基于matlab的數(shù)字圖像處理作業(yè)

數(shù)字圖像處理期末作業(yè)電子通信與物理學(xué)院電子與通信工程米強(qiáng)151331033作業(yè)一：下圖含有零均值高斯噪聲，可嘗試任意方法進(jìn)行處理以取得盡可能好的結(jié)果。首先讀取圖片所在位置，用wiener2函數(shù)來進(jìn)行維納濾波，然后輸出處理后的圖像。程序與處理結(jié)果：I=imread('c:a.bmp');figure,imshow(I);J=wiener2(I,[5,5]);figure,imshow(J)原圖：用維納濾波處理后的圖像：作業(yè)二：下圖含有干擾條紋（moirepattern），分別用中值濾波和頻域?yàn)V波的方法進(jìn)行處理。對(duì)中值濾波，需改變?yōu)V波窗口的尺寸已達(dá)到最佳效果：對(duì)于頻域?yàn)V波，通過觀察圖像的頻譜特點(diǎn)設(shè)計(jì)濾波器。中值濾波法：使用中值濾波，中值濾波法是一種非線性平滑技術(shù)，它將每一像素點(diǎn)的灰度值設(shè)置為該點(diǎn)某鄰域窗口內(nèi)的所有像素點(diǎn)灰度值的中值。程序與處理結(jié)果：I=imread('c:\MATLAB7\hw2_radiograph.jpg');figure,imshow(I);B=medfilt2(I,[2,2]);%中值濾波，窗口大小為2*2；figure,imshow(B);原始圖像：中值濾波后的圖像：2、頻域?yàn)V波法：我設(shè)計(jì)的是利用頻域的低通濾波器來實(shí)現(xiàn)對(duì)此圖像的處理。程序與處理結(jié)果：clc;clearall;closeall;f=imread('hw2_radiograph.jpg');figure,imshow(f);[row,col]=size(f);g=fft2(f);gls=fftshift(g);H=zeros(row,col);x0=floor(row/2);y0=floor(col/2);u0=x0;v0=y0;D0=50;n=0.2;foru=1:rowforv=1:colD=(u-u0)^2+(v-v0)^2;H(u,v)=1/(1+(D/D0)^(2*n));endendrss=gls.*H;%濾波rs=ifftshift(rss);%反頻移r=real(ifft2(rs));%反變換subplot(2,2,1);imshow(f);原始圖像：作業(yè)三：造成下圖降質(zhì)的點(diǎn)擴(kuò)展函數(shù)PSF近似為高斯模型，并含有加性白噪聲。設(shè)法估計(jì)PSF和噪聲的參數(shù)，利用維納濾波進(jìn)行恢復(fù)。原理：采用維納濾波是假設(shè)圖像信號(hào)可近似看成為平穩(wěn)隨機(jī)過程的前提下，按照使原始圖像和估計(jì)圖像之間的均方誤差達(dá)到最小的準(zhǔn)則函數(shù)來實(shí)現(xiàn)圖像復(fù)原的。程序與步驟：f=imread('C:\MATLAB7\c.bmp');subplot(2,2,1);imshow(f);title('（A）原始圖像');PSF=fspecial('motion',7,45);gb=imfilter(f,PSF,'circular');g=imnoise(gb,'gaussian',0,0.0001);subplot(2,2,2);imshow(g);title('（B）加燥和運(yùn)動(dòng)模糊圖像');noise=imnoise(gb,'gaussian',0,0.0001);Sn=abs(fft2(noise)).^2;nA=sum(Sn(:))/prod(size(noise));Sf=abs(fft2(f)).^2;fA=sum(Sf(:))/prod(size(f));R=nA/fA;fr1=deconvwnr(g,PSF,R);NCORR=fftshift(real(ifft2(Sn)));ICORR=fftshift(real(ifft2(Sf)));fr2=deconvwnr(g,PSF,NCORR,ICORR);subplot(2,2,3);imshow(fr1);title('（C）常數(shù)比率維娜濾波復(fù)原');subplot(2,2,4);imshow(fr2);title('（D）自相關(guān)函數(shù)維娜濾波復(fù)原');作業(yè)四：有如下訓(xùn)練圖像所示的5類樹葉，編程判定測(cè)試圖像的類型?？稍O(shè)定某種衡量圖像間相似性/差異的指標(biāo)，計(jì)算測(cè)試圖像與各訓(xùn)練圖像的指標(biāo)值，進(jìn)而據(jù)此實(shí)現(xiàn)分類。由于被識(shí)別圖像與原圖像相比一般有很大程度的失真，如平移、旋轉(zhuǎn)和其他變化，所以我們希望圖像的描述量對(duì)于圖像的各種畸變不敏感。不變距（InvariantMoments，IMg）是一種高度濃縮的圖像特征，具有平移、灰度、尺度、旋轉(zhuǎn)不變性，因此矩和矩函數(shù)被廣泛用于圖像的模式識(shí)別、圖像分類、目標(biāo)識(shí)別和場(chǎng)景分析中。正交矩具有絕對(duì)的獨(dú)立性，沒有信息冗余現(xiàn)象，抽樣性能好，抗噪聲能力強(qiáng)，適合于圖像識(shí)別。矩在統(tǒng)計(jì)學(xué)中表征隨機(jī)量的分布，一幅灰度圖像可以用二維灰度密度函數(shù)來表示，因此可以用矩來描述灰度圖像的特征。一幅M*N的數(shù)字圖像f（i，j），其中p+q階幾何矩mpq和中心矩μpq為：mμ式中ij若將m00看作是圖像的灰度質(zhì)量，則（i，j）為圖像灰度質(zhì)心坐標(biāo)，那么，中心矩