主頁 > 軟體設計 > 數字影像處理-濾波&邊緣檢測&銳化&RGB轉HSI(Matlab)

數字影像處理-濾波&邊緣檢測&銳化&RGB轉HSI(Matlab)

2020-11-03 20:35:52 軟體設計

文章目錄

  • 數字影像處理-影像增強(Matlab)
    • 1、對選定的灰度影像進行反色、線性變換、對數變換等基本處理，（線性變換函式自設）
      • 1.1 灰度反轉
      • 1.2 線性變換
      • 1.3 對數變換
    • 2、對選定的灰度影像進行直方圖均衡化處理，并顯示處理前后的直方圖，
      • 2.1 直方圖均衡化
    • 3、分別在兩幅灰度影像中加入一定量的高斯噪聲和椒鹽噪聲，噪聲強度自定，然后分別采用3x3的均值濾波和3x3中值濾波對噪聲進行處理，顯示結果影像，并計算出兩種處理方法的峰值信噪比（PSNR），
      • 3.1 添加高斯噪聲和椒鹽噪聲
      • 3.2 峰值信噪比PSNR
      • 3.3 對高斯噪聲進行濾波并計算PSNR
      • 3.4 對椒鹽噪聲進行濾波并計算PSNR
    • 4、對選定的灰度影像進行銳化處理：先對原影像進行3*3均值濾波使其模糊，再分別通過Roberts算子、Sobel算子、拉普拉斯算子對其進行邊緣增強處理，顯示結果影像并對比各方法的結果
      • 4.1 均值濾波
      • 4.2 Roberts算子邊緣增強
      • 4.3 Sobel算子邊緣增強
      • 4.4 拉普拉斯算子邊緣增強
    • 5、對選定的灰度影像進行巴特沃斯高通濾波處理：要求設定多種不同（高、中、低）的截止頻率進行濾波，顯示其經濾波后的空域影像
    • 6、對選定的灰度影像進行理想低通濾波處理：要求設定多種不同（高、中、低）的截止頻率進行濾波，顯示其經濾波后的空域影像，
    • 7、對選定的一幅RGB彩色影像（BMP格式），分別顯示該圖的R/G/B單色影像，繪制R/G/B單色影像的直方圖；將RGB彩色模式轉換為HIS模式，再顯示該圖的H/I/S三個分量的影像，
    • 8、對一幅彩色RGB影像，采用對每一彩色分量進行拉普拉斯算子濾波，完成影像銳化處理，

數字影像處理-影像增強(Matlab)

1、對選定的灰度影像進行反色、線性變換、對數變換等基本處理，（線性變換函式自設）

1.1 灰度反轉

  • 原理公式
    g ( x , y ) = L ? 1 ? f ( x , y ) g(x,y)=L-1-f(x,y) g(x,y)=L?1?f(x,y)
    其 中 L 為 圖 像 的 灰 度 級 數 其中L為影像的灰度級數 其中L為圖像的灰度級數
  • Matlab代碼塊:
%-------------------------灰度反轉(Matlab代碼)-----------------------
clc;          %清空控制臺
clear;        %清空作業區
close all;    %關閉已打開的figure影像視窗
color_pic=imread('lena512color.bmp');  %讀取彩色影像
gray_pic=rgb2gray(color_pic);    %將彩色圖轉換成灰度圖
gray_reversal=256-1-gray_pic;      % g(x,y)=L-1-f(x,y) 此圖灰度級數L為256級
figure('name','灰度反轉');
subplot(1,2,1);imshow(gray_pic,[]);title('原灰度圖');
subplot(1,2,2);imshow(gray_reversal,[]);title('灰度反轉圖');
  • 運行效果：

在這里插入圖片描述

1.2 線性變換

  • 線性函式
    g ( x , y ) = f ( x , y ) ? t a n α g(x,y)=f(x,y)*tan\alpha g(x,y)=f(x,y)?tanα
    { α > π 4 g ( x , y ) > f ( x , y ) 灰 度 拉 伸 α = π 4 g ( x , y ) = f ( x , y ) 灰 度 不 變 α < π 4 g ( x , y ) < f ( x , y ) 灰 度 壓 縮 \begin{cases} \alpha>\dfrac{\pi}{4} & g(x,y)>f(x,y)&灰度拉伸 \\ \\ \alpha=\dfrac{\pi}{4} &g(x,y) =f(x,y)&灰度不變 \\ \\ \alpha<\dfrac{\pi}{4} & g(x,y)<f(x,y)&灰度壓縮 \\ \end{cases} ??????????????????α>4π?α=4π?α<4π??g(x,y)>f(x,y)g(x,y)=f(x,y)g(x,y)<f(x,y)?灰度拉伸灰度不變灰度壓縮?
  • Matlab代碼塊:
%-------------------------線性變換(Matlab代碼)------------------------
clc;          %清空控制臺
clear;        %清空作業區
close all;    %關閉已打開的figure影像視窗
color_pic=imread('lena512color.bmp');  %讀取彩色影像
gray_pic=rgb2gray(color_pic);    %將彩色圖轉換成灰度圖
double_gray_pic=im2double(gray_pic);  
linear_transform_reduce=double_gray_pic*tan(pi/6);  %g(x,y)=f(x,y)*tan(a)  線性變換函式
linear_transform_increase=double_gray_pic*tan(pi/3);  %當a<pi/4時,灰度壓縮，a>pi/4時，灰度拉伸
figure('name','線性變換');
subplot(1,3,1);imshow(gray_pic);title('原灰度圖');
subplot(1,3,2);imshow(im2uint8(linear_transform_reduce),[]);title('灰度壓縮');   %im2double后的影像用im2uint8轉換成uint8
subplot(1,3,3);imshow(im2uint8(linear_transform_increase),[]);title('灰度拉伸');
  • 運行效果：

