我这有VC++的边缘检测算法，很长的。稍微改一下就可以缺宴森用在Matlab上。
/ 一维高斯祥中分布函数，用于平滑函数中生成的高斯滤波系数
void CFunction::CreatGauss(double sigma, double **pdKernel, int *pnWidowSize)
{
LONG i
//数组中心点
int nCenter
//数组中一点到中心点距离
double dDis
//中间变量
double dValue
double dSum
dSum = 0
// [-3*sigma,3*sigma] 以内数据，会覆盖绝大部分滤波系数
*pnWidowSize = 1+ 2*ceil(3*sigma)
nCenter = (*pnWidowSize)/2
*pdKernel = new double[*pnWidowSize]
//生伏亩成高斯数据
for(i=0i<(*pnWidowSize)i++)
{
dDis = (double)(i - nCenter)
dValue = exp(-(1/2)*dDis*dDis/(sigma*sigma))/(sqrt(2*3.1415926)*sigma)
(*pdKernel)[i] = dValue
dSum+=dValue
}
//归一化
for(i=0i<(*pnWidowSize)i++)
{
(*pdKernel)[i]/=dSum
}
}
//用高斯滤波器平滑原图像
void CFunction::GaussianSmooth(SIZE sz, LPBYTE pGray, LPBYTE pResult, double sigma)
{
LONG x, y
LONG i
//高斯滤波器长度
int nWindowSize
//窗口长度
int nLen
//一维高斯滤波器
double *pdKernel
//高斯系数与图像数据的点乘
double dDotMul
//滤波系数总和
double dWeightSum
double *pdTemp
pdTemp = new double[sz.cx*sz.cy]
//产生一维高斯数据
CreatGauss(sigma, &pdKernel, &nWindowSize)
nLen = nWindowSize/2
//x方向滤波
for(y=0y<sz.cyy++)
{
for(x=0x<sz.cxx++)
{
dDotMul = 0
dWeightSum = 0
for(i=(-nLen)i<=nLeni++)
{
//判断是否在图像内部
if((i+x)>=0 &&(i+x)<sz.cx)
{
dDotMul+=(double)pGray[y*sz.cx+(i+x)] * pdKernel[nLen+i]
dWeightSum += pdKernel[nLen+i]
}
}
pdTemp[y*sz.cx+x] = dDotMul/dWeightSum
}
}
//y方向滤波
for(x=0x<sz.cxx++)
{
for(y=0y<sz.cyy++)
{
dDotMul = 0
dWeightSum = 0
for(i=(-nLen)i<=nLeni++)
{
if((i+y)>=0 &&(i+y)<sz.cy)
{
dDotMul += (double)pdTemp[(y+i)*sz.cx+x]*pdKernel[nLen+i]
dWeightSum += pdKernel[nLen+i]
}
}
pResult[y*sz.cx+x] = (unsigned char)(int)dDotMul/dWeightSum
}
}
delete []pdKernel
pdKernel = NULL
delete []pdTemp
pdTemp = NULL
}
// 方向导数,求梯度
void CFunction::Grad(SIZE sz, LPBYTE pGray,int *pGradX, int *pGradY, int *pMag)
{
LONG y,x
//x方向的方向导数
for(y=1y<sz.cy-1y++)
{
for(x=1x<sz.cx-1x++)
{
pGradX[y*sz.cx +x] = (int)( pGray[y*sz.cx+x+1]-pGray[y*sz.cx+ x-1] )
}
}
//y方向方向导数
for(x=1x<sz.cx-1x++)
{
for(y=1y<sz.cy-1y++)
{
pGradY[y*sz.cx +x] = (int)(pGray[(y+1)*sz.cx +x] - pGray[(y-1)*sz.cx +x])
}
}
//求梯度
//中间变量
double dSqt1
double dSqt2
for(y=0y<sz.cyy++)
{
for(x=0x<sz.cxx++)
{ //二阶范数求梯度
dSqt1 = pGradX[y*sz.cx + x]*pGradX[y*sz.cx + x]
dSqt2 = pGradY[y*sz.cx + x]*pGradY[y*sz.cx + x]
pMag[y*sz.cx+x] = (int)(sqrt(dSqt1+dSqt2)+0.5)
}
}
}
//非最大抑制
void CFunction::NonmaxSuppress(int *pMag, int *pGradX, int *pGradY, SIZE sz, LPBYTE pNSRst)
{
LONG y,x
