數(shù)字圖像處理matlab代碼

1、一、編寫(xiě)程序完成不同濾波器的圖像頻域降噪和邊緣增強(qiáng)的算法并進(jìn)行比較，得出結(jié)論。1、不同濾波器的頻域降噪1.1 理想低通濾波器(ILPF)和二階巴特沃斯低通濾波器(BLPF)clc;clear all;close all;I1=imread(me.jpg);I1=rgb2gray(I1);subplot(2,2,1),imshow(I1),title(原始圖像);I2=imnoise(I1,salt & pepper);subplot(2,2,2),imshow(I2),title(噪聲圖像);F=double(I2);g = fft2(F);g = fftshift(g);M, N=size(

2、g);result1=zeros(M,N);result2=zeros(M,N);nn = 2;d0 =50;m = fix(M/2);n = fix(N/2);for i = 1:M for j = 2:N d = sqrt(i-m)2+(j-n)2); h = 1/(1+0.414*(d/d0)(2*nn); result1(i,j) = h*g(i,j); if(g(i,j) 50) result2(i,j) = 0; else result2(i,j) =g(i,j); end endendresult1 = ifftshift(result1);result2 = ifftshift

3、(result2);J2 = ifft2(result1);J3 = uint8(real(J2);subplot(2, 2, 3),imshow(J3,),title(巴特沃斯低通濾波結(jié)果);J4 = ifft2(result2);J5 = uint8(real(J4);subplot(2, 2, 4),imshow(J5,),title(理想低通濾波結(jié)果);實(shí)驗(yàn)結(jié)果： 1.2 指數(shù)型低通濾波器(ELPF) clc;clear all;close all;I1=imread(me.jpg);I1=rgb2gray(I1);I2=im2double(I1);I3=imnoise(I2,gaus

4、sian,0.01);I4=imnoise(I3,salt & pepper,0.01);subplot(1,3,1),imshow(I2), title(原始圖像); %顯示原始圖像subplot(1,3,2),imshow(I4),title(加入混合躁聲后圖像 ); s=fftshift(fft2(I4);%將灰度圖像的二維不連續(xù)Fourier 變換的零頻率成分移到頻譜的中心M,N=size(s); %分別返回s的行數(shù)到M中，列數(shù)到N中n1=floor(M/2); %對(duì)M/2進(jìn)行取整n2=floor(N/2); %對(duì)N/2進(jìn)行取整d0=40; for i=1:M for j=1:N d=

5、sqrt(i-n1)2+(j-n2)2); %點(diǎn)（i,j）到傅立葉變換中心的距離 h=exp(log(1/sqrt(2)*(d/d0)2); s(i,j)=h*s(i,j); %ILPF濾波后的頻域表示 end end s=ifftshift(s); %對(duì)s進(jìn)行反FFT移動(dòng) s=im2uint8(real(ifft2(s); subplot(1,3,3),imshow(s),title(ELPF濾波后的圖像（d=40）); 運(yùn)行結(jié)果： 1.3 梯形低通濾波器(TLPF)clc;clear all;close all;I1=imread(me.jpg);I1=rgb2gray(I1); %讀取圖

6、像I2=im2double(I1);I3=imnoise(I2,gaussian,0.01);I4=imnoise(I3,salt & pepper,0.01);subplot(1,3,1),imshow(I2),title(原始圖像); %顯示原始圖像 subplot(1,3,2),imshow(I4),title(加噪后的圖像); s=fftshift(fft2(I4);%將灰度圖像的二維不連續(xù)Fourier 變換的零頻率成分移到頻譜的中心M,N=size(s); %分別返回s的行數(shù)到M中，列數(shù)到N中n1=floor(M/2); %對(duì)M/2進(jìn)行取整n2=floor(N/2); %對(duì)N/2進(jìn)

7、行取整d0=10;d1=160; for i=1:M for j=1:N d=sqrt(i-n1)2+(j-n2)2); %點(diǎn)（i,j）到傅立葉變換中心的距離 if (d=d0) h=1; else if (d0=d1) h=(d-d1)/(d0-d1); else h=0; end end s(i,j)=h*s(i,j); %ILPF濾波后的頻域表示 end end s=ifftshift(s); %對(duì)s進(jìn)行反FFT移動(dòng) s=im2uint8(real(ifft2(s); %對(duì)s進(jìn)行二維反離散的Fourier變換后，取復(fù)數(shù)的實(shí)部轉(zhuǎn)化為無(wú)符號(hào)8位整數(shù)subplot(1,3,3),imshow(

