目录
1.Objectives:2．Experiment Content：3.Experiment Principle:4．Experiment Steps Result and Conlusion：【附录】实现代码1.Objectives:
1、了解 MATLAB 工具箱中滤波器
2、掌握用滤波方式去除图像噪声算法
3、学会对图像的空间变换
2．Experiment Content：
练习图像增强的 Matlab 命令，熟悉下列模块函数：
Imageenhancement: imadjust-Adjustimageintensityvaluesorcolormap
Imagenoising: imnoise-Addnoisetoanimage Noiseestimation:
Roipoly,histroi,statmoments Imagefiltering:
medfilt2-Perform2-Dmedianfiltering
ordfilt2-Perform2-Dorder-statisticfiltering spfilt
wiener2-Perform2-Dadaptivenoise-removalfiltering Testimagemaking:
maketform，imtransform
3.Experiment Principle:
见书《数字图像处理》
（冈萨雷斯著作，电子工业出版社于12月1日出版）
4．Experiment Steps Result and Conlusion：
1、 使用 imadjust 函数调整图像视觉效果
CON:从图中看到，当gamma<1获得变亮的图案，gamma>1获得变暗的图案当将灰度值范围颠倒，即可获得负片
2、生成含有噪声的图像
分别用 imnoise，imnoise2，imnoise3 函数生成含有噪声的图像， 改变相应参数，观察图像变化，理解各参数的作用。
imnoise2 的使用：在图像‘Fig0704(Vase).tif.tif’中加入均值 为 0，标准差为 0.1 的高斯噪声。
CON:这个是imnoise生成的高斯噪声图，方差为0.1方差越大，噪声影响越大
CON:这个是将imnoise2函数生成的方差为0.1的噪声加在原图中可以看到这个与上图的图片噪声污染查不了太多，所以imnoise函数的加噪声效果更明显
CON:此图为生成的周期噪声，可以看到在两个大致方向的周期噪声，并且是斜着的，因为这是了两个周期噪声的叠加。在两个方向上亮度变化也不一样，这里设置的是1:5的亮度变化，将噪声加入原图后的效果如右图。
3、噪声估计
用 roipoly、histroi、statmoments 等函数进行图像噪声参数估计。
这个图是在取ROC区域的时候，因为在选择区域背景几乎没有变化，几乎相当于都是噪声，因此此块区域比较合适作为噪声估计的区域
可以看到ROI区域的直方图，跟我们做噪声估计后获取的噪声的直方图几乎一样，说明我们对此图中的噪声估计基本正确
4.加载图像cameraman.tif，图像分别加入gaussian, salt&pepper, speckle噪声，比较其对均值和方差的影响。
CON:上面四幅图分别为原图，以及被三种噪声污染过后的图。对于高斯噪声与斑点噪声来说，他们的噪声方差越大，污染就越严重，对于椒盐噪声来说，设置的椒盐的密度越大，也就越严重。
5、分别用函数medfilt2, ordfilt2 和 wiener2 去除所加的噪声。将处理 后的图像与原图像比较，讨论各种方法的作用。
CON:对于中值滤波器从上图来看，要选择好其滤波器大小，一般来说，滤波器越大，滤波效果越差从上图可以明显看到，随着滤波器大小的增加，滤波效果变差
CON:对于ordfilt2 函数，可以选择在滤波器中的第几大的数值，图二相当于一个中值滤波器，图三相当于一个较小值滤波器，因此留下了椒噪声，图四相当于一个较大值滤波器，因此留下了盐噪声，从上图看，对于存在椒盐噪声的图像，还是用中值滤波器比较合适。
CON:对于维纳滤波器从上图来看，滤波器大小对滤波效果也是非常重要的，从上图可以明显看到，滤波器越大，噪声会被去除，但是原图也会得到损坏。
6、设计陷波滤波器（Notch filter）
利用以下公式编程实现陷波滤波器。
CON:这里的我们对四个滤波中心的值进行了该表，分别为（25 25），（25 10），（0 10），（0 25），即对式子中的u0 v0的值做了修改，因为都在图中的右上方，因此这里均是对u0 v0做了-处理，得到在这四个坐标下凹陷的滤波器
CON:这个滤波器的位置就是在中间，坐标分别是（10 10），（-10 -10），（10 -10），（-10 10），也是通过对u0 v0的修改得到的，并且相比于上图，这个的截止频率也增加了一些。
7、图像的空间变换
用测试图像（C = checkerboard）产生一个指定形状的变形图像， 学习使用函数：maketform，imtransform，产生下列各图。
CON:上图左是用这样的一个结构体来实现的T=[1 0 0;0.8 1 0;0 0 1];根据我们反向映射的原理：这个对应的坐标变化x’=x;y’=y+0.8x;即横坐标不变,纵坐标偏移，偏移量量由所在横坐标大小决定，得到上图
CON:上图右是用这样的一个结构体来实现的T=[1 0.8 0;0 1 0;0 0 1];根据我们反向映射的原理：这个对应的坐标变化x’=x+0.8y;y’=y;即纵坐标不变,横坐标偏移，偏移量量由所在纵坐标大小决定，因此得到这样的一个图像
