数字图像处理典型算法及实现
① 数字图像处理的基本算法及要解决的主要问题
图像处理，是对图像进行分析、加工、和处理，使其满足视觉、心理以及其他要求的技术。图像处理是信号处理在图像域上的一个应用。目前大多数的图像是以数字形式存储，因而图像处理很多情况下指数字图像处理。此外，基于光学理论的处理方法依然占有重要的地位。
图像处理是信号处理的子类，另外与计算机科学、人工智能等领域也有密切的关系。
传统的一维信号处理的方法和概念很多仍然可以直接应用在图像处理上，比如降噪、量化等。然而，图像属于二维信号，和一维信号相比，它有自己特殊的一面，处理的方式和角度也有所不同。
目录
[隐藏]
* 1 解决方案
* 2 常用的信号处理技术
o 2.1 从一维信号处理扩展来的技术和概念
o 2.2 专用于二维（或更高维）的技术和概念
* 3 典型问题
* 4 应用
* 5 相关相近领域
* 6 参见
[编辑] 解决方案
几十年前，图像处理大多数由光学设备在模拟模式下进行。由于这些光学方法本身所具有的并行特性，至今他们仍然在很多应用领域占有核心地位，例如 全息摄影。但是由于计算机速度的大幅度提高，这些技术正在迅速的被数字图像处理方法所替代。
从通常意义上讲，数字图像处理技术更加普适、可靠和准确。比起模拟方法，它们也更容易实现。专用的硬件被用于数字图像处理，例如，基于流水线的计算机体系结构在这方面取得了巨大的商业成功。今天，硬件解决方案被广泛的用于视频处理系统，但商业化的图像处理任务基本上仍以软件形式实现，运行在通用个人电脑上。
[编辑] 常用的信号处理技术
大多数用于一维信号处理的概念都有其在二维图像信号领域的延伸，它们中的一部分在二维情形下变得十分复杂。同时图像处理也具有自身一些新的概念，例如，连通性、旋转不变性，等等。这些概念仅对二维或更高维的情况下才有非平凡的意义。
图像处理中常用到快速傅立叶变换，因为它可以减小数据处理量和处理时间。
[编辑] 从一维信号处理扩展来的技术和概念
* 分辨率(Image resolution|Resolution)
* 动态范围(Dynamic range)
* 带宽(Bandwidth)
* 滤波器设计(Filter (signal processing)|Filtering)
* 微分算子(Differential operators)
* 边缘检测(Edge detection)
* Domain molation
* 降噪(Noise rection)
[编辑] 专用于二维（或更高维）的技术和概念
* 连通性(Connectedness|Connectivity)
* 旋转不变性(Rotational invariance)
[编辑] 典型问题
* 几何变换（geometric transformations）：包括放大、缩小、旋转等。
* 颜色处理（color）：颜色空间的转化、亮度以及对比度的调节、颜色修正等。
* 图像合成（image composite）：多个图像的加、减、组合、拼接。
* 降噪（image denoising）：研究各种针对二维图像的去噪滤波器或者信号处理技术。
* 边缘检测（edge detection）：进行边缘或者其他局部特征提取。
* 分割（image segmentation）：依据不同标准，把二维图像分割成不同区域。
* 图像制作（image editing）：和计算机图形学有一定交叉。
* 图像配准（image registration）：比较或集成不同条件下获取的图像。
* 图像增强（image enhancement）：
* 图像数字水印（image watermarking）：研究图像域的数据隐藏、加密、或认证。
* 图像压缩（image compression）：研究图像压缩。
[编辑] 应用
* 摄影及印刷 (Photography and printing)
* 卫星图像处理 (Satellite image processing)
* 医学图像处理 (Medical image processing)
* 面孔识别, 特征识别 (Face detection, feature detection, face identification)
* 显微图像处理 (Microscope image processing)
* 汽车障碍识别 (Car barrier detection)
[编辑] 相关相近领域
* 分类（Classification）
* 特征提取（Feature extraction）
* 模式识别（Pattern recognition）
* 投影（Projection）
* 多尺度信号分析（Multi-scale signal analysis）
* 离散余弦变换（The Discrete Cosine Transform）
② 二、数字图像处理基本运算
点运算具有如下特点：1）点运算针对图像中的每一个像素灰度，独立地进行灰度值的改变；2）输出图像中每个像素点的灰度值，仅取决于相应输入像素点的值；3）点运算不改变图像内的空间关系；4）从像素到像素的操作；5）点运算可完全由灰度变换函数或灰度映射表确定。
具体一点，对于一整张图像来说：
其中，对于a和b，有以下特碰郑哗点：
这种运算意思很明了，就是一对一映射。实际上，上述的线性和非线性点运算到最后也可以看成是映射表点运算。
加法运算的定义：
主要应用有去除“叠加性”噪音、生成图像叠加效果等。
1）去除“叠加性”噪音。对于原图像f(x,y)，有一个噪音图像集： ，其中： ，M个图像的均值定义为： ，当噪音 为互不相关，且均值为0时，上述图像均值（即 ）将降低噪音的影响。通过这个事实，可以得出一个定理：对M幅加性噪声图像进行平均，可以使图像的平方信噪比提高M倍。
2）生成图像叠加效果。对于两个图像f(x,y)和h(x,y)的均值有： ，这样会得到二次曝光的效果。推广这个公式为： 。我们可以得到各种图像合成的效果，也可以用于两张图片的衔接。
减法的定义：
主要应用有去除不需要的叠加性图案、检测同一场景两幅图像之间的变化等。