在這里插入圖片描述

1.3 對數變換

  • 對數函式
    g ( x , y ) = C l o g [ 1 + f ( x , y ) ] g(x,y)=Clog[1+f(x,y)] g(x,y)=Clog[1+f(x,y)]
  • Matlab代碼塊:
%-------------------------對數變換(Matlab代碼)---------------------------
clc;
clear;
close all;
gray_pic=imread('log_picture.bmp');  %讀取灰度影像
double_gray_pic=im2double(gray_pic);  %進行log運算得把uint8轉換成double型
log_transform=3*log(1+double_gray_pic);   %對數變換g(x,y)=clog[1+f(x,y)],c=3
figure('name','對數變換');
subplot(1,2,1);imshow(gray_pic,[]);title('原灰度圖');
subplot(1,2,2);imshow(im2uint8(log_transform),[]);title('對數變換');  %im2double后的影像用im2uint8轉換成uint8
  • 運行效果：

在這里插入圖片描述

2、對選定的灰度影像進行直方圖均衡化處理，并顯示處理前后的直方圖，

2.1 直方圖均衡化

  • Matlab代碼塊:
%-------------------------直方圖均衡化(Matlab代碼)-----------------------
clc;         %清空控制臺
clear;       %清空作業區
close all;   %關閉已打開的figure影像視窗
color_pic=imread('lena512color.bmp');  %讀取彩色影像
gray_pic=rgb2gray(color_pic);    %將彩色圖轉換成灰度圖
histogram_equalization=histeq(gray_pic);   %呼叫histeq函式進行直方圖均衡化
figure('name','直方圖均衡化');
subplot(2,2,1);imshow(gray_pic,[]);title('原灰度圖');
subplot(2,2,2);imshow(histogram_equalization,[]);title('直方圖均衡化后灰度圖');
subplot(2,2,3);imhist(gray_pic,64);title('原直方圖');  %直方圖劃分成64個長度為4的灰度空間，方便查看效果
subplot(2,2,4);imhist(histogram_equalization,64);title('直方圖均衡化');   %直方圖劃分成64個長度為4的灰度空間，方便查看效果
  • 運行效果：

在這里插入圖片描述

3、分別在兩幅灰度影像中加入一定量的高斯噪聲和椒鹽噪聲，噪聲強度自定，然后分別采用3x3的均值濾波和3x3中值濾波對噪聲進行處理，顯示結果影像，并計算出兩種處理方法的峰值信噪比（PSNR），

3.1 添加高斯噪聲和椒鹽噪聲

  • Matlab代碼塊：
%------------------------------添加噪聲(Matlab代碼)-----------------------------
clc;         %清空控制臺
clear;       %清空作業區
close all;   %關閉已打開的figure影像視窗
color_pic=imread('lena512color.bmp');  %讀取彩色影像
gray_pic=rgb2gray(color_pic);    %將彩色圖轉換成灰度圖
double_gray_pic=im2double(gray_pic);   %將uint8轉成im2double型便于后期計算
Gaussian_noise=imnoise(double_gray_pic,'gaussian',0,0.01);  %給灰度圖添加均值為0，方差為0.01的高斯噪聲
Salt_pepper_noise=imnoise(double_gray_pic,'salt & pepper',0.05);  %給灰度圖添加噪聲密度為0.05的椒鹽噪聲
figure('name','加噪');
subplot(1,3,1);imshow(double_gray_pic,[]);title('原灰度圖');
subplot(1,3,2);imshow(Gaussian_noise,[]);title('加高斯噪聲');
subplot(1,3,3);imshow(Salt_pepper_noise,[]);title('加椒鹽噪聲');
  • 運行效果：

在這里插入圖片描述

3.2 峰值信噪比PSNR

  • 原理公式：
    均 方 差 ( M S E ) = 1 m n ∑ i = 0 m ? 1 ∑ j = 0 n ? 1 ∣ ∣ I ( i , j ) ? K ( i , j ) ∣ ∣ 2 均方差(MSE)=\dfrac{1}{mn}\sum_{i=0}^{m-1}\sum_{j=0}^{n-1}|| I(i,j)-K(i,j)||^{2} \\ 均方差(MSE)=mn1?i=0∑m?1?j=0∑n?1?∣∣I(i,j)?K(i,j)∣∣2
    峰 值 信 噪 比 ( P S N R ) = 10 l o g 10 ( M A X I 2 M S E ) 峰值信噪比(PSNR)=10log_{10}\bigg(\dfrac{MAX_I^2}{MSE}\bigg) 峰值信噪比(PSNR)=10log10?(MSEMAXI2??)
    其 中 M A X I = 圖 像 灰 度 級 數 ? 1 ， 此 處 圖 片 灰 度 級 為 256 ， 所 以 M A X I = 255 其中MAX_I=影像灰度級數-1，此處圖片灰度級為256，所以MAX_I=255 其中MAXI?=圖像灰度級數?1，此處圖片灰度級為256，所以MAXI?=255

