网站漏洞以及找后台入口 等功能.,顺义便宜的建站公司,沈阳做网站推广的公司,本地app制作公司地址大家好#xff01;欢迎来到本次的总结性的一篇文章#xff0c;因为咸鱼哥这几个月是真的有点小忙#xff08;参加了点小比赛#xff0c;准备考试等等#xff09;所以#xff0c;在数字图像学习后#xff0c;我来写一个总结性的文章#xff0c;同时帮助大家学习#xf… 大家好欢迎来到本次的总结性的一篇文章因为咸鱼哥这几个月是真的有点小忙参加了点小比赛准备考试等等所以在数字图像学习后我来写一个总结性的文章同时帮助大家学习相关细节的东西我会后续写对应内容的详解写文章的时间有点靠后所以更新有点慢多说无益所以那我们开始吧 注咸鱼哥这里的学习是根据数字图像处理 冈萨雷斯 第四版来进行的其实学习中用那本书都可以笔者也看过其他的基本常见教材内容基本一致。
一、生成灰度图像
% 读取图像
A imread(1.1.png);
B imread(1.1.png);
% 显示原始图像
%figure,imshow(A),title(Original Image A);% 提取图像的红色、绿色和蓝色通道
Fxy_r A(:, :, 1); % 红色通道
Fxy_g A(:, :, 2); % 绿色通道
Fxy_b A(:, :, 3); % 蓝色通道注意这里修正了原代码中的语法错误% 显示红色、绿色和蓝色通道
% figure;
% subplot(1, 3, 1), imshow(Fxy_r), title(Red Channel);
% subplot(1, 3, 2), imshow(Fxy_g), title(Green Channel);
% subplot(1, 3, 3), imshow(Fxy_b), title(Blue Channel);% 将图像转换为灰度图
A_gray rgb2gray(A);
B_gray rgb2gray(B);% 显示灰度图像
%figure,imshow(A_gray),title(Grayscale Image); 这里基本上在数字图像处理中都会用到转到灰度这一块所以要记得灰度在数字图像处理这一节中的重要性这里难度不是很大的。
二、建立图像的坐标系
[Rw, Cl] size(A_gray); % 获取灰度图像的尺寸
[X, Y] meshgrid(1:Cl, 1:Rw);% 生成网格坐标矩阵
Z double(A_gray);
% figure, surf(X, Y, Z), shading interp, title(3D); 这里的理解可以简单的论述为一张图片是由很多的像素点构成的那么我们要处理图片局部或者分割图片的操作时就要先知道区域的位置而这里的操作也是一样。 三、Sobel边缘检测 预操作注意其中的double类型
% 6) Sobel边缘检测
imgGrayDouble double(rgb2gray(A)); % 将RGB图像转换为灰度图像并转换为double类型 注意double类型的灰度在数值上很精确在相关处理上效果是较好在后续的增强明暗对比度的二值化时同样适用但是用double类型一定要注意数值维度相符合否则程序会报错 1)使用自定义的算子蒙板进行垂直边缘的检测
% 垂直Sobel边缘检测
%sobelVertical imfilter(imgGrayDouble, [-1 0 1; -2 0 2; -1 0 1], replicate); % 应用垂直Sobel滤波器 2)使用自定义的算子蒙板进行水平边缘的检测
% 水平Sobel边缘检测
%sobelHorizontal imfilter(imgGrayDouble, [-1 -2 -1; 0 0 0; 1 2 1], replicate); % 应用水平Sobel滤波器 这里推荐下面的方式来进行边缘检测用matlab内置函数进行
%sobel边缘检测
edges1 edge(A_gray,Sobel);%canny边缘检测
edges2 edge(A_gray,Canny); 但是注意一点的是在函数中的参数一为灰度图像。 这里是显示图像的操作uu们可以跳过相关显示的代码因为在这里只需要知道imshow、figure、title函数的作用和效果就行用法简单所以简单描述一下。
% 显示原始灰度图和边缘检测结果
% figure,imshow(uint8(abs(sobelVertical)), []), title(垂直Sobel边缘检测); % 显示垂直边缘检测结果
% figure,imshow(uint8(abs(sobelHorizontal)), []), title(水平Sobel边缘检测); % 显示水平边缘检测结果
% figure,imshow(imgGrayDouble, []), title(原始灰度图像); % 可选显示原始灰度图像
% figure,imshow(edges1),title(sobel);
% figure,imshow(edges2),title(canny); 四、计算灰度图像
%计算图像直方图
[m,n] imhist(A);
%计算CDF值
cdf_A cumsum(m)/numel(A);
%计算CDF增强图
cdf_ip (1:length(I)/length(m));% figure,imshow(I),title(gray _ histeq);