1）去除不需要的叠加性图案。设：背景图像b(x,y)，前景背景混合图像f(x,y)。则 ，g(x,y)为去除了背景的图像。电视制作的蓝屏技术就基于此：
2）检测同一场景两幅图像之间的变化。设：时间1的图像为 ，时间2的图像为 。则
乘法的定义：
主要应用有图形的局部显示等。
求反的定义：
其中R为f(x,y)的灰度级。主要应用有获得一个图像的负像、获得一个子图像的补图像丛蠢等。
异或运算的定义：
主要应用有获得相交子图像等。
与运算的定义：
主要应用有求两个子图像的相交子图等。
在图像空间，对图像的形状、像素值等进行变化、映射等处理。
即改变图像的形状。主要有基本变换和灰度插值。
几何变换的基本概念：对原始图像，按照需要改变其大小、形状和位置的变化。
变换的类型：二维平面图像的几何变换、三维图像的几何变换、由三维向二维平面的投影变换等。
定义：对于原始图像f(x,y)，坐标变换函数
唯一确定了几何变换：
二维图像几何变换的基本方式有多项式变换、透视变换等。
1）多项式变换。基本公式：
线性变换——多项式变换中的一阶变换：
使用多项式变换实现二维图像的几何变换即由线性变换确定的图像的平移、缩放、旋转、镜像与错切。
2）二维数字图像基本几何变换的矩阵计算。
笑行 原始图像与目标图像之间的坐标变换函数为线性函数，这可以通过与之对应的线性矩阵变换来实现。
齐次坐标表示法——用n+1维向量表示n维向量。设有变换矩阵T，则二维图像的基本几何变换矩阵为：
二维图像的基本几何变换具有特征：1）变换前图形上的每一点，在变换后的图形上都有一确定的对应点，如原来直线上的中点变换为新直线的中点；2）平行直线变换后仍保持平行，相交直线变换后仍相交；3）变换前直线上的线段比等于变换后对应的线段比。
变换矩阵T可以分解为2个子矩阵，子矩阵1： ，可实现恒等、比例、镜像、旋转和错切变换；子矩阵2： ，可实现图像的平移变换（e=0，f=0时无平移作用）。
a）平移变换（只改变图像位置，不改变图像的大小和形状）。设：
可有： 。
b）水平镜像。
c）垂直镜像。
d）缩放变换：x方向缩放c倍，y方向缩放d倍
c，d相等，按比例缩放：
c，d不相等，不按比例缩放——几何畸变：
e）旋转变换：绕原点旋转 度。设：
旋转变换的注意点：
i）图像旋转之前，为了避免信息的丢失，一定有平移坐标。具体有如下两种方法：
ii）图像旋转之后，会出现许多的空洞点，对这些空洞点必须进行填充处理，否则画面效果不好。这种操作被称之为插值处理。
f）错切变换：图像的错切变换实际上是景物在平面上的非垂直投影效果。
x方向的错切：
y方向的错切：
错切之后，原图像的像素排列方向改变。与旋转不同的是，x方向与y方向独立变化。
g）伪仿射变换——双线性几何变换：
伪仿射变换有两个特点：与xy平面上坐标轴平行的直线，变换为 平面上的直线；与xy平面上坐标轴不平行的直线，变换为 平面上的曲线。
h）任意变形变换——非线性几何变换。可以有以下两种作用：在二维平面上，实现图像几何形状的任意变换；在二维平面上，校正图像的几何失真。
特征：一般的，原始图像与目标图像之间，存在一一对应的特征点（tiepoints，GCPs）。
模型：一般的，原始图像与目标图像之间的坐标变换函数为非线性函数，需用高阶多项式进行近似描述。例如，三阶多项式变换：
通过原始图像与目标图像之间多个对应特征点（GCP点），可以确定上述多项式中的未知参数。
多项式阶数与GCP数量的关系：
通过多项式变换进行任意变形变换后的误差，通常用均方误差表示：
3）二维图像的透视变换。将一个平面上的点 ，以投影中心O为基准，投影成另一个平面上的点 ；可看作为三维物体向二维图像透视投影的特殊形式。
透视投影：当人们站在玻璃窗内用一只眼睛观看室外的建筑物时，无数条视线与玻璃窗相交，把各交点连接起来的图形即为透视图。
透视投影相当于以人的眼睛为投影中心的中心投影，符合人们的视觉形象，富有较强的立体感和真实感。
随着观看角度的变化，可看到物体的一个或多个侧面；在透视处理上，按照空间直角坐标系的划分，相应的分为单点透视投影、双点透视投影和三点透视投影。
二维图像透视变换函数及其齐次坐标表示为：
与前面关于齐次变换矩阵的描述类似，这里引入第三个子矩阵 ，实现图像的透视变换。变换式中共有8个独立的参数，可采用图像点对的方式（最少采用4对共8个点即可），进行二维平面图像的透视投影计算。
总结基本几何变换的特征：
1）坐标空间的变化：范围发生变化；大小发生变化。
2）像素值的变化：像素值不发生变化——位置改变；像素值发生变化——旋转、缩放、变形变换。
1）最近邻插值法
选择最临近点像素灰度值。如图2.21中， 点像素的灰度值为原图像中 点的像素值。
最近邻插值法的特点有：a）简单快速；b）灰度保真性好；c）误差较大；d）视觉特性较差（容易造成马赛克效应）。
2）双线性插值法（一阶插值）
如图2.22中，有
最终， 由以上四个结果得出。
双线性插值可以有简化的计算方法。如图2.23中，即有，应用双曲抛物面方程：
归一化坐标值：
最终有：
双曲抛物面的特点：a）计算中较为充分地考虑相邻各点的特征，具有灰度平滑过渡特点；b）一般情况下可得到满意结果；c）具有低通滤波特性，使图像轮廓模糊；d）平滑作用使图像细节退化，尤其在放大时；e）不连续性会产生不希望的结果。
3）最佳插值函数。在满足Nyquist条件下，从离散信号 可恢复连续信号x(t)：
4)高阶插值。如果简化计算，仅取原点周围有限范围函数（如图2.25所示）；
并利用三次多项式来近似理论上的最佳插值函数sinc(x):
由此形成常用的三次卷积插值算法，又称三次内插法、两次立方法（Cubic）、CC插值法等。
三次卷积插值算法特点：a）是满足Nyquist下，最佳重构公式的近似；b）只有图像满足特定的条件，三次卷积插值算法才能获得最佳结果；c）可使待求点的灰度值更好地模拟实际可能值；d）可取得更好的视觉效果；e）三次卷积内插突出的优点是高频信息损失少，可将噪声平滑；f） 时，像元均值和标准差信息损失小；g）计算量大为增加。
