1、綜合作業(yè)二 春 季 學(xué) 期 對(duì) X1 照片圖像增強(qiáng) 31.1 直方圖增強(qiáng) 31.1.1 直方圖拉伸增加比照度 3直方圖均衡 41.2 偽彩色增強(qiáng) 5 5多波段合成偽彩色顯示 8 對(duì) x2 照片圖像增強(qiáng) 1.02.1 濾波 1.01.12.1.2 中值濾波 1.22.1.3 二階 butterworth 濾波 1.42.2 直方圖增強(qiáng) 1.6三 邊緣提取及增強(qiáng) 1.8.3.1 對(duì) x1 邊緣提取及復(fù)合 1.8.3.1.1 對(duì) x1 邊緣提取 1.9.3.1.2 對(duì) x1 邊緣復(fù)合 2.0.2.13.2.1 直接對(duì)原圖 x2 邊緣提取 2.1 3.2.2 去噪后邊緣提取 2.2 3.2.3 對(duì) x

2、2 邊緣復(fù)合 2.3 一.對(duì)X1照片圖像增強(qiáng)1.1直方圖增強(qiáng)直方圖拉伸增加比照度為了增強(qiáng)圖像，觀察x1，我們考慮增加圖像的比照度，看是否能使圖像更 清晰。具體的編程思路是，讀入x1圖像，運(yùn)用matlab自帶的imadjust函數(shù)，比 照a 1。厚始圖像増加比照度后圖像aa比照發(fā)現(xiàn)，左右兩邊根本沒有區(qū)別，根本沒有圖像增強(qiáng)效果。我們考 慮到運(yùn)用imadjust函數(shù)可以得到原圖的負(fù)片，即將原灰度圖白色的地方變成黑 色，黑色的地方變成白色，這種效果可能使 X1圖像自身比照2 b。bb的比照發(fā)現(xiàn)，從人眼的視覺角度來看，右圖比起左圖，在感官上比擬舒適,似乎有點(diǎn)圖像增強(qiáng)的意思，但總體上，效果還不是很好。直方

3、圖均衡在第三章的作業(yè)習(xí)題里，我們已經(jīng)接觸過直方圖均衡，它是一種利用圖像 直方圖比照照度進(jìn)行調(diào)整的方法，也是圖像增強(qiáng)常用的方法之一。我們的編程思路是運(yùn)用 matlab中自帶的一些函數(shù)對(duì)原圖進(jìn)行處理，具體程序見附錄，實(shí)驗(yàn)結(jié)果見圖均街化后團(tuán)毋均筒說后關(guān)像立方國(guó)結(jié)論：比照，我們可以發(fā)現(xiàn)直方圖均衡化后的圖像整體變亮，圖片中局部位 置變得清晰一些，局部位置灰度值過高，圖像有些發(fā)白，沒有得到好的圖像增強(qiáng) 效果，甚至發(fā)白部位阻礙醫(yī)生觀察骨骼細(xì)節(jié)。原因是因?yàn)檫@種方法對(duì)處理的數(shù)據(jù)不加選擇，當(dāng)原圖的直方圖有頂峰時(shí)，經(jīng)處理后比照度會(huì)不自然的過分增強(qiáng)。1.2 偽彩色增強(qiáng)對(duì)圖像中各像元亮度值進(jìn)行統(tǒng)計(jì)，確定其最小值和最大值

4、，確定分割的等級(jí)N,計(jì)算出分割的間隔再對(duì)輸入圖像的每一個(gè)像元進(jìn)行亮度轉(zhuǎn)換，為像元新值賦 色。1matlab 自帶函數(shù) grayslice I， n1.2.1(a) N=81.2.1(b) N=64i-dtiMtlXnmif Rift1.2.1(c) n=256分析：由上面三組圖像可知，當(dāng)分割等級(jí)越大，所呈現(xiàn)的效果越好2自編程序?qū)D像X1按灰度分為11份R=0 256 間隔為 256/10G=0到256再到0 間隔為256/5B=256: 0 間隔為 256/10密度分割迭1.2.1(d)分析：從上面各圖的分析我們知道n越大，效果越好。但比照利用grayslice I , n函數(shù)n=8時(shí)的效果，

