图像放大算法总结及MATLAB源程序（大全五篇）

第一篇：图像放大算法总结及MATLAB源程序

1，插值算法（3种）：

（1）最邻近插值（近邻取样法）：

最邻近插值的的思想很简单，就是把这个非整数坐标作一个四舍五入，取最近的整数点坐标处的点的颜色。可见，最邻近插值简单且直观，速度也最快，但得到的图像质量不高。

最邻近插值法的MATLAB源代码为：

A = imread('F:lena.jpg');%读取图像信息 imshow(A);%显示原图 title('原图128*128');

Row = size(A,1);Col = size(A,2);%图像行数和列数 nn=8;%放大倍数

m = round(nn*Row);%求出变换后的坐标的最大值 n = round(nn*Col);

B = zeros(m,n,3);%定义变换后的图像

for i = 1 : m

for j = 1 : n

x = round(i/nn);y = round(j/nn);%最小临近法对图像进行插值

if x==0 x = 1;end

if y==0 y = 1;end

if x>Row x = Row;end

if y>Col y = Col;end B(i,j,:)= A(x,y,:);

end end

B = uint8(B);%将矩阵转换成8位无符号整数 figure;imshow(B);

title('最邻近插值法放大8倍1024*1024');

运行程序后，原图如图1所示：

图1

用最邻近插值法放大4倍后的图如图2所示：

图2

（2）双线性内插值法：

在双线性内插值法中，对于一个目的像素，设置坐标通过反向变换得到的浮点坐标为(i+u,j+v)，其中i、j均为非负整数，u、v为[0,1)区间的浮点数，则这个像素得值 f(i+u,j+v)可由原图像中坐标为(i,j)、(i+1,j)、(i,j+1)、(i+1,j+1)所对应的周围四个像素的值决定，即：

f(i+u,j+v)=(1-u)(1-v)f(i,j)+(1-u)vf(i,j+1)+ u(1-v)f(i+1,j)+ uvf(i+1,j+1)其中f(i,j)表示源图像(i,j)处的的像素值，以此类推。

这就是双线性内插值法。双线性内插值法计算量大，但缩放后图像质量高，不会出现像素值不连续的的情况。由于双线性插值具有低通滤波器的性质，使高频分量受损，所以可能会使图像轮廓在一定程度上变得模糊。

在MATLAB中，可用其自带的函数imresize()来实现双线性内插值算法。

双线性内插值算法的MATLAB源代码为：

A=imread('F:lena.jpg');imshow(A);

title('原图128*128');

C=imresize(A,8,'bilinear');%双线性插值 figure;imshow(C);

title('双线性内插值法放大8倍1024*1024');

程序运行后，原图如图3所示：

图3

双线性内插值法放大8倍后的图如图4所示：

图4

（3）双三次插值法：

双三次插值法能够在很大程度上克服以上两种算法的不足，该算法计算精度高，但计算量大，它考虑一个浮点坐标(i+u,j+v)周围的16个邻点。

目的像素值f(i+u,j+v)可由如下插值公式得到：f(i+u,j+v)= [A] * [B] * [C] 其中[A]=[ S(u + 1)S(u + 0)S(u2)];[C]=[ S(v + 1)S(v + 0)S(v2)];而[B]是周围16个邻点组成的4*4的矩阵；S(x)是对 Sin(x*π)/x 的逼近。

在MATLAB中，可用其自带的函数imresize()来实现双三次插值算法。MATLAB源代码为：

A=imread('F:lena.jpg');%读取原图像

D=imresize(A,8,'bicubic');%双三次插值放大8倍 figure;

T

imshow(D);title('三次卷积法放大8倍1024*1024');

MATLAB自带双三次插值法运行结果如图5所示：

图5

也可以自己编写双三次插值算法MATLAB代码如下：

clc,clear;

ff=imread('F:lena.jpg');%读取图像到ff

k=8;%设置放大倍数 [m,n,color]=size(ff);

f=zeros(m,n);%将彩色图像ff转换为黑白图像f for i=1:m

for j=1:n

f(i,j)=ff(i,j);

end end

a=f(1,:);c=f(m,:);%将待插值图像矩阵前后各扩展两行两列,共扩展四行四列 b=[f(1,1),f(1,1),f(:,1)',f(m,1),f(m,1)];d=[f(1,n),f(1,n),f(:,n)',f(m,n),f(m,n)];a1=[a;a;f;c;c];a1';

b1=[b;b;a1';d;d];f=b1';f1=double(f);

for i=1:k*m %利用双三次插值公式对新图象所有像素赋值 u=rem(i,k)/k;i1=floor(i/k)+2;A=[sw(1+u)sw(u)sw(1-u)sw(2-u)];

for j=1:k*n

v=rem(j,k)/k;j1=floor(j/k)+2;C=[sw(1+v);sw(v);sw(1-v);sw(2-v)];

B=[f1(i1-1,j1-1)f1(i1-1,j1)f1(i1-1,j1+1)f1(i1-1,j1+2)f1(i1,j1-1)f1(i1,j1)f1(i1,j1+1)f1(i1,j1+2)f1(i1,j1-1)f1(i1+1,j1)f1(i1+1,j1+1)f1(i1+1,j1+2)f1(i1+2,j1-1)f1(i1+2,j1)f1(i1+2,j1+1)f1(i1+2,j1+2)];g1(i,j)=(A*B*C);

end end

g=uint8(g1);%将矩阵转换成8位无符号整数 imshow(g);

title('自编双三次插值法放大8倍图像');

其中子函数sw代码如下： function A=sw(w1)w=abs(w1);if w<1&&w>=0 A=1-2*w^2+w^3;elseif w>=1&&w<2 A=4-8*w+5*w^2-w^3;else

A=0;end

与MATLAB自带函数相比，以上手工编写的MATLAB代码只能完成黑白图像输出，且运行时间远比MATLAB自带函数的运行时间长。手工编写双三次插值算法MATLAB代码的运行结果如图6所示：

图6

2，其他算法简介：

传统的图像放大方法有重复放大线性放大和高次多项式插值放大。重复放大最简单,但会产生明显的方块效应线性放大消除了方块效应,但会造成图像的模糊 高次多项式插值放大效果较好,但运算复杂。由于传统方法的固有缺陷,诞生了新一代图像放大方法,主要有小波放大、邻域交换内插和分形放大等。

下面简单介绍一下增强系数小波放大算法： 算法示意图如图7所示：

图7 通过二维离散小波变换,经分析高通滤波器和分析低通滤波器,可将一幅分辨率为p的二维图像分解为分辨率为p/2的离散逼近信号A1和水平、垂直、对角三个细节信号H1、V1、D1。这四个分量都只有原图像大小的1/4。之后又可以对A1进行同样的分解如图7所示。这个过程可以一直重复下去。通过二维离散小波反变换,用相应的综合高通滤波器和综合低通滤波器可将各分量重构为原图像。

对于一个图像，低频成分包含了基本特征，即原图像的近似，高频成分反应其细节。基于此，我们将原图像作为低频成分A1，其他3个细节部分置0，进行小波重构，便可得到放大4倍的图像。但是由于能量守恒,放大后的图像能量分散会显得较暗。可以将原图像灰度值矩阵乘2，再进行上述变换，便可解决这一问题。小波分解重构是一种全局运算，不会造成重复放大中的方块效应，同时较好地保持图像边缘的清晰。

第二篇：总结 图像配准算法范文

图像配准定义为：对从不同传感器、不同时相、不同角度所获得的两幅或多幅图像进行最佳匹配的处理过程[2]。图像配准需要分析各分量图像上的几何畸变，然后采用一种几何变换将图像归化到统一的坐标系统中。在配准过程中，通常取其中的一幅图像作为配准的标准，称之为参考图像；另一幅图像作为配准图像。

图像的获取参考图像输入图像 图像的预处理 特征提取 特征匹配 空间变换模型类型的确定 模型参数的估计 图像的插值与变换 配准结果 配准系统的评价 图像配准

图1-1 图像配准的基本流程

图像配准算法分类按全局与局部划分按配准的四要素划分从自动化角度划分全局配准点点匹配搜索空间特征空间搜索策略相似性度量互相关函数绝对差和相位相关Hausdorff距离…手工配准刚性变换仿射变换投影变换多项式变换局部变换灰度特征区域特征线特征点特征…穷尽搜索逐级求精树图匹配动态规划…半自动配准自动配准

图1-2 图像配准方法分类-根据配准使用的特征，图像配准的方法大致可分为三类：

(1)基于图像灰度的配准算法。首先从参考图像中提取目标区作为配准的模板，然后用该模板在待配准图像中滑动，通过相似性度量(如相关系数法、差的平方和法、差的绝对值法、协方差法)来寻找最佳匹配点。

(2)基于图像特征的配准算法。该算法是以图像中某些显著特征(点、线、区域)为配准基元，算法过程分为两步：特征提取和特征匹配。首先从两幅图像中提取灰度变化明显的点、线、区域等特征形成特征集。然后在两幅图像对应的特征集中利用特征匹配算法尽可能地将存在对应关系的特征对选择出来。对于非特征像素点利用插值等方法作处理推算出对应匹配关系，从而实现两幅图像之间逐像素的配准。

(3)基于对图像的理解和解释的配准算法。这种配准算法不仅能自动识别相应像点，而且还可以由计算机自动识别各种目标的性质和相互关系，具有极高的可靠性和精度。这种基于理解和解释的图像配准涉及到诸如计算机视觉、模式识别、人工智能等许多领域。不仅依赖于这些领域中理论上的突破，而且有待于高速度并行处理计算机的研制。