5）图像处理中内插方法的选择。内插方法的选择除了考虑图像的显示要求及计算量，还要考虑内插结果对分析的影响。a）当纹理信息为主要信息时，最近邻采样将严重改变原图像的纹理信息；b）当灰度信息为主要信息时，双线性内插及三次卷积内插将减少图像异质性，增加图像同质性，其中，双线性内插方法将使这种变化更为明显。
即改变图像像素值。主要有模板运算、灰度变换和直方图变换。
定义：对于原图像 ，灰度值变换函数 唯一确定了非几何变换： ， 是目标图像。
非几何变换属于像素值的变换——灰度变换，没有几何位置的改变。
对于彩色原图像 ，颜色值变换函数 唯一确定了非几何变换：
简单变换——像素值一一对应的映射，如伪彩色变换；复杂变换——同时考虑相邻各点的像素值，通常通过模板运算进行。
1）定义。所谓模板就是一个系数矩阵；模板大小：经常是奇数，如
③ 在图像处理中有哪些算法
1、图像变换：
由于图像阵列很大，直接在空间域中进行处理，涉及计算量很大。采用各种图像变换的方法，如傅立叶变换、沃尔什变换、离散余弦变换等间接处理技术，将空间域的处理转换为变换域处理，可减少计算量，获得更有效的处理。它在图像处理中也有着广泛而有效的应用。
2、图像编码压缩：
图像编码压缩技术可减少描述图像的数据量，以便节省图像传输、处理时间和减少所占用的存储器容量。
压缩可以在不失真的前提下获得，也可以在允许的失真条件下进行。
编码是压缩技术中最重要的方法，它在图像处理技术中是发展最早且比较成熟的技术。
3、图像增强和复原：
图像增强和复原的目的是为了提高图像的质量，如去除噪声，提高图像的清晰度等。
图像增强不考虑图像降质的原因，突出图像中所感兴趣的部分。如强化图像高频分量，可使图像中物体轮廓清晰，细节明显；如强化低频分量可减少图像中噪声影响。
4、图像分割：
图像分割是数字图像处理中的关键技术之一。
图像分割是将图像中有意义的特征部分提取出来，其有意义的特征有图像中的边缘、区域等，这是进一步进行图像识别、分析和理解的基础。
5、图像描述：
图像描述是图像识别和理解的必要前提。
一般图像的描述方法采用二维形状描述，它有边界描述和区域描述两类方法。对于特殊的纹理图像可采用二维纹理特征描述。
6、图像分类：
图像分类属于模式识别的范畴，其主要内容是图像经过某些预处理（增强、复原、压缩）后，进行图像分割和特征提取，从而进行判决分类。
图像分类常采用经典的模式识别方法，有统计模式分类和句法模式分类。
(3)数字图像处理典型算法及实现扩展阅读：
图像处理主要应用在摄影及印刷、卫星图像处理、医学图像处理、面孔识别、特征识别、显微图像处理和汽车障碍识别等。
数字图像处理技术源于20世纪20年代，当时通过海底电缆从英国伦敦到美国纽约传输了一幅照片，采用了数字压缩技术。
数字图像处理技术可以帮助人们更客观、准确地认识世界，人的视觉系统可以帮助人类从外界获取3/4以上的信息，而图像、图形又是所有视觉信息的载体，尽管人眼的鉴别力很高，可以识别上千种颜色，
但很多情况下，图像对于人眼来说是模糊的甚至是不可见的，通过图象增强技术，可以使模糊甚至不可见的图像变得清晰明亮。
④ C#数字图像处理算法典型实例的目录
第1章绪论
1.1数字图像处理概述
1.2C#概述
1.2.1C#特点
1.2.2WinForm编程
1.2.3GDI+
1.3补充说明
第2章C#数字图像处理的3种方法
2.1C#图像处理基础
2.1.1Bitmap类
2.1.2BitmapData类
2.1.3Graphics类
2.2彩色图像灰度化
2.3彩色图像灰度化编程实例
2.3.1使用图像
2.3.2图像处理的3种方法
2.4小结
第3章点运算及直方图
3.1灰度直方图
3.1.1灰度直方图定义
3.1.2灰度直方图编程实例
3.2线性点运算
3.2.1线性点运算定义
3.2.2线性点运算编程实例
3.3全等级直方图灰度拉伸
3.3.1灰度拉伸定义
3.3.2灰度拉伸编程实例
3.4直方图均衡化
3.4.1直方图均衡化定义
3.4.2直方图均衡化编程实例
3.5直方图匹配
3.5.1直方图匹配定义
3.5.2直方图匹配编程实例
3.6小结
第4章几何运算
4.1图像平移
4.1.1图像平移定义
4.1.2图像平移编程实例
4.2图像镜像
4.2.1图像镜像变换定义
4.2.2图像镜像编程实现
4.3图像缩放
4.3.1图像缩放定义
4.3.2灰度插值法
4.3.3图像缩放编程实例
4.4图像旋转
4.4.1图像旋转定义
4.4.2图像旋转编程实现
4.5小结
第5章数学形态学图像处理
5.1图像腐蚀运算
5.1.1图像腐蚀运算定义
5.1.2图像腐蚀运算编程实例
5.2图像膨胀运算
5.2.1图像膨胀运算定义
5.2.2图像膨胀运算编程实例
5.3图像开运算与闭运算
5.3.1图像开运算与闭运算定义
5.3.2图像开运算编程实例
5.3.3图像闭运算编程实例
5.4击中击不中变换
5.4.1击中击不中变换定义
5.4.2击中击不中变换编程实例
5.5小结
第6章频率变换
6.1二维离散傅里叶变换
6.2快速傅里叶变换
6.2.1快速傅里叶变换概述
6.2.2快速傅里叶变换编程实例
6.3幅度图像和相位图像
6.4频率成分滤波
6.4.1频率成分滤波原理
6.4.2频率成分滤波编程实例
6.5频率方位滤波
6.5.1频率方位滤波原理
6.5.2频率方位滤波编程实例
6.6小结
第7章图像平滑与去噪
7.1噪声模型
7.1.1噪声概述
7.1.2噪声模型编程实例
7.2均值滤波与中值滤波
7.2.1均值滤波与中值滤波原理
7.2.2均值滤波与中值滤波编程实例
7.3灰度形态学滤波
7.3.1灰度形态学原理
7.3.2灰度形态学去噪原理
7.3.3灰度形态学去噪编程实现
7.4小波变换去噪
7.4.1小波变换概述
7.4.2小波变换去噪原理
7.4.3小波变换去噪编程实例
7.5高斯低通滤波
7.5.1高斯低通滤波原理
7.5.2高斯低通滤波编程实例
7.6统计滤波
7.6.1统计滤波原理
7.6.2统计滤波编程实例
7.7小结
第8章边缘检测
8.1模板算子法
8.1.1模板算子法原理
