內(nèi)蒙古工業(yè)大學(xué)圖像處理課程設(shè)計(jì)方案

PAGE2-學(xué)校代碼：1０1２8學(xué)號(hào)：2009202０3061學(xué)校代碼：1０1２8學(xué)號(hào)：2009202０3061數(shù)字圖像處理課程設(shè)計(jì)題目:基于matlａb的數(shù)字圖像處理學(xué)生姓名:張佳興學(xué)院:信息工程學(xué)院系別：電子信息工程系專業(yè)：電子信息工程班級(jí):電子09－指導(dǎo)教師:呂芳王紅霞２012年12月17日目錄TＯC\o”1—4"\h\z＼ｕHYPＥRＬINＫ\l”_Ｔoｃ3448０360３＂一、需求分析?PAGERＥF_Toc3４48０36０３\h—2—HＹPERＬINＫ\l”_Ｔｏc34４８０3６04”1。１課程設(shè)計(jì)目的?PAGEREF_Tｏｃ３４4８0３604\ｈ－２-HYＰERLINＫ\l”_Toｃ3４4803605”1.2課程設(shè)計(jì)名稱及內(nèi)容?ＰAGEREF_Tｏｃ344803605＼h-２－HYＰEＲLＩＮK＼ｌ"_Toc34４８036０6”１.3任務(wù)和要求?PAＧEREF＿Ｔoｃ344803６06\h-2—HＹPEＲＬIＮＫ＼ｌ"＿Toc344８036０7"二、算法設(shè)計(jì)?PAGERＥF_Tｏc344８０36０7＼h-3—ＨYPERLINＫ＼l"＿Toｃ344803６０8”２．1設(shè)計(jì)思想：?PAＧEREＦ_Ｔoｃ344８0３60８\ｈ-3－HYPＥＲLIＮK\l＂＿Toc3４4８0３６０9"2.2算法思想： PＡGEREF_Ｔｏc３44８０3６0９\ｈ—３—HＹＰERＬINK2。2。5哈夫曼編碼 PAGERＥF_Ｔoc34480361４＼h—９－HYPEＲLIＮK\ｌ”_Toｃ３4480３６1５"三、源代碼及處理結(jié)果 PAGＥＲEF_Toc34４80３61５\h-9－HＹPEＲLＩNK＼l"_Tｏc３448036１６”３。１正逆傅里葉變換?PAGＥＲEF_Tｏｃ344８０361６\h－9－HYPERＬIＮK\l＂_Toｃ344８０361７＂3。2正逆快速傅里葉變換?PAGEＲEＦ＿Toc344803６17＼h－10—HYPＥRLIＮK3.３離散余弦變換?PAGEREＦ_Toc3４48０36１8\h—1２-HYPERLINK\l＂_Toc3448０3619＂3。４數(shù)字圖像直方圖的統(tǒng)計(jì)及繪制 PAＧERＥF＿Toｃ３4４803６１9\h－13－HYPERLINＫ\ｌ"＿Toc34４８０3６20"3.5圖像平滑算法 PAGＥＲEF_Toｃ344803６20\h—16-ＨYPEＲLINK\l＂＿Toｃ3４480３6２1＂３.6小波變換 ＰAGEREＦ_Tｏc34４8０３621\ｈ－１7-HＹＰERLINK\l＂_Tｏｃ3４480362２＂3．7運(yùn)動(dòng)模糊圖像 ＰAGEREF＿Toc34480３622\ｈ－19—HYPEＲLINK\l"＿Toc344８0３６2３＂3。８Huufman編碼仿真實(shí)現(xiàn)?PAGERＥF_Ｔｏc344８０36２３＼ｈ－2０—HＹPERLINK\l"_Ｔoc3４4803６２4”四、心得體會(huì)?４＼ｈ－3０－ＨYPＥRLＩNK\l＂_Toｃ３4480３６2５”參考文獻(xiàn) PAGＥＲEF_Tｏc344803625\h－3１-一、需求分析1.１課程設(shè)計(jì)目的通過(guò)本課程設(shè)計(jì)使學(xué)生了解數(shù)字圖像的基本概念,掌握數(shù)字圖像處理的基本內(nèi)容，如圖像點(diǎn)運(yùn)算、幾何變換、增強(qiáng)處理、圖像復(fù)原、邊緣檢測(cè)以及圖像壓縮等的基本原理和Matlab實(shí)現(xiàn)方法。?通過(guò)本次課程設(shè)計(jì)，讓學(xué)生掌握如何學(xué)習(xí)一門(mén)語(yǔ)言，如何進(jìn)行資料查閱搜集,如何自己解決問(wèn)題等方法,養(yǎng)成良好的學(xué)習(xí)習(xí)慣.擴(kuò)展理論知識(shí)，培養(yǎng)學(xué)生的綜合設(shè)計(jì)能力。1。2課程設(shè)計(jì)名稱及內(nèi)容1。2.1圖像處理基本功能1）數(shù)字圖像的變換：普通傅里葉變換(fｔ）與逆變換(ifｔ）、快速傅里葉變換（ｆｆｔ）與逆變換（ifft)、離散余弦變換（DＣT），小波變換。2）數(shù)字圖像直方圖的統(tǒng)計(jì)及繪制等;3）基于Ｍaｔlab的圖像平滑算法實(shí)現(xiàn)及應(yīng)用１。2。２圖像處理綜合功能1）圖像復(fù)原程序設(shè)計(jì)創(chuàng)建一個(gè)仿真運(yùn)動(dòng)/均值模糊PＳF來(lái)模糊一幅圖像（圖像自選)。針對(duì)退化設(shè)計(jì)出復(fù)原濾波器,對(duì)退化圖像進(jìn)行復(fù)原（復(fù)原的方法自定)。對(duì)退化圖像進(jìn)行復(fù)原,顯示復(fù)原前后圖像，對(duì)復(fù)原結(jié)果進(jìn)行分析，并評(píng)價(jià)復(fù)原算法。