5、自編程序n=11時(shí)的效果沒有很好，可能是顏色映射不恰 當(dāng)，導(dǎo)致效果不好。多波段合成偽彩色顯示對(duì)同一幅圖像在不同波長(zhǎng)獲得多幅圖像， 可米用多種變換方式，最后合成R、G B圖像進(jìn)而形成為彩色圖像顯示。在這里使用分段線性映射法。實(shí)驗(yàn)結(jié)果見1.2.2.程序見附錄1.2.2.多浪段合成為轄色顯示分析：比照利用密度分割法產(chǎn)生的效果，多波段合成偽彩色顯示法的效果不是很 好，反而將圖像變得更加模糊。結(jié)論：通過對(duì)圖像進(jìn)行偽彩色處理，主要得出以下兩點(diǎn)。1對(duì)圖像進(jìn)行偽彩色處理時(shí)，不同的偽彩色處理方法有不同的效果，要選擇 適宜的處理方法。2不同的顏色映射法也有不同的效果，根據(jù)圖像選擇適宜的顏色映射法。二.對(duì)x2照片圖

6、像增強(qiáng)2.1濾波首先我們先分別觀察一下X2的在MATLAB的原始圖像和頻譜分布情況。因 為我們觀察到X2是彩色圖，所以我們需要利用rgb2gray函數(shù)將它轉(zhuǎn)換成灰度圖 再進(jìn)行處理。X2的原始圖像和頻譜分布圖如以下圖所示：我們觀察到X2的灰度圖存在較嚴(yán)重的椒鹽噪聲，其頻譜圖也存在一個(gè)十字 叉的亮線，但是圍繞中間亮點(diǎn)又有一個(gè)矩型噪聲。綜上，X2存在明顯的噪聲近似于椒鹽噪聲，所以我們先采用“廣撒網(wǎng)，撈大魚的方法進(jìn)行篩選，嘗試使用不同類型的濾波器對(duì)X2進(jìn)行濾波處理，分析比照哪種濾波器的濾波效果最好，然后再選擇濾波效果最好的濾波器進(jìn)行各種參數(shù)設(shè)置，使其濾波效果最好各種濾波結(jié)果如以下圖所示:高斯低通濾波均

7、值濾波中值濾波自適應(yīng)濾波二維統(tǒng)計(jì)順序?yàn)V波二階 butterworth 濾波結(jié)論：比照分析后我們發(fā)現(xiàn)，中值濾波對(duì)于去除噪聲效果最好，第二好的是 二階butterworth 濾波，而自適應(yīng)濾波去除效果那么較差。所以接下來我們針對(duì)中 值濾波器和二階butterworth濾波器進(jìn)行詳細(xì)的參數(shù)設(shè)置，通過屢次試驗(yàn)使其到 達(dá)最好的效果。中值濾波因?yàn)橛^察X2的原始圖像和頻譜分布圖，我們發(fā)現(xiàn) X2存在很明顯的椒鹽噪 聲，所以我們可以預(yù)見到使用中值濾波對(duì) X2進(jìn)行處理后會(huì)有明顯的改善。根本 思路是先讀入待處理圖像，因?yàn)槲覀兊接^察X2是彩色圖，所以我們需要利用rgb2gray函數(shù)先將它轉(zhuǎn)換成灰度圖，再利用中值濾波器

8、對(duì)其進(jìn)行平滑濾波，分 別使用X2的處理結(jié)果如以下圖所示:3*3窗口中值濾波7*7窗口中值濾波11*11 窗口中值濾波13*13窗口中值濾波結(jié)論：正如預(yù)想的那樣，中值濾波對(duì) X2會(huì)產(chǎn)生明顯的效果。中值濾波對(duì)于 去除椒鹽噪聲效果明顯，是因?yàn)榻符}噪聲只在畫面上的局部點(diǎn)隨機(jī)出現(xiàn)，而中值 濾波根據(jù)數(shù)據(jù)排序，將未被污染的點(diǎn)代替噪聲點(diǎn)的值的概率較大， 所以抑制效果 好。但是當(dāng)我們選擇的窗口較小時(shí)噪聲依然比擬嚴(yán)重，當(dāng)我們把窗口加到11*11時(shí)只存在少數(shù)噪聲，當(dāng)我們把窗口加到13*13時(shí)，噪聲根本消除，雖然一些細(xì)節(jié) 也模糊了，但是效果最好。2.1.3 二階 butterworth 濾波根本步驟與中值濾波相似，這