8.1.2模板算子法编程实例
8.2高斯算子
8.2.1高斯算子原理
8.2.2高斯算子编程实例
8.3Canny算子
8.3.1Canny边缘检测原理
8.3.2Canny算子编程实例
8.4形态学边缘检测
8.4.1形态学边缘检测原理
8.4.2形态学边缘检测编程实例
8.5小波变换边缘检测
8.5.1小波变换边缘检测原理
8.5.2小波变换边缘检测编程实例
8.6金字塔方法
8.6.1金字塔方法原理
8.6.2金字塔方法编程实例
8.7小结
第9章图像分割
9.1Hough变换
9.1.1Hough变换原理
9.1.2Hough变换编程实例
9.2阈值法
9.2.1自动阈值选择法原理
9.2.2阈值分割法编程实例
9.3特征空间聚类法
9.3.1K-均值聚类法原理
9.3.2ISODATA聚类法原理
9.3.3特征空间聚类法编程实例
9.4松弛迭代法
9.4.1松弛迭代法原理
9.4.2松弛迭代法编程实例
9.5小结
第10章图像压缩编码
10.1哈夫曼编码
10.1.1哈夫曼编码原理
10.1.2哈夫曼编码编程实例
10.2香农编码
10.2.1香农编码原理
10.2.2香农编码编程实例
10.3香农-弗诺编码
10.3.1香农-弗诺编码原理
10.3.2香农-弗诺编码编程实例
10.4行程编码
10.4.1行程编码原理
10.4.2行程编码编程实例
10.5LZW编码
10.5.1LZW编码原理
10.5.2LZW编码编程实例
10.6预测编码
10.6.1DPCM原理
10.6.2预测编码编程实例
10.7傅里叶变换编码
10.7.1傅里叶变换编码原理
10.7.2傅里叶变换编码编程实例
10.8小波变换编码
10.8.1小波变换编码原理
10.8.2小波变换编码编程实例
10.9小结
第11章彩色图像处理
11.1彩色空间
11.1.1RGB彩色空间和HSI彩色空间
11.1.2彩色空间转换编程实例
11.1.3彩色空间分量调整编程实例
11.2伪彩色处理
11.2.1伪彩色处理原理
11.2.2伪彩色处理编程实例
11.3彩色图像直方图均衡化
11.3.1彩色图像直方图均衡化原理
11.3.2彩色图像直方图均衡化编程实例
11.4彩色图像平滑处理
11.4.1彩色图像平滑处理原理
11.4.2彩色图像平滑处理编程实例
11.5彩色图像锐化处理
11.5.1彩色图像锐化处理原理
11.5.2彩色图像锐化处理编程实例
11.6彩色图像边缘检测
11.6.1彩色图像边缘检测原理
11.6.2彩色图像边缘检测编程实例
11.7彩色图像分割
11.7.1彩色图像分割原理
11.7.2彩色图像分割编程实例
11.8小结
⑤ 求推荐图像处理算法方面的经典书籍
个人认为，真正的经典推荐清华大学出版社的《图像处理、分析与机器视觉》，这本书由浅入深。数字图像处理这本书很经典，但只能算是入门，讲的更多是图像处理的算法和基本理论。而《图像处理、分析与机器视觉》这本书涵盖了图像处理算法、分析和实际的应用。图像处理说白了是为了图像特征提取和分析，然后再到图像识别等更高级的后续过程。国内大部分图像处理算法岗位其实更多是偏向应用方面，所以这本书能让你对图像处理行业整个情况更加了解，实用性更强！顺便附上电子版，看对你有没有帮助。h（去掉）ttps://p（去掉）an..com/s/184hg6h1（去掉）ST2Fqijr4FFFuRg 提取：qfid
⑥ 数字图像处理 图像缩放以及旋转的算法代码
clearall;
I=imread('lena.bmp');
figure;imshow(I);title('原图像');
[m,n]=size(I);
%%%缩小临近法
M=0.5;%放大倍数
%新的图像大小
m1=m*M;n1=n*M;
%****************************************************
fori=1:m1
forj=1:n1;
J(i,j)=I(round(i/M),round(j/M));
end
end
%*****************************************************
figure;imshow(J);title('缩小图像');
%%%放大双线性插值法
I2=double(I);
N=1.5;%放大倍数
%新的图像大小
m2=m*N;n2=n*N;
J2=zeros(m2,n2);
fori=1:m2
forj=1:n2
x=i/N;
y=j/N;
u=floor(x);
v=floor(y);
a=x-u;
b=y-v;
ifu+2<=m&v+2<=n
J2(i,j)=I2(u+1,v+1)*(1-a)*(1-b)+I2(u+2,v+1)*a*(1-b)+I2(u+1,v+2)*(1-a)*b+I2(u+2,v+2)*a*b;
end
end
end
J2=uint8(J2);
figure;imshow(J2);title('放大图像');
%%%%%旋转
R=45*pi/180;%旋转角度
I=double(I);
%新图像大小
m2=ceil(m*cos(R)+n*sin(R));
n2=ceil(m*sin(R)+n*cos(R));
u0=m*sin(R);%平移量
%变换矩阵
T=[cos(R),sin(R);-sin(R),cos(R)];
L=zeros(m2,n2);
foru=1:n2
forv=1:m2
%新图像坐标变换到原图像坐标x和y中
temp=T*([u;v]-[u0;0]);
x=temp(1);
y=temp(2);
ifx>=1&x<=m&y>=1&y<=n%若变换出的x和y在原图像范围内
x_low=floor(x);
x_up=ceil(x);
y_low=floor(y);
y_up=ceil(y);
%双线性插值，p1到p4是（x,y）周围的四个点
p1=I(x_low,y_low);
p2=I(x_up,y_low);
p3=I(x_low,y_low);
p4=I(x_up,y_up);
s=x-x_low;
t=y-y_low;