从自动化角度来看，可以将配准过程分为自动、半自动和手动配准。

存在问题：如何提高图像的配准速度将是大范围遥感图像自动配准问题的要点；选取何种自动配准方案以保证图像的配准精度将是大范围遥感图像自动配准问题的另一要点。)

f2(x,yg[f1(h(x, y其中，h表示二维空间坐标变换。g表示灰度或辐射变换，描述因传感器类型的不同以及成像时气候等环境的影响所带来的图像灰度的变换。配准问题的实质就是要找到最优的空域变换h和灰度变换g，使得上述的等式成立，从而找到配准变换的参数

特征空间的选择通常要考虑以下几个因素：相似性；空间分布；唯一性。在自动图像配准中对特征的理解可以分为两类。(1)基于灰度的方法：基于灰度的方法将重点放在特征匹配上，在其过程中并没有真正提取特征。一般所说的模板匹配法就是这种方法的代表。这种方法实际上将图像的灰度分布直接作为特征而构成匹配的基础。(2)基于特征的方法：基于特征的方法需要在图像中提取显著的特征：区域(森林、湖泊、农田等)、线(区域的边界、道路等)和点(区域的角点、线的交点、曲线上的高曲率点等)。特征应该可以分布在图像任何地方并且可以被提取出来。

一般图像配准的过程主要涉及到图像的特征空间、相似性测度和搜索策略这三个方面。我们称这三个方面为图像配准的三要素，它们决定了图像配准的精度和速度。

按照配准过程中采用的特征类型，图像配准可分成两类：基于灰度的配准和基于特征的配准的方法。

基于图像灰度的配准方法是直接利用图像的灰度值来确定配准的空间变换，其中充分利用图像中所包含的信息，从而也称为基于图像整体内容的配准方法。这类方法的核心思想是认为参考图像和待配准图像上的对应点及其周围区域具有相同或者相似的灰度，并以灰度相似为基础采用相似度函数，然后寻找一组最优的几何变换参数使得相似度函数最大，从而实现图像的配准。在两幅图像灰度信息相似的情况下，常用的匹配方法有：互相关法(Cross-correlation)，序贯相似检测算法(Sequential Similarity Detection Algorithms, SSDA)以及最大互信息法。

虽然基于灰度的图像配准方法实现简单，但存在着如下缺点：(1)对图像的灰度变化比较敏感，尤其是非线性的光照变化，将大大降低算法的性能；(2)计算的复杂度高；(3)对目标的旋转，形变以及遮挡比较敏感。因此这种方法通常并不单独用在遥感图像配准中。

基于特征的图像配准方法可以克服利用图像灰度信息进行图像配准的缺点，主要体现在以下三个方面：(1)图像的特征点比图像的象素点要少很多，因此大大减少了配准过程的计算量；(2)特征点的匹配度量值对位置的变化比较敏感，可以大大提高配准的精确程度；(3)特征点的提取过程可以减少噪声的影响，对灰度变化，图像形变以及遮挡等都有较好的适应能力。因此，其在图像配准领域得到了广泛应用。基于特征的图像配准方法有两个重要环节：特征提取和特征匹配。

待配准图像 图像预处理特征提取 特征集合 选择匹配基元 参考图像 搜索策略 选择匹配基元 特征提取特征集合配准结果重采样 模型参数求解 匹配结果 图2-13 基于特征的图像配准方法的基本步骤 基于特征点的配准方法的缺点：目前大多数的遥感图像配准系统都采用基于特征点的配准方法，以交互或自动的方式选择必要的控制点，但这些系统不能很好地适用于自动处理大量的数据，原因是特征点或控制点的选取是一项耗时、耗力的工作，在要求实时处理的应用中，这种方法是不现实的。同时自动配准要考虑是精度问题，因为在卫星遥感图像中自动地确定有效的、精确的控制点有时是困难的，太少的点、不准确的点或者分布不均匀的点被选取都可能导致配准的误差，而且这种情况是经常发生的。

基于特征的要求图像比较清晰，能选出特征点，线，区域即：基于特征点的局部自动配准的一个前提是，能够从图像中准确提取点特征。图像模糊，这必然使得点特征的提取比较困难，更加容易漏选特征点和产生伪特征点，从而导致配准精度不高。

1.基于小波变换的遥感图像自动配准算法

其基本思想是：在对大尺度遥感图像进行配准时，为了降低运算量，提高速度，利用小波变换的多分辨率特性，首先在低分辨率图像上获得一组配准参数，然后以此为初始值，再向高分辨率方向上逐层映射；算法在实现上，遵循一种由粗到精的搜索策略，即首先利用相似性度量获得图像间的一个粗略的变换参数估计，逐层迭代搜索，最终获得精确的配准参数。

基于图像灰度的全局配准，全局配准则是利用整幅图像直接对映射函数进行搜索。

基于小波变换的配准原理：图像配准过程中，如果对整幅图像进行搜索，计算量大、耗时长。为了减少搜索空间，可以利用小波变换构造多尺度图像金字塔，采取由粗到细的搜索策略，即只在最高层进行全搜索，逐层缩小搜索范围，大大提高搜索效率。图像经小波分解后分别得到低频和高频分量数据，低频子图像反映了原图像的平滑特征，高频系数分别反映了原图像水平、垂直和对角方法的亮度突变特征。该突变特征可用于图像配准的特征点(控制点)，而且小波分解后子图尺寸减小2l(l表示分解层数)倍。因此为了减小计算量，需要找到小波分解后的子图配准与原图配准之间的关系。

基于小波变换的配准方案：基于小波变换的全局配准方案，其基本思想是：首先采用小波变换将原始图像逐级分解得到一个分辨率从低到高、规模由小到大的层次式结构(也称金字塔结构)；然后在分辨率低的图像层，通过线性搜索或其他策略得到该分辨率下最优解的初步变换参数估计，并将此估计作为下一级图像层处理的搜索中心，使得变换参数估计在较高分辨率下逐级得到校正和精化，随着分辨率的提高，估计的精度随之提高，同时搜索的范围也逐级缩小，最终在最高分辨率的图层上得到满足精度要求的最优解。可见，在分辨率最低的图像层，即使采用线性搜索策略，由于其数据量与原始图像相比己经很小，计算量也会大大减小，而到了分辨率较高的图层，由于搜索的范围越来越小，那么虽然图像规模变大，计算量也得到了有效的控制。该方案的基本流程如下：

(1)对参考图像和待配准图像均采用小波变换进行逐级分解，得到不同分辨率和大小的两组金字塔图像；

(2)给定变换参数的搜索范围，在分辨率最低的图层上进行全搜索：依次取出搜索空间中的变换参数，对待配准图像对应的图层进行几何变换，采用基于灰度的配准方法(互相关法、最大互信息法等)，得到该分辨率下最优解的初步变换参数估计，并将此估计作为下一级图像层处理的搜索中心；

(3)以上一层的搜索结果为搜索中心，在高一级分辨率下搜索变换参数，由粗到精逐步细化变换参数。最终在原始配准图像上得到满足精度要求的配准参数

该配准方案的特点可以归纳如下：

 算法不需要人工干预，适合于大数据量的遥感图像自动配准。 与基于点特征的自动配准方案相比，在缺乏先验知识的情况下，避免了点-点匹配的方法因缺乏充足和准确的控制点而导致较大的配准误差。 利用了多分辨率小波的优势，采用由粗到精的搜索策略，减少了搜索空间，加速了处理过程，提高了图像配准的速度。

2.高分辨率SAR影像同名点自动匹配技术 图像自动配准大致包括以下3大步骤:(1)在主、辅影像中提取特征点,通过实施同名点搜索来获取同名点;(2)利用同名点信息来解求主、辅影像之间的变换函数;(3)对辅影像进行几何变换,并通过重采样来获得纠正后的配准影像。

在这3大步骤中,之所以同名点对的确定是自动配准流程中的关键环节,首先,因为它的配准精度将直接决定变换函数的解求及解求精度;其次,因为同名点搜索计算复杂度通常情况下较复杂,其在整个影像配准流程中占有较高的机时量。鉴于此,研究一种高精度、高效率的同名点搜索技术将显得格外重要。本文提出的同名点自动匹配算法大致包括以下3大步骤:(1)创建金字塔影像,并通过在金字塔影像上进行回溯搜索来确定初始变换函数类型及相应 的变换参数;(2)通过分层回溯逐层加密控制点来解求最佳变换函数类型及相应变换参数;(3)在原始影像分辨率下修正同名点坐标,以获取最终匹配同名点对。

3.图像配准技术研究进展

将配准技术概括为8个方面,包括:配准对象、特征提取、特征匹配、变换模型、优化策略、坐标变换与插值、系统实现及算法评估,并考虑每项内容的技术特性进行细分,然后依据某一算法的创新点进行分类。

4.图像配准方法及其在目标跟踪中的应用

图像配准方法可以分为基于灰度的配准和基于特征的配准。基于特征的图像配准方法有两个重要环节:特征提取和特征匹配。可以选取的特征包括点、线与区域。基于特征的图像配准方法主要有两方面优点:a.图像的特征点比图像的像素点要少很多,大大减少了匹配过程的计算量;b.特征点的提取过程可以减少噪声的影响,对灰度变化、图像形变以及遮挡等都有较好的适应能力。

基于点特征的图像配准方法：特征点的提取——特征点匹配——误匹配点剔除——配准参数计算

5.图像配准技术研究

图像之间的配准一般可分为以下5个步骤：

(l)从基准图像和参考图像中提取共有的控制结构，这种控制结构可以是物体的点、边缘和边界等；

(2)对每幅图像中的控制结构(特征点)进行匹配;(3)选择几何变换模型，并利用匹配特征点对来估计变换参数;(4)对图像实行坐标变换和灰度插值;(5)对配准的效果进行评估。

所有图像配准方法都可以归纳为对三个元素选择问题，即特征空间、相似性准则和搜索策。特征空间从图像中提取用于配准的信息，搜策略从图像转换集中选择用于匹配的变换方，相似性准则决定配准的相对价值，然后基于一结果继续搜索，直到找到能使相似性度量有人满意的结果的图像变换方式。根据图像配准这三个基元素选择的区别，图像配准方法通常分为三类：