  • Matlab代碼塊：

%------------------------matlab新建函式PSNR------------------------
function cal_PSNR = PSNR(img1,img2)
    [width,height]=size(img1);
    double_img1=im2double(img1);   %計算影像峰值信噪比，需將2張影像從uint8型轉成im2double型
    double_img2=im2double(img2);
    matrix_subtraction=double_img1-double_img2;
    MSE=sum(sum(matrix_subtraction.^2))/(width*height);
    cal_PSNR=10*log10(255*2/MSE);
end

3.3 對高斯噪聲進行濾波并計算PSNR

  • Matlab代碼塊：
%-----------------------------對高斯噪聲進行濾波并計算PSNR (Matlab代碼)-------------------------------
gaussian_mean_filter=filter2(fspecial('average',3),Gaussian_noise);  %均值濾波
gau_mean_filter_snr=PSNR(double_gray_pic,gaussian_mean_filter); %均值濾波后的峰值信噪比
gaussian_median_filter=medfilt2(Gaussian_noise,[3,3]);  %中值濾波
gau_median_filter_snr=PSNR(double_gray_pic,gaussian_median_filter);  %中值濾波后的峰值信噪比
figure('name','對高斯噪聲進行濾波');
subplot(1,2,1);imshow(gaussian_mean_filter,[]);title(['均值濾波，PSNR：',num2str(gau_mean_filter_snr),'dB']);
subplot(1,2,2);imshow(gaussian_median_filter,[]);title(['中值濾波，PSNR：',num2str(gau_median_filter_snr),'dB']);
  • 運行效果：

在這里插入圖片描述

3.4 對椒鹽噪聲進行濾波并計算PSNR

  • Matlab代碼塊：
%-----------------------------對椒鹽噪聲進行濾波并計算PSNR (Matlab代碼)-------------------------------
salt_mean_filter=filter2(fspecial('average',3),Salt_pepper_noise);  %均值濾波
salt_mean_filter_snr=PSNR(double_gray_pic,salt_mean_filter);    %均值濾波后的峰值信噪比
salt_median_filter=medfilt2(Salt_pepper_noise,[3,3]);  %中值濾波
salt_median_filter_snr=PSNR(double_gray_pic,salt_median_filter);   %中值濾波后的峰值信噪比
figure('name','對椒鹽噪聲進行濾波');
subplot(1,2,1);imshow(salt_mean_filter,[]);title(['均值濾波，PSNR：',num2str(salt_mean_filter_snr),'dB']);
subplot(1,2,2);imshow(salt_median_filter,[]);title(['中值濾波，PSNR：',num2str(salt_median_filter_snr),'dB']);
  • 運行效果：

在這里插入圖片描述

4、對選定的灰度影像進行銳化處理：先對原影像進行3*3均值濾波使其模糊，再分別通過Roberts算子、Sobel算子、拉普拉斯算子對其進行邊緣增強處理，顯示結果影像并對比各方法的結果

4.1 均值濾波

  • Matlab代碼塊：
%-----------------------------------3*3均值濾波模糊影像(Matlab代碼)----------------------------
clc;         %清空控制臺
clear;       %清空作業區
close all;   %關閉已打開的figure影像視窗
color_pic=imread('lena512color.bmp');  %讀取彩色影像
gray_pic=rgb2gray(color_pic);    %將彩色圖轉換成灰度圖
double_gray_pic=im2double(gray_pic);   %將uint8轉成im2double型便于后期計算
mean_filter=filter2(fspecial('average',3),double_gray_pic);  %均值濾波
[width,height]=size(mean_filter);
figure('name','3*3均值濾波');
subplot(1,2,1);imshow(double_gray_pic,[]);title('原灰度圖');
subplot(1,2,2);imshow(mean_filter,[]);title('3*3均值濾波');
  • 運行效果:

