基于matlab的图像处理.ppt

专业课程设计,基于matlab的图像处理,不积跬步,无以至千里,不积小流,无以成江海,专业课程设计内容,本次专业课程设计是基于MATLAB的图像处理，着重训练Matlab在图像处理方面的应用，能够运用相关软件进行模拟实验。通过课程设计的学习，能够掌握图像处理的基本知识和方法，主要包括图像变换、图像去噪、图像恢复、图像分割和图像增强等。撰写专业课程设计报告并提交验收。,专业课程设计目的,数字图像处理，就是用数字计算机及其他有关数字技术，对图像进行处理，以达到预期的目的。随着计算机的发展，图像处理技术在许多领域得到了广泛应用。通过基于MATLAB的图像处理课程设计，旨在使学生进一步巩固数字图像处理的基本概念、理论、分析方法和实现方法；增强学生应用Matlab编写数字图像处理的应用程序及分析、解决实际问题的能力；尝试所学的内容解决实际工程问题，培养学生的工程实践能力。,进度安排,掌握图像处理相关理论知识；熟悉Matlab语言，学习使用图像处理工具箱(2天)给定分组题目，提出分组要求，学生查找相关文献。(1天)分组题目讲解，学生进行分组课程设计，确定解决方案。(2天)上机调试程序，修改并完善设计，实现相应功能。(3天)撰写专业课程设计报告并提交验收，分组答辩（以组为单位进行答辩，准备20-30分钟ppt，提交报告不能相同)。(2天),MATLAB概述,MATrixLABoratory由美国MathWorks公司开发适合多学科、功能强大发展自今，已集成科学计算、图像处理、声音处理(包括微积分、代数、数值分析等)矩阵计算功能强大、还支持符号运算高级课程的基本教学工具比其他程序设计语言容易学习,Matlab与数字图像,一幅图像可以被定义为一个二维函数f(x,y)，其中x和y是空间坐标，f在坐标(x,y)处的值称为图像在该点的亮度(灰度)。一幅图像在Matlab中可以自然地表示成矩阵，并以变量的形式来存储。变量只能由字母、数字和下划线组成。,不同级灰度的图像,256级灰度,16级灰度,8级灰度,4级灰度,不同分辨率下的图像,1024102451251225625612812864643232,分辨率：图像的采样点数MN,二值图像与灰度图像,二值图像是指每个像素不是黑就是白，其灰度值没有中间过渡的图像。二值图像一般用来描述文字或者图形，其优点是占用空间少，缺点是，当表示人物，风景的图像时，二值图像只能描述其轮廓，不能描述细节。这时候要用更高的灰度级。,图像文件的读,将图像文件读入内存imread()如果图像是灰度图，内存数据为2维矩阵如果图像是彩色图，内存数据为3维矩阵，3维分别表示红、绿、蓝空间数据类型为uint8举例：f=imread(coins.png);f=imread(D:MATLAB7workbacteria.tif);,图像文件的写,将内存中的数据以图片形式保存imwrite()举例imwrite(f,coins_1.tif)f可以是一个M-by-N(灰度图像)或M-by-N-by-3(彩色图像)的矩阵,内存数据的图像显示imshow()可根据图像数据显示灰度图或彩色图数据类型必须为uint8，如果数据是double，可用uint8()函数转换，f=uint8(f)。例：imshow(f),图像文件的显示,Matlab的帮助,在Matlab运行环境下，按F1,图像操作的基本函数,imread()/imwrite()/imshow()imresize(A,mrowsncols,method)图像缩放，mrowsncols为缩放因子，method为nearest(默认)(最近邻插值)、bilinear(双线性插值)、bicubic(三线性插值)imrotate(A,angle,method)图像逆时针旋转，angle为角度imcrop(A,rect)图像剪切，其中rect为xywidthheightimhist():图像直方图计算和显示histeq():直方图均衡化imnoise():图像中添加噪声,图像操作的基本函数,图像变换：fft2(傅里叶变换)、dct2(离散余弦变换)、反变换：ifft2/idct2.