(l)基于象素的配准方法，即根据待配准图像的相关函数、Fourier变换和各阶矩量之间的关系式来计算配准参数。

(2)基于特征的配准方法，即根据需要配准图像重要相同特征之间的几何关系确定配准参数。这类方法首先需要提取特征，如图像的边缘、角、点、线、曲率等具有不变性的特征。提取特征可在空间域内进行，也可在变换域内进行。在空间域内常使用的特征包括边缘、区域线的端点、线交叉点、区域中心、曲率不连续点等。其中边缘和区域边界最常用，可以由边缘检测方法和区域分割方法得到;基于特征的配准方法是图像配准中最常见的方法，对于不同特性的图像，选择图像中容易提取，并能够在一定程度上代表待配准图像相似性的特征作为配准依据。基于特征的配准方法在图像配准方法中具有最强的适应性。

(3)基于模型的配准方法，这种方法是根据图像失真的数学模型来进行非线性校正式的配准。

前两种方法是全局图像配准技术，需要假设图像中的对象仅是刚性地改变位置、姿态和刻度，改变的原因往往是由受试者运动引起的。第三类方法只适合图像中对象之间局部的非线性的、非刚性的变形校正，这种失真通常由于成像系统空间编码的非线性引起的。所以，它需要根据成像系统的非线性失真模型来实现配准。前两类方法多用于图像的初步配准，且能够解析求解，后一类方法多用于图像的精细配准，通常利用非线性规划的方法数值求解。

3.26：

图像的配准和融合方法较多,主要分为三类:基于像素的配准方法,基于特征的配准方法和基于模型的配准方法。基于像素的配准方法多用于图像的初步配准,计算量小;基于特征的配准方法定位准确,计算量较大且要首先进行特征提取;基于模型的配准方法多用于图像的精细配准,但只适合图像中的对象之间的局部的非线性的非刚性的变形的校正。对于像素相关性大的图像,可利用图像间相同位置的特征点进行配准;对于像素相似性小的图像,需要先对图像进行特征提取,通过提取的特征点进行配准。

基于特征点的图像配准技术主要有两类方法: a)比较两幅图像的特征点及其周围像素的灰度、曲率等情况来计算特征点之间的相似程度,建立特征点之间的一一对应关系[1, 2]。由于仅考虑单个特征点之间的相似程度,常存在特征点误匹配的情况。b)改进的方法是建立特征点集之间的变换关系,主要使用Hausdorff距离来匹配两个特征点集[3, 4]。这类方法可以容忍点与点之间匹配的不准确,但是要求预先确定图像之间变换模型的参数搜索范围,而且在图像差异较大时计算量很大。

配准方法可分为以下几种:(l)基于控制点的匹配方式。控制结构为图像中的显著点(称为控制点)，控制点可以是用户提供的，也可以由算法估计，然后对控制点进行匹配，估计几何变换参数并进行配准。(2)基于矩(monent一based)的配准方式口控制结构是复杂的图像矩，每幅图像被标准化，即与一个矩被归一化的参数位置进行匹配。(3)基于边缘的配准方式。控制结构是图像的边缘.通过比较边缘像素的密度或在符号层次上比较边缘来实施边缘匹配。几何变换参数直接导出并对其中一幅图像实施相应的变换.(4)基于相似性判据最优化的方式。选择一个几何变化并以各种参数值施于一幅图像上。对于每一个值，评价由相似性判据提取的控制结构。该值表明了控制结构匹配的程度，因此可以从判据的最优值实现配准。图像配准主要包括以下四个步骤:(l)从待配准的每幅图像中提取控制结构;(2)在每幅图像中对控制结构进行匹配;(3)从前两步中选择几何变换并对其参数 进行估计;根据图像配准的这三个基元素选择的区别，图像配准的方法通常可分为三类:(l)基于象素的配准方法，即根据待配准图像的相关函数、Fourier变换和各阶矩量之间的关系式来计算配准参数。(2)基于特征的配准方法，即根据需要配准图像重要相同特征之间的几何关系确定配准参数。这类方法首先需要提取特征，如图像的边缘、角、点、线、曲率等具有不变性的特征。提取特征可在空间域内进行，也可在变换域内进行。在空间域内常使用的特征包括边缘、区域线的端点、线交叉点、区域中心、曲率不连续点等。其中边缘和区域边界最常用，可以由边缘检测方法和区域分割方法得到;基于特征的配准方法是图像配准中最常见的方法，对于不同特性的图像，选择图像中容易提取，并能够在一定程度上代表待配准图像相似性的特征作为配准依据。基于特征的配准方法在图像配准方法中具有最强的适应性。(3)基于模型的配准方法，这种方法是根据图像失真的数学模型来进行非线性校正式的配准。前两种方法是全局图像配准技术，需要假设图像中的对象仅是刚性地改变位置、姿态和刻度，改变的原因往往是由受试者运动引起的。第三类方法只适合图像中对象之间局部的非线性的、非刚性的变形校正，这种失真通常由于成像系统空间编码的非线性引起的。所以，它需要根据成像系统的非线性失真模型来实现配准。前两类方法多用于图像的初步配准，且能够解析求解，后一类方法多用于图像的精细配准，通常利用非线性规划的方法数值求解。

第三篇：matlab图像分割总结报告（定稿）

课程总结报告

题目： 图像分割程序设计

院 系 电气与电子工程学院

专 业 xxxx 班 级 研电16xx 学 号 116xxxxxx 姓 名 xx

2016年 11月3日

摘 要：图像分割是图像处理与计算机视觉的基本问题之一，是图像处理图像分析的关键步骤。其中图像二值化又是图像分割的重点。本文对全局和局部阈值二值化法的几种常用的算法和基本自适应阈值二值化进行了综述。每基于一定理论和算法的图像二值化方法都有各自不同的优势和缺点，在实际应用当中应根据不同使用目的和使用标准采取不同的方法以达到最佳效果。本文在MATLAB 编程技术及其GUI 图形用户界面设计的基础上，开发了具有交互式特点的数字图像处理GUI软件，界面操作简单方便，实现了图像二值化的功能。

关键词：二值化；全局阈值法；局部阈值法；基本自适应阈值法；图像分割； MATLAB GUI 0 引言

图像分割技术作为图像处理领域中极为重要的内容之一，是实现图像分析和理解的基础，而图像二值化又是图像分割的重点。只有在其基础上才能对目标进行特征提取和参数测量，使得更高层的图像分析和理解成为可能。二值化是图像处理和分析的关键技术，也是个经典难题。随着实际应用的需要，对图像二值化进行深入的研究，不断改进原有方法，提出新方法具有重要的意义。图像二值化

二值化是图像处理中的一个重要的问题，广泛应用于图像分割，图像增强，图像识别等领域。根据其运算的范围不同，图像的二值化方法可分为全局阈值方法和局部阈值方法。它利用了图像中要提取的目标物与其背景在灰度特性上的差异，把原图像变为仅用两个灰度值表示的图像目标和背景的二值图像。其处理思想是，假设一副灰度图像中的灰度级范围是(0，255)，则图像中每一点像素的灰度值为f(x，y)，f(x，y)∈{0，1，„，255)，设阈值为T(0≤T≤255)则：

0g(x,y)1f(x,y)Tf(x,y)T其中：g(x，y)表示二值化后图像中各个像素点的值，若g(x，y)=1表示改点为目标；若g(x，y)=0，表示改点为背景。GUI设计

图形用于界面（GUI）是提供人机交互的工具和方法。MATLAB的GUI为开发者提供了一个不脱离MATLAB的开发环境，有助于MATLAB 程序的GUI集成。

本文设计的程序有以下功能：

1）实现图像的读取及显示其灰度直方图功能，保存功能及退出时“是否保存处理后图像”的提醒功能。

2）设计图形用户界面，让用户能够对图像进行全局阈值分割，可选方法

为迭代法、Otsu法及改进的Otsu法，同时显示该方法选取的阈值。

3）设计图形用户界面，让用户能够对图像进行局部阈值分割，可选方法为Bernsen法、Niblack法及改进的Bernsen法，同时关闭选取阈值的显示（因为此时每个像素点均有对应的阈值）。

4）编写程序对图像进行基本自适应阈值分割，即将用户所选取的图像进行分块后对每块图像用Otsu法进行二值化，并实现调整分块大小时实时显示处理后的图像功能。

具体GUI设计的程序代码及模块、菜单配置过程不在此赘述。MATLAB中运行相应的m文件，会出现如下图所示的初始界面：

图2.1 初始界面

可以看到，在图像没有打开之前图像分割功能是不可选的，这是在GUI编程中考虑到为避免对空白图像进行二值化可能会产生全黑图像的错误而设计的。

点击如下选项，可以打开指定图像，并显示其对应的灰度直方图：

图2.2 “打开”图像

现在“图像分割”菜单变为可选，选择相应算法可以得到不同效果的阈值分割结果图，相应可选方法如图：

图2.3 “图像分割”菜单

阈值分割完毕后，点击图标，可以对处理后的图像进行保存。若不保存直接选择“退出”菜单，程序会弹出如下图所示选框，提醒用户是否保存已更改的图片，可以根据用户需求进行选择，同时避免了错误的发生。

图2.4 “保存”与“退出” 阈值分割算法与实验分析

3.1 全局阈值分割

全局阈值法根据文本图像的直方图或灰度空间分布确定一个阈值，以此实现灰度文本图像到二值图像的转化。此方法的优点在于算法简单，对目标和背景明显分离、直方图分布呈双峰的图像效果良好，但是由于对整幅图使用一个阈值处理，因此其对输入图像有噪声或不均匀光照等情况抵抗能力差，应用受到极大限制，不能广泛地应用于实际。典型的全局阈值分割方法有迭代法、Otsu方法等。在此引入光照均匀的图3.1和光照不均匀的图3.2，本节将用下述全局阈值方法对其进行处理。

