图像是由“照射”源和形成图像的“场景”元素对光能的反射或吸收相结合而产生的。照射可能由电磁能源引起，如雷达、红外线或X射线，也可能是非传统光源，如超声波等。场景可能是熟悉的物体，也可能是分子、沉积岩、大脑等。图显示了数字图像生成的典型过程，成像系统获取场景反射的能量，并将其映射到图像平面，经过采样和量化即得到数字图像。2、位图图像●图像由基本显示单元“像素”构成图像像点8bit(28=256色)16bit(216=65536色)24bit(224=16M色)●8位图像●16位图像●24位图像●

二进制位与图像之间存在严格的“位映射”关系●

像素由若干个二进制位进行描述●

二进制位代表图像颜色的数量●

具有位映射关系的图叫作“位图”●

“位图”特指图像3、常见的图像类型

1）二进制图像每一个像素将取离散数值0或1中的一个。

2)索引图像索引图像包含一个数据矩阵X和一个颜色映射矩阵map。选中图像中的某一处时，此处的像素值通过数据矩阵X，在颜色映射矩阵map中可以找到对应的像素。3）灰度图像通常用一个数据矩阵来描述，图像的每一个像素点会对应到数据矩阵中的一个元素.例如，8位灰度图像中，0代表黑色，255代表白色。

4)RGB图像

RGB图像又称真彩图像，它是利用R、G、B三个分量标识一个像素的颜色，利用三个基色可以合成任意颜色的原理，对一个尺寸为nXm的彩色图像来说，在Matlab7.0中则存储一个nXmX3的多维数组，其中数组中的元素定义了图像中每一个象素的红、绿、蓝颜色值真彩图像。此外，Matlab还支持由多帧图像组成的图像序列。不同分辨率下的图像1024×1024→512×512→256×256→128×128→64×64→32×32不同灰度级的图像二值图像与灰度图像4、常用图像存储格式

不同的操作系统、不同的图像处理软件所支持的图像格式是不同的。

1）BMP文件

保存为*.bmp

，BMP是一种Windows标准的点阵式图形文件格式，常见于Windows附件中的画笔，这种格式的特点是包含图像信息比较丰富，几乎不进行压缩，但占用磁盘空间较大。

2）GIF文件

保存为*.gif，该格式是CompuServe提供的一种图形格式，常见于因特网HTML网页中的动画（在没有flash之前），它使用LZW的压缩方式将文件压缩而不会占磁盘空间，因此gif格式广泛应用与因特网HTML网页文档中，或网络上的图片传输，但只能支持8位的图像文件，它还可以支持透明背景和动画的图像格式。

3)TIF文件保存为*.tif

，该格式是一种应用非常广泛的的无损压缩图像格式，用于应用程式之间和计算机平台之间的交换文件，它的出现使图像数据交换变的简单。（常见扫描仪扫描的图片，无压缩文件较大）4)JPEG格式

保存为*.jpg

，该格式是目前压缩率最高的格式，常见于数码像机以及普遍应用于图像显示和超文本文档（如网页）中。在压缩保存过程中与GIF格式不同，JPEG保留RGB图像中的所有颜色信息，以失真最小的方式去小一些细微的数据。文件颜色与分辨率用途.GIF256/96dpi用于动画、多媒体程序界面，网页界面.BMP256～224/*dpi用于Windows环境下的任何场合.TIF256～232