8、s),title(TLPF濾波后的圖像);運(yùn)行結(jié)果：1.4 高斯低通濾波器(GLPF)clear all;clc;close all;I1=imread(me.jpg);I1=rgb2gray(I1);I2=im2double(I1);I3=imnoise(I2,gaussian,0.01);I4=imnoise(I3,salt & pepper,0.01);subplot(1,3,1),imshow(I2),title(原始圖像);subplot(1,3,2),imshow(I4),title(加噪后的圖像);s=fftshift(fft2(I4);%將灰度圖像的二維不連續(xù)Fourier 變

9、換的零頻率成分移到頻譜的中心M,N=size(s); %分別返回s的行數(shù)到M中，列數(shù)到N中n1=floor(M/2); %對(duì)M/2進(jìn)行取整n2=floor(N/2); %對(duì)N/2進(jìn)行取整d0=40; for i=1:M for j=1:N d=sqrt(i-n1)2+(j-n2)2); %點(diǎn)（i,j）到傅立葉變換中心的距離 h=1*exp(-1/2*(d2/d02); %GLPF濾波函數(shù) s(i,j)=h*s(i,j); %ILPF濾波后的頻域表示 end ends=ifftshift(s); %對(duì)s進(jìn)行反FFT移動(dòng)s=im2uint8(real(ifft2(s); %對(duì)s進(jìn)行二維反離散的Fo

10、urier變換后，取復(fù)數(shù)的實(shí)部轉(zhuǎn)化為無(wú)符號(hào)8位整數(shù)subplot(1,3,3),imshow(s),title(GLPF濾波后的圖像（d=40）);運(yùn)行結(jié)果： 1.5 維納濾波器clc;clear all;close all;I=imread(me.jpg); %讀取圖像 I=rgb2gray(I); I1=im2double(I);I2=imnoise(I1,gaussian,0.01);I3=imnoise(I2,salt & pepper,0.01);I4=wiener2(I3);subplot(1,3,1),imshow(I1),title(原始圖像); %顯示原始圖像 subplot

11、(1,3,2),imshow(I3),title(加入混合躁聲后圖像); I4=wiener2(I3);subplot(1,3,3),imshow(I4),title(wiener濾波后的圖像); 運(yùn)行結(jié)果：結(jié) 論：理想低通濾波器，雖然有陡峭的截止頻率，卻不能產(chǎn)生良好的效果，圖像由于高頻分量的濾除而變得模糊，同時(shí)還產(chǎn)生振鈴效應(yīng)。 巴特沃斯濾波器通頻帶內(nèi)的頻率響應(yīng)曲線最大限度平坦，沒(méi)有起伏，而在阻頻帶則逐漸下降為零。在振幅的對(duì)數(shù)對(duì)角頻率的波得圖上，從某一邊界角頻率開(kāi)始，振幅隨著角頻率的增加而逐步減少，趨向負(fù)無(wú)窮大。由于轉(zhuǎn)移特性曲線的尾部保留較多的高頻，所以對(duì)噪聲的平滑效果不如ILPE。 指數(shù)型低

12、通濾波器具有較平滑的過(guò)濾帶，經(jīng)此平滑后的圖像沒(méi)有“振鈴”現(xiàn)象，而與巴沃特斯濾波相比，它具有更快的衰減特性，處理圖像稍微模糊一些。梯形低通濾波器的性能介于巴沃特斯與完全平滑濾波器之間，對(duì)圖像具有一定的模糊和振鈴效應(yīng)。高斯低通濾波器其原理就是RC電路具有使低頻信號(hào)較易通過(guò)而抑制較高頻率信號(hào)的作用，可以有效地去除服從正態(tài)分布的噪聲。維納濾波在處理光學(xué)傳遞函數(shù)在零點(diǎn)附近的噪聲方法問(wèn)題比較有效，通過(guò)選擇適當(dāng)參數(shù)，可以有效地消除或抑制噪聲和“振鈴效應(yīng)”。2、邊緣增強(qiáng)2.1 Robert 算子邊緣檢測(cè)clc;clear all;close all;I=imread(me.jpg);I=rgb2gray(I)

13、;subplot(1,3,1),imshow(I),title(原始圖像); %顯示原始圖像 BW1 = edge(I,robert); subplot(1,3,2),imshow(BW1),title(robert算子檢測(cè)結(jié)果（T默認(rèn)）); BW2 = edge(I,robert,0.04); %T取0.04subplot(1,3,3),imshow(BW2),title(robert算子檢測(cè)結(jié)果（T=0.04）); 運(yùn)行結(jié)果：2.2 Sobel 算子邊緣檢測(cè)clc;clear all;close all;I=imread(me.jpg);I=rgb2gray(I); %讀取圖像subplo