8、研究空间滤波方法和噪声特征间的关系，利用 spfilt 函数举例说明所得结论。
空间滤波是一种采用滤波处理的图像增强方法。其理论基础是空间卷积和空间相关。目的是改善图像质量。空间滤波的模板被称为空间滤波器。空间滤波可以滤除噪声，但事实也会对原图信息造成损失。
【附录】实现代码
1，步骤一：
f=imread('E:\数字图像处理\程序与图像\图像库\Fig0704(Vase).tif');g1=imadjust(f,[0 1],[0 1],0.5);%gamma<1获得变亮的图案g2=imadjust(f,[0 1],[0 1],1.5);%gamma>1获得变暗的图案g3=imadjust(f,[0 1],[1 0]);%获得负片figure(1);subplot(221),imshow(f);title('原图');subplot(222),imshow(g1);title('gamma=0.5（亮）');subplot(223),imshow(g2);title('gamma=1.5（暗）');subplot(224),imshow(g3);title('负片');
2，步骤二
%用imnoise imnoise2 imnoise3三种方法获得噪声图f=imread('F:\Fig0704(Vase).tif.tif');%imnoiseg1=imnoise(f,'gaussian',0,0.1);%加入均值为0，方差为0.1的高斯噪声 figure(1);g1=im2double(g1);imshow(g1);title('imnoise高斯噪声图');%imnoise2noise2=imnoise2('gaussian',512,512,0,0.1);%先生成均值为0，方差0.1的噪声f=im2double(f);g2=noise2+f;%将原图与噪声叠加，变成噪声图figure(2);imshow(g2);title('imnoise2高斯噪声图'); %imnoise3 周期噪声C=[6 32;-2 2];A=[1 5];[r R S]=imnoise3(512,512,C,A);figure(3);subplot(121);imshow(r,[]);title('imnoise3周期噪声');r1=mat2gray(r);%将得到的数据换归化成gray数据g2=r1+f;subplot(122);imshow(g2,[]);title('加入周期噪声后的图像');
3、步骤三
f=imread('E:\数字图像处理\程序与图像\图像库\Fig0704(Vase).tif');g=imnoise(f,'gaussian',0,0.1);%添加均值0 方差0.1的高斯噪声图像B=roipoly(g);%在噪声图像中交互生成的ROI npix=sum(B(:));%求ROI区域的点数 figure(1); subplot(121); imshow(g);%显示被高斯噪声污染的图像 subplot(122); imshow(B);%显示ROI区域 figure(2);subplot(121);h=imhist(f(B));%画出ROI区域的直方图 f(B)代表一列矩阵，数值为ROI区域的灰度值bar(h,1);axis([0,256,0,1000]);title('ROI区域的直方图');[v,unv]=statmoments(h,2);%计算均值与方差；subplot(122);X=imnoise2('gaussian',npix,1,unv(1,1),sqrt(unv(1,2)));%生成与图片中有相同均值方差的高斯噪声hist(X,140);%输出高斯噪声的直方图axis([0,256,0,1000]);
4，步骤四
f=imread('E:\数字图像处理\程序与图像\图像库\Fig0704(Vase).tif');figure(1);subplot(221);imshow(f);title('原图');g1=imnoise(f,'gaussian',0,0.04);%加入均值为0，方差为0.04的高斯噪声g2=imnoise(f,'salt & pepper',0.1);%0.1代表椒盐的密度g3=imnoise(f,'speckle',0.04);%0.04代表乘性噪声系数的的方差subplot(222);imshow(g1);title('高斯噪声污染的图');subplot(223);imshow(g2);title('椒盐噪声污染的图');subplot(224);imshow(g3);title('斑点噪声污染的图');
5，步骤五