在這里插入圖片描述

4.2 Roberts算子邊緣增強

  • 原理公式
    ? f = ∣ f ( x , y ) ? f ( x + 1 , y + 1 ) ∣ + ∣ f ( x + 1 , y ) ? f ( x , y + 1 ) ∣ \nabla f=|f(x,y)-f(x+1,y+1)|+|f(x+1,y)-f(x,y+1)| ?f=∣f(x,y)?f(x+1,y+1)∣+∣f(x+1,y)?f(x,y+1)∣
    H 1 = [ 1 0 0 ? 1 ] H 2 = [ 0 1 ? 1 0 ] H_1=\begin{bmatrix} 1 & 0 \\ 0 & -1 \end{bmatrix} \ \ \ \ \ \ \ H_2=\begin{bmatrix} 0 & 1 \\ -1 & 0 \end{bmatrix} H1?=[10?0?1?] H2?=[0?1?10?]
  • Matlab代碼塊：
% ------------------------------Roberts算子邊緣增強(Matlab)--------------------------------
roberts_img = zeros(width,height);   %預先分配記憶體空間，提高運行速率
for i=1:width-1
    for j=1:height-1
        roberts_img(i,j)=abs(mean_filter(i+1,j)-mean_filter(i,j+1))+abs(mean_filter(i,j)-mean_filter(i+1,j+1));
    end
end
figure('name','roberts算子');
subplot(2,2,1);imshow(double_gray_pic,[]);title('原灰度圖');
subplot(2,2,2);imshow(mean_filter,[]);title('3x3均值濾波');
subplot(2,2,3);imshow(im2uint8(roberts_img),[]);title('roberts算子的影像');
subplot(2,2,4);imshow(im2uint8(mean_filter+roberts_img),[]);title('roberts算子銳化影像');
  • 運行效果:

在這里插入圖片描述

4.3 Sobel算子邊緣增強

  • 原理公式
    在這里插入圖片描述

  • Matlab代碼塊：

% ------------------------------Sobel算子邊緣增強(Matlab代碼)--------------------------------
sobel_img=zeros(width,height);   %預先分配記憶體空間，提高運行速率
sobel_x=zeros(width,height);     %預先分配記憶體空間，提高運行速率
sobel_y=zeros(width,height);     %預先分配記憶體空間，提高運行速率
for i=2:width-1
    for j=2:height-1
        sobel_y(i,j)=abs(mean_filter(i-1,j+1)+2*mean_filter(i,j+1)+mean_filter(i+1,j+1)-mean_filter(i-1,j-1)-2*mean_filter(i,j-1)-mean_filter(i+1,j-1));
        sobel_x(i,j)=abs(mean_filter(i+1,j+1)+2*mean_filter(i+1,j)+mean_filter(i+1,j-1)-mean_filter(i-1,j+1)-2*mean_filter(i-1,j)-mean_filter(i-1,j-1));
        sobel_img(i,j)=0.3*sobel_x(i,j)+0.3*sobel_y(i,j);   
    end
end
figure('name','sobel算子');
subplot(2,2,1);imshow(double_gray_pic,[]);title('原灰度圖');
subplot(2,2,2);imshow(mean_filter,[]);title('3x3均值濾波');
subplot(2,2,3);imshow(im2uint8(sobel_img),[]);title('sobel算子的影像');
subplot(2,2,4);imshow(im2uint8(mean_filter+sobel_img),[]);title('sobel算子銳化影像');
  • 運行效果:

在這里插入圖片描述

4.4 拉普拉斯算子邊緣增強

  • 原理公式
    ? 2 f = f ( x + 1 , y ) + f ( x ? 1 , y ) + f ( x , y + 1 ) + f ( x , y ? 1 ) ? 4 f ( x , y ) \nabla^2f=f(x+1,y)+f(x-1,y)+f(x,y+1)+f(x,y-1)-4f(x,y) ?2f=f(x+1,y)+f(x?1,y)+f(x,y+1)+f(x,y?1)?4f(x,y)
    H = [ 0 1 0 1 ? 4 1 0 1 0 ] H=\begin{bmatrix} 0 & 1 & 0 \\ 1 & -4 & 1 \\ 0 & 1 & 0 \end{bmatrix} H=???010?1?41?010????
  • Matlab代碼塊：
% ------------------------------Laplace算子邊緣增強(Matlab代碼)----------------------------------
laplace_img = zeros(width,height); %預先分配記憶體空間，提高運行速率
for i=2:width-1
    for j=2:height-1
        laplace_img(i,j)=mean_filter(i+1,j)+mean_filter(i-1,j)+mean_filter(i,j+1)+mean_filter(i,j-1)-4*mean_filter(i,j);
    end
end
figure('name','laplace算子');
subplot(2,2,1);imshow(double_gray_pic,[]);title('原灰度圖');
subplot(2,2,2);imshow(mean_filter,[]);title('3x3均值濾波');
subplot(2,2,3);imshow(im2uint8(laplace_img),[]);title('laplace算子的影像');
subplot(2,2,4);imshow(im2uint8(mean_filter-laplace_img),[]);title('laplace算子銳化影像');  
%由于采用的拉普拉斯算子中心是-4為負數，所以最后影像銳化是將兩幅圖相減
  • 運行效果:

在這里插入圖片描述

5、對選定的灰度影像進行巴特沃斯高通濾波處理：要求設定多種不同（高、中、低）的截止頻率進行濾波，顯示其經濾波后的空域影像

  • 基本原理：

在這里插入圖片描述

  • Matlab代碼塊：
%************************5、對選定的灰度影像進行巴特沃斯高通濾波處理：要求設定多種不同（高、中、低）的截止頻率進行濾波，顯示其經濾波后的空域影像**************************

clc;         %清空控制臺
clear;       %清空作業區
close all;   %關閉已打開的figure影像視窗
color_pic=imread('lena512color.bmp');  %讀取彩色影像
gray_pic=rgb2gray(color_pic);    %將彩色圖轉換成灰度圖
double_gray_pic=im2double(gray_pic);   %將uint8轉成im2double型便于后期計算