L(u,v)=(1-s)*(1-t)*p1+(1-s)*t*p3+(1-t)*s*p2+s*t*p4;
end
end
end
L=uint8(L);
figure;imshow(L);
⑦ 数字图像处理及算术编码（或DCT压缩编码）仿真实现
1）数字图像的变换：普通傅里叶变换(ft)与逆变换（ift）、快速傅里叶变换（fft）与逆变换(ifft)、离散余弦变换（DCT），小波变换。
2) 数字图像直方图的统计及绘制等；
clc;
Y=imread('C:\zheng.jpg');
length(size(Y))==3
s=rgb2gray(Y);
imshow(Y);
title('原图'); %figure1
Y=rgb2gray(Y);
figure;imshow(Y);title('原始图像'); % figue2
[J,T] = histeq(Y);
figure;imshow(J);title('增强图像'); % figue3
figure ;imhist(Y,64);title('原始图像直方图'); % figue4
figure ;imhist(J,64);title('均衡化图像直方图');% figue5
clear all;
Y=imread('C:\zheng.jpg');%导入图片%傅里叶变换
Y=rgb2gray(Y);
figure(1);
imshow(Y);
title('灰度化后的图像');
Y1=fftshift(fft2(Y));
figure(2);
Y2=abs(Y1);
imshow(Y2,[]);
title('傅里叶变换的图像');
figure(3);
Y2=abs(ifft2(Y1))/255;
imshow(Y2);
title('傅里叶逆变换的图像');
J=fft2(double(s));%快速傅里叶变换
K=fftshift(fft2(double(s)));
F=ifft2(K);%快速傅里叶变换
figure; %figure6
imshow(J);
title('FFT变换结果');
figure; %figure7
imshow(log(abs(K)+1),[]);
title('零点平移');
figure; %figure8
imshow(abs(F),[]);
title('IFFT变换结果');
% 图象的DCT变换
RGB=imread('C:\zheng.jpg');
figure;%figure9
subplot(1,2,1)
imshow(RGB);
title('彩色原图');
a=rgb2gray(RGB);
subplot(1,2,2)
imshow(a);
title('灰度图');
figure;%figure10
b=dct2(a);
imshow(log(abs(b)),[]),colormap(jet(64)),colorbar;
title('DCT变换结果');
figure;%figure11
b(abs(b)<10)=0;
% idct
c=idct2(b)/255;
imshow(c);
title('IDCT变换结果')
小波变换
clear
I= imread('C:\zheng.jpg');
X=rgb2gray(I);
subplot (121) ;
imshow(X);
title ('原始图像') ;%画出原图像
[c,s] =wavedec2 (X, 2, 'sym4') ;
%进行二层小波分解
len = length ( c) ;%处理分解系数,突出轮廓,弱化细节
for I = 1: len
if (c( I )>350)
c( I ) = 2*c (I ) ;
else
c( I ) = 0.5*c( I ) ;
end
end
nx =waverec2 ( c, s, 'sym4') ;
%分解系数重构
subplot(122) ;
image( nx) ;
title('增强图像')
%画出增强图像
⑧ java数字图像处理常用算法
一 读取bmp图片数据
// 获取待检测图像 数据保存在数组 nData[] nB[] nG[] nR[]中
public void getBMPImage(String source) throws Exception { clearNData(); //清除数据保存区 FileInputStream fs = null; try { fs = new FileInputStream(source); int bfLen = ; byte bf[] = new byte[bfLen]; fs read(bf bfLen); // 读取 字节BMP文件头 int biLen = ; byte bi[] = new byte[biLen]; fs read(bi biLen); // 读取 字节BMP信息头
// 源图宽度 nWidth = (((int) bi[ ] & xff) << ) | (((int) bi[ ] & xff) << ) | (((int) bi[ ] & xff) << ) | (int) bi[ ] & xff;
// 源图高度 nHeight = (((int) bi[ ] & xff) << ) | (((int) bi[ ] & xff) << ) | (((int) bi[ ] & xff) << ) | (int) bi[ ] & xff;
// 位数 nBitCount = (((int) bi[ ] & xff) << ) | (int) bi[ ] & xff;
// 源图大小 int nSizeImage = (((int) bi[ ] & xff) << ) | (((int) bi[ ] & xff) << ) | (((int) bi[ ] & xff) << ) | (int) bi[ ] & xff;
