演示文稿在圖像處理中的應(yīng)用

演示文稿在圖像處理中的應(yīng)用現(xiàn)在是1頁\一共有107頁\編輯于星期六（優(yōu)選）在圖像處理中的應(yīng)用現(xiàn)在是2頁\一共有107頁\編輯于星期六1視頻和圖像處理模塊集1.1視頻和圖像處理模塊集概述視頻和圖像處理模塊集V2.6共有70多個(gè)子模塊，分成11大類模塊。各大類模塊如右圖所示：2011-033現(xiàn)在是3頁\一共有107頁\編輯于星期六1.2分析和增強(qiáng)（Analysis&Enhancement）模塊庫分析和增強(qiáng)類模塊包含10個(gè)子模塊：(1)BlockMatching（塊匹配）模塊(2)ContrastAdjustment（對比度調(diào)節(jié)）模塊(3)CornerDetection（角點(diǎn)檢測）模塊(4)Deinterlacing（反交錯(cuò)處理）模塊(5)EdgeDetection（邊緣檢測）模塊(6)HistogramEqualization（直方圖均衡化）模塊(7)MedianFilter（中值濾波）模塊(8)OpticalFlow（光流法）模塊(9)SAD（絕對誤差和）模塊(10)TraceBoundaries（邊界跟蹤）模塊現(xiàn)在是4頁\一共有107頁\編輯于星期六1.3轉(zhuǎn)換（Conversions）模塊庫此模塊庫共包含7個(gè)子模塊：

(1)Autothreshold（自動(dòng)閾值）模塊(2)ChromaResampling（色度重采樣）模塊(3)ColorSpaceConversion（色彩空間轉(zhuǎn)換）模塊(4)Demosaic（去馬賽克）模塊(5)GammaCorrection（伽瑪校正）模塊(6)ImageComplement（圖像求補(bǔ)）模塊(7)ImageDataTypeConversion（圖像數(shù)據(jù)類型轉(zhuǎn)換）模塊現(xiàn)在是5頁\一共有107頁\編輯于星期六1.4濾波（Filtering）模塊庫此模塊庫共包含4個(gè)子模塊：

(1)2-DConvolution（二維卷積）模塊(2)2-DFIRFilter（二維FIR數(shù)字濾波）模塊(3)KalmanFilter（卡爾曼濾波）模塊(4)MedianFilter（中值濾波）模塊現(xiàn)在是6頁\一共有107頁\編輯于星期六1.5幾何變換（GeometricTransformations）模塊庫

此模塊庫共包含7個(gè)子模塊：

(1)ApplyGeometricTransformation（應(yīng)用幾何變換）模塊(2)EstimateGeometricTransformation（估算幾何變換）模塊(3)ProjectiveTransformation（投影變換）模塊(4)Resize（縮放）模塊(5)Rotate（旋轉(zhuǎn)）模塊(6)Shear（切變）模塊(7)Translate（平移）模塊現(xiàn)在是7頁\一共有107頁\編輯于星期六1.6形態(tài)學(xué)操作（MorphologicalOperations）模塊庫此模塊庫共包含7個(gè)子模塊：

(1)Bottom-hat（底帽濾波）模塊(2)Closing（閉合）模塊(3)Dilation（膨脹）模塊(4)Erosion（腐蝕）模塊(5)Label（標(biāo)記）模塊(6)Opening（開啟）模塊(7)Top-hat（頂帽濾波）模塊現(xiàn)在是8頁\一共有107頁\編輯于星期六1.7接收器（Sinks）模塊庫此模塊庫共包含6個(gè)子模塊：

(1)FrameRateDisplay（幀頻顯示）模塊(2)ToMultimediaFile（輸出多媒體文件）模塊(3)ToVideoDisplay（輸出視頻顯示器）模塊(4)VideoToWorkspace（向工作空間輸出視頻）模塊(5)VideoViewer（視頻顯示器）模塊(6)WriteBinaryFile（寫二進(jìn)制文件）模塊現(xiàn)在是9頁\一共有107頁\編輯于星期六1.8輸入源（Sources）模塊庫此模塊庫共包含5個(gè)子模塊：