图像类型转换rgb2gray(彩色转灰度)、im2bw(转为2值图像)空域滤波filter2(线性平滑滤波)、Medfilt2(中值滤波)、课下注意对图像操作的基本函数进行练习，并熟练掌握。,图像处理专题,图像分割根据需要将图像划分为有意义的若干区域或部分的图像处理技术图像去噪图像信号在产生、传输过程中都可能会受到噪声的污染，图像去噪的目的是在去除图像中噪声的同时保留更多原始图像中的信息图像压缩图像压缩是指以较少的比特有损或无损地表示原来的像素矩阵的技术图像融合图像融合技术是指将多源信道所采集到的关于同一目标的图像经过一定的图像处理，提取各自信道的信息，最后综合成一幅新的图像以供观察或进一步处理,图像分割,图像分割就是把图像分成若干个特定的、具有独特性质的区域的技术。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类基于阈值的分割方法基于区域的分割方法基于边缘的分割方法基于特定理论的分割方法,图像分割的数学描述,令集合R代表整个区域，对R的分割可看作将R分成若干个满足以下5个条件的非空子集(子区域)R1,R1,Rn：,(1)所有子集构成图像；(2)各子集不重叠；(3)每个子集中的像素有某种共同的属性；(4)不同的子集属性不同；(5)每个子集中的所有像素应该是连通的。,基于阈值的分割方法,阈值分割法是一种最常用的分割技术。单阈值分割方法实际上是输入图像f到输出图像g的如下变换：,多阈值分割,由此可见，阈值分割算法主要有两个步骤：1.确定需要的分割阈值T；(Howtofind)2.将分割阈值与像素灰度值比较以确定像素归属。,多阈值分割：图像中含有多个目标且灰度差别较大时，可以设置多个阈值实现多阈值分割：,式中：Tk为一系列分割阈值；k为赋予每个目标区域的标号；m为分割后的目标区域数减1。,Otsu最大类间方差阈值分割,Otsu法（大津法）由大津于1979年提出的最优阈值方法,是一种在判决分析或最小二乘法原理的基础上推导出来的最大类间方差法。设图像像素有L个灰度级0,1,2,L-1，ni表示图像中灰度级为i的像素个数，N=n0+n1+n2+nL-1表示图像的总像素数。图像的灰度直方图被归一化后视为灰度级的概率分布：,令k为分割阈值，它把图像中的所有像素按灰度级分成两类C0和C1，即：,那么C0和C1发生的概率可由下式给出：,单阈值分割为例,两类像素的灰度均值分别为：,式中T为图像像素灰度总体平均值,两类像素的灰度方差分别为：,两类像素的类内方差、类间方差和总体方差分别为：,两类像素的类内方差、类间方差和总体方差分别为：,为了评估阈值k的优劣，Otsu使用类内方差、类间方差和总体方差定义了两类像素的可分性测度：,Otsu通过最大化上述三个测度之一来选取最佳阈值k，这三个可分性测度是等价的。,三个准则中(k)最为简单，因此选其作为准则，可得到最佳阈值。由于总体方差与阈值k无关，因此，常通过最大化来获取最优阈值kopt，即：,Otsu阈值计算步骤,例：Otsu最大类间方差阈值分割,I=imread(coins.png);level=graythresh(I);BW=im2bw(I,level);imshow(BW);,基于聚类的图像分割,模糊聚类算法是近年来图像分割技术领域的研究热点之一，模糊C均值聚类(FCM)算法是最常用的聚类算法。模糊C均值算法是在模糊数学基础上，通过最优化一个模糊目标函数实现聚类，它是赋予每个点一个对各类的隶属度，用隶属度更好地描述像素亦此亦彼的特点，适合处理事物内在的不确定性。利用模糊C均值(FCM)非监督模糊聚类标定的特点进行图像分割，可以减少人为的干预，且较适合图像中存在不确定性和模糊性的特点。