// 对 位BMP进行解析 if (nBitCount == ){ int nPad = (nSizeImage / nHeight) nWidth * ; nData = new int[nHeight * nWidth]; nB=new int[nHeight * nWidth]; nR=new int[nHeight * nWidth]; nG=new int[nHeight * nWidth];键带 byte bRGB[] = new byte[(nWidth + nPad) * * nHeight]; fs read(bRGB (nWidth + nPad) * * nHeight); int nIndex = ; for (int j = ; j < nHeight; j++){ for (int i = ; i < nWidth; i++) { nData[nWidth * (nHeight j ) + i] = ( & xff) << | (((int) bRGB[nIndex + ] & xff) << ) | (((int) bRGB[nIndex + ] & xff) << ) | (int) bRGB[nIndex] & xff; nB[nWidth * (nHeight j ) + i]=(int) bRGB[nIndex]& xff; nG[nWidth * (nHeight j ) + i]=(int) bRGB[nIndex+ ]& xff; nR[nWidth * (nHeight j ) + i]=(int) bRGB[nIndex+ ]& xff;稿物芦 nIndex += ; } nIndex += nPad; }// Toolkit kit = Toolkit getDefaultToolkit();// image = kit createImage(new MemoryImageSource(nWidth nHeight // nData nWidth));
/*蚂册 //调试数据的读取
FileWriter fw = new FileWriter( C:\Documents and Settings\Administrator\My Documents\nDataRaw txt );//创建新文件 PrintWriter out = new PrintWriter(fw); for(int j= ;j<nHeight;j++){ for(int i= ;i<nWidth;i++){ out print(( * +nData[nWidth * (nHeight j ) + i])+ _ +nR[nWidth * (nHeight j ) + i]+ _ +nG[nWidth * (nHeight j ) + i]+ _ +nB[nWidth * (nHeight j ) + i]+ ); } out println( ); } out close();*/ } } catch (Exception e) { e printStackTrace(); throw new Exception(e); } finally { if (fs != null) { fs close(); } } // return image; }
二由r g b 获取灰度数组
public int[] getBrightnessData(int rData[] int gData[] int bData[]){ int brightnessData[]=new int[rData length]; if(rData length!=gData length || rData length!=bData length || bData length!=gData length){ return brightnessData; } else { for(int i= ;i<bData length;i++){ double temp= *rData[i]+ *gData[i]+ *bData[i]; brightnessData[i]=(int)(temp)+((temp (int)(temp))> ? : ); } return brightnessData; } }
三 直方图均衡化
public int [] equilibrateGray(int[] PixelsGray int width int height) { int gray; int length=PixelsGray length; int FrequenceGray[]=new int[length]; int SumGray[]=new int[ ]; int ImageDestination[]=new int[length]; for(int i = ; i <length ;i++) { gray=PixelsGray[i]; FrequenceGray[gray]++; } // 灰度均衡化 SumGray[ ]=FrequenceGray[ ]; for(int i= ;i< ;i++){ SumGray[i]=SumGray[i ]+FrequenceGray[i]; } for(int i= ;i< ;i++) { SumGray[i]=(int)(SumGray[i]* /length); } for(int i= ;i<height;i++) { for(int j= ;j<width;j++) { int k=i*width+j; ImageDestination[k]= xFF | ((SumGray[PixelsGray[k]]<< ) | (SumGray[PixelsGray[k]]<< ) | SumGray[PixelsGray[k]]); } } return ImageDestination; }
四 laplace 阶滤波 增强边缘 图像锐化