(1)FromMultimediaFile（來自多媒體文件）模塊(2)ImageFromFile（圖像文件）模塊(3)ImageFromWorkspace（工作空間圖像）模塊(4)ReadBinaryFile（讀二進(jìn)制文件）模塊(5)VideoFromWorkspace（視頻來自工作空間）模塊現(xiàn)在是10頁\一共有107頁\編輯于星期六1.9統(tǒng)計(jì)（Statistics）模塊庫此模塊庫共包含12個(gè)子模塊：

(1)2-DAutocorrelation（二階自相關(guān)系數(shù)）模塊(2)2-DCorrelation（二階互相關(guān)系數(shù)）模塊(3)BlobAnalysis（Blob分析）模塊(4)FindLocalMaxima（求局部極大值）模塊(5)Histogram（直方圖）模塊(6)Maximum（最大值）模塊(7)Mean（平均值）模塊(8)Median（中值）模塊(9)Minimum（最小值）模塊(10)PSNR（峰值信噪比）模塊(11)StandardDeviation（標(biāo)準(zhǔn)差）模塊(12)Variance（方差）模塊現(xiàn)在是11頁\一共有107頁\編輯于星期六1.10文本和圖形（Text&Graphics）模塊庫此模塊庫共包含4個(gè)子模塊：

(1)Compositing（合成）模塊(2)DrawMarkers（繪制標(biāo)記）模塊(3)DrawShapes（繪圖）模塊(4)InsertText（插入文本）模塊現(xiàn)在是12頁\一共有107頁\編輯于星期六1.11變換（Transforms）模塊庫此模塊庫共包含7個(gè)子模塊：

(1)2-DDCT（二維離散余弦變換）模塊(2)2-DFFT（二維傅立葉變換）模塊(3)2-DIDCT（二維離散余弦逆變換）模塊(4)2-DIFFT（二維傅立葉逆變換）模塊(5)GaussianPyramid（高斯金字塔）模塊(6)HoughLines（Hough線）模塊(7)HoughTransform（Hough變換）模塊現(xiàn)在是13頁\一共有107頁\編輯于星期六1.12工具（Utilities）模塊庫此模塊庫共包含3個(gè)子模塊：

(1)BlockProcessing（塊處理）模塊對輸入矩陣的指定子矩陣進(jìn)行用戶自定義操作。(2)ImagePad（圖像填補(bǔ)）模塊對圖像的四周進(jìn)行填補(bǔ)。(3)VariableSelector（可變選擇器）模塊從輸入矩陣中選擇指定行或列的子集?，F(xiàn)在是14頁\一共有107頁\編輯于星期六2

圖像的增強(qiáng)2.1灰度變換增強(qiáng)

常見灰度變換方法包括直接灰度變換和直方圖修正等方法，獲取的主要視覺效果是增強(qiáng)圖像對比度。

【例1】用對比度調(diào)節(jié)ContrastAdjustment模塊進(jìn)行直接灰度變換。操作步驟：(1)在Matlab命令窗口中輸入viplib命令，打開視頻和圖像處理模塊集Library:viplibv1窗口。(2)在Library:viplibv1窗口中選擇FileNewModel菜單，新建Simulink模型。(3)在新建模型窗口中加入所需模塊，各模塊名稱、數(shù)量、來源如表1所示，模塊放置位置可參考圖13。現(xiàn)在是15頁\一共有107頁\編輯于星期六模塊名稱模塊來源數(shù)量ImageFromFileVideoandImageProcessingBlockset>Sources1ContrastAdjustmentVideoandImageProcessingBlockset>Analysis&Enhancement1VideoViewerVideoandImageProcessingBlockset>Sinks2表1例1所用模塊列表(4)雙擊圖13所示的各模塊，對其進(jìn)行參數(shù)設(shè)置：

ImageFromFile模塊：Main面板中的Filename參數(shù)設(shè)置為pout.tif；

ContrastAdjustment模塊：Main面板中的Adjustpixelvaluesfrom參數(shù)設(shè)置為Rangedeterminedbysaturatingoutlierpixels。(5)連接各模塊，如下圖所示。