int nPos
//梯度分量
int gx
int gy
//中间变量
int g1,g2,g3,g4
double weight
double dTmp,dTmp1,dTmp2
//设置图像边缘为不可能的分界点
for(x=0x<sz.cxx++)
{
pNSRst[x] = 0
//pNSRst[(sz.cy-1)*sz.cx+x] = 0
pNSRst[sz.cy-1+x] = 0
}
for(y=0y<sz.cyy++)
{
pNSRst[y*sz.cx] = 0
pNSRst[y*sz.cx + sz.cx-1] = 0
}
for(y=1y<sz.cy-1y++)
{
for(x=1x<sz.cx-1x++)
{ //当前点
nPos = y*sz.cx + x
//如果当前像素梯度幅度为0，则不是边界点
if(pMag[nPos] == 0)
{
pNSRst[nPos] = 0
}
else
{ //当前点的梯度幅度
dTmp = pMag[nPos]
//x,y方向导数
gx = pGradX[nPos]
gy = pGradY[nPos]
//如果方向导数y分量比x分量大，说明导数方向趋向于y分量
if(abs(gy) >abs(gx))
{
//计算插值比例
weight = fabs(gx)/fabs(gy)
g2 = pMag[nPos-sz.cx]
g4 = pMag[nPos+sz.cx]
//如果x,y两个方向导数的符号相同
//C 为当前像素，与g1-g4 的位置关系为：
//g1 g2
// C
// g4 g3
if(gx*gy>0)
{
g1 = pMag[nPos-sz.cx-1]
g3 = pMag[nPos+sz.cx+1]
}
//如果x,y两个方向的方向导数方向相反
//C是当前像素，与g1-g4的关系为：
// g2 g1
// C
// g3 g4
else
{
g1 = pMag[nPos-sz.cx+1]
g3 = pMag[nPos+sz.cx-1]
}
}
//如果方向导数x分量比y分量大，说明导数的方向趋向于x分量
else
{
//插值比例
weight = fabs(gy)/fabs(gx)
g2 = pMag[nPos+1]
g4 = pMag[nPos-1]
//如果x,y两个方向的方向导数符号相同
//当前像素C与 g1-g4的关系为
// g3
// g4 C g2
// g1
if(gx * gy >0)
{
g1 = pMag[nPos+sz.cx+1]
g3 = pMag[nPos-sz.cx-1]
}
//如果x,y两个方向导数的方向相反
// C与g1-g4的关系为
// g1
// g4 C g2
// g3
else
{
g1 = pMag[nPos-sz.cx+1]
g3 = pMag[nPos+sz.cx-1]
}
}
//利用 g1-g4 对梯度进行插值
{
dTmp1 = weight*g1 + (1-weight)*g2
dTmp2 = weight*g3 + (1-weight)*g4
//当前像素的梯度是局部的最大值
//该点可能是边界点
if(dTmp>=dTmp1 &&dTmp>=dTmp2)
{
pNSRst[nPos] = 128
}
else
{
//不可能是边界点
pNSRst[nPos] = 0
}
}
}
}
}
}
// 统计pMag的直方图，判定阈值
void CFunction::EstimateThreshold(int *pMag, SIZE sz, int *pThrHigh, int *pThrLow, LPBYTE pGray,
double dRatHigh, double dRatLow)
{
LONG y,x,k
//该数组的大小和梯度值的范围有关，如果采用本程序的算法
//那么梯度的范围不会超过pow(2,10)
int nHist[1024]
//可能边界数
int nEdgeNum
//最大梯度数
int nMaxMag
int nHighCount
nMaxMag = 0
//初始化
for(k=0k<1024k++)
{
nHist[k] = 0
}
//统计直方图,利用直方图计算阈值
for(y=0y<sz.cyy++)
{
for(x=0x<sz.cxx++)
{
if(pGray[y*sz.cx+x]==128)
{
nHist[pMag[y*sz.cx+x]]++
}
}
}
nEdgeNum = nHist[0]
nMaxMag = 0
//统计经过“非最大值抑制”后有多少像素
for(k=1k<1024k++)
{
if(nHist[k] != 0)
{
nMaxMag = k
}
//梯度为0的点是不可能为边界点的
//经过non-maximum suppression后有多少像素
nEdgeNum += nHist[k]
}
//梯度比高阈值*pThrHigh 小的像素点总书目
nHighCount = (int)(dRatHigh * nEdgeNum + 0.5)
k=1
nEdgeNum = nHist[1]
//计算高阈值
while((k<(nMaxMag-1)) &&(nEdgeNum <nHighCount))
{
k++
nEdgeNum += nHist[k]
}
*pThrHigh = k
//低阈值
*pThrLow = (int)((*pThrHigh) * dRatLow + 0.5)
}
//利用函数寻找边界起点