%(error)figure,imshow(I1),title(hist); 其CDF是分段 函数一般为分段函数比如举例中的掷硬币随机变量求它的CDF 相关理论概念我会在其他的章节内容中讲述在这里只需要知道CDF是什么东西即可。 实验四直方图部分代码分析A_color imread(1.jfif); % 读取彩色图像
A_eq_gray my_color_to_gray_histeq(A_color); % 转换为灰度图像并进行直方图均衡化 % 显示结果
figure;
subplot(1, 2, 1), imshow(rgb2gray(A_color)), title(转换后的灰度原图); % 显示转换后的灰度图像作为对比
subplot(1, 2, 2), imshow(A_eq_gray), title(均衡化后的灰度图像);
function A_eq_gray my_color_to_gray_histeq(A_color) % 将彩色图像转换为灰度图像 A_gray rgb2gray(A_color); % 获取灰度图像的尺寸 [rows, cols] size(A_gray); % 计算灰度图像的直方图 [counts, binLocations] imhist(A_gray); % 计算累积分布函数CDF cdf cumsum(counts) / (rows * cols); % 归一化到[0, 1]范围 % 创建一个查找表LUT将原始灰度级映射到新的灰度级 % 注意MATLAB的索引从1开始但灰度级从0开始需要相应调整 lut zeros(1, 256); % 初始化查找表 for i 0:255 % 由于CDF是单调递增的找到第一个大于或等于当前灰度级/255的值所对应的索引 % 使用find的第一个输出并处理边界情况即当所有值都小于当前灰度级/255时 idx find(cdf i/255, 1, first); if isempty(idx) % 如果找不到则映射到最大值255索引256但减1得到灰度级255 lut(i1) 255; else % 否则映射到对应的灰度级 lut(i1) idx - 1; % -1是因为lut的索引从1开始而灰度级从0开始 end end % 应用查找表来均衡化灰度图像 % 注意这里使用uint8转换来确保输出是8位灰度图像 A_eq_gray uint8(lut(double(A_gray) 1)); % 1是因为A_gray的灰度级是从0开始的
end % 使用示例
五、高斯平滑处理
sigma 0.1
img_guassion imgaussfilt(A,sigma);
% figure,imshow(img_guassion),title(guassion_smooth); 六、改变图像大小
img_resize imresize(A,[64 64]);
% figure,imshow(img_resize);
七、为图像添加不同噪声
D0.05;
img_noise imnoise(A_gray,gaussian,0,0.1);
img_noise1 imnoise(A_gray,salt pepper,D);
img_noise2 imnoise(A_gray,poisson );
% figure,subplot(3,2,1),imshow(img_noise);
% subplot(3,2,2),imshow(img_noise1);
% subplot(3,2,3),imshow(img_noise2); 注这里是单独的调用函数实际的学习中个人建议还是学习一下底层的关系。 八、进行图像的滤波处理 1均值滤波
I_avr filter2(fspecial(average, [3 3]), double(img_noise)); 2加权均值滤波
I_add filter2(fspecial(gaussian, [3 3], 0.5), double(img_noise));
h_1[0.1,0.2,0.1;0.2 0.4 0.2;0.1 0.2 0.1];%创建加权滤波模板
I_add2 imfilter(A,h_1,same);
% figure;
% imshow(I_add2); 3中值滤波
I_mid medfilt2(double(img_noise), [3 3]); 4最大值滤波
I_max ordfilt2(double(img_noise), 9, ones(3, 3)); 5最小值滤波
I_min ordfilt2(double(img_noise), 1, ones(3, 3)); 这里是显示出滤波之后的效果图的和第三部分生成窗口作用一样
% figure;
% subplot(3,2,1),imshow(I_avr);
% subplot(3,2,2),imshow(I_add);
% subplot(3,2,3),imshow(I_max);
% subplot(3,2,4),imshow(I_min);
九、确保A和B具有相同的尺寸
if size(A) ~ size(B)% 选择一个图像作为参考尺寸这里以B为例A_resized imresize(A, size(B));
elseA_resized A;