２）給定a，b,c,d概率,進(jìn)行ｈｕffman編碼，要求顯示原圖像、壓縮后圖像的文件大小、壓縮比；或采用小波變換進(jìn)行編碼1．3任務(wù)和要求1、預(yù)習(xí):按要求學(xué)生可根據(jù)自己的情況預(yù)習(xí)或熟悉所用的語(yǔ)言，搜集資料。２、分析與設(shè)計(jì)：根據(jù)選定任務(wù)及搜集的資料設(shè)計(jì)實(shí)現(xiàn)方法,確定圖像處理算法。3、程序設(shè)計(jì):運(yùn)用掌握的語(yǔ)言,編寫(xiě)程序，實(shí)現(xiàn)所設(shè)計(jì)的功能，需要在程序書(shū)寫(xiě)時(shí)做適當(dāng)?shù)淖⑨尅?、調(diào)試與測(cè)試：自行調(diào)試程序，同學(xué)之間交叉測(cè)試程序，并記錄測(cè)試情況。5、驗(yàn)收與評(píng)分:指導(dǎo)教師對(duì)每個(gè)學(xué)生的程序進(jìn)行綜合驗(yàn)收，結(jié)合設(shè)計(jì)報(bào)告,根據(jù)課程設(shè)計(jì)成績(jī)?cè)u(píng)定方法評(píng)出成績(jī)。二、算法設(shè)計(jì)２．１設(shè)計(jì)思想:數(shù)字圖像處理(DｉgitalＩｍaｇePｒｏcesｓing)又稱為計(jì)算機(jī)圖像處理，它是指將圖像信號(hào)轉(zhuǎn)換成數(shù)字信號(hào)并利用計(jì)算機(jī)對(duì)其進(jìn)行處理的過(guò)程.是通過(guò)計(jì)算機(jī)對(duì)圖像進(jìn)行去除噪聲、增強(qiáng)、復(fù)原、分割、提取特征等處理的方法和技術(shù)。2.2算法思想：2.2.１傅里葉變換傅里葉變換是可分離和正交變換中的一個(gè)特例，對(duì)圖像的傅里葉變換將圖像從圖像空間變換到頻率空間,從而可利用傅里葉頻譜特性進(jìn)行圖像處理。從2０世紀(jì)60年代傅里葉變換的快速算法提出來(lái)以后,傅里葉變換在信號(hào)處理和圖像處理中都得到了廣泛的使用。傅立葉變換是數(shù)字圖像處理中應(yīng)用最廣的一種變換，其中圖像增強(qiáng)、圖像復(fù)原和圖像分析與描述等,每一類處理方法都要用到圖像變換，尤其是圖像的傅立葉變換.離散傅立葉（Fｏｕｒier)變換的定義：二維離散傅立葉變換(DFT）為:逆變換為：式中,在DFT變換對(duì)中,稱為離散信號(hào)的頻譜,而稱為幅度譜，為相位角，功率譜為頻譜的平方，它們之間的關(guān)系為：圖像的傅立葉變換有快速算法。2．２。2離散余弦變換離散余弦變換（ＤiscretｅCoｓiｎeTranｓfｏｒm，DCT）對(duì)于二維余弦變換,其離散形式如式（4）所示，逆變換如式（5）所示:(4)式中，（5)在MＡTLＡＢ中,采用dct2和idcｔ２分別進(jìn)行二維DＣＴ變換和二維ＤCT逆變換.二維ＤCT常用于信號(hào)和圖像處理，典型應(yīng)用是對(duì)靜止圖像和運(yùn)動(dòng)圖像進(jìn)行性能優(yōu)良的有損數(shù)據(jù)壓縮。在靜止圖像編碼標(biāo)準(zhǔn)JＰEＧ、運(yùn)動(dòng)圖像編碼標(biāo)準(zhǔn)MJPEG和MＰＥＧ等標(biāo)準(zhǔn)中都使用了8*8塊的離散余弦變換，并將結(jié)果進(jìn)行量化之后進(jìn)行熵編碼。ＤＣT具有很強(qiáng)的能量集中在頻譜的低頻部分的特性，而且當(dāng)信號(hào)具有接近馬爾科夫過(guò)程（Mａrkovprｏceｓses）的統(tǒng)計(jì)特性時(shí)，ＤCＴ的去相關(guān)性接近于具有最優(yōu)去相關(guān)性的K—L變換(Karｈｕnen-Loeve變換)的性能。另外，改進(jìn)的離散余弦變換（ModifiedDｉscreｔeCosineＴrａnsform,MDCT)對(duì)交疊的數(shù)據(jù)進(jìn)行ＤCT，有助于避免由于區(qū)塊邊界所產(chǎn)生的多余數(shù)據(jù)，被用在高級(jí)音頻編碼（AdvａnｃｅdAuｄｉoCｏding，AAC)、OｇｇVorbiｓ、ＡC—３和MP３音頻壓縮中.2。2。３小波變換二維離散小波變換（DDiscreteSpaceWaｖeletTransform，DDＳWＴ)對(duì)于二維小波變換,其離散形式如式（６）所示;逆變換如式（7）所示：（6)式中,和分別函數(shù)在軸上的，平移量。(７）類似地,可以定義二維離散小波變換逼近，并采用Malｌａt(yī)二維快速算法求解.與DＦT類似,可分離二維小波變換最終可轉(zhuǎn)換為兩次一維小波變換。對(duì)圖像進(jìn)行小波變換的ＭATLＡB常用函數(shù)有:=１\*ＧB３＼*MＥRＧＥFORMAT①對(duì)圖像進(jìn)行一層二維小波分解，常見(jiàn)形式為：[CA，CH,ＣＶ，CＤ]=ｄwt2(Ｘ，'ｗnamｅ’）式中，X為圖像矩陣；’ｗｎａme'是使用的小波基函數(shù)名稱，如可選擇雙正交樣條小波基函數(shù)，形式為bioｒNr。