9、里不再贅述。但是，我們認(rèn)為二階butterworth 濾波應(yīng)該達(dá)不到中值濾波的效果。另外，二階butterworth 濾波需要修改與原點(diǎn) 的距離dO,來實(shí)現(xiàn)最優(yōu)效果，以下圖d0=10d0=12丫 IrnM iMK DHkrtiv99d0=18d0=20結(jié)論：顯而易見，無論我們?cè)趺葱薷膮?shù)d0,其結(jié)果始終沒有中值濾波好。 同時(shí)，我們發(fā)現(xiàn)就X2圖像而言，當(dāng)d0=14左右時(shí)，二階butterworth 濾波器的 效果是最好的。因此，為了到達(dá)對(duì) X2圖像最好的處理效果，我們選擇了中值濾 波器進(jìn)行濾波處理。2.2直方圖增強(qiáng)1中，我們發(fā)現(xiàn)通過直方圖拉伸來增加比照度的方法幾乎沒有任何作用, 所以對(duì)X2不再重

10、復(fù)因?yàn)閤2明顯存在噪聲，所以我們對(duì)2.1中去噪后的圖進(jìn)行直方圖均衡化處理，具體程序見附錄2.2，實(shí)驗(yàn)結(jié)果見圖2.2原圖丿泉圖直萬圖窗的中值濾浪去噪后的圖像去噪圖像均衡化后圖像去嗓圖像均衡化后圖像直方圖結(jié)論：觀察并比照?qǐng)D 2.2 ，我們發(fā)現(xiàn)，中值濾波去噪后的圖像再做均衡化 處理，泛白情況非常嚴(yán)重， 嚴(yán)重?fù)p害了圖像質(zhì)量， 所以直方圖均衡的方法不能用 于 x2 圖像的增強(qiáng)。三邊緣提取及增強(qiáng)圖像的邊緣局部對(duì)應(yīng)圖像上灰度變化劇烈的區(qū)域。圖像的邊緣提取有多種方法，可以采用一階微分算子，如 sobel 算子， Roberts 算子， Prewitt 算子， Canny 算子。也可以采用二階微分算子，如 La

11、placian 算子。各種算子都有對(duì)應(yīng)的優(yōu)缺點(diǎn)， Sobel 算子檢測(cè)方法對(duì)灰度漸變和噪聲較多的 圖像處理效果較好，但 Sobel 算子對(duì)邊緣定位不是很準(zhǔn)確，圖像的邊緣不止一 個(gè)像素。 Roberts 算子檢測(cè)方法對(duì)具有陡峭的低噪聲的圖像處理效果較好， 但是 利用 roberts 算子提取邊緣的結(jié)果是邊緣比擬粗，因此邊緣的定位不是很準(zhǔn)確。 Prewitt 算子檢測(cè)方法對(duì)灰度漸變和噪聲較多的圖像處理效果較好。 但邊緣較寬， 而且間斷點(diǎn)多。 Laplacian 算子法對(duì)噪聲比擬敏感， 所以很少用該算子檢測(cè)邊緣， 而是用來判斷邊緣像素視為與圖像的明區(qū)還是暗區(qū)。 Canny 方法不容易受噪聲 干擾，能