[width,height]=size(double_gray_pic);
mid_w=width/2;    %影像中心點橫坐標
mid_h=height/2;   %影像中心點縱坐標
fourier_pic=fft2(double_gray_pic);   %對灰度圖進行傅里葉變換
fourier_shift=fftshift(fourier_pic);  %將頻譜圖中零頻率成分移動至頻譜圖中心

level=2;   %二階巴特沃茲
end_radius=[5,30,83];    %設定截止頻率
result1=zeros(width,height);  %預先分配記憶體空間，提高運行速率
result2=zeros(width,height);  %預先分配記憶體空間，提高運行速率
result3=zeros(width,height);  %預先分配記憶體空間，提高運行速率
for i=1:width
    for j=1:height
        distance=sqrt((i-mid_w)^2+(j-mid_h)^2);   %計算點（x,y）到中心點的距離
        h1=1/(1+(end_radius(1)/distance)^(2*level)); %計算巴特沃斯濾波器
        h2=1/(1+(end_radius(2)/distance)^(2*level));
        h3=1/(1+(end_radius(3)/distance)^(2*level));
        result1(i,j)=fourier_shift(i,j)*h1;   %用濾波器乘以主函式
        result2(i,j)=fourier_shift(i,j)*h2;
        result3(i,j)=fourier_shift(i,j)*h3;
    end
end
 
output1=im2uint8(real(ifft2(ifftshift(result1))));  %最終輸出要記得頻譜搬移回去
output2=im2uint8(real(ifft2(ifftshift(result2))));
output3=im2uint8(real(ifft2(ifftshift(result3))));
figure('name','巴特沃茲高通濾波器');
subplot(2,2,1);imshow(double_gray_pic);title('原灰度圖');
subplot(2,2,2);imshow(output1,[]);title(['巴特沃茲高通濾波 D0=',num2str(end_radius(1))]);
subplot(2,2,3);imshow(output2,[]);title(['巴特沃茲高通濾波 D0=',num2str(end_radius(2))]);
subplot(2,2,4);imshow(output3,[]);title(['巴特沃茲高通濾波 D0=',num2str(end_radius(3))]);
  • 運行效果:

在這里插入圖片描述

6、對選定的灰度影像進行理想低通濾波處理：要求設定多種不同（高、中、低）的截止頻率進行濾波，顯示其經濾波后的空域影像，

  • 基本原理：

在這里插入圖片描述

  • Matlab代碼塊：
%************************6、對選定的灰度影像進行理想低通濾波處理：要求設定多種不同（高、中、低）的截止頻率進行濾波，顯示其經濾波后的空域影像**************************

clc;         %清空控制臺
clear;       %清空作業區
close all;   %關閉已打開的figure影像視窗
color_pic=imread('lena512color.bmp');  %讀取彩色影像
gray_pic=rgb2gray(color_pic);    %將彩色圖轉換成灰度圖
double_gray_pic=im2double(gray_pic);   %將uint8轉成im2double型便于后期計算

[width,height]=size(double_gray_pic);
mid_w=width/2;    %影像中心點橫坐標
mid_h=height/2;   %影像中心點縱坐標
fourier_pic=fft2(double_gray_pic);   %對灰度圖進行傅里葉變換
fourier_shift=fftshift(fourier_pic);  %將頻譜圖中零頻率成分移動至頻譜圖中心

end_radius=[5,30,83];   %設定截止頻率
Result=zeros(width,height);  %預先分配記憶體空間，提高運行速率
figure('name','理想低通濾波器');
subplot(2,2,1);imshow(double_gray_pic,[]);title('原灰度圖');
for k=1:3
    Result=fourier_shift;
    for i=1:width
        for j=1:height
            distance=sqrt((i-mid_w)^2+(j-mid_h)^2);   %計算點（x,y）到中心點的距離
            if distance>end_radius(k)  %如果距離大于截止頻率，則濾除分量，直接置0
                Result(i,j)=0;
            end
        end
    end
    output=im2uint8(real(ifft2(ifftshift(Result))));  %最終輸出要記得頻譜搬移回去
    subplot(2,2,k+1);imshow(output,[]);title(['理想低通濾波器 D0=',num2str(end_radius(k))]); 
end
  • 運行效果:

在這里插入圖片描述

7、對選定的一幅RGB彩色影像（BMP格式），分別顯示該圖的R/G/B單色影像，繪制R/G/B單色影像的直方圖；將RGB彩色模式轉換為HIS模式，再顯示該圖的H/I/S三個分量的影像，