,模糊c均值聚类(FCM),目标函数,FCM算法交替优化,隶属函数更新公式聚类原型更新公式,FCM算法的迭代过程,FCM图像分割方法实现,I=imread(bacteria.tif);I=double(I);m,n=size(I);k=2;fcm_label=zeros(m*n,1);O,U,obj_fcn1=fcm(I(:),k);maxU=max(U);forj=1:kindex=find(U(j,:)=maxU);fcm_label(index)=j;endfcm_result=reshape(fcm_label,mn);figure,imshow(fcm_result,);,图像去噪,图像去噪是数字图像处理中的重要环节和步骤。去噪效果的好坏直接影响到后续的图像处理工作如图像分割、边缘检测等。图像信号在产生、传输过程中都可能会受到噪声的污染，一般数字图像系统中的常见噪声主要有：高斯噪声（主要由阻性元器件内部产生）、椒盐噪声（主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声）等；,Matlab加噪函数,imnoise函数格式：J=imnoise(I,type,parameters)例子：J=imnoise(I,gaussian,m,v);J=imnoise(I,poisson);J=imnoise(I,salt,原图,高斯(0,0.01),椒盐(0.05),图像去噪方法,空域方法对图像中的像素直接进行处理，例如邻域平均法，就是用像素及其指定领域内像素的平均值或加权平均值作为该像素的新值，以便去除突变的像素点，从而滤除一定的噪声。频域方法对图像进行变换，在频域进行处理，常见的有低通滤波法，就是在变换域，允许低频成分通过，而抑制高频成分。因此它能够去除图像的噪声，实现图像去噪作用。,局部平滑法是一种直接在空间域上进行平滑处理的技术。假设图像是由许多灰度恒定的小块组成，相邻像素间存在很高的空间相关性，而噪声则是独立的。因此，可用邻域内各像素的灰度平均值代替该像素原来的灰度值，实现图像的平滑。,空域去噪局部平滑法,设有一幅NN的图像f(x,y)，若平滑图像为g(x,y),则有式中x,y=0,1,N-1；s为（x,y）邻域内像素坐标的集合；M表示集合s内像素的总数。可见邻域平均法就是将当前像素邻域内各像素的灰度平均值作为其输出值的去噪方法。,邻域平均法算法步骤：1、忽略图像边界数据。2、对相应的元素做加权求和，即采用对应模板对当前像素及其相邻像素点进行统一平均处理。,（1+2+1+1+2+2+5+7+6）/9=3,（2+1+4+2+2+3+7+6+8）/9=4,（1+4+3+2+3+4+6+8+9）/9=4,（1+2+2+5+7+6+5+7+6）/9=4,（2+2+3+7+6+8+7+6+8）/9=5,（2+3+4+6+8+9+6+8+8）/9=6,（5+7+6+5+7+6+5+6+7）/9=6,（7+6+8+7+6+8+6+7+8）/9=7,（6+8+9+6+8+8+7+8+9）/9=8,原始,33平滑,55平滑,77平滑,原始图像3*3平滑滤波5*5平滑滤波,频域去噪,在图像的变换域，对频域系数进行处理，再反变换回去，达到去除图像噪声的目的。常用变换方法：傅里叶变换、离散余弦变换、小波变换等。离散余弦变换(DCTforDiscreteCosineTransform)是与傅里叶变换相关的一种变换，它类似于离散傅里叶变换(DFTforDiscreteFourierTransform)，但是只使用实数。,二维离散余弦变换-数学公式,二维离散余弦变换为二维离散余弦反变换为,二维离散余弦变换-矩阵形式,矩阵形式正变换：F=DfD反变换：f=DFD产生DCT矩阵的MATLAB函数：D=dctmtx(N);,Matlab命令,dct2，idct2J=dct2(I);figure,imshow(log(abs(J),),colormap(jet(64);I_new=idct2(J);,由图可以综合看出，图片的低频区域幅值大，说明图像信息主要集中在低频部分，高频部分有信息但很少，这说明离散余弦变换具有信息紧缩能力。