Nd。=2\＊GB3\*ＭEＲGEFORＭAT②查詢使用的小波基函數(shù)的信息，使用形式為：Wａvｅinfｏ（‘ｗname’）式中,小波基名稱’wnａｍe’可選用’ｈaar’（哈爾小波)、'ｄb'（Daubechies小波）、’ｂiｏr’（雙正交樣條小波）等。例如，在命令行狀態(tài)下鍵入ｗａvainfo（‘ｂior’)進(jìn)行查詢雙正交樣條小波，可知r表示ｒｅcoｎstruｃtｉon(重建)，d表示decｏmpｏsition(分解），Ｎ表示相應(yīng)FＩＲ濾波器的階數(shù)；CA、CＨ、CV、CD分別是輸入矩陣X小波分解的近似系數(shù)矩陣、水平細(xì)節(jié)系數(shù)、垂直細(xì)節(jié)系數(shù)和對(duì)角線細(xì)節(jié)系數(shù)。=3\＊GB3\*MERGEＦORMAT③對(duì)二維小波分解的圖像進(jìn)行各種分量的重構(gòu)，常見(jiàn)函數(shù)形式為：Y=ｕpcｏef２(O，X,’ｗnaｍｅ',Ｎ）式中,Ｘ是分解后的細(xì)節(jié)信號(hào),Y是重構(gòu)的細(xì)節(jié)信號(hào)分量；N表示對(duì)矩陣Ｘ的系數(shù)進(jìn)行重建的步驟數(shù),即重構(gòu)的層數(shù)，默認(rèn)值為1。O是細(xì)節(jié)信號(hào)的類型.如果O='a’,則表示對(duì)信號(hào)的近似系數(shù)進(jìn)行重建;否則，如果O=’ｈ'、'ｖ’或’ｄ'，則分別對(duì)水平、垂直或?qū)蔷€細(xì)節(jié)進(jìn)行重建.＝4\＊GB3\*ＭERGＥＦOＲMAT④對(duì)應(yīng)上述的一層二維小波變換DWT2函數(shù),進(jìn)行一層二維小波變換逆變換,常見(jiàn)形式為：Ｘ=ｉdwt２（CA,CH，CV，ＣD,’wname’)iｄｗt2函數(shù)采用'wname’所指示的小波、已重建的基于近似矩陣CA，以及水平細(xì)節(jié)CH、垂直細(xì)節(jié)CV和對(duì)角線細(xì)節(jié)CD計(jì)算原圖像矩陣X。=5＼＊ＧB3\＊MＥＲＧＥFＯRMAT⑤對(duì)重構(gòu)的圖像進(jìn)行量化編碼,常見(jiàn)函數(shù)形式為:Ｙ＝ｗcodeｍat(Ｘ，ＮBＣODES,OＰT,ABSOL）式中，Ｘ為待進(jìn)行量化編碼的矩陣，Y為編碼矩陣。在編碼中，把矩陣X中元素絕對(duì)值最大的作為NBCODES（整數(shù))，絕對(duì)值最小的作為1，其他元素依其絕對(duì)值的大小在1與NBCODEＳ中排列.當(dāng)OPＴ為’row’時(shí)，做行編碼；當(dāng)OPT為’cｏｌ’時(shí)，做列編碼;當(dāng)OPT為’mat’時(shí),做全局編碼，即把整個(gè)矩陣中元素絕對(duì)值最大的元素作為NBCODES,最小的作為1．當(dāng)ABＳOL為0時(shí),該函數(shù)返回輸入矩陣X的一個(gè)編碼版本，當(dāng)AＢSOL非0時(shí)，返回X的絕對(duì)值。２．2.4運(yùn)動(dòng)模糊圖像的復(fù)原為了抑制退化而利用有關(guān)退化性質(zhì)知識(shí)的預(yù)處理方法為圖象復(fù)原。多數(shù)圖象復(fù)原方法是基于整幅圖象上的全局性卷積法。圖象的退化可能有多種原因：光學(xué)透鏡的殘次、光電傳感器的非線性、膠片材料的顆粒度、物體與攝像機(jī)間的相對(duì)運(yùn)動(dòng)、不當(dāng)?shù)慕咕唷⑦b感或天文中大氣的擾動(dòng)、照片的掃描等等.圖象復(fù)原的目標(biāo)是從退化圖象中重構(gòu)出原始圖象.運(yùn)動(dòng)模糊圖象的恢復(fù)是圖象復(fù)原的主要分支之一，它的恢復(fù)算法有很多種。有些算法雖然有很好的恢復(fù)效果，但算法復(fù)雜，恢復(fù)時(shí)間比較長(zhǎng)(如最大熵法）.有些算法雖然計(jì)算速度較快,但恢復(fù)效果不盡人意（如空間域逆向恢復(fù)）.逆濾波復(fù)原原理在六十年代中期，逆濾波（去卷積）開(kāi)始被廣泛地應(yīng)用于數(shù)字圖象復(fù)原。Ｎatｈaｎ用二維去卷積方法來(lái)處理由漫游者、探索者等外星探索發(fā)射得到的圖象。由于和噪聲相比，信號(hào)的頻譜隨著頻率升高下降較快,因此高頻部分主要是噪聲。Nathan采用的是限定逆濾波傳遞函數(shù)最大值的方法。在同一時(shí)期,Ｈaｒris采用PSＦ的解析模型對(duì)望遠(yuǎn)鏡圖象總由于大氣擾動(dòng)造成的模糊進(jìn)行了逆濾波處理，Mcglａmｅry則采用由實(shí)驗(yàn)確定的PＳF來(lái)對(duì)大氣擾動(dòng)圖象進(jìn)行逆濾波.從此以后，逆濾波就成了模糊圖象復(fù)原的一種標(biāo)準(zhǔn)技術(shù).恢復(fù)退化圖象最簡(jiǎn)單的方法是直接逆濾波.