12、夠檢測(cè)到真正的弱邊緣。 優(yōu)點(diǎn)在于， 使用兩種不同的閾值分別檢測(cè)強(qiáng)邊 緣和弱邊緣， 并且當(dāng)弱邊緣和強(qiáng)邊緣相連時(shí)， 才將弱邊緣包含在輸出圖像， 它是 目前邊緣檢測(cè)最常用的算法，效果也是最理想的。3.1對(duì)x1邊緣提取及復(fù)合對(duì)x1邊緣提取根據(jù)上述對(duì)邊緣提取的分析，我們編寫了各個(gè)邊緣提取的程序，希望找到一 個(gè)最好的邊緣提取函數(shù)，進(jìn)而得到最好的圖像增強(qiáng)效果。X1的具體程序見附錄3.，實(shí)驗(yàn)結(jié)果見圖3.1.1 o丿昴谿圖陽(yáng)Sobel EdgeRoberts EdgePrewitt EdgeLaplasiari of Gaussian EdgeCanny Edge觀察比照?qǐng)D，可以很明顯地發(fā)現(xiàn)Canny方法提取的

13、邊緣效果最好，這 個(gè)結(jié)果符合我們之前的分析，所以接下來的復(fù)合邊緣，我們都采取Canny方法。對(duì)x1邊緣復(fù)合因?yàn)閷?duì)x1做直方圖均衡化后，局部圖像由于比照度過高而泛白，不但沒有 增強(qiáng)圖像，還損害了圖像的局部細(xì)節(jié)，所以復(fù)合時(shí)不再考慮疊加均衡化后的圖， 所以我們的思路是將canny邊緣提取圖疊加在原圖上，進(jìn)行邊緣復(fù)合。具體程 序見附錄3.，實(shí)驗(yàn)結(jié)果見圖。原圖原圖與g呵邊緣提取圖復(fù)合結(jié)論：觀察并分析，利用canny算子提取邊緣后的圖像與原圖進(jìn)行 疊加，復(fù)合后的圖像輪廓更加清晰，比照度明顯增強(qiáng)，至V達(dá)了圖像增強(qiáng)的效果。 但是提取的邊緣過多，很多細(xì)節(jié)被模糊了，總體效果不是很理想，這是我們需要 解決的問題，但

14、是目前還沒找到更好的方法。直接對(duì)原圖x2邊緣提取因?yàn)閤2是彩色圖，所以要對(duì)其進(jìn)行灰度轉(zhuǎn)化，其他操作思路同x1。x2的具體程序見附錄3.，實(shí)驗(yàn)結(jié)果見圖3.2.1 0結(jié)論：觀察比照?qǐng)D，同圖3.1.1 一樣，也可以很明顯地發(fā)現(xiàn) Canny方法提取的邊緣效果最好，所以接下來的復(fù)合邊緣，我們也就只采取Canny方法進(jìn)行圖像增強(qiáng)。此外，我們還發(fā)現(xiàn)，在提取邊緣的同時(shí)，我們把噪聲也當(dāng)邊緣提取了。這是因?yàn)樵瓐DX2有明顯的噪聲存在，我們?cè)谔崛∵吘墪r(shí)，是提取圖像上灰度變化劇 烈的區(qū)域，自然就會(huì)把噪聲也提取出來，這是我們不希望看到的，所以在提取邊 緣之前需要對(duì)輸入圖像X2進(jìn)行消除噪聲的處理。322去噪后邊緣提取具體的

15、思路是：前面我們已經(jīng)對(duì)x2濾波進(jìn)行去噪處理，發(fā)現(xiàn)13*13的中值 濾波器具有最好的效果，而且 canny算子具有最好的邊緣提取效果。所以我們 將采用該尺寸的中值濾波器，對(duì)濾波后所得的圖，進(jìn)行canny邊緣提取。具體程序見附錄3.，實(shí)驗(yàn)結(jié)果見圖3.2.2 。原團(tuán)I?團(tuán)wnrry邊緣提取窗的中值濾波后的圖像伯x1M窗的中值'蕊浪后再心11門¥邊嫌提取觀察比照?qǐng)D322，很明顯，去噪后得到的邊緣圖就是我們所需要的323對(duì)x2邊緣復(fù)合因?yàn)橹狈綀D均衡不僅不能增強(qiáng)x2,反而由于比照度過高，損害了圖像細(xì)節(jié)， 所以復(fù)合時(shí)，不再考慮疊加直方均衡圖。在前面，我們成功的得到了中值濾波去 噪后的圖和去