图3.1 原始图像1 图3.2 原始图像2

3.1.1 迭代法

迭代法的主要思想是利用循环迭代的方法，逐步逼近最佳阈值，其计算步骤主要是：

1)对图像进行灰度化，找出图像灰度的最大值和最小值，分别记为Rmax和

Rmin，令初始阈值为：

TRmaxRmin/2

2)根据当前的阈值T以及图像的各像素的灰度值，将图像像素分成前景与背景两组。

3)分别求出当前前景与背景两组像素的平均灰度值，记为u1和u2。4)求出新阈值：

Tu1u2/2

循环2)-4)步，直到两组的平均灰度值不再发生新的变化，此时即获得了所需要的阈值。这种方法运算很简单，因此处理图片的速度是很快的。处理光照均匀的图3.1后，得到阈值为0.5312的图3.3，可以看到效果还是比较好的；但是在处理光照不均匀的原图3.2后，得到阈值为0.49393的图3.4，可见只使用一个阈值，已经没有办法兼顾到所有细节情况了。

图3.3 迭代法处理图1 图3.4 迭代法处理图2 3.1.2 Otsu方法

二值化的算法之一Otsu法，也称大津法，是全局二值化算法的经典算法之一。它是1979年由Otsu提出的，其基本思想是求取最佳门限阈值，此阈值将图像灰度直方图分割成黑白(前景与背景)两部分，使两部分类间方差取得最大值，并使类内方差值最小，即类间分离性最大，而类内的相似性最大，因此，Otsu法也称最大类间方差法。对于某图像的灰度直方图，设T为区分前景灰度与背景灰度的二值化阈值，设w0为前景像素所占图像总像素的比例，令u0为所有前景像素的平均灰度，设w1为背景点数所占图像总像素的比例，令u1为所有背景像素的平均灰度，则图像的所有像素的平均灰度为uw0u0w1u1。在进行程序运

算时，T的取值可从图像的最小灰度值到图像的最大灰度值依次遍历，当T取某值时，类间方差公式bw0u0uw1u1u能取得最大，此时T即为二值化

22的最佳阈值。使类间方差最大的二值化意味着错分概率最小。

同样，我们采用Otsu算法对图3.1和图3.2进行处理，分别得到图3.5和图3.6。图3.5所选阈值为0.49804，可以看到效果依旧很好；图3.4所选阈值为0.49412，效果很不理想。

图3.5 Otsu法处理图1 图3.6 Otsu法处理图2 3.1.3 改进的Otsu方法

图像二值化是建立在物体和背景可以区分的基础上的，如亮度色调等不同，从而根据这些已知信息分出前背景。而一般的全局二值化如用Otsu方法获取最优阈值的方法，都是建立在图像前背景亮度有一定差距的基础上的，即图像直方图有双峰结构。如果对于一幅亮度不均匀的图像这种方法就不适用，解决的方法可以把图像根据整体亮度变化来分成若干小区域，而各区域的直方图中有两个峰，这样就能自适应得时整幅图都比较好的二值化。但是，这样对于一些复杂的图像就难处理，而且可能存在分块邻接缺陷，因此，本程序中先将整幅图的亮度调均匀，然后再用整体二值化就能得到很好的结果。这里使用Retinex算法把图像的整体亮度调均匀后（此法能很好得将各种照度不均的图调整成直方图中明显有双峰的均匀图），再用Otsu方法取阈值二值化。对光照不均匀图3.2进行处理，得到图3.7，可见此时的图像轮廓得到了还原，取得了较好效果。

图3.7 改进的Otsu法处理图1

3.1.4 全局阈值法小结

下面，我们对全局阈值法做一些总结。一般说来，全局阈值法想法都比较简单，实现起来也很高效简单，但这种也是有代价的。它的适用范围相对有限，擅长处理简单图像，比如目标与背景明显分离的，直方图分布呈双峰的图像。但是对于光照不均，模糊的文档及多边缘的图像，就会丢失很多的信息。在此引入文本图像图3.8。可以看到下半部分是清晰的文字，但是上半部分的表格，则具有淡淡的底，使得字迹看起来变淡了，也就是说模糊了。由于Otsu算法在全局阈值二值化方法中具有很好的评价，在这里仅使用法对其进行处理，来看一看效果。

图3.8 原始图像3 使用Otsu方法处理图3.8，所得阈值为0.7451，处理结果为图3.9。可以看到，图中下半部分还是比较清楚的，但是上半部分表中的文字显示很不理想。对于这种光照均匀地图像，改进的Otsu方法处理结果如图3.10，其细节丢失更为严重。这正是全局阈值二值化的简单性所付出的代价。由于该类方法只关心整幅图像的灰度值分布特征，然后就迅速进行处理它是高度宏观化的，因而对于局部的变化反映不够灵敏。因此，使用该方法会丢失图像的许多细节信息。

图3.9 Otsu法处理图2

图3.10 改进的Otsu法处理图2 由于全局阈值法的这一缺点，引出了关注细节的局部阈值二化算法。3.2 局部阈值分割

局部阈值法通过定义考察点的邻域，比较考察点与其邻域的灰度值来确定当前考察点的阈值。非均匀光照条件等情况虽然影响整体图像的灰度分布却不影响局部的图像性质，使得局部阈值法较全局阈值法有更广泛的应用。局部阈值法虽然能够根据局部灰度特性来自适应地选取阈值，有较大的灵活性，但局部阈值存在速度慢，对文本图像进行二值化处理时，可能导致出现笔画断裂现象以及伪影等问题，直接影响后面的识别工作。常用的局部阈值法有Bernsen算法、Niblack算法。

3.2.1 Bernsen算法

Bernsen算法是一种典型的局部阈值算法，其将窗口中各个像素灰度级最大值和最小值的平均值作为一个窗口的中心像素的阈值，因此此方法不存在预定阈值，适应性较全局阈值法广，不受非均匀光照条件等情况的影响。

设图像在像素点(i，j)处的灰度值f(i，j)，考虑以像素点(i，j)为中心的2121窗口，则Bernsen算法可以描述为：

1Ti,jmaxf(im,jm)minf(im,jm)

2mmnn 图像中各个像素点(i，j)的阈值T对图像中各个像素点(i，j)用b(i，j)值逐点进行二值化：

0b(i,j)1

f(i,j)T(i,j)

f(i,j)T(i,j)

在实现算法的过程中会遇到一个不可避免的问题。当一个像素点处于整幅图像的边界处，或是其他距图像边界不足一个像素点单位的位置时，若以它为中心取的小块，那么所取得的小块就会有一部分是缺失的。这里，本文选取的处理方式是对原图像加边，新的边灰度值全赋值为0。

在使用Bernsen算法进行图像二值化的时候，是需要选择窗口的大小的，现在结合算法来具体讨论该因素的影响。从Bernsen算法求局部阈值公式来看，对于一个固定的像素点(x，y)，当窗口尺度很小的时候，该像素点周围有细微的明暗变化即有少量像素点的灰度变化就会影响到阈值的选取；当窗口尺度变大的时候，更多的像素点会进入到窗口中，原窗口内的像素点只是现在的一部分，对于阈值所产生的影响就相对弱化了，原有的细节就有可能丢失。现引入一幅光照不均但像素点相对较少的图3.11，这样改变窗口大小进行测试时可以节约程序运行时间。

图3.11 原始图像4 现取窗口为3*3，效果如图3.12所示。图中出现了大量斑点噪声，文字被淹没了。这是因为窗口选得太小，二值化时像素点附近出现的细微明暗变化都被

图3.12 Bernsen法处理图1 图3.13 Bernsen法处理图2

识别出来了。将窗口放大为9*9，效果见图3.13。可以看到，效果好多了，许多斑点状噪声消失了，文字变得清楚了，但是字间噪声没有完全消除且粗笔状况也比较明显的。查阅相关文献表明，应该选取15*15的窗口，原因是这样所带来的噪声会显著的减少。同时，处理图片的时间则相应增加。鉴于此，在此后的处理中，大多取窗口为15*15。对于Bernsen法取窗口为15*15，所得的结果如图3.14。

图3.14 Bernsen法处理图3 下面对图3.8用Bernsen法进行二值化，看看效果如何。如图3.15，与Otsu法处理图2相比，列表中的文字变得相对清晰了，但是列表下方的文字出现了断笔现象，而且背景噪声问题同样不能忽视。

图3.15 Bernsen法处理图5 3.2.2 Niblack算法

Niblack方法也是一种应用很广泛的二值化算法。它根据局部均值和局部标

准差，确定图像中不同的阈值。在像素点(x，y)的阈值的计算是:

T(x,y)m(x,y)ks(x,y)

其中T(x，y)为阈值，m(x，y)为样本均值，s(x，y)为标准差，k为参数。对于邻域的选择需要满足能保存局部细节同时抑制噪声的产生。和Bernsen方法相似，使用Niblack方法进行图像二值化处理时，窗口大小的选择也是很重要的。理由相同，如果窗口选得很小，处理速度比较快，但是给二值图带来的噪声也是很严重的，导致前景淹没在噪声中，无法很容易的辨识；如果窗口选得大，会大幅地降低二值图中的噪声，但是处理的时间也变得更长了。窗口一般也取15*15，下面对图3.8进行分割，结果见图3.16。

图3.16 Niblack法处理图1 使用Niblack方法进行图像二值化处理，由于需要计算标准差，需要进行平方开方运算，所以速度是比较慢的，我们看一下Bernsen方法，它比方法的速度要快些。但是从处理效果来看，它比Otsu法和Bernsen法效果优秀。不仅列表中文字细节得到了很好地还原，列表下方的文字也没出现断笔现象，很清晰，唯一需要改善的就是图像背景噪声问题。3.2.3 对局部阈值法的一点思考