end
%裁剪图像
A_cropped A(1:size(B,1), 1:size(B,2));
十、图像二值化
brinary_img imbinarize(A_resized);
十一、相关基本操作
brinary_img imbinarize(A_cropped);%裁剪完成的二值化操作
brinary_img2 imbinarize(B);%自适应阈值
brinary_img_1 imbinarize(A, adaptive);
brinary_img_2 imbinarize(B, adaptive);%求补集
cpl_img imcomplement(brinary_img);
%求并集
union_img brinary_img | brinary_img2;
union_img2 brinary_img_1| brinary_img_2;%自适应的阈值操作
%
% figure,imshow(cpl_img);
%errorsubplot(1,3,2),imshow(union_img);%图像反转、对数变换、幂次变换和二值化
I_1255-A_gray;a1;
I_2a*log(1double(A_gray));b0.5;
I_3a*(double(A_gray) .^b);%b1,图像变亮b1,图像变暗
I_3unit8(I_3);
% 二值化
k 2; % 阈值倍数
I_4 double(A_gray mean(A_gray) * k);% figure,subplot(2,2,1),imshow(I_1);
% subplot(2,2,2),imshow(I_2);
% subplot(2,2,3),imshow(I_3);
% subplot(2,2,4),imshow(I_4); 十二、维纳滤波Wiener Filter
LEN 25;
THETA 20;
PSF fspecial(motion, LEN, THETA);
J imfilter(A_gray, PSF, conv, circular);
NSR 0;
K deconvwnr(J, PSF, NSR);
% figure;
% subplot(131); imshow(I);
% subplot(132); imshow(J);
% subplot(133); imshow(K);
十三、锐化
1函数使用 imsharpen 函数进行锐化
sharpened_img imsharpen(B);% 显示原始图像和锐化后的图像
% figure;
% subplot(1,2,1), imshow(B), title(原始图像);
% subplot(1,2,2), imshow(sharpened_img), title(锐化后的图像); 2锐化laplacian拉普拉斯滤波器
% 定义拉普拉斯滤波器
laplacian_filter [0 -1 0; -1 4 -1; 0 -1 0];% 应用拉普拉斯滤波器
laplacian_img filter2(laplacian_filter, double(B_gray), same);% 将拉普拉斯结果加回到原始图像以锐化
sharpened_img B_gray uint8(laplacian_img);% 显示原始图像和锐化后的图像
% figure;
% subplot(1,2,1), imshow(B), title(原始图像);
% subplot(1,2,2), imshow(sharpened_img), title(锐化后的图像);
十四、使用高斯混合模型GMM进行图像分割
B im2double(B);% 将图像转换为双精度型以便进行计算
% 使用高斯混合模型进行图像分割
num_clusters 2;
gmm_model fitgmdist(double(B_gray(:)), num_clusters);% 预测每个像素的类别
pixel_labels cluster(gmm_model, double(B_gray(:)));
pixel_labels reshape(pixel_labels,size(B_gray));% 提取前景区域和背景区域
foreground pixel_labels 1;
background pixel_labels 2;
% 计算前景区域的距离变换
distance_transform bwdist(~foreground);
% 计算前景边缘
edges edge(distance_transform, Canny);
%显示结果figure
% subplot(235)imshow(distance_transform);
% title(距离变换结果);
colormap(jet);
colorbar;
subplot(2,3,[1:2]) imshow(B);
title(原始图像)subplot(233)imshow(foreground)title(前景图)subplot(234)
imshow(background)
title(背景图)subplot(236)imshow(edges); % 显示边缘图title(前景边缘显示结果);
十五、滤波器函数的设定
预处理
[ra,ca] size(A_gray);