在該方法中，用退化函數(shù)除退化圖象的傅里葉變換F（ｕ,v)來(lái)計(jì)算原始圖象的傅里葉變換估計(jì),由式3－1可以得到逆濾波退化公式:(３-1）這個(gè)公式說(shuō)明逆濾波對(duì)于沒(méi)有被噪聲污染的圖象很有效，這里不考慮在u,v空間的某些位置上當(dāng)H(u，v)接近0時(shí)可能遇到的計(jì)算問(wèn)題,幸運(yùn)的是忽略這些點(diǎn)在恢復(fù)結(jié)果中并不會(huì)產(chǎn)生可感覺(jué)到的影響.但是，如果出現(xiàn)噪聲就會(huì)引起幾個(gè)問(wèn)題：第一，對(duì)于H(u，v）幅值比較小的頻率處噪聲的影響可能變得顯著起來(lái).這種狀況通常對(duì)于高頻u，v。在實(shí)際中，通常H（u,v)幅值衰減得比N（u,ｖ)快得多，因此噪聲的影響可能支配整個(gè)復(fù)原結(jié)果。將復(fù)原限定在H（u，ｖ)足夠大得ｕ,v原點(diǎn)處得一個(gè)小鄰域中,可以克服這個(gè)問(wèn)題。第二個(gè)問(wèn)題針對(duì)噪聲本身的頻譜，我們通常沒(méi)有充分的有關(guān)噪聲的信息來(lái)足夠好地確定N(ｕ，ｖ)。為了克服H（u,ｖ）接近０所引起的問(wèn)題,在分母中加入一個(gè)小的常數(shù)k,將式(3－1）修改為：（3—2)維納濾波復(fù)原原理在大部分圖象中,鄰近的像素是高度相關(guān)的,而距離較遠(yuǎn)的像素其相關(guān)性較弱。由此，我們可以認(rèn)為典型圖象的自相關(guān)函數(shù)通常隨著與原點(diǎn)的距離增加下降。由于圖象的功率譜是圖象本身自相關(guān)函數(shù)的傅里葉變換，我們可以認(rèn)為的功率譜隨著頻域的升高而下降.一般地，噪聲源往往具有平坦的功率譜，即使不是如此,其隨著頻率的升而下降的趨勢(shì)也要比典型圖象的功率譜慢得多。因此,可以料想功率譜的低頻分以信號(hào)為主，然而高頻部分則主要被噪聲所占據(jù)。由于逆濾波濾波器的幅值常隨著頻率的升高而升高，因此會(huì)增強(qiáng)高頻部分的噪聲。為了克服以上缺點(diǎn),出了采用最小均方誤差的方法(維納濾波）進(jìn)行模糊圖象恢復(fù)。維納（wｉeｎeｒ)濾波可以歸于反卷積（或反轉(zhuǎn)濾波)算法一類，它是由Ｗienｅr首提出的，并應(yīng)用于一維信號(hào)，并取得很好的效果。以后算法又被引入二維信號(hào)理,也取得相當(dāng)滿意的效果，尤其在圖象復(fù)原領(lǐng)域,由于維納濾波器的復(fù)原效良好,計(jì)算量較低，并且抗噪性能優(yōu)良，因而在圖象復(fù)原領(lǐng)域得到了廣泛的應(yīng)用并不斷得到改進(jìn)發(fā)展,許多高效的復(fù)原算法都是以此為基礎(chǔ)形成的.如果取（３-3）和分別是圖象和噪聲的自相關(guān)矩陣.即,,并且都是正定對(duì)稱矩陣,則有（3—4)的模方最小，實(shí)際上就意味著使噪聲和信號(hào)的比對(duì)復(fù)原圖象影響最小。因?yàn)閳D象和噪聲的相關(guān)矩陣都是把圖象當(dāng)作隨機(jī)過(guò)程來(lái)研究，從而描述其統(tǒng)計(jì)特性的量，在這里最小二乘方的最佳已經(jīng)演變成均方誤差最小準(zhǔn)則下的最佳.同樣根據(jù)式(３-4）可求得頻域維納濾波公式如下（3－5）=1時(shí),為標(biāo)準(zhǔn)維納濾波器;≠１時(shí)，為含參維納濾波器.若沒(méi)有噪聲時(shí)即=0，維納濾波器則退化成理想反濾波器。實(shí)際應(yīng)用中必須調(diào)節(jié)以滿足式（３-4)。因?yàn)?，?shí)際很難求得因此，可以用一個(gè)比值k代替兩者之比,從而得到簡(jiǎn)化的維納濾波公式（３-6）有約束最小二乘復(fù)原原理由于大多數(shù)圖象恢復(fù)問(wèn)題都不具有唯一解，或者說(shuō)恢復(fù)具有病態(tài)特征。為了克服這一問(wèn)題,通常需要在恢復(fù)過(guò)程中對(duì)運(yùn)算施加某種約束。設(shè)對(duì)圖象施加某一線性運(yùn)算Q,求在約束條件（３—7)下，使為最小的作為原圖的最佳估計(jì).利用拉格朗日乘數(shù)法，先構(gòu)造一輔助函數(shù)：（3—８）令可得：（3-9）解之得：(3—10)式中.把式（3—１0）代入式(３—７)中可以證明,是的單調(diào)遞增函數(shù).因此可以用迭代法求出滿足約束條件（3-7)式的待定系數(shù)，首先任取一個(gè),代入（3—1０),把求得的再代入式（3—7),若結(jié)果大于時(shí),便減少;反之增大，再重復(fù)上述過(guò)程，直到約束條件式（3－11）被滿足為止(實(shí)際求解時(shí),只要能之差小于某一給定值就可以了）。把求得的代入，便最后求得最佳估計(jì).我們可以直接從空間域的有約束最小二乘方恢復(fù)式(3—１0）得到它的頻域解(3—11)應(yīng)用有約束最小二乘方恢復(fù)方法時(shí)，只需有關(guān)噪聲均值和方差的知識(shí)就可對(duì)每幅給定的圖象給出最佳恢復(fù)結(jié)果。2。2.5哈夫曼編碼哈夫曼編碼是消除編碼冗余最常用的技術(shù)。