16、噪后的邊緣提取圖，接下來我們的思路是將這兩幅圖疊加， 來增強(qiáng) 圖像。具體程序見附錄3.，實(shí)驗(yàn)結(jié)果見圖3.2.3 。結(jié)論：觀察比照?qǐng)D323，利用canny算子提取邊緣后的圖像與原圖進(jìn)行 疊加，復(fù)合后的圖像輪廓更加清晰，很多原來模糊的細(xì)節(jié)可被肉眼直接觀察， 比 方復(fù)合后的圖像中指甲也清晰可見。但是手腕關(guān)節(jié)處的骨骼由于過多的細(xì)節(jié)提取 被掩蓋。不過總體效果比擬理想，圖像的比照度明顯增強(qiáng)。作業(yè)合作說明我們?nèi)齻€(gè)厲宏蘭，徐節(jié)速，李倩都來自南京天光所，但是之前從未接觸過MATLAB程以及圖像處理的相關(guān)內(nèi)容，所以此次作業(yè) 我們選擇了一起合作探討，相互學(xué)習(xí)。徐節(jié)速同學(xué)主要做了直方圖增 強(qiáng)以及邊緣函數(shù)提取復(fù)合，李倩

17、同學(xué)主要做了圖像的偽彩色增強(qiáng)， 厲 宏蘭同學(xué)主要做了圖像濾波去噪工作。 最后一起討論了處理結(jié)果，利 用了各自的最優(yōu)算法對(duì)圖像進(jìn)行了最后的綜合處理。附錄：1)f=imread( 'C:UsersAdministratorDesktopX1.tif' );f1=imadjust(f,stretchlim(f),);subplot(1,2,1) ;imshow(f) title( ' 原始圖像 ' )subplot(1,2,2);imshow(f1)title( ' 增加比照度后圖像 ' )1.1.1(2)f=imread( 'C:UsersA

18、dministratorDesktopX1.tif' ); f1=imadjust(f,0,1,1,0);subplot(1,2,1) ;imshow(f)title( ' 原始圖像 ' )subplot(1,2,2);imshow(f1)title(' 負(fù)片 ' )f=imread( 'C:UsersAdministratorDesktopX1.tif' ); subplot(2,2,1),imshow(f);title( ' 原圖像 ' );subplot(2,2,2),imhist(f);title( ' 原

19、圖像直方圖 ' )subplot(2,2,3),f1=histeq(f);imshow(f1);title ' 均衡化后圖像 ' subplot(2,2,4),imhist(f1);title( ' 均衡化后圖像直方圖 ' )1I = imread(綜合作業(yè) 2_V3X 光圖像 X1.tif');X=grayslice(I,64););figure;imshow(X);title(figure;imshow(X,jet(64);title('matlab 自帶程序處理圖像 ' ;1.2.1 (2)I = imread(綜合作業(yè) 2

20、_V3X 光圖像 X1.tif'););figure;imshow(I);title( m,n=size(I);Imax=max(max(I);Imin=min(min(I);a=(Imax-Imin)/10;for i=1:mfor j=1:nif Imin<=I(i,j)&&I(i,j)<=(Imin+a)R(i,j)=0;G(i,j)=0;B(i,j)=256;else if (Imin+a)<I(i,j)&&I(i,j)<=(Imin+2*a)R(i,j)=25;G(i,j)=50;B(i,j)=225;else if (

21、Imin+2*a)<I(i,j)&&I(i,j)<=(Imin+3*a)R(i,j)=50;G(i,j)=100;B(i,j)=200;else if (Imin+3*a)<I(i,j)&&I(i,j)<=(Imin+4*a)R(i,j)=75;G(i,j)=150;B(i,j)=175;else if (Imin+4*a)<I(i,j)&&I(i,j)<=(Imin+5*a)R(i,j)=100;G(i,j)=200;B(i,j)=150;else if (Imin+5*a)<I(i,j)&&a