現(xiàn)在是16頁\一共有107頁\編輯于星期六(6)設(shè)置仿真器參數(shù)。選擇模型窗口的SimulationConfigurationParameters菜單，打開ConfigurationParameters對話框，在左邊窗格中選擇Solver面板，在右邊窗格設(shè)置Stoptime為0，Type設(shè)為Fixed-step，Solver設(shè)為Discrete(nocontinuousstates)。單擊OK按鈕結(jié)束設(shè)置。(7)保存模型文件，并運(yùn)行該仿真。運(yùn)行結(jié)果如下圖所示。其中左圖為原始圖像，右圖是經(jīng)ContrastAdjustment模塊處理后的圖像。

現(xiàn)在是17頁\一共有107頁\編輯于星期六【例2】用直方圖均衡化HistogramEqualization模塊進(jìn)行直方圖修正。操作步驟：(1)使用與例1同樣的方法，新建一個(gè)Simulink模型。(2)在新建模型窗口中加入所需模塊，各模塊名稱、數(shù)量、來源如表2所示，模塊放置位置可參考下頁中的示意圖。模塊名稱模塊來源數(shù)量ImageFromFileVideoandImageProcessingBlockset>Sources1HistogramEqualizationVideoandImageProcessingBlockset>Analysis&Enhancement1VideoViewerVideoandImageProcessingBlockset>Sinks2表2例2所用模塊列表現(xiàn)在是18頁\一共有107頁\編輯于星期六(3)雙擊模型窗口中的各模塊，對其進(jìn)行參數(shù)設(shè)置：

ImageFromFile模塊：Main面板中的Filename參數(shù)設(shè)置為tire.tif；其余模塊：各參數(shù)均采用默認(rèn)設(shè)置；(4)連接各模塊，如下圖所示。現(xiàn)在是19頁\一共有107頁\編輯于星期六(5)設(shè)置仿真器參數(shù)。設(shè)置Stoptime為0，Type設(shè)為Fixed-step，Solver設(shè)為Discrete(nocontinuousstates)。(6)保存模型文件，并運(yùn)行該仿真。運(yùn)行結(jié)果如下圖所示。其中左圖為原始圖像，右圖是經(jīng)HistogramEqualization模塊處理后的圖像。由結(jié)果可看出，這幅黑色為主的圖像經(jīng)過HistogramEqualization模塊進(jìn)行直方圖均衡化處理后，對比度得到增強(qiáng)，原來黑色區(qū)域的圖像細(xì)節(jié)得以顯示?，F(xiàn)在是20頁\一共有107頁\編輯于星期六2.2圖像平滑增強(qiáng)圖像平滑處理一般通過低通濾波實(shí)現(xiàn)，例如均值濾波和中值濾波。獲取的主要增強(qiáng)效果是平滑圖像細(xì)節(jié)，去除圖像噪聲?！纠?】用中值濾波MedianFilter模塊去除椒鹽噪聲。操作步驟：(1)為了便于觀察圖像平滑效果，先準(zhǔn)備一幅含有椒鹽噪聲的圖像。在MATLAB命令窗口中輸入以下命令：A=imread('coins.png');%coins.png是一幅MATLAB自帶的樣圖。B=imnoise(A,'salt&pepper',0.02);(2)打開視頻和圖像處理模塊集，新建Simulink模型。(3)在新建模型窗口中加入所需模塊，各模塊名稱、數(shù)量、來源如表3所示，模塊放置位置可參考下頁中示意圖。

