图像类型的转换

MATLAB处理图像_matlab视频图像处理

RGB图像转为灰度图像：X=rgb2gray(I) %I为RGB图像，X为转换后的图像

RGB图像转换为索引图像：

[X,map]=rgb2ind(I,tol) %toll的范围是0.0到1.0,map包含至少（floor（1/tool）+1)^3个颜色

[X,map]=rgb2ind(I,N)%map包含至少N个颜色

X=rgb2inb(I,map) %【x,map】对应的是索引图像,colorcube(M)返回包含colorcube的M × 3矩阵。M = 256, colorcube返回完全一样的颜色。当M < 8时，长度为M的灰色斜坡返回。

灰度图像转换为索引图像：

[X,map]=gray2ind（I,n）%该函数是将灰度图像转为索引图像，灰度级为n

[X,map]=gray2ind(BW,n)%该函数是将二值图像BW转换为索引图像

map中对于的颜色值为颜色图gray(n)中的颜色值,gray(M)返回一个包含灰度色图的M × 3矩阵

I=grayslice(G,n)%该函数是将灰度图像中的像素灰度均匀化为n个等级转换为索引色图像，然后imshow(I,jet(n)),jet()函数生成颜色映射表，给图像I对于像素点加上颜色

索引图像转换为灰度图像：

I=ind2gray(X,map)%该函数将具有颜色映射表map的索引图像转化为灰度图像,[X,map]=imread();

索引图像转为RGB图像：

RGB=ind2rgb(X,map)%索引图像中的map表直接赋给RGB中对应像素的颜色值，肉眼下两图一样

灰度图像，RGB转换为二值图像：

BW=im2bw(I,level)%level为设置的阈值参数，取值范围在[0,1],输出图像BW用白色替换输入图像中亮度大于level*255的所有像素,用黑色替换其他,像如果没有指定level, im2bw将使用值0.5。

数值矩阵转换为灰度图像：

I=mat2gray(X,[xmin,xmax])%1指白色，0指黑色，数据矩阵小于0取xmin,大于1取xmax。

图像文件读写

文件信息的读取：imfinfo(‘文件名件.类型’)%可以查看图像的图像类型，大小等。

图像文件的读取：

I=imread(‘文件名件.类型’)%灰度图像M*N二维，真彩色图像M*N*3的三维数组。

[X,map]=imread(‘文件名件.类型’)%索引图像，map用于存储与索引图像相关的颜色映射表。

[X,map]=imread(‘文件名件.GIF’,idx)%idx读取第几帧图像。

图像文件的保存：

imwrite(I,’文件名件’,’类型’)将图像I保存。

imwrite(X,map,’文件名件’,’类型’)用于保存索引图像。

图像显示函数：

imshow(I) imshow(‘文件’) imshow(X,map)%图像视窗

imtool(I)%图像工具浏览器

image(I) image([1,2],[3,4],I)%X轴1到2，y轴4到3，个人理解类似于A([1 2],[2 3])这种。

image有坐标轴区别于前面两个函数

彩色条：

colorbar%在图像上形成一个彩色条，默认在右侧

imshow(I),colorbar；

colobar(‘off’) 、colobar(‘hide’)和colobar(‘delete’)删除当前轴所有的相关彩色条。

视频文件读写

v = VideoReader(filename)%读取视频

v.NumberOfFrames%获取视频帧数（我用的是matlab2016a,V结构里面没有总帧数所以加上了）

read(v,[1 10])%读取视频中的1:10帧

read(v,[1 Inf])%从第 1 帧开始读取到视频结束。

VideoReader.getFileFormats()%查看在你的matlab上 VideoReader支持的文件格式列表

数字图像的运算

图像的加法：imadd(X,Y)%其中X，Y为大小相等的图像矩阵，Y如果是数字则表示在原图像X上每个像素值加30，这里不能用索引图像。

附加噪声：imnosie(I,type,parameters)%type为噪声类型:gaussian(高斯噪声)，localvar(零均值的高斯噪声)，poisson（泊松噪声），salt & pepper(椒盐噪声)

J = imnoise(I,’gaussian’,M,V)，M-均值，V-方差

J = imnoise(I,’localvar’,V)

J = imnoise(I,’poisson’)

J = imnoise(I,’salt & pepper’,d)，其中d为噪声密度。这将影响大约d*numel(I)像素，d的默认值是0.05

图像的减法：imsubtract(X,Y),这里Y可以是常熟类似于上面的加法—获取两个图像之间的差异

图像的乘法：immulitply(X,Y)——实现图像局部显示

Y–常数，大于1起亮度增强的作用

图像的几何变换

impixel(I,C,R)%输出像素的颜色

图像的缩放[B,newmap]=imresize(A,map,m)%m为缩放比例

B=imresize(A,m) B=imresize(A,[行,列])%缩放后的行列

图像的旋转imrotate(A,angle)

图像的修剪imcrop(X,行,列),imcrop(I)–截选好图像，然后双击

图像的平移： $x_{1}=x_{0}+\Delta x$ $y_{1}=y_{0}+\Delta y$

J(i+a,j+b,:)=I(i,j,:)

将图像的数据类型转换为双精度–目的是提高精度im2double(I)