當(dāng)對(duì)信源符號(hào)逐個(gè)編碼時(shí),哈夫曼編碼能給出最短的碼子.根據(jù)無(wú)失真編碼定理哈夫曼編碼方式對(duì)固定階數(shù)的信源是最優(yōu)的。三、源代碼及處理結(jié)果３．１正逆傅里葉變換t=ｉmｒead（'E：\zｊx.ｊpg＇);t=ｒｇb2grａｙ（ｔ）；fiｇure,sｕbplｏt（2，１，１）ｉｍｓhow(t)；tiｔle(’原灰度圖象'）;［m,n]=ｓize（ｔ）；M=ｚｅroｓ（m,m）；N=zｅrｏs（ｎ，n);foｒｉ=1:mfｏrk=1:mＭ(i，k)＝ｅxp（２*pi＊i＊k*（-ｊ）／m);endenｄfｏrk=1:nｆoｒi=1:ｎＮ(ｋ，i）=eｘp（2＊pｉ*i*k*(－j）／n）；eｎdeｎdt＝douｂｌe(ｔ）；T＝M*t＊N;Nｉ=Ｎ’；Ｍｉ=M'；Tｉ=Ｍｉ＊T＊Ni/（m*n）；subplot(2，２，3）,ｉmｓhow(uiｎt8（T))tｉtle(’傅里葉變換頻譜’）;suｂplｏt(２，２，4)，imshow（ｕint8（Tｉ));title(＇傅里葉逆變換圖像＇);3.２正逆快速傅里葉變換I=imｒead(’E：/ｚjx.jpｇ＇);%讀入圖像subplｏt（1，2，1）,ｉｍshoｗ（Ｉ);%在位置1顯示圖像title(＇原始圖像＇)；f＝ｒgb2gray（I）；F1=fft2(ｆ）;％計(jì)算二維傅立葉變換suｂplot(1，2,2）,imｓhow（F1）;%顯示二維傅立葉變換后的圖像title(’二維離散傅里葉變換后的頻譜’)；figurｅ，sｕbplot（2，2，1），iｍsｈｏw（lｏｇ（abｓ（Ｆ1)+1)，［0１0]);%顯示對(duì)數(shù)變換后的頻譜圖tｉtle(’圖像的頻譜圖＇)；F２=fｆtsｈｉｆt（F1）；%將直流分量移到頻譜圖的中心subpｌot(2,2，２),imshow(log（abs(F2）+1），［0１0］);％顯示對(duì)數(shù)變換后中心化的頻譜圖title(’中心化的頻譜圖')；Ｆ３=ifｆt2（Ｆ1）;％計(jì)算傅立葉變換的逆變換suｂpｌot(２，2,3)，imshow（uint8（F３）);％重新顯示圖像，類似于ｉmｒeaｄ(＇pout。tif’）tiｔle（’傅立葉逆變換’）；ｓuｂｐlｏt(2，2,４),imshｏw（f)；titｌｅ（＇灰度圖像’);3。3離散余弦變換RGB=imｒead（’E：/zjx.jｐg'）；I=rgb2gray(ＲＧB）；％真彩色圖像轉(zhuǎn)換成灰度圖像sｕbｐloｔ(2,2，1）,iｍshow（ＲGＢ)；％顯示原圖像tｉtle(’原始圖像')；C1=dct2（I）;％對(duì)圖像做DＣT變換sｕｂpｌot（2，2，２),imsｈow(log（ａbs(C1)）,[])，ｃolｏrmap（jeｔ(6４)），ｃolorｂartitle(＇圖像大部分能量集中在上左角’)；Ｃ２=fftshift(Ｃ１）；％將直流分量移到頻譜圖的中心sｕbplｏt(2，２，３),imshｏw（log(abs（Ｃ２)）＋1,［０10］)；％顯示DＣＴ變換結(jié)果titlｅ(’DＣＴ系數(shù)’）；Ｃ3＝idct2（C1)；％對(duì)矩陣Ｃ1做ＤCT逆變換sｕｂpｌot（２，2，４）,imｓhｏw(ｕiｎt８（Ｃ3）);%顯示逆變換后的結(jié)果tiｔｌｅ('灰度圖像＇）；3．4數(shù)字圖像直方圖的統(tǒng)計(jì)及繪制ｃleaｒａlｌPS＝ｉmｒeａd（'E：/zjx。jpg＇)；%讀入JＰG彩色圖像文件sｕbpｌｏt(１，2，1），ｉmｓhoｗ(ＰS）％顯示出來(lái)fｉgureNO１ｔitlｅ（'輸入的彩色JPG圖像＇)imwｒite（rｇb2gray（ＰS)，’PiｃSampｌeGray．ｂｍp'）；％將彩色圖片灰度化并保存PＳ=ｒgb２ｇｒay（PS）；％灰度化后的數(shù)據(jù)存入數(shù)組ｓｕbploｔ（１,2，2）,ｉmshow（PＳ）%顯示灰度化后的圖像,也是均衡化前的樣品figuｒeNＯ２tｉtle（＇灰度化后的圖像＇）[m，ｎ]=ｓｉze（ＰS）；%測(cè)量圖像尺寸參數(shù)GP=zｅrｏs（1，256)；％預(yù)創(chuàng)建存放灰度出現(xiàn)概率的向量foｒk=０:２5５GＰ(k+1）=lｅngｔh（find(PS==k)）/（m＊n）;％計(jì)算每級(jí)灰度出現(xiàn)的概率，將其存入ＧP中相應(yīng)位置endｆigure,subｐlot（2,２,1），bａｒ(０：2５5,GP，’g')%繪制直方圖figｕreNO３titlｅ('原圖像直方圖’）ｘlabeｌ(＇灰度值’)yｌaｂｅl（’出現(xiàn)概率’)S１=zeros(1，256)；foｒi＝1：2５6fｏrj＝1：ｉｅndS１（i）=ＧP（j)＋S1(i）；％計(jì)算SkendS2=ｒound（S1*256）；%將Sk歸到相近級(jí)的灰度ｅｎdｆｏｒｉ＝1：256GＰeｑ（i)=suｍ（GP（ｆiｎｄ（S２==i)）)；％計(jì)算現(xiàn)有每個(gè)灰度級(jí)出現(xiàn)的概率eｎdｓｕbploｔ（２,2,2)，ｂar（０:２5５，ＧPeq，'b＇）%顯示均衡化后的直方圖figｕｒeNO４tｉtle（＇均衡化后的直方圖＇）xlaｂel('灰度值')ylabel（'出現(xiàn)概率')ｓuｂｐlot（2，2，３）,plｏt(0：２55，Ｓ2,’r’)％顯示灰度變化曲線fｉｇureNO5legend（＇灰度變化曲線’)ｘlabel（'原圖像灰度級(jí)’）ｙｌａbel(＇均衡化后灰度級(jí)'）PA=PS；fｏｒｉ=０：255PA(fｉｎｄ（PＳ＝=i））=Ｓ２（ｉ+1）；％將各個(gè)像素歸一化后的灰度值賦給這個(gè)像素endｆigure，imshow(PA)％顯示均衡化后的圖像ｆｉgureNO6ｔｉtｌe(’均衡化后圖像’)imwrite（PＡ,’PicＥqual。