5、几种滤波的比较
I=double(imread('cameraman.tif'));
subplot(2,2,1); imshow(I,[]) H=fspecial('average',5); F1=double(filter2(H,I));
subplot(2,2,2); imshow(F1,[]) H=fspecial(‘gaussian’,7,3); F2=double(filter2(H,I));
subplot(2,2,3); imshow(F2,[]) H=fspecial('prewitt'); F3=uint8(I+filter2(H,I));
subplot(2,2,4); imshow(F3,[])
通过实验可知，均值和高斯滤波是使图像模糊，而边缘算子可以增强图像边缘。
6、采用“原图-低通图像”的方法锐化图像 I=double(imread('cameraman.tif')); subplot(1,3,1) imshow(I,[])
H=fspecial('average',5); F1=double(filter2(H,I));
subplot(1,3,2) imshow(F1,[]) F2=2*I-F1; subplot(1,3,3) imshow(uint8(F2),[])
四、实验报告要求
1、简述实验目的。
2、简述直方图修正技术基本原理。 3、分析图像处理前后图像的变化。
4、结合例4和例5自选一副图像分析应该用哪种滤波方法好。 5、附程序清单和处理前后图像。
实验四 数字图像滤波及边缘检测
一、实验目的
1、了解图像复原的基本方法。 2、了解图像边缘检测。
3、利用MATLAB提供的函数实现对图像处理。
二、实验原理
1、图像的恢复
图像恢复和图像增强一样，都是为了改善图像的视觉效果，以便后续处理。只是图像增强方法更偏重于主观判断，而图像恢复则是根据图像畸变或退化原因，进行模型处理。图像恢复技术就是把退化模型化，并且采用与退化相反的过程进行处理，以便恢复出原图像。图像恢复的方法通常都会涉及建立一个最佳准则，作为恢复图像质量的评价标准。 2、图像的分割
图像分割就是按照一定的原则，将一幅图像分为若干个互不相交的小区域，就是产生图像基元的过程。是对图像中每个像素加标签的一个过程，这一过程使得具有相同标签的像素具有某种共同视觉特性。图像分割是图像检索、识别和图像理解的基本前提。 3、中值滤波
中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术。中值滤波的优点是运算简单且速度较快，在某些条件下，中值滤波方法可以去除噪声，保护图像边缘，使图像较好地复原。它非常适用于一些线性滤波器无法胜任的数字图像处理的应用场合。
中值滤波的基本原理是把数字图像或数字序列中一点的值用该点邻域中各点值的中值替代。例如：有一个序列为(2 ,3 ,4 ,5 ,6) ,这个序列的中值为4。中值滤波器用于图像处理中是这样进行的:设置一个滤波窗口，将其移遍图像(序列)上的点，且用窗口内各原始值的中值代替窗口中心点的值。
可以直接应用Matlab 软件中图像处理工具箱的函数。二维中值滤波器的函数格式如下: B = Medfilt2(A,[m n])
B = Medfilt2(A)。(缺省窗口大小为[3 3])
其中[m n]表示指定滤波器窗口大小。
中值滤波是一种典型的低通滤波器，它的目的是保护图像的边缘并同时去除噪声。 下面来举例进行说明：
上图中左边是原图，数字代表该处的灰度。可以看出中间的6和周围的灰度相差很大，是一个噪声点。经过3*1窗口（即水平3个像素取中间值）的中值滤波，得到右边那幅图，可以看出，噪声点被去除了。拿中值滤波和上面介绍的两种平滑模板做个比较，看看中值滤波有什么特点。
⑴ 中值滤波的特点是保护图象边缘的同时去除噪声。
我们以一维模板为例，只考虑水平方向，大小为3*1(宽*高)。Box模板为；
Gauss模板为结果如下所示：
⑵ 中值滤波对高斯噪声无效，高斯模板对高斯噪声非常有效。
⑶ 中值滤波对脉冲噪声非常有效。
总结：中值滤波容易去除孤立点，线的噪声同时保持图象的边缘，它能很好的去除二值噪声，但对高斯噪声无能为力。要注意的是，当窗口内噪声点的个数大于窗口宽度的一半时，中值滤波的效果不好。这是很显然的。
往图像中添加噪声可以直接调用函数imnoise()，其格式如下： J=imnoise(I,type,??)
其中的type表示添加的噪声类型，这里举几个例子说明，更多的噪声类型可以在MATLAB中进行查找。
‘gaussian’ Gauss白噪声参数设置:
M、V：在图像中加入均值为M、方差为V的高斯白噪声。(缺省M=0,V=0.01) J=imnoise(I,’gaussian’,M,V) ‘salt & pepper’ 椒盐噪声参数设置:
D:在图像I中加入强度为D的“椒盐”黑白像素点. (缺省为0.05)
J=imnoise(I,’ salt & pepper’,D) ‘speckle’ 乘法噪声参数设置:
J=imnoise(I,’ speckle’,V),使用公式J=I+n*I,向图像I中加入乘法噪声,其中n是均值为0,方差为V均匀分布的随机噪声.(V的缺省值为0.04) 4、图像的分割
在对图像的研究和应用中，人们往往仅对各幅图像中的某些部分感兴趣，需要将这些有关区域分离提取出来，在此基础上对相关目标作进一步的处理。分割算法就是借助灰度图像中像素灰度值的两个性质：不连续性和相似性。区域内部的像素一般具有灰度相似性，而在区域之间的边界上一般具有灰度不连续性。这些区域互不交叠，每一个区域内部的某种特征变化平缓相对一致，而区域边界处特性变化非常剧烈，区域内的所有像素是一个连通集，在