void CFunction::Hysteresis(int *pMag, SIZE sz, double dRatLow, double dRatHigh, LPBYTE pResult)
{
LONG y,x
int nThrHigh,nThrLow
int nPos
//估计TraceEdge 函数需要的低阈值，以及Hysteresis函数使用的高阈值
EstimateThreshold(pMag, sz,&nThrHigh,&nThrLow,pResult,dRatHigh,dRatLow)
//寻找大于dThrHigh的点，这些点用来当作边界点，
//然后用TraceEdge函数跟踪该点对应的边界
for(y=0y<sz.cyy++)
{
for(x=0x<sz.cxx++)
{
nPos = y*sz.cx + x
//如果该像素是可能的边界点，并且梯度大于高阈值，
//该像素作为一个边界的起点
if((pResult[nPos]==128) &&(pMag[nPos] >= nThrHigh))
{
//设置该点为边界点
pResult[nPos] = 255
TraceEdge(y,x,nThrLow,pResult,pMag,sz)
}
}
}
//其他点已经不可能为边界点
for(y=0y<sz.cyy++)
{
for(x=0x<sz.cxx++)
{
nPos = y*sz.cx + x
if(pResult[nPos] != 255)
{
pResult[nPos] = 0
}
}
}
}
//根据Hysteresis 执行的结果，从一个像素点开始搜索，搜索以该像素点为边界起点的一条边界的
//一条边界的所有边界点，函数采用了递归算法
// 从（x,y)坐标出发，进行边界点的跟踪，跟踪只考虑pResult中没有处理并且可能是边界
// 点的像素（=128），像素值为0表明该点不可能是边界点，像素值为255表明该点已经是边界点
void CFunction::TraceEdge(int y, int x, int nThrLow, LPBYTE pResult, int *pMag, SIZE sz)
{
//对8邻域像素进行查询
int xNum[8] = {1,1,0,-1,-1,-1,0,1}
int yNum[8] = {0,1,1,1,0,-1,-1,-1}
LONG yy,xx,k//循环变量
for(k=0k<8k++)
{
yy = y+yNum[k]
xx = x+xNum[k]
if(pResult[640 * (479 - yy)+xx]==128 &&pMag[640 * (479 - yy)+xx]>=nThrLow )
{
//该点设为边界点
pResult[640 * (479 - yy)+xx] = 255
//以该点为中心再进行跟踪
TraceEdge(yy,xx,nThrLow,pResult,pMag,sz)
}
}
}
// Canny算子
BOOL CFunction::Canny(LPBYTE m_pDibData,CPoint ptLeft, CPoint ptRight , double sigma, double dRatLow, double dRatHigh)
{
BYTE* m_Newdata//每一步处理后的图像数据
m_Newdata = (BYTE*)malloc(maxImage)
memcpy(m_Newdata,(BYTE *)m_pDibData,maxImage)
//经过抑制局部像素非最大值的处理后的数据
BYTE* pResult//每一步处理后的图像数据
pResult = (BYTE*)malloc(maxImage)
memcpy(pResult,(BYTE *)m_pDibData,maxImage)
int pointy,pointx,m,n,i=0
long Position
int GradHori
int GradVert
//存储结构元素的数组
BYTE array[9]={0}
//设定两个阈值
int nThrHigh,nThrLow
//梯度分量
int gx
int gy
//中间变量
int g1,g2,g3,g4
double weight
double dTmp,dTmp1,dTmp2
int Width,Higth
Width=ptRight.x-ptLeft.x+1
Higth=ptRight.y-ptLeft.y+1
CSize sz=CSize(Width,Higth)
//x方向导数的指针
int *pGradX= new int[maxImage]
memset(pGradX,0,maxImage)
//y方向
int *pGradY
pGradY = new int [maxImage]
memset(pGradY,0,maxImage)
//梯度的幅度
int *pGradMag
pGradMag = new int [maxImage]
//对pGradMag进行初始化
for (pointy = 0pointy <480pointy++)
{
for (pointx = 0pointx <640 pointx++)
{
Position=640 * (479 - pointy)+pointx
pGradMag[Position]=m_pDibData[Position]
}
}
//第一步进行高斯平滑器滤波