P 2 * ra,Q 2 * ca;%设置填充后的图像大小
A_2 zeros(P,Q);%用零填充图像
A_2(1:ra,1:ca)A_gray;
[Ra,Ca]size(A_2);
[y,x]meshgrid(0:Ca-1,0:Ra-1);%建立空域二维坐标系
F_Bfft2(A_2.*(-1).^(xy));%傅里叶变化乘以-1^(xy
1理想低通滤波器
D_112;
H_1zeros(P,Q);
for n1:Pfor m 1:Qif((n-P/2-1)^2(m-Q/2-1)^2 (D_1)^2);H_1(n,m)1;%赋值给1elseH_1(n,m)0;%赋值给0endend
end
figure,mesh(H_1),title(滤波器透视图,理想低通D010);
GF_B.*H_1;
faifft2(G);
fareal(fa).*(-1).^(xy);
fAfa(1:ra,1:ca);%去除补零的部分
figure,subplot(1,3,2),imshow(fA,[]);
2理想高通滤波器
figure
subplot(4,2,1),imshow(A),title(原图);
H_2 1-H_1;
subplot(4,2,3),mesh(H_2),title(滤波器透视图理想高通D010);
G1F_B.*H_2;
fa1ifft2(G1);
fa1real(fa1).*(-1).^(xy);
fA1fa1(1:ra,1:ca);
subplot(1,3,3),imshow(fA1,[]); 3高斯低通滤波器
figure
subplot(4,2,1),imshow(A),title(原图);
U 0:P-1;
V 0:Q-1;%赋值傅里叶频谱频率值
[V,U] meshgrid(0:Q-1,0:P-1);%生成频域二维坐标
D_mid sqrt((U-P/2).^2(V-Q/2).^2);%赋值频域点到中心距离
H_uv exp(-D_mid.^2/2/D_0/D_0);%生成滤波器
subplot(4,2,3),mesh(H_uv),title(滤波器透视图高斯低D010));
G_pxyF_B.*H_uv;%用滤波器滤波
g_pxyifft2(G_pxy);%做逆傅里叶变换
g_pxyreal(g_pxy).*(-1).^(xy);%取实部后乘以-1的xy次方
g_xyg_pxy(1:ra,1:ca);%除去补零部分
subplot(4,2,4),imshow(g_xy,[]),title(滤波结果图高斯低D010);
4高斯高通滤波器
figure
subplot(4,2,1),imshow(A),title(原图);
H_uv_31-H_uv;%用1减去低通滤波器得到高通滤波器
subplot(4,2,3),mesh(H_uv_3),title(滤波器透视图高斯高010));
G_pxy_3F_B.*H_uv_3;%用滤波器滤波
g_pxy_3ifft2(G_pxy_3);%做逆傅里叶变换
g_pxy_3real(g_pxy_3).*(-1).^(xy);%取实部后乘以-1的xy次方
g_xy_3g_pxy_3(1:ra,1:ca);%除去补零部分
subplot(4,2,4),imshow(g_xy_3,[]),title(滤波结果图高斯高D010);
5巴特沃斯低通滤波器
U0:P-1;V0:Q-1;%赋值傅里叶频谱频率值
[V,U]meshgrid(0:Q-1,0:P-1);%生成频域二维坐标
D_midsqrt((U-P/2).^2(V-Q/2).^2);%赋值频域点到中心距离figure;
subplot(4,2,1),imshow(A),title(原图);D_320;%赋值截止频率
n1;%赋值巴特沃斯滤波器阶数
H_UV1./(1(D_mid/D_3).^(2*n));%生成滤波器
subplot(4,2,3),mesh(H_UV),title(滤波器透视图巴低通D020,n1));
G_PXYF_B.*H_UV;%用滤波器滤波
f_PXYifft2(G_PXY);%做逆傅里叶变换
f_PXYreal(f_PXY).*(-1).^(xy);%取实部后乘以-1的xy次方
f_XYf_PXY(1:ra,1:ca);%除去补零部分
subplot(4,2,4),imshow(f_XY,[]),title(滤波结果图巴低通D020,n1));
6巴特沃斯高通滤波器
figure
subplot(4,2,1),imshow(A),title(原图);
n1;%赋值巴特沃斯滤波器阶数
H_UV1./(1(D_3./D_mid).^(2*n));%生成滤波器
subplot(4,2,3),mesh(H_UV),title(滤波器透视图巴高通D020,n1));
G_PXYF_B.*H_UV;%用滤波器滤波
f_PXYifft2(G_PXY);%做逆傅里叶变换
f_PXYreal(f_PXY).*(-1).^(xy);%取实部后乘以-1的xy次方
f_XYf_PXY(1:ra,1:ca);%除去补零部分
subplot(4,2,4),imshow(f_XY,[]),title(滤波结果图巴高通D020,n1));
此外还有陷波滤波器等 其中陷波滤波器、巴特沃斯滤波器、高斯滤波器的差异都很小只是在于滤波器使用的公式不一样所以我们在学习的时候可以举一反三的学习这也是学习的一种良好的方式。