14、t(1,3,1),imshow(I),title(原始圖像); %顯示原始圖像 BW1 = edge(I,sobel); %閾值默認(rèn)subplot(1,3,2),imshow(BW1),title(sobel算子（T默認(rèn)）);BW2=edge(I,sobel,0.04); %閾值取0.04subplot(1,3,3),imshow(BW2),title(sobel算子（T=0.04）);運(yùn)行結(jié)果：2.3 Prewitt算子邊緣檢測(cè)clc;clear all;close all;I=imread(me.jpg);I=rgb2gray(I);subplot(1,3,1),imshow(I),tit

15、le(原始圖像); %顯示原始圖像 BW1 = edge(I,Prewitt); %閾值默認(rèn)subplot(1,3,2),imshow(BW1),title(Prewitt算子（T默認(rèn)）);BW2 = edge(I,Prewitt,0.04); %T取0.04subplot(1,3,3),imshow(BW2),title(Prewitt算子（T=0.04）); %閾值越小，檢測(cè)出的邊緣越豐富運(yùn)行結(jié)果：2.4 LoG（laplacian of gaussian）算子邊緣檢測(cè)clc;clear all;close all;I=imread(me.jpg);I=rgb2gray(I);subplo

16、t(1,3,1),imshow(I),title(原始圖像); %顯示原始圖像 BW1 = edge(I,log,0.003); %T=0.003，sigma默認(rèn)2subplot(1,3,2),imshow(BW1),title( LoG 算子(sigma=2);BW2 = edge(I,log,0.003,2.20); %T=0.003，sigma=2.20subplot(1,3,3),imshow(BW2),title( LoG 算子(sigma=2.20);運(yùn)行結(jié)果：2.5 Canny算子邊緣檢測(cè)clc;clear all;close all;I=imread(me.jpg);I=rgb

17、2gray(I);subplot(1,3,1),imshow(I),title(原始圖像); %顯示原始圖像 BW1 = edge(I,canny); %sigma默認(rèn)1subplot(1,3,2),imshow(BW1),title(canny算子(sigma=1);BW2 = edge(I,canny,0.04 0.10,1.3); %T取0.04 0.10sigma=1.3subplot(1,3,3),imshow(BW2),title(canny算子(sigma=1.3);運(yùn)行結(jié)果：結(jié) 論：Roberts算子定位比較精確，但由于不包括平滑，所以對(duì)噪聲比較敏感。該算子對(duì)具有陡峭邊緣且噪聲

18、低的圖像效果較好。Prewitt算子和Sobel算子都是一階的微分算子，而前者是平均濾波，后者是加權(quán)平均濾波且檢測(cè)的圖像邊緣可能大于2個(gè)像素。這兩者對(duì)灰度漸變低噪聲的圖像有較好的檢測(cè)效果，但是對(duì)于混合多復(fù)雜噪聲的圖像，處理效果就不理想了。LOG濾波器中的正比于低通濾波器的寬度，越大，平滑作用越顯著，去除噪聲越好，但圖像的細(xì)節(jié)也損失越大，邊緣精度也就越低。所以在邊緣定位精度和消除噪聲級(jí)間存在著矛盾，應(yīng)該根據(jù)具體問(wèn)題對(duì)噪聲水平和邊緣點(diǎn)定位精度要求適當(dāng)選取。而且LOG方法沒(méi)有解決如何組織不同尺度濾波器輸出的邊緣圖為單一的、正確的邊緣圖的具體方法。Canny方法則以一階導(dǎo)數(shù)為基礎(chǔ)來(lái)判斷邊緣點(diǎn)。它是一階

19、傳統(tǒng)微分中檢測(cè)階躍型邊緣效果最好的算子之一。它比Roberts算子、Sobel算子和Prewitt算子極小值算法的去噪能力都要強(qiáng)，但它也容易平滑掉一些邊緣信息。二、編寫(xiě)程序完成不同銳化方法的圖像銳化的算法并進(jìn)行比較，得出結(jié)論。1、微分1.1 基于一階微分的圖像銳化-梯度法clc;clear all;close all;I=imread(me.jpg);I=rgb2gray(I);subplot(1,2,1),imshow(I),title(原始圖像); %顯示原始圖像 I=double(I);IX,IY=gradient(I); %返回梯度值OUT1=sqrt(IX.*IX+IY.*IY);s