//进入循环,使用3*3的结构元素，处理除去第一行和最后一行以及第一列和最后一列。
for (pointy = ptLeft.y+1pointy <= ptRight.y-1pointy++)
{
for (pointx = ptLeft.x+1pointx <= ptRight.x-1pointx++)
{
Position=640 * (479 - pointy)+pointx
for (m = 0m <3m++)
{
for (n = 0n <3n++)
{
array[m*3+n]=m_pDibData[Position+640*(1-m)+n-1]
}
}
GradHori=abs(array[0]+2*array[1]+array[2]+2*array[3]+4*array[4]+2*array[5]+array[6]+2*array[7]+array[8])
GradHori=(int)(0.0625*GradHori+0.5)
if (GradHori>255)
{
m_Newdata[Position]=255
}
else
m_Newdata[Position]=GradHori
}
}
//第二步用一阶偏导的有限差分来计算梯度的幅值和方向
//x方向的方向导数
for (pointy = ptLeft.y+1pointy <= ptRight.y-1pointy++)
{
for (pointx = ptLeft.x+1pointx <= ptRight.x-1pointx++)
{
pGradX[pointy*Width +pointx]=(int)(m_Newdata[pointy*Width +pointx+1]- m_Newdata[pointy*Width +pointx-1] )
}
}
//y方向方向导数
for (pointx = ptLeft.x+1pointx <= ptRight.x-1pointx++)
{
for (pointy = ptLeft.y+1pointy <= ptRight.y-1pointy++)
{
pGradY[pointy*Width +pointx] = (int)(m_Newdata[(pointy+1)*Width +pointx] - m_Newdata[(pointy-1)*Width +pointx])
}
}
//求梯度
for (pointy = ptLeft.y+1pointy <= ptRight.y-1pointy++)
{
for (pointx = ptLeft.x+1pointx <= ptRight.x-1pointx++)
{
Position=640 * (479 - pointy)+pointx
for (m = 0m <3m++)
{
for (n = 0n <3n++)
{
array[m*3+n]=m_Newdata[Position+640*(1-m)+n-1]
}
}
GradHori=abs((-1)*array[0]+(-2)*array[3]+2*array[7]+array[8])
GradVert=abs((-1)*array[0]-2*array[1]+2*array[5]+array[8])
GradHori =(int)((float)sqrt(pow(GradHori,2)+pow(GradVert,2))+0.5)
pGradMag[Position]=GradHori
}
}
//针对第一行的像素点及最后一行的像素点
for (pointx = ptLeft.xpointx <= ptRight.xpointx++)
{
Position=640 * (479 - ptLeft.y)+pointx
pGradMag[Position]=0
Position=640 * (479 - ptRight.y)+pointx
pGradMag[Position]=0
}
//针对第一列以及最后一列的像素点
for (pointy = ptLeft.y+1pointy <= ptRight.y-1pointy++)
{
Position=640 * (479 - pointy)+ptLeft.x
pGradMag[Position]=0
Position=640 * (479 - pointy)+ptRight.x
pGradMag[Position]=0
}
//第三步进行抑制梯度图中的非局部极值点的像素
for (pointy = ptLeft.y+1pointy <= ptRight.y-1pointy++)
{
for (pointx = ptLeft.x+1pointx <= ptRight.x-1pointx++)
{ //当前点
Position=640 * (479 - pointy)+pointx
//如果当前像素梯度幅度为0，则不是边界点
if(pGradMag[Position] == 0)
{
pGradMag[Position] = 0
}
else
{ //当前点的梯度幅度
dTmp = pGradMag[Position]
//x,y方向导数
gx = pGradX[Position]
gy = pGradY[Position]
//如果方向导数y分量比x分量大，说明导数方向趋向于y分量
if(abs(gy) >abs(gx))
{
//计算插值比例
weight = fabs(gx)/fabs(gy)
g2 = pGradMag[Position-640]
g4 = pGradMag[Position+640]