十六、形态学相关操作
1腐蚀图像
se1[1;1;1]; %线型结构元素
FuShiimerode(BianYuan,se1);
2)图像聚类、填充图像
se2strel(rectangle,[25,25]); %矩形结构元素
TianChongimclose(FuShi,se2);%图像聚类、填充图像3移除指定面积图像
YuanShiLvBobwareaopen(TianChong,2000);%从对象中移除面积小于2000的小对象十七、RGB to HSI rgbImage imread(image.jpg);rgbImage im2double(rgbImage); % Normalize to [0,1]%Separate color channelsRrgbImage(:,:,1);GrgbImage(:,:,2);BrgbImage(:,:,3);%Calculate intensityI (R GB)/3;%Calculate saturationminRGB min(min(R, G), B);S 1-(minRGB ./ I);S(I 0) 0; % Handle division by zero%Calculate huetheta acos(0.5 * ((R- G) (R- B)) ./ sqrt((R- G).^2 (R- B).*(G- B)));Htheta;H(B G) 2*pi- H;%Normalize H to [0,1]HH/(2*pi);%Combine channels into HSI imagehsiImage cat(3, H, S, I);%Display the resultimshow(hsiImage);title(HSI Image) 十八、RGB to HSV %Read the imagergbImage imread(image.jpg);%Convert to HSVhsvImage rgb2hsv(rgbImage);%Display the resultimshow(hsvImage);title(HSV Image);%Assuming hsiImage is the HSI image you already have%Extract individual channelsHhsiImage(:,:,1); % HueS hsiImage(:,:,2); % SaturationI hsiImage(:,:,3); % Intensity%Display the individual componentsfigure;subplot(1, 3, 1);imshow(H);title(Hue);subplot(1, 3, 2);imshow(S);title(Saturation);subplot(1, 3, 3);imshow(I);title(Intensity)
十九、彩图的单色图片展示
% 确保图像是RGB格式
if size(img, 3) 3% 创建单色图像redImg img;greenImg img;blueImg img;% 将其他颜色通道设置为0redImg(:,:,2:3) 0; % 红色通道图像G和B通道为0greenImg(:,:,3:3) 0; % 绿色通道图像R和B通道为0blueImg(:,:,1:2) 0; % 蓝色通道图像R和G通道为0% 显示单色图像figure;subplot(1,3,1);imshow(redImg);title(Red Channel Image);subplot(1,3,2);imshow(greenImg);title(Green Channel Image);subplot(1,3,3);imshow(blueImg);title(Blue Channel Image);
elsedisp(The image is not in RGB format.);
end 二十、绘制区域图像
pones(256,256);
p(96:105,:)0;
p(:,96:105)0;
figure;
subplot(1,3,1),imshow(p);
p2ones(256,256);
p2(96:105,:)0;
p2(:,96:105)0;
subplot(1,3,2),imshow(p2);
junion(p,p2);
subplot(1,3,3),imshow(j); 好了到这里我们的matlab版对于数字图像处理课程学习的总结就结束了我们可以发现基本上的所有操作都需要灰度的处理除需要彩色图像时候我们采用分图层或者显示同色图像其他的过程中会有底层编写或者函数的调用这里咸鱼哥建议大家有时间的话也可以使用matlab工具箱2022版以上的都有来进行其他好玩的操作比如无人机算法路径规划实现算法验证等其实咸鱼哥个人感觉还是很有意思的。 关于理论的分析咸鱼哥会在后续一个个总结写出相当于一种总结和学习的经历望诸君共勉我们共同学习 uu们我们下次见 另记以上代码均测试过可以在matlab中运行所以初学者也可以放心学习如有不会之处可以在评论区发表我会认真解答的。此外以上代码结果均太多而且大部分相同所以希望大家抽时间在matlab中运行这样起到学习和理解也方便我们看清数字图像处理技术有什么作用。