由于局部阈值法充分考虑到了每一个像素点及其附近像素点的灰度分布情况，能兼顾图像的细节变化，因此使用局部阈值二值化方法对图像进行分割处理，一般说来，会得到更好的效果。很容易这么想，如果对一幅质量很好的图片进行二值化分割，那么局部阈值法对其进行分割所得的效果应该比全局阈值法的效果好，即使不能更好，至少一样好。现在看一个例子，引入图3.17，它足够简单，背景与前景相比分离得很明显。图3.18是使用Otsu方法进行阈值分割的结果，图3.17 原始图像5 图3.18 Otsu算法处理图3 图3.19 Niblack算法处理图2 而图3.19是使用Niblack法进行阈值分割的结果。局部阈值法处理效果在这里反而的质量却降低了，它把没有文字的空白背景，错误地识别成文字像素点。能对付复杂问题的工具，却不能处理简单的。回头看Bernsen法和Niblack法阈值分割处理的结果图3.15~3.16，也存在相同问题。表格右侧空白背景，以及没有足够文字填充的一小段空白行，都被错误地识别成了前景。这说明，这个问题应该不是偶然出现的，可能是一个共性的问题。为了避免出现这种情况，在进行图像二值化处理时，当每选取一个小窗口，就应该先进行判定。如果这个小窗口内同时混有前景和背景，那么就进行该中心点的二值化；否则，小窗口内就只含有前景或是只有背景，就不应该进行阈值分割了，而应该采取一种方法去判断它是属于背景还是前景。至于具体实现方案，这也是未来对局部阈值分割进行进一步研究的方向。

3.3 基本自适应阈值分割

全局阈值存在的问题是不均匀亮度无法有效分割，解决办法除了像局部阈值法对图像每一个像素进行处理外，还可以将整幅图像化整为零，划分为许多个小块，分别进行处理，得到它的阈值。小块特点是彼此分离没有重叠，这也是与局部阈值法的区别。那么这个阈值相对于整体的全局阈值来说，就是与相应小块中的像素更加关联的，对于局部应该也是更好的。其中每一个小块，可以简单的将

它看作一幅图像，这样，要得到与这个小块相关的局部阈值，可以简单地使用全局阈值值法来对每个小块做出处理，进行二值化。

我们将图像划分成许多小块，如果称小块的长和宽为尺度的话，那么选取时，若尺度太大，对图像的局部还不够好；但是若尺度太小，小块内可能就只有前景或只有背景了，此时的二值化是不合理的。所以，给小块选择一个合适的尺度是很讲究的，本文目前只能通过不断尝试来确定。现引入图3.20，对其进行基本自适应阈值分割。

图3.20 原始图像6 图3.21 基本自适应阈值处理图1 经过尝试，现选用处理效果较好的115*115的分块对图3.20进行处理，所得结果如图3.21所示。我们发现，对于这种水平方向上光照不均的图像的处理，原图的细节得到了很好的保留，其处理效果还是很不错的。

事实上，一幅图划分成的子块是图像的一部分，它们的阈值应该是有所关联的。如果就这样一个个孤立开的话，就会发生阈值灰度跃变的问题，即由于每一个小块内的各自阈值都相差很大，可能导致块与块交界处的图像像素灰度值不连续，出现明显间断或不一致。解决办法有两个：要么对这些边界处的像素点做出处理，要么对这些阈值做出处理。具体实现办法还没有一个清晰的框架，只能等课程结束以后对其进行进一步的研究和学习。结束语

本文利用不同算法对不同图像进行了阈值分割处理，对处理所得到的二值图进行了比较。对于一些简单图像，全局阈值法能很好的保持原图的主要信息，且实现简单、运行速度快，但对复杂图像的处理效果不佳。对于光照不均或较复杂的图像，局部阈值法可以保留更多细节，但是背景噪声比较严重，且运行速度较慢。基本自适应阈值方法也能对光照不均的图像进行处理，但是分块大小的确定还没有一个准则，只能称之为半自适应阈值分割。实践工作中遇到的需要进行二值化的图像是纷繁复杂的，上面提到的算法尚有许多方面可以改善。本次程序设计，无论在数字图像处理的理论知识还是MATLAB软件中GUI的掌握上还是对算法的编程实现上，都有了更深刻的了解与进步。并且对图像处理有了很大的兴趣，希望在今后的学习中能够更加深入的学习。

第四篇：matlab图像处理小结

1.function [center, r] = solve_circle(pt1, pt2, pt3)

2.%Effect: solve the circle which across points 'pt1', 'pt2' and 'pt3' 3.%Inputs:

4.%pt1, pt2, pt3: [x, y]

5.%center: the circle center [x0;y0] 6.%r: the radius of the circle 7.%Author: Su dongcai at 2012/1/2 8.A = zeros(2, 2);B = zeros(2, 1);9.[A(1, :), B(1)] = circle2line(pt1, pt2);10.[A(2, :), B(2)] = circle2line(pt2, pt3);11.center = AB;

12.r = norm(pt1'(y2^2 + y2^2)18.%(a-x2)^2 +(b-y2)^2 = r^2 | 19.%Inputs:

20.%pt1, pt2: [x1, y1], [x2, y2] 21.%Outputs:

22.%A: 2[x1-x2, y1-y2]

23.%B:(x1^2 + y1^2)pt2);

26.B = norm(pt1)^2-norm(pt2)^2;

close all;clear;clc;>> i=imread('rice.png');%>> imshow(i);>> background=imopen(i,strel('disk',15));>> i2=imsubtract(i,background);%>> figure,imshow(i2);>> i3=imadjust(i2,stretchlim(i2),[0 1]);%>> figure,imshow(i3);>> level=graythresh(i3);>> bw=im2bw(i3,level);%>> figure,imshow(bw);>> [labeled,numobjects]=bwlabel(bw,4);graindata=regionprops(labeled,'all');

close all;clear;clc;i=imread('rice.png');background=imopen(i,strel('disk',15));i2=imsubtract(i,background);i3=imadjust(i2,stretchlim(i2),[0 1]);level=graythresh(i3);bw=im2bw(i3,level);[labeled,numobjects]=bwlabel(bw,4);data=regionprops(labeled,'all');

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %2006.6.2 close all;clear;clc;>> i=imread('r.jpg');%>> figure,imshow(i);>> imgray=rgb2gray(i);>> figure,imshow(imgray)>> background=imopen(imgray,strel('disk',15));>> i2=imsubtract(imgray,background);%>> figure,imshow(i2);>> i3=imadjust(i2,stretchlim(i2),[0 1]);%>> figure,imshow(i3);>> level=graythresh(i3);>> bw=im2bw(i3,level);%>> figure,imshow(bw);>> imnobord=imclearborder(bw,4);%>> figure,imshow(imnobord);>> [labeled,numobjects]=bwlabel(bw,4);>> rgb_label=label2rgb(labeled,@spring,'c','shuffle');>> figure,imshow(rgb_label);>> graindata=regionprops(labeled,'all');hold on;for k=1:numobjects lab=sprintf('%d',k);text(graindata(k).Centroid(1),graindata(k).Centroid(2),lab,'Color','k');end hold off;%剔除碎米粒

>> idxdown=find([graindata.Area]<150);%剔除碎米粒 little=ismember(labeled,idxdown);figure,imshow(little);

[lab_little,num_little]=bwlabel(little,4);rgb_little=label2rgb(lab_little,@spring,'c','shuffle');figure,imshow(rgb_little);

little_data=regionprops(lab_little,'all');hold on;for k=1:num_little lab=sprintf('%d',k);text(little_data(k).Centroid(1),little_data(k).Centroid(2),lab,'Color','k');end hold off;%>> graindata(idxdown,:)=[];%剔除碎米粒 %剔除连接米粒

>> idxup=find([graindata.Area]>250);%剔除连接米粒 big=ismember(labeled,idxup);figure,imshow(big);

[lab_big,num_big]=bwlabel(big,4);rgb_big=label2rgb(lab_big,@spring,'c','shuffle');figure,imshow(rgb_big);

big_data=regionprops(lab_big,'all');hold on;for k=1:num_big lab=sprintf('%d',k);text(big_data(k).Centroid(1),big_data(k).Centroid(2),lab,'Color','k');end hold off;%>> graindata(numup,:)=[];%剔除连接米粒 %获取完整米粒

idxsuit=find([graindata.Area]>=150&[graindata.Area]<=250);suit=ismember(labeled,idxsuit);figure,imshow(suit);%获取完整米粒 [lab_suit,num_suit]=bwlabel(suit,4);suit_data=regionprops(lab_suit,'all');hold on;for k=1:num_suit signature=sprintf('%d',k);text(suit_data(k).Centroid(1),suit_data(k).Centroid(2),signature,'Color','r');end hold off;%获取完整米粒 whos graindata whos little_data whos big_data whos suit_data

>> graindata >> mean([graindata.Area])>> mean([graindata.Eccentricity])>> mean([graindata.MajorAxisLength])>> mean([graindata.MinorAxisLength])>> mean([graindata.EquivDiameter])>> figure,hist([graindata.Area],20);>> figure,hist([graindata.Eccentricity],20);>> figure,hist([graindata.MajorAxisLength],20);>> figure,hist([graindata.MinorAxisLength],20);>> figure,hist([graindata.EquivDiameter],20);

data=[graindata.Area] data=[graindata.Centroid] data=[graindata.BoundingBox] data=[graindata.SubarrayIdx] data=[graindata.MajorAxisLength] data=[graindata.MinorAxisLength] data=[graindata.Eccentricity] data=[graindata.Orientation] data=[graindata.ConvexHull] data=[graindata.ConvexImage] data=[graindata.ConvexArea] data=[graindata.Image] data=[graindata.FilledImage] data=[graindata.FilledArea] data=[graindata.EulerNumber] data=[graindata.Extrema] data=[graindata.EquivDiameter] data=[graindata.Solidity] data=[graindata.Extent] data=[graindata.PixelIdxList] data=[graindata.PixelList]