/*dpi用于专业印刷.JPG216

～232/*dpi用于数字图片保存、传送.TGA256～224/96dpi用于专业动画影视制作.PCD216

～232/*dpi用于PHOTOCD●

注意：图像文件的扩展名不要轻易修改，否则不能使用图像文件●数字化图像以文件的形式存在，其文件名有严格的约定5.数字图像处理的研究内容

数字图像处理的研究主要有两个方面：

1.为了便于人工分析而对图像信息的改进，包括图像

去噪、增强、图像恢复等；

2.为了便于机器自动理解，对图像进行的分割、理解等

图像研究介绍底层信息

像素：每幅图像存储为矩阵[a(i,j)],其中(i,j)为像素空间位置，a(i,j)为像素的(红/绿/蓝)三通道颜色向量或者灰度值。

边缘：颜色或者灰度变化比较大的像素点集合。生物视觉系统对边缘具有强敏感性。纹理：草地、树林、天空等区域。中层信息

分割：例如上述图像可分割为不同的区域：天空、树林、草地、马。

目标检测：例如利用算法自动识别与标记图像中的不同物体。

高层信息图像语义描述：例如，上图可理解为一幅春季的农场图片。往往由图像中所包含物体的特征所推理得到的语义描述。高层语义描述具有不唯一性。图像研究介绍图像研究分类基础研究图像的基本规律、模式识别的基本理论、生物学基础等；算法研究针对图像处理的基本问题，设计模型与统计、优化算法；应用研究针对工业界所面临的问题（可能超出图像处理基本问题范畴），进行创新性研究。基础研究算法研究应用研究三者同等重要(图像基础研究应紧密结合应用背景)数字图像的处理主要有以下方面：（1）图像变换：傅立叶变换，小波变换等。（2）图像增强与复原：突出图像信息，抗干扰。（3）图像压缩编码：简化图像利于传输等。（4）图像分割：提取图像中的有意义的特征。（5）图像分析：对图像中的信息进行各种分析。（6）图像识别：提取图像中的信息进行判别。（7）图像隐藏：对图像加入水印进行信息伪装。………图像处理基本任务图像滤波与去噪(Imagefilteringanddenoising):输入噪声图像，去除图像中所包含的噪声信息，以利于图像的进一步分析和处理。噪声类型生成噪声：高斯噪声，椒盐噪声真实噪声：相机采集图像时的真实噪声，类高斯，但方差较小，且具有空间不一致性。图像处理基本任务图像填充（Imageinpainting）原本出现于艺术家手工修复艺术作品的污损或划痕部分，主要任务是通过数学模型和计算机算法，将图像中的缺失部分（由于污损、划痕、图像编辑、文字等造成的缺损）自动填充完整。图像处理基本任务图像超分辨率（Super-resolution）图像的超分辨率重建问题是指：给定低分辨率图像，如何重建出相应的高分辨图像;挑战：目前可以很好实现图像边缘的超分辨率，但无法完美实现纹理的超分辨率。图像处理基本任务图像去模糊（Imagedeblur）去除图像中的模糊现象。图像在拍摄过程中，由于成像过程中相机或者拍摄物体的运动所产生的模糊现象。常常发生在低光照条件下降低快门速度拍照。模糊图像去除模糊后的图像（包括模糊核）[注]：目前，家用相机和单反相机仍然受到模糊的影响，去模糊问题还远远没有解决。图像处理基本任务图像分割(Imagesegmentation)低层分割：将图像分割成为颜色或者纹理一致的小图像区域集合；中层分割：将图像分割成为不同深度、不同物体所构成的图像区域集；高层分割：将图像分割成为具有不同语义或目标的区域。图像处理基本任务图像特征提取、表达与分类(Featureextraction,representationandclassification)特征提取：提取将图像的低层特征，例如角点、纹理、边缘等，具有高维性。特征表达：将高维图像特征抽象、压缩表示为固定维数的特征向量。图像分类：基于图像特征向量，利用模式识别算法实现图像分类。cowshouseairplanepeople特征提取特征表达分类算法图像处理基本任务视频处理(Videoprocessing)图像处理中的所有问题均对应着相应视频处理问题：视频去噪、填充、超分辨率、分割与理解与图像处理的不同之处：视频相邻帧之间的强相关性为解决视频处理问题提供的新的信息。因此视频处理结果相对于单帧图像处理效果更好。二.Matlab图像处理工具箱简介

图像处理工具箱主要有：

＊ImageAcquisitionToolbox

＊

ImageProcessingToolbox

＊

SignalProcessingToolbox

＊

WaveletToolbox

＊

StatisticsToolbox

＊

BioinformaticsToolbox

＊

MatlabCompiler

＊

MatlabCOMbuilder图像采集与导出

图像采集工具箱提供了大量的函数用于采集图像和视频信号。该工具箱支持的硬件设备包括工业标准的PC图像采集卡和相应的设备。

Matlab的ImageProcessingToolbox支持多种图像数据格式，这些图像文件格式主要有JPEG、TIFF、HDF、HDF.EOS和DICOM。同时，Matlab中还可以导入/导出AVI格式的数据文件，支持其他工业标准的数据文件格式。