  • RGB轉HSI公式：

在這里插入圖片描述

  • Matlab代碼塊：
%************************7、對選定的一幅RGB彩色影像（BMP格式），分別顯示該圖的R/G/B單色影像，繪制R/G/B單色影像的直方圖；將RGB彩色模式轉換為HIS模式，再顯示該圖的H/I/S三個分量的影像**************************

clc;         %清空控制臺
clear;       %清空作業區
close all;   %關閉已打開的figure影像視窗
color_pic=imread('lena512color.bmp');  %讀取彩色影像
double_color_pic=im2double(color_pic); %將uint8轉成im2double型便于后期計算
%----------------------------分別提取R/G/B三個通道影像---------------------------
R=double_color_pic(:,:,1);
G=double_color_pic(:,:,2);
B=double_color_pic(:,:,3);
figure('name','提取R/G/B影像');
subplot(2,2,1);imshow(double_color_pic,[]);title('原彩色影像');
subplot(2,2,2);imshow(R,[]);title('R');
subplot(2,2,3);imshow(G,[]);title('G');
subplot(2,2,4);imshow(B,[]);title('B');
figure('name','R/G/B單色影像直方圖');
subplot(3,2,1);imshow(R,[]);title('R');
subplot(3,2,2);imhist(R,128);title('R直方圖');
subplot(3,2,3);imshow(G,[]);title('G');
subplot(3,2,4);imhist(G,128);title('G直方圖');
subplot(3,2,5);imshow(B,[]);title('B');
subplot(3,2,6);imhist(B,128);title('B直方圖');

%----------------------------RGB轉HSI------------------------------
num=0.5*((R-G)+(R-B));
den=sqrt((R-G).^2+(R-B).*(G-B));
theta=acos(num./(den+eps));  %eps=2.2204e-16  防止分母為0
 
H=theta;
H(B>G)=2*pi-H(B>G);
H=H/(2*pi);   %歸一化處理

num=min(min(R,G),B);   
den=R+G+B;
den(den==0)=eps;   %eps=2.2204e-16  防止分母為0
S=1-3*num./den;    
H(S==0)=0;        %完全不飽和的顏色根本沒有色調 即飽和度為0時色調無定義置0
I=(R+G+B)/3;
HSI=cat(3,H,S,I);  %合并三個圖層

figure('name','HSI影像');
subplot(2,2,1);imshow(HSI,[]);title('HSI影像');
subplot(2,2,2);imshow(H,[]);title('H分量,色調');
subplot(2,2,3);imshow(S,[]);title('S分量，飽和度');
subplot(2,2,4);imshow(I,[]);title('I分量，亮度');
  • 運行效果:

在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述

8、對一幅彩色RGB影像，采用對每一彩色分量進行拉普拉斯算子濾波，完成影像銳化處理，

  • 原理公式
    ? 2 f = f ( x + 1 , y ) + f ( x ? 1 , y ) + f ( x , y + 1 ) + f ( x , y ? 1 ) ? 4 f ( x , y ) \nabla^2f=f(x+1,y)+f(x-1,y)+f(x,y+1)+f(x,y-1)-4f(x,y) ?2f=f(x+1,y)+f(x?1,y)+f(x,y+1)+f(x,y?1)?4f(x,y)
    H = [ 0 1 0 1 ? 4 1 0 1 0 ] H=\begin{bmatrix} 0 & 1 & 0 \\ 1 & -4 & 1 \\ 0 & 1 & 0 \end{bmatrix} H=???010?1?41?010????
  • Matlab代碼塊：
%************************8、對一幅彩色RGB影像，采用對每一彩色分量進行拉普拉斯算子濾波，完成影像銳化處理**************************
clc;         %清空控制臺
clear;       %清空作業區
close all;   %關閉已打開的figure影像視窗
color_pic=imread('lena512color.bmp');  %讀取彩色影像
double_color_pic=im2double(color_pic); %將uint8轉成im2double型便于后期計算

%-----先提取三個圖層------
R=double_color_pic(:,:,1);   %提取R圖層
G=double_color_pic(:,:,2);   %提取G圖層
B=double_color_pic(:,:,3);   %提取B圖層

[width,height]=size(R);
laplace_imgR = zeros(width,height);  %預先分配記憶體空間，提高運行速率
laplace_imgG = zeros(width,height);  %預先分配記憶體空間，提高運行速率
laplace_imgB = zeros(width,height);  %預先分配記憶體空間，提高運行速率

%--------分別對R/G/B圖層進行拉普拉斯算子濾波-------
for i=2:width-1
    for j=2:height-1
        laplace_imgR(i,j)=R(i+1,j)+R(i-1,j)+R(i,j+1)+R(i,j-1)-4*R(i,j); 
        laplace_imgG(i,j)=G(i+1,j)+G(i-1,j)+G(i,j+1)+G(i,j-1)-4*G(i,j);
        laplace_imgB(i,j)=B(i+1,j)+B(i-1,j)+B(i,j+1)+B(i,j-1)-4*B(i,j);
    end
end
output=cat(3,laplace_imgR,laplace_imgG,laplace_imgB);  %合并三個經拉普拉斯算子濾波后的圖層
figure('name','RGB拉普拉斯算子銳化');
subplot(2,2,1);imshow(laplace_imgR,[]);title('R分量拉普拉斯濾波');
subplot(2,2,2);imshow(laplace_imgG,[]);title('G分量拉普拉斯濾波');
subplot(2,2,3);imshow(laplace_imgB,[]);title('B分量拉普拉斯濾波');
subplot(2,2,4);imshow(output,[]);title('合成影像拉普拉斯濾波');
figure('name','三通道銳化后的影像');
subplot(1,2,1);imshow(color_pic,[]);title('原彩色圖');
subplot(1,2,2);imshow(im2uint8(double_color_pic-output));title('拉普拉斯銳化');
  • 運行效果:

在這里插入圖片描述

在這里插入圖片描述

轉載請註明出處，本文鏈接：https://www.uj5u.com/ruanti/201421.html

標籤：其他

上一篇：程式員的自我修養

下一篇：資料結構（C語言版 第2版）第三章課后習題答案 嚴蔚敏 等 編著【最詳細】

標籤雲
其他(157675) Python(38076) JavaScript(25376) Java(17977) C(15215) 區塊鏈(8255) C＃(7972) AI(7469) 爪哇(7425) MySQL(7132) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5869) 数组(5741) R(5409) Linux(5327) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4554) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2429) ASP.NET(2402) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) 功能(1967) .NET技术(1958) Web開發(1951) python-3.x(1918) HtmlCss(1915) 弹簧靴(1913) C++(1909) xml(1889) PostgreSQL(1872) .NETCore(1853) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • 面試突擊第一季，第二季，第三季

    第一季必考 https://www.bilibili.com/video/BV1FE411y79Y?from=search&seid=15921726601957489746 第二季分布式 https://www.bilibili.com/video/BV13f4y127ee/?spm_id_fro ......

    uj5u.com 2020-09-10 05:35:24 more
  • 第三單元作業總結

    1.前言 這應該是本學期最后一次寫作業總結了吧。總體來說，對作業的節奏也差不多掌握了，作業做起來的效率也更高了。雖然和之前的作業一樣，作業中都要用到新的知識，但是相比之前，更加懂得了如何利用工具以及資料。雖然之間卡過殼，但總體而言，這幾次作業還算完成的比較好。 2.作業程序總結 相比前兩個單元，此單 ......

    uj5u.com 2020-09-10 05:35:41 more
  • 北航OO（2020）第四單元博客作業暨課程總結博客

    北航OO（2020）第四單元博客作業暨課程總結博客 本單元作業的架構設計 在本單元中，由于UML圖具有比較清晰的樹形結構，因此我對其中需要進行查詢操作的元素進行了包裝，在樹的父節點中存盤所有孩子的參考。考慮到性能問題，我采用了快取機制，一次查詢后盡可能快取已經遍歷過的資訊，以減少遍歷次數。 本單元我 ......

    uj5u.com 2020-09-10 05:35:48 more
  • BUAA_OO_第四單元

    一、UML決議器設計 ? 先看下題目：第四單元實作一個基于JDK 8帶有效性檢查的UML(Unified Modeling Language)類圖，順序圖，狀態圖分析器 MyUmlInteraction，實際上我們要建立一個有向圖模型，UML中的物件（元素）可能與同級元素連接，也可與低級元素相連形成 ......

    uj5u.com 2020-09-10 05:35:54 more
  • 6.1邏輯運算子

    邏輯運算子 1. && 短路與 運算式1 && 運算式2 01.運算式1為true并且運算式2也為true 整體回傳為true 02.運算式1為false，將不會執行運算式2 整體回傳為false 03.只要有一個運算式為false 整體回傳為false 2. || 短路或 運算式1 || 運算式2 ......

    uj5u.com 2020-09-10 05:35:56 more
  • BUAAOO 第四單元 & 課程總結

    1. 第四單元：StarUml檔案決議 本單元采用了圖模型決議UML。 UML檔案可以抽象為圖、子圖、邊的邏輯結構。 在實作中，圖的節點包括類、介面、屬性，子圖包括狀態圖、順序圖等。 采用了三次遍歷UML元素的方法建圖，第一遍遍歷建點，第二、三次遍歷設定屬性、連邊，實作圖物件的初始化。這里借鑒了一些 ......

    uj5u.com 2020-09-10 05:36:06 more
  • 談談我對C# 多型的理解

    面向物件三要素：封裝、繼承、多型。 封裝和繼承，這兩個比較好理解，但要理解多型的話，可就稍微有點難度了。今天，我們就來講講多型的理解。 我們應該經常會看到面試題目：請談談對多型的理解。 其實呢，多型非常簡單，就一句話：呼叫同一種方法產生了不同的結果。 具體實作方式有三種。 一、多載 多載很簡單。 p ......

    uj5u.com 2020-09-10 05:36:09 more
  • Python 資料驅動工具：DDT

    背景 python 的unittest 沒有自帶資料驅動功能。 所以如果使用unittest，同時又想使用資料驅動，那么就可以使用DDT來完成。 DDT是 “Data-Driven Tests”的縮寫。 資料：http://ddt.readthedocs.io/en/latest/ 使用方法 dd. ......

    uj5u.com 2020-09-10 05:36:13 more
  • Python里面的xlrd模塊詳解

    那我就一下面積個問題對xlrd模塊進行學習一下： 1.什么是xlrd模塊？ 2.為什么使用xlrd模塊？ 3.怎樣使用xlrd模塊？ 1.什么是xlrd模塊？ ?python操作excel主要用到xlrd和xlwt這兩個庫，即xlrd是讀excel，xlwt是寫excel的庫。 今天就先來說一下xl ......