Area 计算各个连通区域中的象素总数 BoundingBox 包含相应区域的最小矩形 Centroid 给出每个区域的质心

MajorAxisLength 与区域具有相同标准二阶中心矩（又叫标准差）的椭圆的长轴长度 MinorAxisLength 与区域具有相同标准二阶中心矩的椭圆的短轴长度 Eccentricity 与区域具有相同标准二阶中心矩的椭圆的离心率

Orientation 与区域具有相同标准二阶中心矩的椭圆的长轴与x轴的交角 Image 二值图像，与某区域具有相同大小的逻辑矩阵。

FilledImage 与上相同，唯一区别是这是个做了填充的逻辑矩阵！本例中和上面的没有区别，只有 区域有空洞时才有明显差别。

FilledArea 是标量，填充区域图像中的 on 像素个数

ConvexHull 是p行2列的矩阵，包含某区域的最小凸多边形 ConvexImage 二值图像，用来画出上述的区域最小凸多边形 ConvexArea 是标量，填充区域凸多边形图像中的 on 像素个数 EulerNumber 等于图像中目标个数减去这些目标中空洞的个数 Extrema 8行2列矩阵，八方向区域极值点

EquivDiameter 是标量，等价直径：与区域具有相同面积的圆的直径.计算公式为：sqrt(4*Area/pi)

Solidity 是标量，同时在区域和其最小凸多边形中的像素比例。计算公式为： Area/ConvexArea，这也是个仿射特征，实际上反映出区域的固靠性程度。

Extent 是标量，同时在区域和其最小边界矩形中的像素比例。计算公式为：Area除以边界矩 形面积，这也是个仿射特征，实际上反映出区域的扩展范围程度。

PixelIdxList p元向量，存储区域像素的索引下标

PixelList p行ndims(L)列矩阵，存储上述索引对应的像素坐标 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 基于特定原则的区域选择

当你要基于特定准则条件选择某个区域时，将函数 ismember 和 regionprops 联合使用是很有用处的。例如：创建一个只包含面积大于80的二值图像，用以下命令

idx = find([stats.Area] > 80);BW2 = ismember(L,idx);regionprops函数的扩展思路

在regionprops函数的基础上，你可以使用它提供的基本数据来扩展它的功能，比如我就将区域的曲率数据和骨架数据作为它的另外属性值来开发，从而希望它能用来做更细致的特征提取。

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %2006.6.2 P221图像粒度测定（雪花）>> i=imread('snowflakes.png');>> figure,imshow(i);>> %(2)>> clahei=adapthisteq(i,'numtiles',[10 10]);>> clahei=imadjust(clahei);>> imshow(clahei);>> gi=imadjust(im2double(i),[],[0 1]);>> figure,imshow(gi),title('adjusted grayscale image');>> %(3)>> se=strel('disk',10);>> topi=imtophat(gi,se);>> figure,imshow(topi),title('top-hat image');>> %(4)>> for counter=0:22 remain=imopen(clahei,strel('disk',counter));intensity_area(counter+1)=sum(remain(:));end >> figure,plot(intensity_area,'m-*'),grid on;>> title('sum of opening(pixels)');>> title('sum of opening values in opened image as a function of radius');>> xlabel('radius of opening(pixels)');>> ylabel('pixel value sum of opened objects(intensity)');>> >> >> >> for counter=0:20 remain=imopen(topi,strel('disk',counter));surfarea(counter+1)=sum(remain(:));end >> figure,plot(surfarea,'m-*'),grid on;>> set(gca,'xtick',[0 2 4 6 8 10 12 14 16 18 20]);>> title('surface area of opened objects as a function of radius');>> xlabel('radius of opening(pixels)');>> ylabel('surface area of opened objects(pixels)');>> %(5)>> intensity_area_prime=diff(intensity_area);>> figure,plot(intensity_area_prime,'m-*'),grid on;>> title('Granulometry(size distrubution)of snowflakes');>> set(gca,'xtick',[0 2 4 6 8 10 12 14 16 18 20 22]);>> xlabel('radius of snowflakes(pixels)');>> ylabel('sum of pixel values in snowflakes as a function of radius');>> derivsurfarea=diff(surfarea);>> figure,plot(derivsurfarea,'m-*'),grid on;>> title('granulometry(size distribution)of stars');>> xlabel('radius of stars(pixels)');>> ylabel('loss of pixels between two successive openings');

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %2006.6.2 花椒检测 clc;clear;close all;i=imread('gj.jpg');imshow(i);icanny=edge(i,'canny');imshow(icanny);se90=strel('line',2,90);se0=strel('line',2,0);bwsdil=imdilate(icanny,[se90 se0]);figure,imshow(bwsdil),title('dilated');ifill=imfill(bwsdil,'holes');figure,imshow(ifill);

%bwero=imerode(bwsdil,[se90 se0]);%figure,imshow(bwero);%i2fill=imfill(bwero,'holes');%figure,imshow(bwero);%imshow(i2fill);

%bwnobord=imclearborder(bwsdil,4);%figure,imshow(bwnobord);bwnobord=imclearborder(ifill,4);figure,imshow(bwnobord);se=strel('disk',5);bwc=imclose(bwnobord,se);bwco=imopen(bwnobord,se);figure,imshow(bwc);figure,imshow(bwco);%mask=bwsdil&bwco;%figure,imshow(mask);clc [labeled,numobjects]=bwlabel(bwco);numobjects

jdata=regionprops(labeled,'all');%jdata

jarea=[jdata.Area];mean(jarea)max(jarea)min(jarea)hist(jarea,255)jdata.Eccentricity %std([jdata.Eccentricity]）/(Mean([jdata.Eccentricity])jstd=std([jdata.Eccentricity])jmean=Mean([jdata.Eccentricity])jcv=jstd/jmean

>> std([jdata.Area])/ mean([jdata.Area])%面积的变异系数

>> std([jdata.Eccentricity])/ mean([jdata.Eccentricity])%椭圆的变异系数 >> std([jdata.MajorAxisLength])/ mean([jdata.MajorAxisLength])>> std([jdata.MinorAxisLength])/ mean([jdata.MinorAxisLength])>> std([jdata.EquivDiameter])/ mean([jdata.EquivDiameter])

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %2006.06.06 rice.png close all;clear;clc >> i=imread('rice.png');imshow(i);background=imopen(i,strel('disk',15));figure,imshow(background);i2=imsubtract(i,background);figure,imshow(i2);i3=imadjust(i2,stretchlim(i2),[0 1]);figure,imshow(i3);level=graythresh(i3);bw=im2bw(i3,level);figure,imshow(bw);imnobord=imclearborder(bw);[label,numobjects]=bwlabel(imnobord,4);numobjects rgb_label=label2rgb(label,@spring,'c','shuffle');figure,imshow(rgb_label);graindata=regionprops(label,'all');graindata

>> numdown=find([graindata.Area]<150);>> graindata(numdown,:)=[];>> numup=find([graindata.Area]>250);>> graindata(numup,:)=[];>> graindata

>> std([graindata.Area])/ mean([graindata.Area])%面积的变异系数

>> std([graindata.Eccentricity])/ mean([graindata.Eccentricity])%椭圆的变异系数

>> std([graindata.MajorAxisLength])/ mean([graindata.MajorAxisLength])>> std([graindata.MinorAxisLength])/ mean([graindata.MinorAxisLength])>> std([graindata.EquivDiameter])/ mean([graindata.EquivDiameter])%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %2006.06.06 rice的垩白度检测 >> clear;close all;clc;>> rgb=imread('r.jpg');>> close all;>> imshow(rgb);>> i=rgb2gray(rgb);>> j=medfilt2(i,[5 5]);>> figure,imshow(i);>> figure,imshow(j);>> imhist(j,256);>> t=0.3;>> v=imadjust(j,[t 1],[],1);>> imhist(v,256);>> t_c=0.6;>> bw_v=im2bw(v,0.01);>> chalk=imadjust(v,[t_c 1],[],1);>> bw_chalk=im2bw(chalk,0.01);>> figure,imshow(v);>> figure,imshow(bw_v);>> figure,imshow(chalk);>> figure,imshow(bw_chalk);>> degree_chalkness=bwarea(bw_chalk)/bwarea(bw_v)*100 >> bw=im2bw(j,t);>> figure,imshow(bw);>> se=(ones(3,3));>> bw1=imerode(bw,se);%两次腐蚀 >> figure,imshow(bw1);>> bw2=imerode(bw1,se);>> figure,imshow(bw2);

>> [l,num]=bwlabel(bw2);%标记腐蚀后的大米图像 >> t_chalk=100;%设置垩白面积的下限 >> compare=(l)&(chalk>t_chalk);%>> compare=(bw2)&(bw_chalk>t_chalk);>> [r,c]=find(compare);%标记垩白米粒的位置 >> result=bwselect(l,c,r);%显示只含有垩白米粒的图像 >> figure,imshow(result);

>> [l_chalk,num_chalk]=bwlabel(result);%标记垩白米粒图像，便于计数 >> rate_chalky_grains=num_chalk/num*100;>> rate_chalky_grains

