TA的每日心情 | 衰 2019-11-19 15:32 |
|---|
签到天数: 1 天 [LV.1]初来乍到
|
EDA365欢迎您登录!
您需要 登录 才可以下载或查看,没有帐号?注册
x
& p1 |8 i! `5 K2 P) b方法包括:直方图修正,灰度变换,图像平滑化,图像锐化等。
! o+ ~" {0 C( y6 m1 ^4 _) N* N# d& D* t1 I3 _, N
卷积时模板是相对中心点做镜像后再对F位于模板下的子图像作加权和的。只有模板本身是关于中心点对称,相关和卷积结果才会相同。
( F2 L) u. C9 O# U" M/ C& g" M3 O _7 Q3 G/ e" W
- % 均值滤波 f = imread('../lena_AdaptiveMedianFilter.bmp'); %读入图像 imshow(f); %得到图5.2(a)的图像 w = [1 1 1; 1 1 1; 1 1 1] / 9 %滤波模板 g = imfilter(f, w, 'conv', 'replicate'); %滤波 滤波过程corr--相关 conv--卷积 figure, imshow(g); %得到5.2(b)的图像 replicate 重复的边界填充方式# k1 q. P. }3 O1 B
0 {; r: q5 }# X f
. g& g0 y- K- _8 i) F6 q( z
$ x0 z/ w4 Y1 z
图像平滑可以减少和抑制图像噪声。
' U' @) B; {* l' d
# @% x8 {7 W7 E 平均平滑& ]9 B; Q+ v8 c3 l4 h4 s9 l
$ j d) ^4 w( f+ T- I = imread('../baby_noise.bmp'); figure, imshow(I) h = fspecial('average', 3); % 3*3平均模板 I3 = imfilter(I, h, 'corr', 'replicate'); % 相关滤波,重复填充边界 figure, imshow(I3) h = fspecial('average', 5) % 5*5平均模板 I5 = imfilter(I, h, 'corr', 'replicate'); figure, imshow(I5) h = fspecial('average', 7); % 7*7平均模板 I7 = imfilter(I, h, 'corr', 'replicate'); figure, imshow(I7)1 x! ~& s2 t: G. D+ e; G3 D* M! {
" A6 l: L: [/ w. Z6 T6 Q8 z- F2 Y8 s3 {; _
高斯平滑
# W) Y. g1 q/ {$ o& }' @% ]9 h! @4 q1 s- h! W6 i& U: d
- I = imread('../baby_noise.bmp'); figure, imshow(I); h3_5 = fspecial('gaussian', 3, 0.5); % sigma=0.5的3*3高斯模板 I3_5 = imfilter(I, h3_5); % 高斯平滑 figure, imshow(I3_5); h3_8 = fspecial('gaussian', 3, 0.8); % sigma=0.8的3*3高斯模板 I3_8 = imfilter(I, h3_8); figure, imshow(I3_8); h3_18 = fspecial('gaussian', 3, 1.8) % sigma=1.8的3*3高斯模板,接近于平均模板 I3_18 = imfilter(I, h3_18); figure, imshow(I3_18);
; E8 x5 }( P4 B& M3 U
# [9 }# Y; e4 h
! O$ @# H, R( A, n6 | 中值滤波
% h) f2 I! u4 o' G2 _
) h6 B" v2 S7 P2 E- I = imread('../lena_salt.bmp'); imshow(I); J=imnoise(I,'salt & pepper');%为图像叠加椒盐噪声 figure, imshow(J); w = [1 2 1;2 4 2;1 2 1] / 16; J1=imfilter(J, w, 'corr', 'replicate'); %高斯平滑 figure, imshow(J1); w = [1 1 1;1 1 1;1 1 1] / 9; J2=imfilter(J, w, 'corr', 'replicate');%平均平滑 figure, imshow(J2); J3=medfilt2(J,[3,3]);%中值滤波 figure, imshow(J3);9 a7 I; A; y1 y+ C. N
) g/ h; V! } {4 B& T1 ~
7 ] G9 j! D8 I! w# Z3 S! W& Y! i
X1 E. d; H+ N% y4 W2 V
3 B3 ]' p/ d; c6 z9 G- J4 R目测 中值滤波效果最好,其为统计排序滤波器,线性平滑滤波器在降噪时不可避免的出现模糊。低于椒盐噪声,中值滤波最好。
: R/ e( V I3 a1 Z
! i K# Y/ q& |9 G) l: u: n7 E% X9 O E/ Z
4 {( A U- y3 |% z3 Q
图像锐化) h; Y. k& b8 X7 i: M
5 ~+ j( C5 L; ] 增强图像灰度跳变部分。锐化的对象是边缘,处理不涉及噪声。: K! s" ?" f/ `" f
% t, E ?" }6 S$ Y0 y
基于一阶导数的增强。
& S1 l" o0 H4 u( a# y. ]: |2 ~, x X. V( @
- % 基于Robert交叉梯度的图像锐化 I = imread('../bacteria.bmp'); imshow(I); I = double(I); % 转换为double型,这样可以保存负值,否则uint8型会把负值截掉 w1 = [-1 0; 0 1] w2 = [0 -1; 1 0] G1 = imfilter(I, w1, 'corr', 'replicate'); % 以重复方式填充边界 G2 = imfilter(I, w2, 'corr', 'replicate'); G = abs(G1) + abs(G2); % 计算Robert梯度 figure, imshow(G, []); figure, imshow(abs(G1), []); figure, imshow(abs(G2), []);
# g( g: S5 _: U; K ! `* f9 ^4 {7 {% I
" S; k7 P# Q9 {' @$ U6 o& I* z. D
! {8 M1 ^! j$ q1 X# C1 G/ E
基于二阶微分的增强。
. B/ t! Y7 L' B+ E4 e5 h
* D$ ^) @* [: S; V/ d8 r) S$ S3 p- % 基于3种拉普拉斯模板的滤波 I = imread('../bacteria.bmp'); figure, imshow(I); I = double(I); w1 = [0 -1 0; -1 4 -1; 0 -1 0] L1 = imfilter(I, w1, 'corr', 'replicate'); w2 = [-1 -1 -1; -1 8 -1; -1 -1 -1] L2 = imfilter(I, w2, 'corr', 'replicate'); figure, imshow(abs(L1), []); figure, imshow(abs(L2), []); w3 = [1 4 1; 4 -20 4; 1 4 1] L3 = imfilter(I, w3, 'corr', 'replicate'); figure, imshow(abs(L3), []);
: P) |0 L6 ?8 e3 e: C- X$ ]
1 A/ ?+ L+ Q) i
$ s3 E; I) g; n8 A: A
( G% w# w$ r8 c0 n# v# J! L4 z1 K; a高斯-拉普拉斯变换增强。% p( C+ f: g4 ~# D
( W7 d9 K. p3 X- D
- LoG算子的锐化 clear all I = imread('../babyNew.bmp'); figure, imshow(I, []); %得到图5.14(a) Id = double(I); % 滤波前转化为双精度型 h_log = fspecial('log', 5, 0.5); % 大小为5,sigma=0.5的LoG算子 I_log = imfilter(Id, h_log, 'corr', 'replicate'); figure, imshow(uint8(abs(I_log)), []); h_log = fspecial('log', 5, 2); % 大小为5,sigma=2的LoG算子 I_log = imfilter(Id, h_log, 'corr', 'replicate'); figure, imshow(uint8(abs(I_log)), []);8 x9 y& O! b( C
* t9 K, S- ~# i1 O0 {1 l2 \, p
' U0 G2 l/ u9 ^7 n
6 \& M6 L6 s* x; T
|
|