bmｐ’）；3.５圖像平滑算法M＝imｒead('E:＼zjx。jpg’）;I=ｒｇb2grａy(M）;％彩色圖像變灰度圖像Ｊ=ｉmnoise（Ｉ,’saｌt&pepper＇,0。0２）；sｕbplot（22１)，imsｈow(I）tｉtle（＇原圖像＇)ｓubｐｌot（222）,imｓhow（Ｊ）tｉｔlｅ(＇添加椒鹽噪聲圖像’）Ｋ1=filteｒ２（fspｅｃiaｌ（'avｅｒage'，3），J）/２55；%應(yīng)用3＊3鄰域窗口法sｕbpｌot(2２3），iｍshｏw(Ｋ1）tiｔle（’3x3窗的鄰域平均濾波圖像’)K2=fｉｌｔｅr2(ｆｓpeciaｌ（＇ａvｅrａge',7），J）/255；%應(yīng)用7*７鄰域窗口法sｕｂplｏｔ（２24)，ｉmshｏw(K2)ｔｉtle('7x7窗的鄰域平均濾波圖像'）I1=imnｏｉse(I,'gauｓsian＇）;%加高斯噪聲Ｉ２=imｎoiｓe（I，＇speｃｋle')；%加乘性噪聲figure，suｂｐloｔ（1，２，１），ｉmsｈoｗ(I1)；title('高斯噪聲污染的圖像’）；subｐｌot(１，2，2),imｓhoｗ(I２)；ｔitlｅ（’乘性噪聲污染的圖像＇）；３.６小波變換ｉ=iｍread（＇E：／zｊx。jｐg＇);x=ｒgb2ｇray(i)；％真彩色圖像轉(zhuǎn)化為灰度圖像iｍaｇe(x)；%將矩陣X顯示為圖像coloｒmａｐ（map)；％配合函數(shù)imａｇｅ（）畫(huà)出連續(xù)的灰度圖titｌｅ（'原圖像＇）[ｃＡ１，cH１,cV1,ｃD1]=ｄｗt2(ｘ,’bioｒ３.7’);％對(duì)X進(jìn)行二維小波變換，biｏr３。７是雙正樣交條小波對(duì)應(yīng)的濾波器A1=uｐcoef２('a＇，cA1,＇bｉor3．7’，1）；H１=upｃoｅf２(’h'，cH1，＇bior3．７＇，1）；Ｖ1=upcｏef２(’v'，cＶ1，＇bｉor３．7’，1）;Ｄ１=upcoef2（＇d',cD1,’ｂｉor3.7’，1）；figｕre,colorｍap(maｐ）；ｓubplot(２，２,1）,image(wcodemat(A１，1８0）);％將矩陣顯示為圖像titlｅ（＇近似細(xì)節(jié)系數(shù)Ａ1＇）%顯示圖像的圖頭、標(biāo)題subplot（２，2，2），iｍage(wcoｄemaｔ(H1，300）)；tｉtle(’水平細(xì)節(jié)系數(shù)H1'）subｐloｔ(２,２,３），iｍａge（wcoｄemat(V1，255）);tｉｔle(’垂直細(xì)節(jié)系數(shù)V１')ｓuｂplot(2，2，4）,iｍage（wcodemaｔ（Ｄ1，25５）)；tiｔle('對(duì)角細(xì)節(jié)系數(shù)D1’）X=２。0*idｗt2（Ａ1,H1，V1,D1，’biｏr3．7’）;Ｙ=imresｉze（Ｘ,0。5）；%改變圖像大小為原圖的1/2figure，ｉmａge（Y）；ｃｏlｏrmａp(map）;tｉｔle(＇逆變換后的圖像’）；3。7運(yùn)動(dòng)模糊圖像I=imｒead（'E:/zjx．ｊpg’）；ｓubplot(１,２，1）;imshow（I，[］）；tiｔle(’原圖像'）;PSF=fｓpecial(＇motion'，1７,90）；MF=iｍｆilｔer(I，PSF，’circular＇)；noｉsｅ=imnoｉｓe（ｚeros(ｓize(I))，'ｇausｓiaｎ’，0,０.000０００0001）；ＭFN=ｉmadd（MＦ,im2ｕinｔ8（ｎｏｉｓｅ));subplot(1，2，2)；iｍshow（ＭFN,［］);titlｅ（'運(yùn)動(dòng)模糊圖像');NSR＝ｓum(noｉｓe（:).^２)/sｕm(ＭFN（:）。^2）；figｕre;suｂｐｌｏt（１,3,1）；imsｈow(decoｎvｗnr（MＦN,PＳF,NSR)，[]）;titｌe('逆濾波復(fù)原'）;sｕbplｏt（1，３,2）；wiｅner1＝deconvwnr(MFＮ,PSF）;iｍshｏｗ（wienｅr1)；titlｅ（'維納濾波圖像’）；NP＝０。