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %2006.6.17 bwmorph函数 >> help bwmorph BWMORPH Perform morphological operations on binary image.BW2 = BWMORPH(BW1,OPERATION)applies a specific morphological operation to the binary image BW1.BW2 = BWMORPH(BW1,OPERATION,N)applies the operation N times.N can be Inf, in which case the operation is repeated until the image no longer changes.OPERATION is a string that can have one of these values: 'bothat' Subtract the input image from its closing 'bridge' Bridge previously unconnected pixels 'clean' Remove isolated pixels(1's surrounded by 0's)'close' Perform binary closure(dilation followed by erosion)'diag' Diagonal fill to eliminate 8-connectivity of background 'dilate' Perform dilation using the structuring element ones(3)'erode' Perform erosion using the structuring element ones(3)'fill' Fill isolated interior pixels(0's surrounded by 1's)'hbreak' Remove H-connected pixels 'majority' Set a pixel to 1 if five or more pixels in its 3-by-3 neighborhood are 1's 'open' Perform binary opening(erosion followed by dilation)'remove' Set a pixel to 0 if its 4-connected neighbors are all 1's, thus leaving only boundary pixels 'shrink' With N = Inf, shrink objects to points;shrink objects with holes to connected rings 'skel' With N = Inf, remove pixels on the boundaries of objects without allowing objects to break apart 'spur' Remove end points of lines without removing small objects completely.'thicken' With N = Inf, thicken objects by adding pixels to the exterior of objects without connected previously unconnected objects 'thin' With N = Inf, remove pixels so that an object without holes shrinks to a minimally connected stroke, and an object with holes shrinks to a ring halfway between the hold and outer boundary 'tophat' Subtract the opening from the input image

Class Support-------------The input image BW1 can be numeric or logical.It must be 2-D, real and nonsparse.The output image BW2 is logical.Examples--------BW1 = imread('circles.png');imview(BW1)BW2 = bwmorph(BW1,'remove');BW3 = bwmorph(BW1,'skel',Inf);imview(BW2)imview(BW3)

See also erode, dilate, bweuler, bwperim.Reference page in Help browser doc bwmorph

BW1 = imread('circles.png');figure,imshow(BW1)BW2 = bwmorph(BW1,'erode');figure,imshow(BW2)

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %边界提取 b=bwmorph(bw,'remove');b=bwperim(bw,8);%又叫边界象素测定 b=edge(bw,'canny');%又叫边界提取 %去除孤立象素点

nosinglepixel=bwmorph(bw,'clean');%去除小面积物体

nosmall=bwareaopen(bw,CNN);%阈值处理再取反

bw=~im2bw(i,graythresh(i));

%开运算（消除小物体）与闭运算（填充物体内细小空洞）se=strel('disk',6);iopen=imopen(bw,se);iclose=imclose(bw,se);%腐蚀与膨胀联合操作 %（1）创建结构元素 se=strel('rectangle',[40 30]);%（2）使用结构元素腐蚀图像 bw1=imread('circbw.tif');bw2=imerode(bw1,se);imshow(bw2);%（3）逆操作，回复矩形原来大小 bw3=imdilate(bw2,se);figure,imshow(bw3);

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %2006.6.18花椒子

%直接对灰度图进行canny运算 >> i=imread('nut.bmp');>> figure,imshow(i);>> ig=rgb2gray(i);>> figure,imshow(ig);%igcanny=edge(ig,'canny');%igcfill=imfill(igcanny,'hole');igcanny_thresh=edge(ig,'canny',(graythresh(ig)*.1));igcfill=imfill(igcanny_thresh,'hole');>> figure,imshow(igcfill);

%先对灰度图滤波，再进行canny运算

>> imed=medfilt2(ig);%中值滤波后对图像边界有一定的损伤！！>> imedcanny=edge(imed,'canny');>> imedfill=imfill(imedcanny,'hole');>> figure,imshow(imedfill);>> nosmall=bwareaopen(imedfill,150);>> figure,imshow(nosmall);

%注意：若对灰度图像先拉氏锐化，在canny提取边界，效果不大好！！%结论：无需拉氏锐化，也不必中值滤波，可直接canny提取边界！！>> ifill=igcfill|imedfill;>> figure,imshow(ifill);>> nosmall=bwareaopen(ifill,150);>> figure,imshow(nosmall);

%当t=0.55时,阈值处理再canny运算的效果 >> imhist(ig);>> t=0.55;>> v=imadjust(ig,[0 t],[],1);>> vcanny=edge(v,'canny');>> vfill=imfill(vcanny,'hole');>> figure,imshow(vfill);>> ifill=igcfill|vfill;>> figure,imshow(ifill);>> nosmall=bwareaopen(ifill,150);>> figure,imshow(nosmall);

%当t=0.6时,阈值处理再canny运算的效果的效果 >> t=0.6;>> v=imadjust(ig,[0 t],[],1);>> vcanny=edge(v,'canny');>> vfill=imfill(vcanny,'hole');>> figure,imshow(vfill);>> ifill=igcfill|vfill;>> figure,imshow(ifill);>> nosmall=bwareaopen(ifill,150);>> figure,imshow(nosmall);

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %处理花椒子

>> i=imread('nut.bmp');%figure,imshow(i);ig=rgb2gray(i);figure,imshow(ig);>> imed=medfilt2(ig);imedcanny=edge(imed,'canny');imedfill=imfill(imedcanny,'hole');%figure,imshow(imedfill);nosmall=bwareaopen(imedfill,150);>> figure,imshow(nosmall);>> [labeled,numobjects]=bwlabel(nosmall,4);>> rgb_label=label2rgb(labeled,@spring,'c','shuffle');%>> figure,imshow(rgb_label);>> nutdata=regionprops(labeled,'all');>> min([nutdata.Solidity])

>> rectangle('Position', [253.5000 207.5000 26.0000 28.0000])%画矩形

>> rectangle('Position', [250.5000 50.5000 27.0000 26.0000])>> figure,imshow(nutdata(1).Image)%只显示1号物体的图像

>> figure,imshow(nutdata(1).ConvexImage)%画出1号物体的凸多边形 >> std([nutdata.Eccentricity])/ mean([nutdata.Eccentricity])std([nutdata.Area])/ mean([nutdata.Area])std([nutdata.Solidity])/ mean([nutdata.Solidity])>> std([nutdata.Centroid])/ mean([nutdata.Centroid])std([nutdata.MajorAxisLength])/ mean([nutdata.MajorAxisLength])std([nutdata.MinorAxisLength])/ mean([nutdata.MinorAxisLength])std([nutdata.Orientation])/ mean([nutdata.Orientation])std([nutdata.EquivDiameter])/ mean([nutdata.EquivDiameter])std([nutdata.Extent])/ mean([nutdata.Extent])std([nutdata.Extrema])/ mean([nutdata.Extrema])

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %处理花椒皮 close all;clc;clear;>> i=imread('p.bmp');imshow(i);ig=rgb2gray(i);figure,imshow(ig);imed=medfilt2(ig);imedcanny=edge(imed,'canny');figure,imshow(imedcanny);>> se90=strel('line',2,90);se0=strel('line',2,0);bwsdil=imdilate(imedcanny,[se90 se0]);figure,imshow(bwsdil),title('dilated');ifill=imfill(bwsdil,'holes');figure,imshow(ifill);>> bwero=imerode(ifill,[se90 se0]);>> figure,imshow(bwero);>> nosmall=bwareaopen(bwero,150,4);>> figure,imshow(nosmall);>> nobord=imclearborder(nosmall,4);>> figure,imshow(nobord);>> [labeled,numobjects]=bwlabel(nobord,4);>> numobjects >> pdata=regionprops(labeled,'all');>> max([pdata.Solidity])>> std([pdata.Solidity])/mean([pdata.Solidity])

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %处理混合图像 >> clear;clc;close all;>> i=imread('m.bmp');%>> figure,imshow(i);>> ig=rgb2gray(i);figure,imshow(ig);imed=medfilt2(ig);%>> figure,imshow(imed);imedcanny=edge(imed,'canny');%>> figure,imshow(imedcanny);>> se90=strel('line',2,90);se0=strel('line',2,0);bwsdil=imdilate(imedcanny,[se90 se0]);%figure,imshow(bwsdil),title('dilated');ifill=imfill(bwsdil,'holes');%figure,imshow(ifill);bwero=imerode(ifill,[se90 se0]);%figure,imshow(bwero);>> nosmall=bwareaopen(bwero,150,4);%figure,imshow(nosmall);nobord=imclearborder(nosmall,4);figure,imshow(nobord);>> [labeled,numobjects]=bwlabel(nobord,4);>> numobjects >> rgb_label=label2rgb(labeled,@spring,'c','shuffle');figure,imshow(rgb_label);>> mexdata=regionprops(labeled,'all');hold on;%以下内容画在同一figure中 centr=[mexdata.Centroid];%寻找重心位置 nums=1:numobjects;for k = 1:numobjects soli=mexdata(k).Solidity;soli_string=sprintf('%2.2f',soli);%等价于转字符串 % signal=num2str(nums(k));signal=sprintf('%d',k);%直接使用打印语句打印序号 text(centr(2*k-1),centr(2*k),signal)%按序标记物体

text(centr(2*k-1)-30,centr(2*k)-30,soli_string)%标注每个Solidity值 end

for k=1:numobjects plot(mexdata(k).ConvexHull(:,1),mexdata(k).ConvexHull(:,2),...'b','Linewidth',2)end

%画出1和2号物体的外接矩形

%>> rectangle('position',[9.5000 224.5000 62.0000 63.0000])%>> rectangle('position',[65.5000 141.5000 34.0000 39.0000])%画出每个物体的外接矩形 bb=[mexdata.BoundingBox];for k=1:numobjects rectangle('position',[bb(4*k-3)bb(4*k-2)bb(4*k-1)bb(4*k)])end

%>> figure,imshow(mexdata(1).Image)%只显示1号物体的图像

%>> figure,imshow(mexdata(1).ConvexImage)%画出1号物体的凸多边形 %>> figure,imshow(mexdata(2).Image)%只显示2号物体的图像

%>> figure,imshow(mexdata(2).ConvexImage)%画出2号物体的凸多边形 %画出单个物体的凸多边形的填充图形 for k=1:numobjects figure,imshow(mexdata(k).ConvexImage)end

%只显示Solidity>0.92的物体的图像 >> idx = find([mexdata.Solidity] > 0.92);>> BW2 = ismember(labeled,idx);>> figure,imshow(BW2)