Matlab对图像的处理功能主要集中在它的图像处理工具箱（ImageProcessingToolbox）中。

图像处理工具箱是由一系列支持图像处理操作的函数组成，可以进行诸如几何操作、线性滤波和滤波器设计、图像变换、图像分析与图像增强、数学形态学处理等图像处理操作。

Matlab数字图像处理工具箱函数包括以下几类：(1)图像文件输入、输出函数；(2)图像显示函数；(3)图像几何操作函数；(4)图像像素值及统计函数；(5)图像分析函数；(6)图像增强函数；(7)线性滤波函数；(8)二维线性滤波器设计函数；(9)图像变换函数；(10)图像邻域及块操作函数；(11)二值图像操作函数；(12)基于区域的图像处理函数；(13)颜色图操作函数；(14)颜色空间转换函数；(15)图像类型和类型转换函数。图像处理实验图像处理编程基本流程第1步：读图像文件第2步：图像处理算法（矩阵数据处理）第3步：存图像文件Matlabimread:读取图像文件imwrite：存储图像到硬盘imshow：显示图像处理效果（用于调试）编程（Matlab与C混编）Matlab处理读、存图像以及可以以矩阵方式计算的数据处理部分；C语言程序处理涉及循环操作的数据处理部分。33MATLAB在图像处理中的应用都是由相应的MATLAB函数来实现。下面用实例讨论如何利用MATLAB处理数字图像。三.MATLAB图像处理实例分析图像的显示及类型转换图像的直方图处理图像的代数运算图像的空间运算图像增强及复原图像的边缘检测图像间的运算特定区域的处理图像变换

图像文件的显示Matlab

图像处理工具箱提供了一个高级的图像显示函数imshow。其语法格式如下，灰度图像imshow(I)

imshow(I,n)imshow(I,［lowhigh］)二值图像imshow(BW)索引图像imshow(X,map)真彩色图像imshow(RGB)其中n为灰度级数目，缺省值为256。［lowhigh］为图像数据的值域。tu=imread('football.jpg');imshow(tu);subplot(1,3,1)imshow(tu(:,:,[123]))subplot(1,3,2)imshow(tu(:,:,[321]))subplot(1,3,3)imshow(tu(:,:,[132]))truesize的使用如果图像太小，显示很小，不利于浏览，这是可是采用truesize来进行调整bw=zeros(20,20);bw(2:2:18,2:2:18)=1subplot(1,3,1);,imshow(bw)subplot(1,3,2);,imshow(bw),truesize([100100])subplot(1,3,3);imshow(bw,'notruesize')39imcontour()

画图像数据轮廓线（等高线、等值线）I=imread('G:\a.tif');p=rgb2gray(I);%RGB转为灰度图imcontour(p);%画图像等值线40图像亮度的调整

线性处理tu=imread('pout.tif');figure,imshow(tu)tu1=(double(tu))*1.5+30;figure,imshow(uint8(tu1))tu1=(double(tu))*0.5;figure,imshow(uint8(tu1))也可是用Imadjust来进行调整，语法如下tu=imadjust(i,[low_in;high_in],[low_out;high_out])LI=imadjust(tu,[0.30.7],[0,1]);figure,imshow(LI)LI=imadjust(tu,[0.30.7],[0,0.4]);figure,imshow(LI)

直接从磁盘显示图像

通常，在显示一幅图像前首先要调用imread函数装载图像，将数据存储为Matlab工作平台中的一个或多个变量。但是，如果不希望在显示图像之前装载图像，则可以使用以下命令格式直接进行图像文件的显示，

imshowfilename

其中，filename为要显示的图像文件的文件名。imshow

rice.pngimshow(‘rice.png’)

Matlab图像类型转换1.图像类型转换的必要性对于索引图像进行滤波时，必须把它转换为RGB图像，否则光对图像的下标进行滤波，得到的结果是毫无意义的。2.各种类型图像的转换关系索引图像灰度图像真彩图像二值图像数据矩阵