０0２*ｐrod（siｚe(I））；[rｅg1ＬAGRA］=decoｎvreg（MFN，PSF,ＮP/３.0);subplot(１,３，３)；ｉmshｏｗ（reg1)；tｉtle（’最小二乘濾波復(fù)原’）;3.8Huufman編碼仿真實(shí)現(xiàn)clearall;a=imread（'E：/zjｘ.jpg')；subploｔ(1，２,1);iｍshoｗ（ａ)；tｉtlｅ(＇原圖'）；ａ1=rgb2graｙ(a）;subpｌｏｔ（１，2，2）;iｍｓhow(a1);titｌｅ('灰度圖’）;［ｍ，n］＝size(a1)；[ｃonpｉxv]=imhｉsｔ(a1）;％灰度統(tǒng)計(jì)inｄ=fiｎｄ（coｎ〉0)；ｌen=lenｇｔｈ(ind）；ｐgｒaｄe=pixv(ｉnｄ）；%像素不為０的灰度級(jí)p=ｃoｎ（ind)./（m*n）；％灰度級(jí)出現(xiàn)概率p=ｐ＇；q＝p；k=ｚeros(ｌen-1，lｅn）;％ｈｕfｆｍan編碼forｉ＝1：len-1％概率合并［q，marｋ］＝ｓｏrt(ｑ)；%升序排列k(leｎ-ｉ,１：ｌｅn－i+1)＝mark（１：lｅn-i＋１);q=［q（1)+q(2），ｑ(3：len）,len];eｎd％編碼c=ceｌｌ（len-1，len);c（１，1）＝｛'０’｝;c(1,2）=｛＇1＇｝;fori=2：leｎ－１ind=finｄ(k（i－1,：)==１);％找概率合并過(guò)程中上次概率最小者下標(biāo)teｍp=chaｒ（ｃ(i—1,ｉnd））;%找出前項(xiàng)編碼c(i,1）={[temｐ,’0＇］};%加賦當(dāng)前編碼值ｃ（i,2)=｛［teｍp,’1’]｝；%加賦當(dāng)前編碼值ｓｎc=fｉnｄ(k(i-１,：）～=1);％找概率合并過(guò)程中當(dāng)前概率最小者下標(biāo)fｏrj=3:ｉ＋1％為當(dāng)前概率最小者加賦當(dāng)前編碼值con=snc(j—2);c(i，j）=c（i－1,con);endｅnｄcoｄel＝［]；ｆorｉ=1:lｅn％陳列編碼值ｉnd＝fiｎd（k(ｌeｎ－1，:)==i）;code=char（c（len—１,inｄ))；codeｌ（i）=ｌeｎｇth（code);ｄisp（strｃａｔ（＇像素灰度值=’，num２ｓｔr（pgradｅ(i)),＇編碼’，cｏｄｅ)）；enｄlavg=0;fｏri=1:len％計(jì)算平均碼字長(zhǎng)度ｌaｖg=laｖg＋p（i)*codel(i）;enｄdisp（stｒcat（’平均碼字長(zhǎng)度=',num２str（ｌavg)））;ｒａt(yī)ｉｏ=9/lavg;disp(strcat（'哈弗曼編碼壓縮比=＇，num2stｒ（ratｉｏ))）；yl=8*ｍ*n；disp(strcａt(yī)（'原圖大?。健?，nuｍ2str(ｙｌ）,’ｂit＇））；disp(strcaｔ（'壓縮圖大小=',nｕｍ2str(laｖg＊m＊n),'bit’））；〉>Uｎｔｉtleｄ４像素灰度值=4編碼1101000０001000０0像素灰度值=５編碼110100000０110１像素灰度值=6編碼0０01010１１1像素灰度值=7編碼0０01１１１１像素灰度值＝８編碼1１001101像素灰度值=9編碼10110100像素灰度值=10編碼1０101０１1像素灰度值=１１編碼101０0０11像素灰度值=12編碼1０100010像素灰度值=1３編碼１0１011１0像素灰度值=14編碼１00１１１０1像素灰度值=15編碼1０00１100像素灰度值=16編碼100０11０1像素灰度值=１7編碼0０１1010１像素灰度值=18編碼０001０１１0像素灰度值=19編碼001１1010像素灰度值＝2０編碼111１1１011像素灰度值=２1編碼111１１１100像素灰度值＝22編碼111100100像素灰度值=23編碼101１10000像素灰度值=24編碼10１００１０1１像素灰度值＝25編碼100111０01像素灰度值＝26編碼0０011101１像素灰度值=27編碼1111001100像素灰度值=28編碼110１０00１１0像素灰度值=２9編碼101１１0０1０1像素灰度值=3０編碼１010010001像素灰度值=31編碼1００0100011像素灰度值=３2編碼01１０01０００１像素灰度值=３３編碼1１11110１０11像素灰度值=3４編碼10００10００01像素灰度值＝35編碼00０1010110像素灰度值＝3６編碼11111000010像素灰度值=３７編碼11111１01010像素灰度值=38編碼0１１０0１0０0０像素灰度值＝39編碼00110１000１像素灰度值=４0編碼10１11001１1１像素灰度值=４１編碼１01１0１1０101像素灰度值=42編碼11０0００101１１像素灰度值=43編碼10１110０1１１０像素灰度值=44編碼101011111０１像素灰度值＝45編碼110０01０1010像素灰度值＝46編碼1０1１0１1０100像素灰度值=47編碼101１0１1011１像素灰度值=48編碼1０0０1000１０1像素灰度值=49編碼１０１00１0０001像素灰度值=50編碼10１0１1１1０1１像素灰度值=51編碼101０1１１1100像素灰度值=５2編碼1010１0１001０像素灰度值=５3編碼1０１110０1000像素灰度值=54編碼101１10０1０01像素灰度值=5５編碼1010０100００0像素灰度值=56編碼１０001０001０0像素灰度值＝57編碼1１０00010101像素灰度值=5８編碼1１000０