f=imread('F:\cameraman.tif');g=imnoise(f,'salt & pepper',0.1);%0.1代表椒盐的密度%使用中值滤波器f11=medfilt2(f,[4 4],'symmetric');%使用中值滤波器进行滤波，[4 4]是设置滤波器的大小 滤波器设计成对称的f12=medfilt2(f,[7 7],'symmetric');%设置7*7大小的滤波器f13=medfilt2(f,[10 10],'symmetric');%设置10*10大小的滤波器figure(1);subplot(221);imshow(g);title('噪声图');subplot(222);imshow(f11);title('4*4的滤波器中值滤波器滤过的图');subplot(223);imshow(f12);title('7*7的滤波器中值滤波器滤过的图');subplot(224);imshow(f13);title('10*10的滤波器中值滤波器滤过的图');%使用二维统计顺序滤波ordfilt滤波器f21=ordfilt2(g,5,ones(3,3));%即在3*3的矩阵中选取数值为第五大的那个值f22=ordfilt2(g,3,ones(3,3));f23=ordfilt2(g,7,ones(3,3));figure(2);subplot(221);imshow(g);title('噪声原图 ');subplot(222);imshow(f21);title('3*3的滤波器，5 ');subplot(223);imshow(f22);title('3*3的滤波器，3');subplot(224);imshow(f23);title('3*3的滤波器，7');%维纳滤波实验f31=wiener2(g,[5 5]);f32=wiener2(g,[8 8]);f33=wiener2(g,[20 20]);figure(3);subplot(221);imshow(g);title('原图');subplot(222);imshow(f31);title('5*5的维纳滤波器 ');subplot(223);imshow(f32);title('8*8的维纳滤波器 ');subplot(224);imshow(f33);title('10*10的维纳滤波器 ');
6，步骤六
图一：
M=60;N=60;%确定滤波器大小是60*60n=3;%这个改变的是滤波器的峰值尖峰程度，衰减速度D0=5;%这个的是滤波器截止频率H=ones(60,60);%生成一个矩阵for u=1:60for v=1:60 H1(u,v)=1/(1+(D0^2/(sqrt((u-M/2-10)^2+(v-N/2-10)^2).*sqrt((u-M/2+10)^2+(v-N/2+10)^2)))^n);endend %在给定的范围内生成两个中心为（10,10）（-10，-10）的高通滤波器for u=1:60for v=1:60 H2(u,v)=1/(1+(D0^2/(sqrt((u-M/2+10)^2+(v-N/2-10)^2).*sqrt((u-M/2-10)^2+(v-N/2+10)^2)))^n); endend%在给定的范围内生成两个中心为（-10,10）（10，-10）的高通滤波器H=H1.*H2;%将生成的两个滤波器合成为一个带有四个高通滤波器的滤波器figure(1);mesh(H);%显示滤波器
图二（修改的地方）
for u=1:60for v=1:60 H1(u,v)=1/(1+(D0^2/(sqrt((u-M/2-25)^2+(v-N/2-25)^2).*sqrt((u-M/2-25)^2+(v-N/2-10)^2)))^n); endend for u=1:60for v=1:60 H2(u,v)=1/(1+(D0^2/(sqrt((u-M/2-0)^2+(v-N/2-10)^2).*sqrt((u-M/2-0)^2+(v-N/2-25)^2)))^n); endend
7，步骤七
C=checkerboard(64,4,4);%生成的测试板每个正方形有64*64个像素figure(1);imshow(C); T1=[1 0.8 0;0 1 0;0 0 1];%这个对应的坐标变化x'=x+0.8y;y'=y;即纵坐标不变,横坐标偏移，偏移量量由所在纵坐标大小决定tform1=maketform('affine',T1);%根据上述矩阵创建表示空间变化的一个结构tformfigure(2);subplot(121);C1=imtransform(C,tform1);%根据创建的结构，将原图进行反向映射imshow(C1);T2=[1 0 0;0.8 1 0;0 0 1];%这个对应的坐标变化x'=x;y'=y+0.8x;即横坐标不变,纵坐标偏移，偏移量量由所在横坐标大小决定tform1=maketform('affine',T2);figure(2);subplot(122);C2=imtransform(C,tform1);imshow(C2);
8，步骤八
clear all;clcf=imread('E:\数字图像处理\程序与图像\标准图片\camera.tif');addpath('E:\数字图像处理\程序与图像\dipum_toolbox_2.0.2(only run)');%添加相应的.p文件 g1=imnoise(f,'gaussian',0,0.04);%加入均值为0，方差为0.04的高斯噪声figure;imshow(g1);%显示已被高斯噪声污染的图像g2=spfilt(g1,'atrimmed',3,3,2);%进行滤波figure;imshow(g2);%显示滤波后的图像
图像：上文都以截图展示
码字不易，都看到这里了不如点个赞哦~
我还写了很多文章，欢迎关注我哦~
亲爱的朋友，这里是我的公众号，欢迎关注！
本博客的优秀博文也将陆续搬运到公众号，之后还将推出更多优秀博文，并将优先发在公众号，敬请期待！
关注起来，让我们一起成长！