22、mp;I(i,j)<=(Imin+6*a)R(i,j)=125;G(i,j)=256;B(i,j)=125;else if (Imin+6*a)<I(i,j)&&I(i,j)<=(Imin+7*a)R(i,j)=150;G(i,j)=200;B(i,j)=100;else if (Imin+7*a)<I(i,j)&&I(i,j)<=(Imin+8*a)R(i,j)=175;G(i,j)=150;B(i,j)=75;else if (Imin+8*a)<I(i,j)&&I(i,j)<=(Imin+9*a)R

23、(i,j)=200;G(i,j)=100;B(i,j)=50;else if (Imin+9*a)<I(i,j)&&I(i,j)<=(Imin+10*a)R(i,j)=225;G(i,j)=50;B(i,j)=25;elseR(i,j)=256;G(i,j)=0;B(i,j)=0;endendendendendendendendend endfor i=1:mfor j=1:nx1(i,j,1)=R(i,j);x1(i,j,2)=G(i,j);x1(i,j,3)=B(i,j);endendx1=x1/256;figure;imshow(x1);title( '

24、; 密度分割法 ' );光圖像 X1.tif' );I=imread( 綜合作業(yè) 2_V3Xfigure;imshow(I);title( ' 原始圖像 ' );I=double(I);m,n=size(I);L=256;for i=1:mfor j=1:nif I(i,j)<L/4R(i,j)=0;G(i,j)=4*I(i,j);B(i,j)=L;else if I(i,j)<=L/2R(i,j)=0;G(i,j)=L;B(i,j)=-4*I(i,j)+2*L;else if I(i,j)<=3*L/4R(i,j)=4*I(i,j)-2*L;

25、G(i,j)=L;B(i,j)=0;elseR(i,j)=L;G(i,j)=-4*I(i,j)+4*L;B(i,j)=0;endendendendendfor i=1:mfor j=1:nx1(i,j,1)=R(i,j);x1(i,j,2)=G(i,j);x1(i,j,3)=B(i,j);x1=x1/256;figure;imshow(x1);title( ' 多波段合成為彩色顯示 ' );I1=imread('D:MATLAB圖像處理程序 X光圖像 X2.tif');I2=rgb2gray(I1);figure;imshow(I2);title('X2

26、灰圖像 ' ) %顯示原始圖像G=fspecial('gaussian' ,12 12,1);%這里的 gaussian 濾波窗口可選任意尺寸和標(biāo)準(zhǔn)差A(yù)=fspecial('average' ,12);%這里的average 濾波窗口可選任意尺寸f1=filter2(G,I2);%使用G 矩陣中的 gaussian 濾波器對(duì)圖像濾波f2=filter2(A,I2);%使用A 矩陣中的 average 濾波器對(duì)圖像濾波f3=medfilt2(I2,12 12);%使用中值濾波器對(duì)圖像濾波f4=wiener2(I2,12 12);%使用自適應(yīng)濾波器對(duì)圖像濾波

27、f5=ordfilt2(I2,5,ones(12,12);% 使用二維統(tǒng)計(jì)順序過濾figure;imshow(f1,);title( ' 高斯低通濾波器處理結(jié)果 ' );figure;imshow(f2,);title ' 均值濾波器處理結(jié)果 ' ;figure;imshow(f3,);title( ' 中值濾波器處理結(jié)果 ' );figure;imshow(f4,);title(' 自適應(yīng)濾波器處理結(jié)果 ' );figure;imshow(f5,);title(' 二維統(tǒng)計(jì)順序?yàn)V波處理結(jié)果' );J=double

28、(I2);f=fft2(J);g=fftshift(f);M,N=size(f);n=2;d0=16;n1=floor(M/2);n2=floor(N/2);for i=1:M;for j=1:N;d=sqrt(i-n1F2+(j-門2)人2);h=1/(1+0.414*(d/d0F(2* n);g(i,j)=h*g(i,j);endendg=ifftshift(g);f6=uint8(real(ifft2(g);figure;imshow(f6)title( ' 二階 Butterworth濾波圖像 ' )I1=imread( 'D:MATLAB 圖像處理程序 X 光