20、ubplot(1,2,2),imshow(OUT1),title(梯度值圖像 ); 運(yùn)行結(jié)果：2、高通濾波法2.1 理想高通濾波（IHPF）clc;clear all;close all;I1=imread(me.jpg);I1=rgb2gray(I1);I2=im2double(I1);subplot(1,2,1),imshow(I1),title(原始圖像); %顯示原始圖像 s=fftshift(fft2(I2); M,N=size(s); %分別返回s的行數(shù)到M中，列數(shù)到N中n=2; %對(duì)n賦初值n1=floor(M/2); %對(duì)M/2進(jìn)行取整n2=floor(N/2); %對(duì)N/2進(jìn)

21、行取整d0=10; %初始化d0 for i=1:Mfor j=1:Nd=sqrt(i-n1)2+(j-n2)2); %點(diǎn)（i,j）到傅立葉變換中心的距離 if d=d0 h=0; else h=1; end s(i,j)=h*s(i,j); %IHPF濾波后的頻域表示 endends=ifftshift(s); %對(duì)s進(jìn)行反FFT移動(dòng)s=im2uint8(real(ifft2(s); %對(duì)s進(jìn)行二維反離散的Fourier變換后，取復(fù)數(shù)的實(shí)部轉(zhuǎn)化為無(wú)符號(hào)8位整數(shù)subplot(1,2,2),imshow(s),title(IHPF濾波后的圖像（d=10） ); 運(yùn)行結(jié)果：2.2 巴特沃斯高通濾

22、波（BHPF）clc;clear all;close all;I1=imread(me.jpg);I1=rgb2gray(I1); %讀取圖像I2=im2double(I1);subplot(1,2,1),imshow(I1),title(原始圖像); %顯示原始圖像 s=fftshift(fft2(I2);%將灰度圖像的二維不連續(xù)Fourier 變換的零頻率成分移到頻譜的中心M,N=size(s); %分別返回s的行數(shù)到M中，列數(shù)到N中n=2; %對(duì)n賦初值n1=floor(M/2); %對(duì)M/2進(jìn)行取整n2=floor(N/2); %對(duì)N/2進(jìn)行取整d0=10; %初始化d0 for i=

23、1:M for j=1:N d=sqrt(i-n1)2+(j-n2)2); %點(diǎn)（i,j）到傅立葉變換中心的距離 if (d=0) h=0; else h=1/(1+0.5*(d0/d)(2*n); %BHPF濾波函數(shù) end s(i,j)=h*s(i,j); %BHPF濾波后的頻域表示 end end s=ifftshift(s); %對(duì)s進(jìn)行反FFT移動(dòng) s=im2uint8(real(ifft2(s); subplot(1,2,2),imshow(s),title(BHPF濾波后的圖像（d=10）);運(yùn)行結(jié)果：2.3 指數(shù)型高通濾波（EHPF）clc;clear all;close al

24、l;I1=imread(me.jpg);I1=rgb2gray(I1);I2=im2double(I1);subplot(1,2,1),imshow(I1),title(原始圖像); %顯示原始圖像 s=fftshift(fft2(I2);%將灰度圖像的二維不連續(xù)Fourier 變換的零頻率成分移到頻譜的中心M,N=size(s); %分別返回s的行數(shù)到M中，列數(shù)到N中n=2; %對(duì)n賦初值n1=floor(M/2); %對(duì)M/2進(jìn)行取整n2=floor(N/2); %對(duì)N/2進(jìn)行取整d0=10; %初始化d0 for i=1:M for j=1:N d=sqrt(i-n1)2+(j-n2)2

25、); %點(diǎn)（i,j）到傅立葉變換中心的距離 if (d=0) h=0; else h=exp(log(1/sqrt(2)*(d0/d)2);%EHPF濾波函數(shù) end s(i,j)=h*s(i,j); %EHPF濾波后的頻域表示 end end s=ifftshift(s); %對(duì)s進(jìn)行反FFT移動(dòng) s=im2uint8(real(ifft2(s); %對(duì)s進(jìn)行二維反離散的Fourier變換后，取復(fù)數(shù)的實(shí)部轉(zhuǎn)化為無(wú)符號(hào)8位整數(shù)subplot(1,2,2),imshow(s),title(EHPF濾波后的圖像（d=10）); 運(yùn)行結(jié)果：2.4 梯形高通濾波（THPF）clc;clear all;

