5仿真流程图.doc

程序与仿真 灰度直方图均衡化与灰度转换的程序如下所示： I=imread(d:\3.jpg); B=rgb2gray(I);%把三维RGB像素的a图转化为二维灰度色的b图 C=histeq(B); D=imadjust(C,[0.1 0.7],[]); figure(1);imshow(I); ; figure(2);imshow(B); figure(3);imshow(C); figure(4);imhist(B); figure(4);imhist(C); figure(4);imhist(D); 由直方图可以看出来经过均衡化之后figure(3)比figure(2)的灰度有明显的均衡化，取值比较接近。 e=imadjust(I,[0.1 0.7],[]); figure(5);subimage; figure(5);subimage(e); figure(6);subimage(D); 经过灰度转换之后figure（6）比figure（2）的白色色调明显增多，图片整体偏明亮化。 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、椒盐噪声等。 均值滤波去噪也称线性滤波，主要思想为领域平均法，即用几个像素灰度的平均值来代替每个像素的灰度。有效抑制加性噪声，但容易引起图像模糊，可以对其进行改进，主要避开对景物边缘的平滑处理。 I=imread（’d:\10. png’）; I1=imnoise(I,’gaussian’);%加高斯噪声 imshow(I);%显示图像I Title(’ d:\3.jpg’); imshow(I1); matlab图像处理工具箱中，提供了imfilter2函数用于中值滤波。其语法格式为： B=imfilter2(A) 其功能为：用3×3的滤波窗口对图像A进行中值滤波； B= imfilter2(A,[m,n]) 其功能室：用大小为m×n的窗口对图像A进行种植滤波; B=medfilt2(A,’indexed’,...) 其功能为：对索引图像A进行中值滤波； 可运行以下程序实现； I=imread（’d:\3.jpg’）; I1=immoise(I,’gaussian’); J1=medfilter2(I1,[5,5]); %5×5中值滤波模板 Figure,imshow(J1); 图像的阈值分割及特征提取 下面是最大方差计算灰度分割阈值的程序清单： function th = thresh_md(a); %该函数实现最大方差法计算分割阈值 %输入参数为灰度图像，输出为灰度分割阈值 Count= imhist(a) ; %返回图像矩阵各个灰度等级像素个数 [m,n]=size(a); N=m*n-sum(sum(find(a==0),1)); L=256; %指定图像灰度等级 count=count/N; %计算出各灰度出现的概率 for i=2:L if count(i)=0 st=i-1; break; end end %找出出现概率不为0的最小灰度 for i=L:-1:1; if count(i)=0; nd=i-1; break; end end %找出出现概率不为0的最大灰度 f＝count( st+1:nd+1); p=st; q=nd-st ; %分别表示为灰度起始和结束值 u=0; for i=1:q; u=u+f(i)*(p+i-1); ua(i)=u; end %计算图像的平均灰度 for i=1:q; w(i)=sum(f(1:i)); end %计算出选择不同K值时，A区域的概率 d=(u*w-ua)^2/(w* (1-w) ); %求出不同K值时类间的方差 [y,tp]=max(d); %求出最大方差对应的灰度值 Th=tp+p; (1)利用图像分割测试图像中的微小结构的特征 下面是上述使用的程序清单： I=imread (‘pearlite.tif’); subplot(2,2,1), imshow(I), title(‘原始图像’); Ic=imcomplement(I); BW=im2bw(Ic,graythresh(Ic)); subplot (2,2,2),imshow(BW), title(阈值截