29、圖像 X2.tif' );I2=rgb2gray(I1);figure;imshow(I2);title( 'X2 灰圖像 ' ) %顯示原始圖像filtered1=medfilt2(I2,3 3);figure;imshow(filtered1);title( '3x3 窗的中值濾波圖像 ' )filtered2=medfilt2(I2,7 7);figure;imshow(filtered2);title( '7x7 窗的中值濾波圖像 ' )filtered2=medfilt2(I2,11 11);figure;imshow(filt

30、ered2);title( '11x11 窗的中值濾波圖像filtered2=medfilt2(I2,13 13);figure;imshow(filtered2);%使用 3*3 濾波窗口%使用 7*7 濾波窗口%使用 11*11 濾波窗口)%使用 13*13 濾波窗口title( '13x13 窗的中值濾波圖像 ' );I1=imread( 'D:MATLAB 圖像處理程序 X 光圖像 X2.tif'I2=rgb2gray(I1);J=double(I2);f=fft2(J);g=fftshift(f);M,N=size(f);n=2;d0=16;%

31、這里的 d0 可任意修改n1=floor(M/2);n2=floor(N/2);for i=1:M;for j=1:N;d=sqrt(i-n1F2+(j-門2)人2);h=1/(1+0.414*(d/d0F(2* n);g(i,j)=h*g(i,j);endendg=ifftshift(g);g=uint8(real(ifft2(g);figure;imshow(g)title( ' 二階 Butterworth 濾波圖像 ' ) clear;clc;I=imread( 'C:UsersAdministratorDesktopx2.tif');I=rgb2gra

32、y(I);figure;subplot(1,2,1),imshow(I);title(' 原圖 ' );subplot(1,2,2),imhist(I);title( ' 原圖直方圖 ' )濾波窗口filtered2=medfilt2(I,13 13);%使用 13*13figure;subplot(221),imshow(filtered2);title( '13x13 窗的中值濾波去噪后的圖像 ' ) subplot(2,2,2),imhist(filtered2);title( ' 去噪后圖像直方圖 ' )subplot(2

33、,2,3),f1=histeq(filtered2);imshow(f1);title( ' 去噪圖像均衡化后圖像 ' )subplot(2,2,4),imhist(f1);title ' 去噪圖像均衡化后圖像直方圖 ' clear;clc;I=imread( 'C:UsersAdministratorDesktopX1.tif' ); subplot(321),imshow(I,);title( ' 原始圖像 ' );% sobelsobelBW=edge(I, 'sobel' ); subplot(322),i

34、mshow(sobelBW);title( 'Sobel Edge' );% robertsrobertsBW=edge(I, 'roberts' ); subplot(323),imshow(robertsBW);title( 'Roberts Edge' );% prewittprewittBW=edge(I, 'prewitt' ); subplot(324),imshow(prewittBW);title('Prewitt Edge');%lowlogBW=edge(I, 'log' );

35、subplot(325),imshow(logBW);title('Laplasian of Gaussian Edge');%canny cannyBW=edge(I, 'canny' );subplot(326),imshow(cannyBW);title( 'Canny Edge' );clear;clc;I=imread( 'C:UsersAdministratorDesktopX1.tif' ); subplot(2,2,1), imshow(I);title( ' 原圖 ' );% cannyBW1=e

36、dge(I, 'canny' );subplot(2,2,2), imshow(BW1);title( ' 原圖 canny 邊緣提取 ' );% canny augmented cannyBW1=im2uint8(BW1)+I;subplot(2,2,3),imshow(cannyBW1);title( ' 原圖與 canny 邊緣提取圖復(fù)合 ' );clear;clc;I=imread( 'C:UsersAdministratorDesktopx2.tif' );I=rgb2gray(I);subplot(321),imsho

37、w(I,);title( ' 原始圖像 ' );% sobelsobelBW=edge(I, 'sobel' );subplot(322),imshow(sobelBW);title( 'Sobel Edge' );% robertsrobertsBW=edge(I, 'roberts' );subplot(323),imshow(robertsBW);title( 'Roberts Edge' );% prewittprewittBW=edge(I, 'prewitt' );subplot(324),imshow(prewittBW);title( 'Prewitt Edge' );%lowlogBW=edge(I, 'log' );subplot(325),imshow(logBW);title('