//如果x,y两个方向导数的符号相同
//C 为当前像素，与g1-g4 的位置关系为：
//g1 g2
//C
//g4 g3
if(gx*gy>0)
{
g1 = pGradMag[Position-640-1]
g3 = pGradMag[Position+640+1]
}
//如果x,y两个方向的方向导数方向相反
//C是当前像素，与g1-g4的关系为：
// g2 g1
// C
// g3 g4
else
{
g1 = pGradMag[Position-640+1]
g3 = pGradMag[Position+640-1]
}
}
//如果方向导数x分量比y分量大，说明导数的方向趋向于x分量
else
{
//插值比例
weight = fabs(gy)/fabs(gx)
g2 = pGradMag[Position+1]
g4 = pGradMag[Position-1]
//如果x,y两个方向的方向导数符号相同
//当前像素C与 g1-g4的关系为
// g3
// g4 C g2
// g1
if(gx * gy >0)
{
g1 = pGradMag[Position+640+1]
g3 = pGradMag[Position-640-1]
}
//如果x,y两个方向导数的方向相反
// C与g1-g4的关系为
// g1
// g4 C g2
// g3
else
{
g1 =pGradMag[Position-640+1]
g3 =pGradMag[Position+640-1]
}
}
//利用 g1-g4 对梯度进行插值
{
dTmp1 = weight*g1 + (1-weight)*g2
dTmp2 = weight*g3 + (1-weight)*g4
//当前像素的梯度是局部的最大值
//该点可能是边界点
if(dTmp>=dTmp1 &&dTmp>=dTmp2)
{
pResult[Position] = 128
}
else
{
//不可能是边界点
pResult[Position] = 0
}
}
}
}
}
//第四步根据梯度计算及经过非最大值得印制后的结果设定阈值
//估计TraceEdge 函数需要的低阈值，函数使用的高阈值
EstimateThreshold(pGradMag, sz,&nThrHigh,&nThrLow,pResult,dRatHigh,dRatLow)
//寻找大于dThrHigh的点，这些点用来当作边界点，
//然后用TraceEdge函数跟踪该点对应的边界
for (pointy = ptLeft.y+1pointy <= ptRight.y-1pointy++)
{
for (pointx = ptLeft.x+1pointx <= ptRight.x-1pointx++)
{
Position=640 * (479 - pointy)+pointx
//如果该像素是可能的边界点，并且梯度大于高阈值，
//该像素作为一个边界的起点
if((pResult[Position]==128) &&(pGradMag[Position] >= nThrHigh))
{
//设置该点为边界点
pResult[Position] = 255
TraceEdge(pointy,pointx,nThrLow,pResult,pGradMag,sz)
}
}
}
//其他点已经不可能为边界点
for (pointy = ptLeft.y+1pointy <= ptRight.y-1pointy++)
{
for (pointx = ptLeft.x+1pointx <= ptRight.x-1pointx++)
{
Position=640 * (479 - pointy)+pointx
if(pResult[Position] != 255)
{
pResult[Position] = 0
}
}
}
//计算方向导数和梯度的幅度
// Grad(sz,pGaussSmooth,pGradX,pGradY,pGradMag)
//应用非最大抑制
// NonmaxSuppress(pGradMag,pGradX,pGradY,sz,pResult)
//应用Hysteresis，找到所有边界
// Hysteresis(pGradMag,sz,dRatLow,dRatHigh,pResult)
memcpy(m_pDibData,(BYTE *)pResult,maxImage)
delete[] pResult
pResult = NULL
delete[] pGradX
pGradX = NULL
delete[] pGradY
pGradY = NULL
delete[] pGradMag
pGradMag = NULL
delete[] m_Newdata
m_Newdata = NULL
return true
}
MATLAB实用源代码1图像的读取及旋转
A=imread('')%读取图像
subplot(2,2,1),imshow(A),title('原始图像')%输出图像
I=rgb2gray（A）
subplot(2,2,2),imshow(A),title('灰度图像')
subplot(2,2,3),imhist(I),title('灰度图像直方图')%输出原图直方图
theta = 30J = imrotate(I,theta)% Try varying the angle, theta.