public int[] laplace DFileter(int []data int width int height){ int filterData[]=new int[data length]; int min= ; int max= ; for(int i= ;i<height;i++){ for(int j= ;j<width;j++){ if(i== || i==height || j== || j==width ) filterData[i*width+j]=data[i*width+j]; else filterData[i*width+j]= *data[i*width+j] data[i*width+j ] data[i*width+j+ ] data[(i )*width+j] data[(i )*width+j ] data[(i )*width+j+ ] data[(i+ )*width+j] data[(i+ )*width+j ] data[(i+ )*width+j+ ]; if(filterData[i*width+j]<min) min=filterData[i*width+j]; if(filterData[i*width+j]>max) max=filterData[i*width+j]; } }// System out println( max: +max);// System out println( min: +min); for(int i= ;i<width*height;i++){ filterData[i]=(filterData[i] min)* /(max min); } return filterData; }
五 laplace 阶增强滤波 增强边缘 增强系数delt
public int[] laplaceHigh DFileter(int []data int width int height double delt){ int filterData[]=new int[data length]; int min= ; int max= ; for(int i= ;i<height;i++){ for(int j= ;j<width;j++){ if(i== || i==height || j== || j==width ) filterData[i*width+j]=(int)(( +delt)*data[i*width+j]); else filterData[i*width+j]=(int)(( +delt)*data[i*width+j] data[i*width+j ]) data[i*width+j+ ] data[(i )*width+j] data[(i )*width+j ] data[(i )*width+j+ ] data[(i+ )*width+j] data[(i+ )*width+j ] data[(i+ )*width+j+ ]; if(filterData[i*width+j]<min) min=filterData[i*width+j]; if(filterData[i*width+j]>max) max=filterData[i*width+j]; } } for(int i= ;i<width*height;i++){ filterData[i]=(filterData[i] min)* /(max min); } return filterData; } 六 局部阈值处理 值化
// 局部阈值处理 值化 niblack s method /*原理 T(x y)=m(x y) + k*s(x y) 取一个宽度为w的矩形框 (x y)为这个框的中心 统计框内数据 T(x y)为阈值 m(x y)为均值 s(x y)为均方差 k为参数(推荐 )计算出t再对(x y)进行切割 / 这个算法的优点是 速度快 效果好 缺点是 niblack s method会产生一定的噪声 */ public int[] localThresholdProcess(int []data int width int height int w int h double coefficients double gate){ int[] processData=new int[data length]; for(int i= ;i<data length;i++){ processData[i]= ; } if(data length!=width*height) return processData; int wNum=width/w; int hNum=height/h; int delt[]=new int[w*h]; //System out println( w; +w+ h: +h+ wNum: +wNum+ hNum: +hNum); for(int j= ;j<hNum;j++){ for(int i= ;i<wNum;i++){ //for(int j= ;j< ;j++){ //for(int i= ;i< ;i++){ for(int n= ;n<h;n++) for(int k= ;k<w;k++){ delt[n*w+k]=data[(j*h+n)*width+i*w+k]; //System out print( delt[ +(n*w+k)+ ]: +delt[n*w+k]+ ); } //System out println(); /* for(int n= ;n<h;n++) for(int k= ;k<w;k++){ System out print( data[ +((j*h+n)*width+i*w+k)+ ]: +data[(j*h+n)*width+i*w+k]+ ); } System out println(); */ delt=thresholdProcess(delt w h coefficients gate); for(int n= ;n<h;n++) for(int k= ;k<w;k++){ processData[(j*h+n)*width+i*w+k]=delt[n*w+k]; // System out print( delt[ +(n*w+k)+ ]: +delt[n*w+k]+ ); } //System out println(); /* for(int n= ;n<h;n++) for(int k= ;k<w;k++){ System out print( processData[ +((j*h+n)*width+i*w+k)+ ]: +processData[(j*h+n)*width+i*w+k]+ ); } System out println(); */ } } return processData; }