26、close all;I1=imread(me.jpg);I1=rgb2gray(I1); %讀取圖像I2=im2double(I1);subplot(1,2,1),imshow(I1),title(原始圖像); %顯示原始圖像 s=fftshift(fft2(I2); %將灰度圖像的二維不連續(xù)Fourier 變換的零頻率成分移到頻譜的中心M,N=size(s); %分別返回s的行數(shù)到M中，列數(shù)到N中n=2; %對(duì)n賦初值n1=floor(M/2); %對(duì)M/2進(jìn)行取整n2=floor(N/2); %對(duì)N/2進(jìn)行取整d0=5; d1=10; %初始化d0 for i=1:M for j=1:N

27、d=sqrt(i-n1)2+(j-n2)2); %點(diǎn)（i,j）到傅立葉變換中心的距離 if (d=d0) h=0; else if (d0=d1) h=(d-d1)/(d0-d1); else h=1; end end s(i,j)=h*s(i,j); %THPF濾波后的頻域表示 endends=ifftshift(s); %對(duì)s進(jìn)行反FFT移動(dòng)s=im2uint8(real(ifft2(s); %對(duì)s進(jìn)行二維反離散的Fourier變換后，取復(fù)數(shù)的實(shí)部轉(zhuǎn)化為無(wú)符號(hào)8位整數(shù)subplot(1,2,2),imshow(s),title(THPF濾波后的圖像); 運(yùn)行結(jié)果：2.5 高斯型高通濾波（G

28、HPF）clc;clear all;close all;I1=imread(me.jpg);I1=rgb2gray(I1);I2=im2double(I1);subplot(1,2,1),imshow(I1),title(原始圖像); %顯示原始圖像 s=fftshift(fft2(I2); %將灰度圖像的二維不連續(xù)Fourier 變換的零頻率成分移到頻譜的中心M,N=size(s); %分別返回s的行數(shù)到M中，列數(shù)到N中n=2; %對(duì)n賦初值n1=floor(M/2); %對(duì)M/2進(jìn)行取整n2=floor(N/2); %對(duì)N/2進(jìn)行取整d0=10; %初始化d0 for i=1:M for

29、j=1:N d=sqrt(i-n1)2+(j-n2)2); %點(diǎn)（i,j）到傅立葉變換中心的距離 h=1*exp(1-1/2*(d2/d02); %GHPF濾波函數(shù) s(i,j)=h*s(i,j); %GHPF濾波后的頻域表示 endends=ifftshift(s); %對(duì)s進(jìn)行反FFT移動(dòng)s=im2uint8(real(ifft2(s); %對(duì)s進(jìn)行二維反離散的Fourier變換后，取復(fù)數(shù)的實(shí)部轉(zhuǎn)化為無(wú)符號(hào)8位整數(shù)subplot(1,2,2),imshow(s),title(GHPF濾波后的圖像（d=10） ); 運(yùn)行結(jié)果：3、反銳化掩模法clc;clear all;close all;I

30、1=imread(me.jpg);I1=rgb2gray(I1);subplot(1,2,1),imshow(I1),title(原始圖像); %顯示原始圖像 I=im2double(I1);M=1 1 1;1 1 1;1 1 1/9;J2=filter2(M,I);J3=I-J2;subplot(1,2,2),imshow(J3),title(反銳化掩模法);運(yùn)行結(jié)果：結(jié) 論：圖像平滑往往使圖像中的邊界、輪廓變的模糊，為了減少這類不利效果的影響，這就需要利用圖像銳化技術(shù)，使圖像的邊緣變的清晰。圖像銳化處理的目的是為了使圖像的邊緣、輪廓線以及圖像的細(xì)節(jié)變的清晰，經(jīng)過(guò)平滑的圖像變得模糊的根本原因

31、是因?yàn)閳D像受到了平均或積分運(yùn)算，因此可以對(duì)其進(jìn)行逆運(yùn)算（如微分運(yùn)算）就可以使圖像變的清晰。微分運(yùn)算是求信號(hào)的變化率，有加強(qiáng)高頻分量的作用，從而使圖像輪廓清晰。因此需要對(duì)圖像的某種導(dǎo)數(shù)運(yùn)算是各向同性的，梯度運(yùn)算符合上述條件。此法的缺點(diǎn)是增強(qiáng)后的圖像僅顯示灰度變換比較劇烈的邊緣輪廓，而灰度變化平緩的區(qū)域呈現(xiàn)一片黑色，大量信息丟失。從頻率域來(lái)考慮，圖像模糊的實(shí)質(zhì)是因?yàn)槠涓哳l分量被衰減，因此可以用高通濾波器來(lái)使圖像清晰。圖像中的邊緣與圖像頻譜中的高頻分量相對(duì)應(yīng)，所以采用高通濾波讓高頻分量順利通過(guò)，而對(duì)低頻分量限制，從而實(shí)現(xiàn)圖像的銳化。掩模法是指將原始圖像乘以一個(gè)放大系數(shù)，然后減去低通圖像構(gòu)成一幅高頻增