工具箱中提供了许多图像类型转换的函数，从函数名称可以看出它们的功能。例如：dither函数功能：图像抖动，利用仅能显示少数彩色的设备显示含有丰富颜色信息图像的一种非常有用的方法。该函数可以把RGB图像转换成索引图像或把灰度图像转换成二值图像。格式：X=dither(RGB，map)BW=dither(I)

RGB图像抖动成索引图像

例：

I=imread('autumn.tif');map=pink(1024);X=dither(I,map);

imshow(I);

figure,imshow(X,map);colorbar

抖动效果图二进制图像取反

显示二进制图像，可用下面方法：

BW=imread(′circles.png′);

imshow(BW);在Matlab7.0中，二进制图像是一个逻辑类，仅包括0和1两个数值，像素0显示为黑色，像素1显示为白色。在显示时，也可以通过NOT(~)命令，对二进制图像进行取反，使数值0显示为白色，1显示为黑色。例如使用

imshow(~BW)

图像的直方图处理

图像的直方图是灰度级的函数，描述的是图像中每种灰度级像素的个数，反映图像中每种灰度出现的频率。横坐标是灰度级，纵坐标是灰度级出现的频率。直方图的用处1）数字化参数一般一幅数字图像应该利用全部或几乎全部可能的灰度级；对直方图做快速检查。2）边界阈值选择使用轮廓线确定简单物体的边界的方法，称为阈值化；对物体与背景有较强对比的景物的分割特别有用；基于直方图的图像矫正、分割……52直方图均衡是图像处理中很重要的研究内容,它通过转换灰度图像亮度值或索引图像的颜色图值来增强图像对比度。图像的灰度统计直方图是1个1-D的离散函数53I=imread('G:\a.tif');J=histeq(I);image(J);histeq()

直方图均衡m=imread('tire.tif');subplot(221),imshow(m);title('原图');subplot(222),hist(double(m));title('原图直方图');hm=histeq(m);subplot(223),imshow(hm);title('原图均衡化处理');subplot(224),hist(double(hm));title('均衡处理后直方图');直方图均衡化处理例%初始化及得到lenna的灰度lenna=zeros(128,128);lenna_equ=zeros(128,128);histgram=zeros(256);cdf=zeros(256);[lenna,map]=imread('c:\temp\lenna.bmp','bmp');%gethistogramfori=1:128forj=1:128k=lenna(i,j);

histgram(k)=histgram(k)+1;endend%getcdfcdf(1)=histgram(1);fori=2:256

cdf(i)=cdf(i-1)+histgram(i);end%runpointoperationfori=1:128forj=1:128 k=lenna(i,j);

lenna_equ(i,j)=cdf(k)*256/(128*128);endend%生成直方图均衡化后的lenna图imwrite(lenna_equ,map,'c:\temp\lenna_equ.bmp');58impixel()

所选图像象素的数据值（用鼠标选取）I=imread('G:\a.tif');[C,R,P]=impixel(I);image(I);[C,R,P]59imhist()

画图像象素直方图I=imread('G:\a.tif');imhist(I);%灰度图像直方图[Y,map]=rgb2ind(I,256);imhist(Y,map);%索引图像直方图60灰度图像直方图索引图像直方图代数运算代数运算是指将两幅或多幅图像通过对应像素之间的加、减、乘、除运算得到输出图像的方法。

imadd(X,Y)；

Y可以是另一幅图像，也可以是一个常数。

例1：

I=imread('rice.png');J=imread('cameraman.tif');K=imadd(I,J);subplot(131);imshow(I);subplot(132);imshow(J);subplot(133);imshow(K);△图像的加法

例2：实现亮度的增加

RGB=imread('greens.jpg');RGB1=imadd(RGB,50);subplot(1,2,1);imshow(RGB);subplot(1,2,2);imshow(RGB1);检测同一场景两幅图像之间的变化设：时刻1的图像为T1(x,y)，时刻2的图像为T2(x,y)

g(x,y)=T2(x,y)-T1(x,y)=-T1(x,y)T2(x,y)g(x,y)减法运算差影法在自动现场监测中的应用1、在银行金库内，摄像头每隔一固定时间拍摄一幅图像，并与上一幅图像做差影，如果图像差别超过了预先设置的阈值，则表明可能有异常情况发生，应自动或以某种方式报警；4、利用差值图像还能鉴别出耕地及不同的作物覆盖情况。