>> mexdata=regionprops(labeled,'all');>> %只显示Solidity<0.92的物体的图像 idx = find([mexdata.Solidity] < 0.92);bw2 = ismember(labeled,idx);figure,imshow(bw2)%mexdata.Solidity;

>> numdown=find([mexdata.Solidity]<0.92);mexdata(numdown,:)=[];>> mexdata

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %2006.6.19 %roipoly函数的用法 I = imread('eight.tif');c = [222 272 300 270 221 194];r = [21 21 75 121 121 75];BW = roipoly(I,c,r);imview(I), imview(BW)

%可以使用下面的方法创建相应的向量： regionprops(L,'Area');allArea = [stats.Area];

%创建一个只包含面积大于80的二值图像 idx = find([stats.Area] > 80);BW2 = ismember(L,idx);

%只显示某个下标所对应的物体图像 bw2=ismember(L,N);figure,imshow(bw2);

%在调用regionprops之前必须将二值图像转变为标注矩阵 L = bwlabel(BW);%或者

L = double(BW);

%将matlab数据写到excel中 a=ones(3);success = xlswrite('c:/matlab/work/myworkbook.xls',a,'A2:C4')%将行矩阵转换为列矩阵 a=[1 2 3 4 5 6];b=transpose(a);

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %2006.6.22球形物体的检测和标识（循环检测和标识算法）clc;clear;close all;%Step 1: Read image %Step 2: Threshold the image %Step 3: Remove the noise %Step 4: Find the boundaries %Step 5: Determine which objects are round >> RGB = imread('pillsetc.png');imshow(RGB)>> I = rgb2gray(RGB);threshold = graythresh(I);bw = im2bw(I,threshold);imshow(bw)>> % remove all object containing fewer than 30 pixels bw = bwareaopen(bw,30);>> figure,imshow(bw)>> % fill a gap in the pen's cap se = strel('disk',2);bw = imclose(bw,se);>> figure,imshow(bw)>> % fill any holes, so that regionprops can be used to estimate % the area enclosed by each of the boundaries bw = imfill(bw,'holes');>> figure,imshow(bw)>> [B,L] = bwboundaries(bw,'noholes');>> % Display the label matrix and draw each boundary figure,imshow(label2rgb(L, @jet, [.5.5.5]))>> hold on for k = 1:length(B)boundary = B{k};plot(boundary(:,2), boundary(:,1), 'w', 'LineWidth', 2)end >> stats = regionprops(L,'Area','Centroid');>> stats = regionprops(L,'Area','Centroid');threshold = 0.94;% loop over the boundaries for k = 1:length(B)% obtain(X,Y)boundary coordinates corresponding to label 'k' boundary = B{k};% compute a simple estimate of the object's perimeter delta_sq = diff(boundary).^2;perimeter = sum(sqrt(sum(delta_sq,2)));

% obtain the area calculation corresponding to label 'k' area = stats(k).Area;

% compute the roundness metric metric = 4*pi*area/perimeter^2;

% display the results metric_string = sprintf('%2.2f',metric);% mark objects above the threshold with a black circle if metric > threshold centroid = stats(k).Centroid;plot(centroid(1),centroid(2),'ko');end

text(boundary(1,2)-35,boundary(1,1)+13,metric_string,'Color','y',...'FontSize',14,'FontWeight','bold');end >> title(['Metrics closer to 1 indicate that ',...'the object is approximately round']);

第五篇：基于MATLAB图像处理报告

基于MATLAB图像处理报告

一、设计题目

图片叠加。

二、设计要求

将一幅礼花图片和一幅夜景图片做叠加运算，使达到烟花夜景的美图效果。

三、设计方案

3.1、设计思路

利用matlab强大的图像处理功能，通过编写程序，实现对两幅图片的像素进行线性运算，利用灰度变换的算法使图片达到预期的效果。

3.2、软件介绍

MATLAB是matrix&laboratory两个词的组合，意为矩阵工厂（矩阵实验室）。是由美国mathworks公司发布的主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言（如C、Fortran）的编辑模式，代表了当今国际科学计算软件的先进水平。

MATLAB和Mathematica、Maple并称为三大数学软件。它在数学类科技应用软件中在数值计算方面首屈一指。MATLAB可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等，主要应用于工程计算、控制设计、信号处理与通讯、图像处理、信号检测、金融建模设计与分析等领域。MATLAB的基本数据单位是矩阵，它的指令表达式与数学、工程中常用的形式十分相似，故用MATLAB来解算问题要比用C，FORTRAN等语言完成相同的事情简捷得多，并且MATLAB也吸收了像Maple等软件的优点，使MATLAB成为一个强大的数学软件。在新的版本中也加入了对C，FORTRAN，C++，JAVA的支持。可以直接调用，用户也可以将自己编写的实用程序导入到MATLAB函数库中方便自己以后调用，此外许多的MATLAB爱好者都编写了一些经典的程序，用户直接进行下载就可以用。

3.3、常见简单程序语句及算法分析

（1）CLC；清零。（2）CLEAR ； 清内存。

（3）r=imread（‘路径图片名.jpg’）；读入一幅图片。（4）imshow（r）；显示图片r。（5）g=rgb2gray(r)；灰度转变。

（6）%imhist（g）；g1=histeq（g）；figure，imsho（g1）；直方图均衡化。（7）Imwrite（‘g1，路径图片名.jpg’）;保存图片。

3.4、图片叠加及灰度变换分析

程序1 [m,n,l]=size(C);for i=1:m for j=1:n for k=1:l D(i,j,k)=C(i,j,k)+ B(i,j,k);end end end 此程序的主要功能是对两幅图片通过算法来实现叠加的效果，程序中的几个变量都是像素点的值，通过三个循环使得两幅图片对应的值线性相加，最大值应该是以255输出，超过255也是以255输出。

程序2 J = imadjust(I,[low_in high_in], [low_out high_out])此程序变换的原理是：如果原图像f(x, y)的灰度范围是[m, M]，我们希望对图像的灰度范围进行线性调整，调整后的图像g(x, y)的灰度范围是[n, N]，那么下述变换：g(x,y)

N

n

f(x,y)

m

n就可以实现这一要求。MATLAB图像处理工具箱中提供的imadjust函数，可以实现上述的线性变换对比度调整。

四、设计步骤（1）处理之前，我们先来看看两幅原图，一幅是带有礼花的图片，另一幅是一幅东方明珠的夜景图。

图 1

图 2 通过图片我们发现，礼花的图片非常的亮，而夜景图则显得有些灰暗。我们推测，如果让礼花和夜景的图片叠加到一起，会不会由于礼花的亮度太大而掩盖了城市的夜光，达不到我们想要的效果。

（2）打开matlab图像处理软件，7.0及以上版本就可以，打开之后，显示界面如下（我的版本是2012b）。

图3（3）新建script文件，点击’New script‘，或点击’New‘，选择script。

图4（4）在打开的界面之中输入程序。图片的位置是你所要用的图片的准确位置，尽量写详细点，减少计算机的读取时间，加快读取速度。如图所示。

图5（5）点击运行按钮，即界面上的绿色按钮。

图6（6）查看效果，如下图。

图7 通过处理后的图片，我们看到由于礼花太亮，完全将城市的夜景掩盖住了，效果不是太理想。我们设想加入灰度变换函数，将礼花的图片变的暗一点，将夜景的亮度提高一点，看看效果怎么样，加入灰度变换程序，如下图。

图8（7）软件调试后运行程序，如下图。

图9 结果显示加入灰度变换的函数之后，图片效果较之前好多了，达到了预期的目的。

五、软件代码

通过matlab进行图像处理，代码如下： clear;clc;A=imread('C:UsersAdministratorDesktop作业礼花.jpg');C=imresize(A,[300,400]);B=imread('C:UsersAdministratorDesktop作业夜景提亮天空中加入礼花.jpg');[m,n,l]=size(C);for i=1:m for j=1:n for k=1:l D(i,j,k)=C(i,j,k)+ B(i,j,k);end end end figure imshow(D);imwrite('C:UsersAdministratorDesktop作业礼花效果图1.jpg')调试之后的程序代码如下： clear;clc;A=imread('C:UsersAdministratorDesktop作业礼花.jpg');B=imread('C:UsersAdministratorDesktop作业夜景提亮天空中加入礼花.jpg');A1=imadjust(A,[0,1],[0,0.9]);B1=imadjust(B,[0.3,0.6],[0,1]);C=imresize(A1,[300,400]);[m,n,l]=size(C);for i=1:m for j=1:n for k=1:l D(i,j,k)=C(i,j,k)+ B1(i,j,k);end end end figure imshow(D);imwrite('C:UsersAdministratorDesktop作业礼花效果图2.jpg')处理后的图片如下：

图 10

六、结果分析

通过两幅图的对比，发现第二幅图片较第一幅，效果明显增强。是由于加入灰度变换函数，使原图的灰度值发生变化，以达到实际的效果。

效果对比图11

七、心得体会

通过这次任务，以前在课堂上没太听明白怎么回事的东西，通过上网，查资料，以及用软件处理，通通实践了一遍，加深了对这门课程的认识和理解。Matlab是一款功能很强大的应用软件，它不仅可以对图像进行处理，而且可以进行各种数字计算和符号计算功能，具有绘图功能，语言体系等等。这次的任务我们乐在其中，喜悦的是看到了成果，内心充满了满足感和成就感，就如同看到了图片中的烟花，有种过年的感觉。不过这些都只是皮毛而已，要想真正地掌握它，还得更进一步地学习理论知识。

参考文献：

【冈萨雷斯 数字图像处理（MATLAB版）】[美] RafaelC.Gonzalez RichardE.Woods StevenL.Eddins 著 电子工业出版社。

【数字图像处理及MATLAB实现】杨杰 主编 电子工业出版社。