    uj5u.com 2020-09-10 05:36:28 more
  • 當我們創建HashMap時，底層到底做了什么？

    jdk1.7中的底層實作程序（底層基于陣列+鏈表） 在我們new HashMap()時，底層創建了默認長度為16的一維陣列Entry[ ] table。當我們呼叫map.put(key1,value1)方法向HashMap里添加資料的時候： 首先，呼叫key1所在類的hashCode()計算key1 ......

    uj5u.com 2020-09-10 05:36:38 more
最新发布
  • 【中介者設計模式詳解】C/Java/JS/Go/Python/TS不同語言實作

    * 中介者模式是一種行為型設計模式，它可以用來減少類之間的直接依賴關系，
    * 將物件之間的通信封裝到一個中介者物件中，從而使得各個物件之間的關系更加松散。
    * 在中介者模式中，物件之間不再直接相互互動，而是通過中介者來中轉訊息。 ......

    uj5u.com 2023-04-20 08:20:47 more
  • 露天煤礦現場調研和交流案例分享

    他們集團的資訊化公司及研究院在一個礦區正在做智能礦山的統一平臺的 試點，專案投資大概1億，包括了礦山的各方面的內容，顯示得我們這次交流有點多余。他們2年前開始做智能礦山的規劃，有很多煤礦行業專家的加持，他們的描述是非常完美，但是去年底應該上線的平臺，現在還沒有看到影子。他們確實有很多場景需求，但是被... ......

    uj5u.com 2023-04-20 08:20:25 more
  • 《社區人員管理》實戰案例設計&個人案例分享

    設計是一個讓人夢想成真程序，開始編碼、測驗、除錯之前進行需求分析和架構設計，才能保證關鍵方面都做正確 ......

    uj5u.com 2023-04-20 08:20:17 more
  • 軟體架構生態化-多角色交付的探索實踐

    作為一個技術架構師，不僅僅要緊跟行業技術趨勢，還要結合研發團隊現狀及痛點，探索新的交付方案。在日常中，你是否遇到如下問題 “ 業務需求排期長研發是瓶頸；非研發角色感受不到研發技改提效的變化；引入ISV 團隊又擔心質量和安全，培訓周期長“等等，基于此我們探索了一種新的技術體系及交付方案來解決如上問題。 ......

    uj5u.com 2023-04-20 08:20:10 more
  • 【中介者設計模式詳解】C/Java/JS/Go/Python/TS不同語言實作

    * 中介者模式是一種行為型設計模式，它可以用來減少類之間的直接依賴關系，
    * 將物件之間的通信封裝到一個中介者物件中，從而使得各個物件之間的關系更加松散。
    * 在中介者模式中，物件之間不再直接相互互動，而是通過中介者來中轉訊息。 ......

    uj5u.com 2023-04-20 08:19:44 more
  • 露天煤礦現場調研和交流案例分享

    他們集團的資訊化公司及研究院在一個礦區正在做智能礦山的統一平臺的 試點，專案投資大概1億，包括了礦山的各方面的內容，顯示得我們這次交流有點多余。他們2年前開始做智能礦山的規劃，有很多煤礦行業專家的加持，他們的描述是非常完美，但是去年底應該上線的平臺，現在還沒有看到影子。他們確實有很多場景需求，但是被... ......

    uj5u.com 2023-04-20 08:19:07 more
  • 《社區人員管理》實戰案例設計&個人案例分享

    設計是一個讓人夢想成真程序，開始編碼、測驗、除錯之前進行需求分析和架構設計，才能保證關鍵方面都做正確 ......

    uj5u.com 2023-04-20 08:18:57 more
  • 軟體架構生態化-多角色交付的探索實踐

    作為一個技術架構師，不僅僅要緊跟行業技術趨勢，還要結合研發團隊現狀及痛點，探索新的交付方案。在日常中，你是否遇到如下問題 “ 業務需求排期長研發是瓶頸；非研發角色感受不到研發技改提效的變化；引入ISV 團隊又擔心質量和安全，培訓周期長“等等，基于此我們探索了一種新的技術體系及交付方案來解決如上問題。 ......

    uj5u.com 2023-04-20 08:18:49 more
  • 05單件模式

    #經典的單件模式 public class Singleton { private static Singleton uniqueInstance; //一個靜態變數持有Singleton類的唯一實體。 // 其他有用的實體變數寫在這里 //構造器宣告為私有，只有Singleton可以實體化這個類! ......

    uj5u.com 2023-04-19 08:42:51 more
  • 【架構與設計】常見微服務分層架構的區別和落地實踐

    軟體工程的方方面面都遵循一個最基本的道理：沒有銀彈，架構分層模型更是如此，每一種都有各自優缺點，所以請根據不同的業務場景，并遵循簡單、可演進這兩個重要的架構原則選擇合適的架構分層模型即可。 ......

    uj5u.com 2023-04-19 08:42:41 more

Copyright © 2010-2020 有解無憂