2、用于遥感图像的动态监测，差值图像可以发现森林火灾、洪水泛滥，监测灾情变化等；3、也可用于监测河口、海岸的泥沙淤积及监视江河、湖泊、海岸等的污染；△图像的减法Z=imsubtract(X,Y);

计算X与Y的像素之差，负数将被截取为0。

Z=imabsdiff(X,Y);

计算X与Y的像素之差的绝对值，结果为非负的。图像的空间运算空间运算就是改变图像中像素之间的空间关系。从变换性质来分，几何变换可以分为图像的位置变换（平移、镜像、旋转）、形状变换（放大、缩小）以及图像的复合变换等。（1）图像大小的调整imresize通过函数imresize来实现对图像的放大和缩小。B=imresize(A,m,method)A:原图像矩阵M:放大倍数。M>1放大M<1缩小Method:插值方法最近邻域插值(Nearestneighborinterpolation)双线性插值(Bilinearinterpolation)

双三次插值(Bicubicinterpolation)loadwoman2Figureimshow(X,map)X1=imresize(X,2);figureimshow(X1,[]);X2=imresize(X,3);figureimshow(X2,[]);X3=imresize(X,4);figureimshow(X3,[]);（2）图像旋转imrotate语法B=imrotate(A,angle)B=imrotate(A,angle,method)A>0逆时针选择一个角度angle，反之顺时针[I,map]=imread('kids.tif');J=imrotate(I,35);subplot(1,2,1)imshow(I,map)subplot(1,2,2)imshow(J,map)（3）图像裁剪imcrop（规则裁剪）基本语法J=imcropJ=imcrop(I)J=imcrop(X,map)[I,map]=imread('kids.tif');imshow(I,map)Imcrop不规则裁剪tu=imread('pears.png');figure,imshow(tu)tu=imread('pears.png');figure,imshow(tu)bw=roipoly(tu);figure,imshow(bw)r=tu(:,:,1);g=tu(:,:,2);b=tu(:,:,3);cr=bw.*double(r);cg=bw.*double(g);cb=bw.*double(b);J=cat(3,uint8(cr),uint8(cg),uint8(cb));figure,imshow(J)784.图像增强与复原MATLAB提供了Gamma校正、中值滤波、对比度调整、直方图均衡、自适应滤波等对图像进行增强处理。例如函数imadjust()为对比度调整函数,用于调整灰度值或颜色图。79Imadjust()

对比度增强AdjustimageintensityvaluesorcolormapJ=imadjust(I,[low_in

high_in],[low_out

high_out],gamma)RGB2=imadjust(RGB1,...)80RGB1=imread('G:\a.tif');RGB2=imadjust(RGB1,[.2.30;.6.71],[]);imshow(RGB1),figure,imshow(RGB2)8182imnoise()

向图像增加噪声J=imnoise(I,‘type‘,…)Type:

gaussian

高斯噪声

salt&petter

盐椒噪声speckle乘法噪声83I=imread('G:\a.tif');p=rgb2gray(I);J1=imnoise(p,'salt&pepper',0.04);subplot(121),subimage(J1);title('加入盐椒噪声后的图像，密度D=0.04');J2=imnoise(p,'gaussian',0,0.04);subplot(122),subimage(J2);title('加入高斯噪声后的图像，M=0,V=0.04');)84I=imread('eight.tif');J=imnoise(I,'salt&pepper',0.06);subplot(221),imshow(I),title('原图')subplot(222),imshow(J),title('含斑点的图')H=fspecial('average');am=imfilter(J,H);subplot(223),imshow(am),title('均值')zm=medfilt2(J);%中值subplot(224),imshow(zm),title('中值')Imfilter

均值滤波86medfilt2()