subplot(2,2,4)， imshow(J),title(‘旋转图像’)
2边缘检测
I=imread('C:\Users\HP\Desktop\平时总结\路飞.jpg')
subplot(2,2,1),imshow(I),title('原始图像')
I1=edge(I,'sobel')
subplot(2,2,2),imshow(I1),title('sobel边缘检测')
I2=edge(I,'prewitt')
subplot(2,2,3),imshow(I2),title（'prewitt边缘检测'）
I3=edge(I,'log')
subplot(2,2,4),imshow(I3),title（'log边缘检测'）
3图像反转
MATLAB 程序实现如下：
I=imread('xian.bmp')
J=double(I)
J=-J+(256-1)%图像反转线性变换
H=uint8(J)
subplot(1,2,1),imshow(I)
subplot(1,2,2),imshow(H)
4.灰度线性变换
MATLAB 程序实现如下：
I=imread('xian.bmp')
subplot(2,2,1),imshow(I)
title('原始昌迅戚谈图像')
axis([50,250,50,200])
axis on%显示坐标系
I1=rgb2gray(I)
subplot(2,2,2),imshow(I1)
title('灰度图像')
axis([50,250,50,200])
axis on %显示坐标系
J=imadjust(I1,[0.1 0.5],[])%局部拉伸，把[0.1 0.5]内的灰度拉伸为[0 1]
subplot(2,2,3),imshow(J)
title('线性变换图像[0.1 0.5]')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
K=imadjust(I1,[0.3 0.7],[])%局部拉伸，把[0.3 0.7]内的灰度拉伸为[0 1]
subplot(2,2,4),imshow(K)
title('线性变换图像[0.3 0.7]')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标耐仔此系
5.非线性变换
MATLAB 程序实现如下：
I=imread('xian.bmp')
I1=rgb2gray(I)
subplot(1,2,1),imshow(I1)
title(' 灰度图像')
axis([50,250,50,200])
grid on%显示网格线
axis on%显示坐标系
J=double(I1)
J=40*(log(J+1))
H=uint8(J)
subplot(1,2,2),imshow(H)
title(' 对数变换图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
4.直方图均衡化
MATLAB 程序实现如下：
I=imread('xian.bmp')
I=rgb2gray(I)
figure
subplot(2,2,1)
imshow(I)
subplot(2,2,2)
imhist(I)
I1=histeq(I)
figure
subplot(2,2,1)
imshow(I1)
subplot(2,2,2)
imhist(I1)
5. 线性平滑滤波器
用MATLAB实现领域平均法抑制噪声程序：
I=imread('xian.bmp')
subplot(231)
imshow(I)
title('原始图像')
I=rgb2gray(I)
I1=imnoise(I,'salt &pepper',0.02)
subplot(232)
imshow(I1)
title(' 添加椒盐噪声的图像')
k1=filter2(fspecial('average',3),I1)/255 %进行3*3模板平滑滤波
k2=filter2(fspecial('average',5),I1)/255 %进行5*5模板平滑滤波k3=filter2(fspecial('average',7),I1)/255 %进行7*7模板平滑滤波
k4=filter2(fspecial('average',9),I1)/255 %进行9*9模板平滑滤波
subplot(233),imshow(k1)title('3*3 模板平滑滤波')
subplot(234),imshow(k2)title('5*5 模板平滑滤波')
subplot(235),imshow(k3)title('7*7 模板平滑滤波')
subplot(236),imshow(k4)title('9*9 模板平滑滤波')
6.中值滤波器
用MATLAB实现中值滤波程序如下：
I=imread('xian.bmp')
I=rgb2gray(I)
J=imnoise(I,'salt&pepper',0.02)
subplot(231),imshow(I)title('原图像')
subplot(232),imshow(J)title('添加椒盐噪声图像')
k1=medfilt2(J) %进行3*3模板中值滤波
k2=medfilt2(J,[5,5]) %进行5*5模板中值滤波
k3=medfilt2(J,[7,7]) %进行7*7模板中值滤波
k4=medfilt2(J,[9,9]) %进行9*9模板中值滤波
subplot(233),imshow(k1)title('3*3模板中值滤波')
subplot(234),imshow(k2)title('5*5模板中值滤波 ')
subplot(235),imshow(k3)title('7*7模板中值滤波')
subplot(236),imshow(k4)title('9*9 模板中值滤波')
7.用Sobel算子和拉普拉斯对图像锐化：
I=imread('xian.bmp')
subplot(2,2,1),imshow(I)
title('原始图像')
axis([50,250,50,200])
grid on%显示网格线
axis on%显示坐标系
I1=im2bw(I)
subplot(2,2,2),imshow(I1)
title('二值图像')
axis([50,250,50,200])
grid on%显示网格线
axis on%显示坐标系
H=fspecial('sobel')%选择sobel算子
J=filter2(H,I1) %卷积运算
subplot(2,2,3),imshow(J)
title('sobel算子锐化图像')
axis([50,250,50,200])
grid on%显示网格线
axis on%显示坐标系
h=[0 1 0,1 -4 1,0 1 0] %拉普拉斯算子
J1=conv2(I1,h,'same')%卷积运算
subplot(2,2,4),imshow(J1)
title('拉普拉斯算子锐化图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
8.梯度算子检测边缘
用 MATLAB实现如下：
I=imread('xian.bmp')
subplot(2,3,1)