32、強(qiáng)圖像，這樣的圖像恢復(fù)了部分高通濾波時(shí)丟失的低頻成分，使得最終結(jié)果與原始圖像更為接近。三、 編寫(xiě)程序完成不同分割方法的圖像分割的算法并進(jìn)行比較，得出結(jié)論。圖像分割是圖像處理的重要領(lǐng)域，是計(jì)算機(jī)進(jìn)一步處理的基礎(chǔ)。筆者完成了 兩個(gè)比較有代表性的圖像分割算法，一個(gè)是基于灰度的閾值分割，一個(gè)是基于邊 緣信息的分割，分水嶺算法進(jìn)行的圖像分割。 1. Otsu 法閾值分割圖像clc;clear all;close all;I=imread(me.jpg);I=rgb2gray(I);subplot(1,2,1),imshow(I),title(原始圖像); %顯示原始圖像 level=graythresh

33、(I); %確定灰度閾值 BW=im2bw(I,level); subplot(1,2,2),imshow(BW),title(Otsu 法閾值分割圖像);運(yùn)行結(jié)果： 可以看出，Otsu 法閾值分割圖像對(duì)于前景目標(biāo)和背景灰度差別 較大、目標(biāo)灰度范圍較小，的情況下可以實(shí)現(xiàn)較為理想的分割。在一定的領(lǐng)域具 有重要應(yīng)用。但對(duì)背景和目標(biāo)灰度分布不明顯的情況下分割效果不理想。 2. 分水嶺算法圖像分割。 clc;clear all;close all;I=imread(me.jpg);I=rgb2gray(I);f=double(I); hv=fspecial(prewitt); hh=hv.; gv=a

34、bs(imfilter(f,hv,replicate); gh=abs(imfilter(f,hh,replicate); g=sqrt(gv.2+gh.2);%計(jì)算梯度 df=bwdist(f);%計(jì)算到最近不為0的點(diǎn)的距離 L1=watershed(df); %分水嶺算法 em=L1=0; im=imextendedmax(f,20);%計(jì)算大于某閾值的極大值g2=imimposemin(g,im|em);%使用形態(tài)重構(gòu)修改強(qiáng)度圖像 g，使得它在 im|em 非零的地方只有區(qū)域極小值。 L2=watershed(g2); wr2=L2=0; f(wr2)=255; subplot(1,2,

35、1),imshow(I),title(原始圖像); subplot(1,2,2),imshow(uint8(f),title(分割結(jié)果);運(yùn)行結(jié)果： 可以看出，分水嶺算法可以較好的實(shí)現(xiàn)圖像的分割。分水嶺算法 是圖像分割的一種重要方法， 但是此方法對(duì)噪聲比較敏感， 容易造成過(guò)分割現(xiàn)象。 需要進(jìn)行一定的預(yù)處理。 本程序在進(jìn)行自動(dòng)標(biāo)記后效果明顯， 分割效果比較理想。四、 編寫(xiě)程序完成不同壓縮方法的圖像壓縮的算法并進(jìn)行比較，得出結(jié)論。圖像壓縮算法有有損壓縮和無(wú)損壓縮兩大類。無(wú)損編碼主要是熵編碼，典型 的有哈夫曼編碼，還有利用圖像空間冗余的游程編碼。有損編碼主要是變換域編 碼，如 DCT 變換編碼，小波壓縮編碼等。1.T 變換壓縮 clc;clear all;close all;X=imread(me.jpg); X=rgb2gray(X); subplot(221),imshow(X),title(原始圖像); %對(duì)圖像用小波進(jìn)行層小波分解 c,s=wavedec2(X,2,bior3.7); %提取小波分解結(jié)構(gòu)中的一層的低頻系數(shù)和高頻系數(shù) cal=appcoef2(c,s,bior3.7,1); ch1=detcoef2(h,c,s,1); %水平方向 cv1=detcoef2(v,c,s,1); %垂直方向 cd1=detcoef2(d,c,s,1); %斜線方向