七 全局阈值处理 值化
public int[] thresholdProcess(int []data int width int height double coefficients double gate){ int [] processData=new int[data length]; if(data length!=width*height) return processData; else{ double sum= ; double average= ; double variance= ; double threshold; if( gate!= ){ threshold=gate; } else{ for(int i= ;i<width*height;i++){ sum+=data[i]; } average=sum/(width*height); for(int i= ;i<width*height;i++){ variance+=(data[i] average)*(data[i] average); } variance=Math sqrt(variance); threshold=average coefficients*variance; } for(int i= ;i<width*height;i++){ if(data[i]>threshold) processData[i]= ; else processData[i]= ; } return processData; } }
八 垂直边缘检测 sobel算子
public int[] verticleEdgeCheck(int []data int width int height int sobelCoefficients) throws Exception{ int filterData[]=new int[data length]; int min= ; int max= ; if(data length!=width*height) return filterData; try{ for(int i= ;i<height;i++){ for(int j= ;j<width;j++){ if(i== || i== || i==height || i==height ||j== || j== || j==width || j==width ){ filterData[i*width+j]=data[i*width+j]; } else{ double average; //中心的九个像素点 //average=data[i*width+j] Math sqrt( )*data[i*width+j ]+Math sqrt( )*data[i*width+j+ ] average=data[i*width+j] sobelCoefficients*data[i*width+j ]+sobelCoefficients*data[i*width+j+ ] data[(i )*width+j ]+data[(i )*width+j+ ] data[(i+ )*width+j ]+data[(i+ )*width+j+ ]; filterData[i*width+j]=(int)(average); } if(filterData[i*width+j]<min) min=filterData[i*width+j]; if(filterData[i*width+j]>max) max=filterData[i*width+j]; } } for(int i= ;i<width*height;i++){ filterData[i]=(filterData[i] min)* /(max min); } } catch (Exception e) { e printStackTrace(); throw new Exception(e); } return filterData; }
九 图像平滑 * 掩模处理（平均处理） 降低噪声
lishixin/Article/program/Java/hx/201311/26286
⑨ 数字图像处理的主要方法
数字图像处理的工具可分为三大类：
第一类包括各种正交变换和图像滤波等方法，其共同点是将图像变换到其它域（如频域）中进行处理（如滤波）后，再变换到原来的空间（域）中。
第二类方法是直接在空间域中处理图像，它包括各种统计方法、微分方法及其它数学方法。
第三类是数学形态学运算，它不同于常用的频域和空域的方法，是建立在积分几何和随机集合论的基础上的运算。
由于被处理图像的数据量非常大且许多运算在本质上是并行的，所以图像并行处理结构和图像并行处理算法也是图像处理中的主要研究方向。
(9)数字图像处理典型算法及实现扩展阅读
1、数字图像处理包括内容：
图像数字化；图像变换；图像增强；图像恢复；图像压缩编码；图像分割；图像分析与描述；图像的识别分类。
2、数字图像处理系统包括部分：
输入（采集）；存储；输出（显示）；通信；图像处理与分析。
3、应用
图像是人类获取和交换信息的主要来源，因 此，图像处理的应用领域必然涉及到人类生活和工作的方方面面。随着人类活动范围的不断扩大，图像处理的应用领域也将随之不断扩大。
主要应用于航天和航空、生物医学工程、通信 工程、工业和工程、军事公安、文化艺术、机器人视觉、视频和多媒体系统、科学可视化、电子商务等方面。