二维中值滤波I=imread('G:\a.tif');p=rgb2gray(I);J1=imnoise(p,'salt&pepper',0.04);subplot(221),subimage(J1);title('加入盐椒噪声后的图像，密度D=0.04');J2=imnoise(p,'gaussian',0,0.04);subplot(222),subimage(J2);title('加入高斯噪声后的图像，M=0,V=0.04');J3=medfilt2(J1);subplot(223),subimage(J3);title('加入盐椒噪声中值滤波后的图像');J4=medfilt2(J2);subplot(224),subimage(J4);title('加入高斯噪声中值滤波后的图像');8788wiener2()

二维自适应滤波I=imread('G:\a.tif');p=rgb2gray(I);image(p);subplot(221),subimage(p);title('原始图像');J1=imnoise(p,'gaussian',0,0.04);subplot(222),subimage(J1);title('加入高斯噪声后的图像，M=0,V=0.04');J2=wiener2(J1,[3,4]);subplot(223),subimage(J2);title('自适应滤波后的图像');J3=medfilt2(J1);subplot(224),subimage(J3);title('中值滤波后的图像');Wiener滤波实例I=imread('C:\wiener.bmp');Imshow(I);%施加高斯噪声J=imnoise(I,'gaussian',0,0.005);figure,imshow(J);%Wiener滤波K=wiener2(J,[55]);figure,imshow(K);图像复原—模糊及噪声I=imread(‘noise.bmp’);%采用运动滤波PSF进行模糊H=fspecial(‘motion’,50,45);MotionBlur=imfilter(I,H);Figure,imshow(MotionBlur);%采用均值滤波PSF进行模糊H=fspecial(‘disk’,10);AverageBlur=imfilter(I,H);Figure,imshow(AverageBlur);%噪声的添加V=.02;Noisy=imnoise(I,’gaussian’,0,V);Figure,imshow(Noisy);图像复原—模糊及噪声(图)图像复原—魏纳滤波复原通过调用deconvwnr函数可以利用魏纳滤波方法对图像进行复原处理。当图像的频率特性和噪声已知时，效果非常好。J=deconvwnr(I,PSF,NCORR,ICORR)J=deconvwnr(I,PSF,NSR)I:输入图像PSF:点扩散函数缺省参数NSR:信噪比（默认0）NCORR:噪声的自相关函数ICORR:原始图像的自相关函数魏纳滤波复原实例Blurred=imread(‘blure.bmp’);%构造PSF模型Len=31;Theta=11;PSF=fspecial(‘motion’,Len,Theta);Wnr1=deconvwnr(Blurred,PSF);figure,imshow(wnr1);%不正确的PSF模型（通常PSF未知）Wnr2=deconvwnr(Blurred,fspecial(‘motion’,2*Len,Theta));Figure,imshow(wnr2);Wnr3=deconvwnr(Blurred,fspecial(‘motion’,Len,2*Theta));Figure,imshow(wnr3);94图像平滑用于由于受干扰而质量降低的图像低通滤波法、局部平均法、多帧平均法等空域均值滤波增强实例N3=filter2(fspecial('average',3),I)/255;figure,imshow(N3);N5=filter2(fspecial('average',5),I)/255;figure,imshow(N5);N7=filter2(fspecial('average',7),I)/255;figure,imshow(N7);Origin3x35x57x7空域中值滤波增强实例K3=medfilt2(K,[3,3]);figure,imshow(K3);K5=medfilt2(K,[5,5]);figure,imshow(K5);M3=filter2(fspecial('average',3),K)/255;figure,imshow(M3);origin3x3Median5x5Median3x3Average97

edge()灰度图像边缘检测可以使用Edge可以提供许多微分算子模板，指定其是对水平边缘还是垂直边缘敏感。该函数在边缘检测时还可以指定一个域值,只有满足这个域值的点才作为边缘点。BW=edge(I,’method’,thresh)Method:sobel

prewitt

robertslogThresh：灵敏度阈值，低于此值被忽略5图像的边缘检测I=imread('coins.png');BW1=edge(I,'roberts');BW2=edge(I,'sobel');BW3=edge(I,'log');figuresubplot(221),imshow(I),title('原图')subplot(222),imshow(BW1),title('roberts算子')subplot(223),imshow(BW2),title('sobel算子')subplot(224),imshow(BW3),title('laplacian算子')边缘检测实例I=