1０１10像素灰度值=59編碼10１011１1010像素灰度值=60編碼1100００1010０像素灰度值=61編碼1011０110110像素灰度值=62編碼11０10000000像素灰度值＝63編碼11０0０１０1011像素灰度值=64編碼１10１0111１00像素灰度值=６5編碼110１0１1１101像素灰度值=66編碼１11100110１0像素灰度值＝67編碼111100110１１像素灰度值=68編碼11111０0００1１像素灰度值=６９編碼０0110１000０像素灰度值＝70編碼11１11101000像素灰度值＝71編碼011０01０0１1像素灰度值=72編碼011111100０像素灰度值＝73編碼1１1１1１0１00１像素灰度值＝74編碼0111111001像素灰度值=7５編碼０01１0１0011像素灰度值=76編碼００1１010010像素灰度值=77編碼100010０000像素灰度值=７8編碼101011１1００像素灰度值＝79編碼01100１0010像素灰度值=80編碼10１010１０00像素灰度值=８1編碼1011100110像素灰度值=8２編碼1０10111111像素灰度值=８3編碼１1000101０0像素灰度值=84編碼1１01０0０１11像素灰度值=85編碼11010１1１１1像素灰度值=86編碼000１1101０像素灰度值=87編碼111110０0０0像素灰度值＝８8編碼00111011１像素灰度值＝89編碼１11１1110１0像素灰度值=90編碼0０0１01０10像素灰度值＝９1編碼11111１1011像素灰度值=92編碼100１11000像素灰度值=93編碼011111101像素灰度值=94編碼００１1101１０像素灰度值＝95編碼１01０01０0１像素灰度值=96編碼101０10101像素灰度值＝9７編碼1０１001０10像素灰度值＝98編碼101１０１１10像素灰度值=99編碼101101100像素灰度值＝100編碼１011011１１像素灰度值=101編碼１１０00101１像素灰度值＝102編碼11001100０像素灰度值＝10３編碼110111１11像素灰度值＝１0４編碼11０10１110像素灰度值=105編碼110１００001像素灰度值＝1０６編碼1１11００１0１像素灰度值=107編碼11110０１11像素灰度值＝108編碼1111100１１像素灰度值＝109編碼１11111０00像素灰度值=11０編碼０00111１0像素灰度值=11１編碼00０1011１像素灰度值=112編碼000１01００像素灰度值＝１13編碼01１00１01像素灰度值=114編碼010１０00０像素灰度值=1１5編碼０1010001像素灰度值＝１16編碼011111１１像素灰度值=117編碼１001１111像素灰度值＝１1８編碼100０１00１像素灰度值=1１9編碼１００1111０像素灰度值=１20編碼１01０1101像素灰度值=1２1編碼10110101像素灰度值＝１2２編碼1１00001１像素灰度值=123編碼１１01１1１０像素灰度值=124編碼１1０101１0像素灰度值=125編碼00１01１1像素灰度值＝１26編碼0０１0１1０像素灰度值＝１２7編碼０0００101像素灰度值＝１28編碼01１0０１1像素灰度值=129編碼001１1０0像素灰度值=１３0編碼010１111像素灰度值=13１編碼0００010０像素灰度值＝132編碼11１11111像素灰度值＝1３3編碼00１10１1像素灰度值=１34編碼011１110像素灰度值＝135編碼１00011１像素灰度值＝136編碼０1０1110像素灰度值=13７編碼0１０１0０1像素灰度值=138編碼1０001０1像素灰度值=1３9編碼1010000像素灰度值＝1４0編碼10101０0像素灰度值=1４1編碼1０10011像素灰度值=14２編碼１0１1001像素灰度值=１４3編碼1１00100像素灰度值＝14４編碼1101101像素灰度值＝14５編碼１10100１像素灰度值=146編碼1100000像素灰度值=1４7編碼1011１01像素灰度值=148編碼1100011像素灰度值=1４9編碼１１00１０1像素灰度值=15０編碼11011１0像素灰度值=151編碼11０１10０像素灰度值=１５2編碼11100１１像素灰度值=1５3編碼０01000像素灰度值=154編碼０00011像素灰度值=１5５編碼000000像素灰度值＝１56編碼00011０像素灰度值＝157編碼111１01０像素灰度值=1５8編碼001１11像素灰度值=159編碼0０1010像素灰度值＝１60編碼011010像素灰度值＝１６１編碼１0０00１像素灰度值＝16２編碼100１01像素灰度值=1６３編碼1０１１11像素灰度值＝1６４編碼10０100像素灰度值=165編碼１1１1101像素灰度值=１66編碼1110110像素灰度值=1６7編碼1１10100像素灰度值＝16８編碼０00001像素灰度值＝1６9編碼０1000０像素灰度值＝1７0編碼０１1011像素灰度值=１71編碼1０0110像素灰度值＝１7２編碼011100像素灰度值＝173編碼0１０１１0像素灰度值=１７4編碼0110００像素灰度值=175編碼０1０0０1像素灰度值=176編碼01０01０像素灰度值＝177編碼000100像素灰度值＝1７8編碼0０1０01像素灰度值=179編碼0