,原图,系数显示,去噪举例,I=imread(bacteria.tif);I=imnoise(I,gaussian,0,0.001);imshow(I);J=dct2(double(I);figure,imshow(log(abs(J),),colormap(jet(64);J(abs(J)20)=0;%idctK=idct2(J)/255;figure;imshow(K,);,课下练习,如何使用dctmtx函数对图像进行离散余弦变换？,图像压缩,图像压缩是指以较少的比特有损或无损地表示原来的像素矩阵的技术,也称图像编码.图像数据之所以能被压缩，就是因为数据中存在着冗余。图像数据的冗余主要表现为：图像中相邻像素间的相关性引起的空间冗余；图像序列中不同帧之间存在相关性引起的时间冗余；等等。,DCT频域图像压缩,DCT变换本身并不进行数据压缩，它只是将图像源数据映射到另一个域，使数据在变换域中容易进行压缩，变换后的图像矩阵系数更独立和有序。经过DCT变换后，其低频分量都集中在矩阵左上角，高频分量分布在矩阵右下角。由于该低频分量包含了图象的主要信息，而高频分量与之相比，不是很重要，所以可以忽略高频分量，只保留低频分量，从而达到压缩数据的目的。如何将高频分量去掉，这就要用到量化方法。,量化表：根据心理视觉加权函数得到的量化方法：DCT变换系数除以量化步长，四舍五入取整,DCT图像压缩流程,解码器,逆向变换,正向变换,量化器,编码器,构造nxn的子图,合成nxn的子图,输入图像NxN,压缩图像,压缩的图像,解压后的图像,举例离散余弦变换数据压缩,例：DCT作图像压缩I=imread(cameraman.tif);I1=double(I)/255;T=dctmtx(8);B=blkproc(I1,88,P1*x*P2,T,T);mask=1111000011100000110000001000000000000000000000000000000000000000;B2=blkproc(B,88,P1.*x,mask);I2=blkproc(B2,88,P1*x*P2,T,T);imshow(I1),figure,imshow(I2);figure,imshow(mat2gray(I1-I2),),原图,解压后的图像,差异图像,什么是图像融合？,图像融合(ImageFusion)是用特定的算法将两幅或多幅图像综合成一幅新的图像。融合结果由于能利用两幅(或多幅)图像在时空上的相关性及信息上的互补性，并使得融合后得到的图像对场景有更全面、清晰的描述，从而更有利于人眼的识别和机器的自动探测。,一、信息融合概述,图像融合,图像融合的分类像素（pixels)级融合对应像素的融合。特征(Feature)级融合对应特征的融合决策(decision-making)级融合在、基础上，通过分类、识别和综合评价，进行的最后决策。,图像融合简介,Focusonrightpart,Focusonleftpart,Imagetakenusingautofocusfunction,Fusedimage,简单组合式图像融合方法,逻辑滤波器法,数学形态法,图像代数法,空间域融合方法,HIS变换,PCA变换,高通滤波法(HPF),塔式分解法,变换域融合方法,小波变换法,图像融合方法,常用的融合方法,空间域融合方法,常见的融合规则：,对应像素取最大值对应像素取最小值对应像素取平均值加权平均法逻辑运算,简单组合融合（取小）,融合实例,对应像素取平均,融合实例,多数融合算法都是基于这样的假设，即图像中的特征都表现在频域系数绝对值大的地方，因此出现了一些基本规则：,频域图像融合规则,取最大值加权平均法方差协方差准则梯度准则局部能量法,频域图像融合流程,图像1,频域图像1,变换,图像2,频域图像2,变换,融合规则,融合后的频域图像,融合后的图像,分组题目,二维Otsu图像阈值分割算法基于二维熵的图像阈值分割算法基于抑制式模糊c-均值的图像分割方法常用空域图像去噪方法比较及其性能分析采用离散余弦变换(DCT)的图像去噪方法基于DCT的图像压缩方法基于DCT的频域图像融合方法,