图像的转置： $x_{1}=y_{0}$ $y_{1}=x_{0}$

图像的空间变换：B=imtransform（A,TFORM）;A是图像矩阵，TFORM通过maketform（）返回

maketform(‘affine’,D)%平移，缩放，旋转

返回二维的参数结构体，输入D应该是（2+1）*（2+1）或者（2+1）*2的矩阵

如果是3*3的矩阵，最后一列应该为（zeros(2,1);1）

	$a_{0}$	$a_{1}$	$a_{2}$	$b_{0}$	$b_{1}$	$b_{2}$
平移	1	0	$\Delta x$	0	1	$\Delta y$
缩放	$s_{x}$	0	0	0	$s_{y}$	0
旋转(逆时针a)	cosa	sina	0	-sina	cosa	0

eg:

$D=\begin{bmatrix} 1&0 & 0\\ 0& 1& 0\\ \Delta x& \Delta y&1 \end{bmatrix}$

灰度变换增强

灰度图像的直方图可以通过imhist()获取，或通过编程 k=I(i,j);N(k+1)=N(k+1)+1

imadjust(I,[0.2,0.5],[0,1])%小于255*0.2的灰度值设为0。

灰度图像的亮度改变brighten(n)，通常放在imshow()的后面%n>0&&n<1,图像变亮， $n\subseteq [-1,1]$ 。

最佳输入区间:stretchlim(I)%获取最佳区间。

灰度反转：imcomplement()%0变为255，将灰度值为X的像素值转换为255-X。

RGB图像也可以求直方图（分解R，G，B） imhist(I(:,:,1))%计算R分量的直方图。

直方图均衡化：histeq()%直方图是近似均匀的。

图像的统计特性

图像的均值：mean2()计算矩阵的均值，对于RGB图像mean（I（：，：，1））先弄成2维矩阵。

图像的标准差std2()

图像的相关系数:两个大小相等的二维矩阵，可以计算相关系数，corr2(A,B)。

图像的等高线：imcontour(I,n)%n为设置等高线的条数，不指定函数会自动选取n,好玩。

空域滤波

空域滤波是对图像中每一个像素为中心的领域进行的一系列的运算

线性空域滤波：线性平均滤波是一种常用的线性空域滤波，它是一种低通滤波，信号低频部分通过，阻止高频部分通过。由于图像的边缘处于高频部分，因此线性平均滤波后，会造成图像边缘的模糊。

eg:常用的模版大小为3X3，如下所示：

$T=\frac{1}{5}\begin{bmatrix} 0&1 &0 \\ 1& 1& 1\\ 0&1 &0 \end{bmatrix}$

对图像进行平滑: imfilter(I,T),

通过卷积进行滤波C = conv2(A,B,’___’)—锐化滤波后得到的图像，图像的边缘部分得到了加强

same——返回与A大小相同的卷积的中心部分。B是模版

full——返回完整的二维卷积，默认的

conv2%把图像的轮廓描绘出来，K=原图-卷积后的图%边缘部分会加强。

非线性空域滤波：

中值滤波：是一种保护边缘的非线性图像平滑方法——medfilt2(I)进行图像的二维中值滤波，中指滤波非常适合去除椒盐噪声，取得非常好的滤波效果。

wiener2()根据图像的噪声进行自适应滤波，该函数根据图像的局部方差来调整滤波器的输出，当局部方差大时，滤波器的平滑效果较弱；当局部方差小时，滤波器的平滑效果较强。

J = wiener2(I，[m n])使用像素方向自适应Wiener滤波对图像I进行滤波，使用大小为m × n的邻域来估计局部图像的均值和标准差。

~~排序滤波：ordfilt（）还不会，这就很难受，书上的代码看不懂~~

频域滤波：

通过傅里叶变换将图像从空间域转换为频率域，然后在频率域内对图像进行处理，最后通过傅里叶反变换转换到空间域。

低通滤波：作用是过滤掉包含在高频中的噪声，同时也抑制了图像边缘

对于大小为M*N的图像，频率点（u,v）与频率中心的距离为D(u,v)其表达式为：

$D(u,v)=\sqrt{[(u-M/2)^2+(v-N/2)^2]}$

1.理想低通滤波器：Do为理想低通滤波器的截止频率，在半径为Do的范围内，所有频率都可以没有衰减的通过滤波器，在半径之外的全部衰减为0。理想低滤波器具有平滑图像的作用，但是有很严重的振铃现象（振铃效应，是由于在图像复原中选取了不适当的图像模型造成的，振铃效应产生的直接原因是图像退化过程中信息量的丢失，尤其是高频信息的丢失，其严重降低了复原图像的质量，并且使得难于对复原图像进行后续处理）

MATLAB处理图像_matlab视频图像处理

图像类型的转换

图像文件读写

视频文件读写

数字图像的运算

图像的几何变换

灰度变换增强

图像的统计特性

空域滤波

相关推荐

均匀分布的期望和方差公式推导_圆上的均匀分布数学期望

PyCharm设置改变字体大小的快捷键

wine怎么打开exe_exe是什么格式的文件

webpack devtools_webpack loader和plugin的区别

2021.5clion激活码[在线序列号]

vue监听点击事件_vue reload

发表回复