imshow(I)
title('原始图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
I1=im2bw(I)
subplot(2,3,2)
imshow(I1)
title('二值图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
I2=edge(I1,'roberts')
figure
subplot(2,3,3)
imshow(I2)
title('roberts算子分割结果')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
I3=edge(I1,'sobel')
subplot(2,3,4)
imshow(I3)
title('sobel算子分割结果')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
I4=edge(I1,'Prewitt')
subplot(2,3,5)
imshow(I4)
title('Prewitt算子分割结果 ')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
9.LOG算子检测边缘
用 MATLAB程序实现如下：
I=imread('xian.bmp')
subplot(2,2,1)
imshow(I)
title('原始图像')
I1=rgb2gray(I)
subplot(2,2,2)
imshow(I1)
title('灰度图像')
I2=edge(I1,'log')
subplot(2,2,3)
imshow(I2)
title('log算子分割结果')
10.Canny算子检测边 缘
用MATLAB程序实现如下：
I=imread('xian.bmp')
subplot(2,2,1)
imshow(I)
title('原始图像')
I1=rgb2gray(I)
subplot(2,2,2)
imshow(I1)
title('灰度图像')
I2=edge(I1,'canny')
subplot(2,2,3)
imshow(I2)
title('canny算子分割结果')
11.边界跟踪 （bwtraceboundary函数）
clc
clear all
I=imread('xian.bmp')
figure
imshow(I)
title('原始图像')
I1=rgb2gray(I) %将彩色图像转化灰度图像
threshold=graythresh(I1) %计算将灰度图像转化为二值图像所需的门限
BW=im2bw(I1, threshold) %将灰度图像转化为二值图像
figure
imshow(BW)
title('二值图像')
dim=size(BW)
col=round(dim(2)/2)-90%计算起始点列坐标
row=find(BW(:,col),1) %计算起始点行坐标
connectivity=8
num_points=180
contour=bwtraceboundary(BW,[row,col],'N',connectivity,num_points)
%提取边界
figure
imshow(I1)
hold on
plot(contour(:,2),contour(:,1), 'g','LineWidth' ,2)
title('边界跟踪图像')
12.Hough变换
I= imread('xian.bmp')
rotI=rgb2gray(I)
subplot(2,2,1)
imshow(rotI)
title('灰度图像')
axis([50,250,50,200])
grid on
axis on
BW=edge(rotI,'prewitt')
subplot(2,2,2)
imshow(BW)
title('prewitt算子边缘检测 后图像')
axis([50,250,50,200])
grid on
axis on
[H,T,R]=hough(BW)
subplot(2,2,3)
imshow(H,[],'XData',T,'YData',R,'InitialMagnification','fit')
title('霍夫变换图')
xlabel('\theta'),ylabel('\rho')
axis on , axis normal, hold on
P=houghpeaks(H,5,'threshold',ceil(0.3*max(H(:))))
x=T(P(:,2))y=R(P(:,1))
plot(x,y,'s','color','white')
lines=houghlines(BW,T,R,P,'FillGap',5,'MinLength',7)
subplot(2,2,4),imshow(rotI)
title('霍夫变换图像检测')
axis([50,250,50,200])
grid on
axis on
hold on
max_len=0
for k=1:length(lines)
xy=[lines(k).point1lines(k).point2]
plot(xy(:,1),xy(:,2),'LineWidth',2,'Color','green')
plot(xy(1,1),xy(1,2),'x','LineWidth',2,'Color','yellow')
plot(xy(2,1),xy(2,2),'x','LineWidth',2,'Color','red')
len=norm(lines(k).point1-lines(k).point2)
if(len>max_len)
max_len=len
xy_long=xy
end
end
plot(xy_long(:,1),xy_long(:,2),'LineWidth',2,'Color','cyan')
13.直方图阈值法
用 MATLAB实现直方图阈值法：
I=imread('xian.bmp')
I1=rgb2gray(I)
figure
subplot(2,2,1)
imshow(I1)
title(' 灰度图像')
axis([50,250,50,200])
grid on%显示网格线
axis on%显示坐标系
[m,n]=size(I1)%测量图像尺寸参数
GP=zeros(1,256)%预创建存放灰度出现概率的向量
for k=0:255
GP(k+1)=length(find(I1==k))/(m*n)%计算每级灰度出现的概率，将其存入GP中相应位置
end
subplot(2,2,2),bar(0:255,GP,'g')%绘制直方图
title('灰度直方图')
xlabel('灰度值')
ylabel(' 出现概率')
I2=im2bw(I,150/255)
subplot(2,2,3),imshow(I2)
title('阈值150的分割图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
I3=im2bw(I,200/255) %
subplot(2,2,4),imshow(I3)
title('阈值200的分割图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
14. 自动阈值法：Otsu法
用MATLAB实现Otsu算法：
clc
clear all
I=imread('xian.bmp')
subplot(1,2,1),imshow(I)
title('原始图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
level=graythresh(I)%确定灰度阈值
BW=im2bw(I,level)
subplot(1,2,2),imshow(BW)
title('Otsu 法阈值分割图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
15.膨胀 *** 作
I=imread('xian.bmp') %载入图像
I1=rgb2gray(I)
subplot(1,2,1)
imshow(I1)
title('灰度图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
se=strel('disk',1) %生成圆形结构元素
I2=imdilate(I1,se)%用生成的结构元素对图像进行膨胀
subplot(1,2,2)
imshow(I2)
title(' 膨胀后图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
16.腐蚀 *** 作
MATLAB 实现腐蚀 *** 作
I=imread('xian.bmp') %载入图像
I1=rgb2gray(I)
subplot(1,2,1)
imshow(I1)
title('灰度图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
se=strel('disk',1) %生成圆形结构元素
I2=imerode(I1,se) %用生成的结构元素对图像进行腐蚀
subplot(1,2,2)
imshow(I2)
title('腐蚀后图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
17.开启和闭合 *** 作
用 MATLAB实现开启和闭合 *** 作
I=imread('xian.bmp') %载入图像
subplot(2,2,1),imshow(I)
title('原始图像')
axis([50,250,50,200])
axis on %显示坐标系
I1=rgb2gray(I)
subplot(2,2,2),imshow(I1)
title('灰度图像')
axis([50,250,50,200])
axis on %显示坐标系
se=strel('disk',1)%采用半径为1的圆作为结构元素
I2=imopen(I1,se)%开启 *** 作
I3=imclose(I1,se) %闭合 *** 作
subplot(2,2,3),imshow(I2)
title('开启运算后图像')
axis([50,250,50,200])
axis on %显示坐标系
subplot(2,2,4),imshow(I3)
title('闭合运算后图像')
axis([50,250,50,200])
axis on %显示坐标系
18.开启和闭合组合 *** 作
I=imread('xian.bmp')%载入图像
subplot(3,2,1),imshow(I)
title('原始图像')
axis([50,250,50,200])
axis on%显示坐标系
I1=rgb2gray(I)
subplot(3,2,2),imshow(I1)
title('灰度图像')
axis([50,250,50,200])
axis on%显示坐标系
se=strel('disk',1)
I2=imopen(I1,se)%开启 *** 作
I3=imclose(I1,se)%闭合 *** 作
subplot(3,2,3),imshow(I2)
title('开启运算后图像')
axis([50,250,50,200])
axis on%显示坐标系
subplot(3,2,4),imshow(I3)
title('闭合运算后图像')
axis([50,250,50,200])
axis on%显示坐标系
se=strel('disk',1)
I4=imopen(I1,se)
I5=imclose(I4,se)
subplot(3,2,5),imshow(I5)%开—闭运算图像
title('开—闭运算图像')
axis([50,250,50,200])
axis on%显示坐标系
I6=imclose(I1,se)
I7=imopen(I6,se)
subplot(3,2,6),imshow(I7)%闭—开运算图像
title('闭—开运算图像')
axis([50,250,50,200])
axis on%显示坐标系
19.形态学边界提取
利用 MATLAB实现如下：
I=imread('xian.bmp')%载入图像
subplot(1,3,1),imshow(I)
title('原始图像')
axis([50,250,50,200])
grid on%显示网格线
axis on%显示坐标系
I1=im2bw(I)
subplot(1,3,2),imshow(I1)
title('二值化图像')
axis([50,250,50,200])
grid on%显示网格线
axis on%显示坐标系
I2=bwperim(I1)%获取区域的周长
subplot(1,3,3),imshow(I2)
title('边界周长的二值图像')
axis([50,250,50,200])
grid on
axis on
20.形态学骨架提取
利用MATLAB实现如下：
I=imread('xian.bmp')
subplot(2,2,1),imshow(I)
title('原始图像')
axis([50,250,50,200])
axis on
I1=im2bw(I)
subplot(2,2,2),imshow(I1)
title('二值图像')
axis([50,250,50,200])
axis on
I2=bwmorph(I1,'skel',1)
subplot(2,2,3),imshow(I2)
title('1次骨架提取')
axis([50,250,50,200])
axis on
I3=bwmorph(I1,'skel',2)
subplot(2,2,4),imshow(I3)
title('2次骨架提取')
axis([50,250,50,200])
axis on
21.直接提取四个顶点坐标
I = imread('xian.bmp')
I = I(:,:,1)
BW=im2bw(I)
figure
imshow(~BW)
[x,y]=getpts
平滑滤波
h=fspecial('average',9)
I_gray=imfilter(I_gray,h,'replicate')%平滑滤波
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）