現(xiàn)在是21頁\一共有107頁\編輯于星期六(4)雙擊模型窗口中的各模塊，對其進(jìn)行參數(shù)設(shè)置：

ImageFromWorkspace模塊：Main面板中的Value參數(shù)設(shè)置為A；

ImageFromWorkspace1模塊：Main面板中的Value參數(shù)設(shè)置為B；

MedianFilter模塊：各參數(shù)均采用默認(rèn)設(shè)置；(5)連接各模塊，如下頁圖所示。模塊名稱模塊來源數(shù)量ImageFromWorkspaceVideoandImageProcessingBlockset>Sources2MedianFilterVideoandImageProcessingBlockset>Analysis&Enhancement1VideoViewerVideoandImageProcessingBlockset>Sinks3表3例3所用模塊列表現(xiàn)在是22頁\一共有107頁\編輯于星期六(6)設(shè)置仿真器參數(shù)。設(shè)置Stoptime為0，Type設(shè)為Fixed-step，Solver設(shè)為Discrete(nocontinuousstates)。例3仿真框圖現(xiàn)在是23頁\一共有107頁\編輯于星期六(7)保存模型文件，并運(yùn)行該仿真。運(yùn)行結(jié)果如下圖所示。其中左圖為原始圖像，中圖為加入椒鹽噪聲后的圖像，右圖是經(jīng)MedianFilter模塊處理后的圖像。對比三幅圖像可以看出，加入椒鹽噪聲后的圖像經(jīng)過MedianFilter模塊進(jìn)行圖像平滑處理后，椒鹽噪聲被去除，同時(shí)其余的圖像細(xì)節(jié)也被平滑。

現(xiàn)在是24頁\一共有107頁\編輯于星期六2.3圖像銳化增強(qiáng)

圖像銳化處理一般通過高通濾波實(shí)現(xiàn)。獲取的主要視覺效果是增強(qiáng)圖像邊緣，補(bǔ)償圖像輪廓，使原來模糊的圖像變得清晰?！纠?】用FIR濾波器2-DFIRFilter模塊進(jìn)行圖像銳化處理。操作步驟：(1)先讀入一幅RGB圖像。在MATLAB命令窗口中輸入以下命令：I=im2double(imread('peppers.png'));%peppers.png是MATLAB自帶樣圖。(2)打開視頻和圖像處理模塊集，新建Simulink模型。(3)在新建模型窗口中加入所需模塊，各模塊名稱、數(shù)量、來源如表4所示，模塊放置位置可參考后頁的仿真框圖。

現(xiàn)在是25頁\一共有107頁\編輯于星期六(4)雙擊模型窗口中的各模塊，對其進(jìn)行參數(shù)設(shè)置：

ImageFromWorkspace模塊：Main面板中的Value參數(shù)設(shè)置為I，Imagesignal參數(shù)設(shè)置為Separatecolorsignals；

ColorSpaceConversion模塊：Conversion參數(shù)設(shè)為R'G'B'toY'CbCr（默認(rèn)設(shè)置），Imagesignal參數(shù)設(shè)為Separatecolorsignals；2-DFIRFilter模塊：將Main面板中的Coefficients參數(shù)設(shè)置為fspecial('unsharp')以建立二維高通濾波器，Outputsize參數(shù)設(shè)為SameasinputportI，Paddingoptions參數(shù)設(shè)為Symmetric，F(xiàn)ilteringbasedon參數(shù)設(shè)為Correlation。模塊名稱模塊來源數(shù)量ImageFromWorkspaceVideoandImageProcessingBlockset>Sources1ColorSpaceConversionVideoandImageProcessingBlockset>Conversions22-DFIRFilterVideoandImageProcessingBlockset>Filtering1VideoViewerVideoandImageProcessingBlockset>Sinks2表4例4所用模塊列表現(xiàn)在是26頁\一共有107頁\編輯于星期六

ColorSpaceConversion1模塊：Conversion參數(shù)設(shè)為Y'CbCrtoR'G'B'，Imagesignal參數(shù)設(shè)為Separatecolorsignals；兩個(gè)VideoViewer模塊：均將Imagesignal參數(shù)設(shè)為Separatecolorsignals。(5)按下圖所示連接各模塊。例4仿真框圖現(xiàn)在是27頁\一共有107頁\編輯于星期六(6)設(shè)置仿真器參數(shù)。設(shè)置Stoptime為0，Type設(shè)為Fixed-step，Solver設(shè)為Discrete(nocontinuousstates)。(7)保存模型文件，并運(yùn)行該仿真。運(yùn)行結(jié)果如下圖所示。其中左圖為原始圖像，右圖為經(jīng)2-DFIRFilter模塊銳化后的圖像。對比兩幅圖像可以看出，原始圖像經(jīng)過高通濾波器進(jìn)行圖像銳化處理后，圖像中物品的輪廓更加明顯，圖像顯得更加清晰了?，F(xiàn)在是28頁\一共有107頁\編輯于星期六3圖像的幾何變換3.1圖像的旋轉(zhuǎn)

圖像的旋轉(zhuǎn)可通過幾何變換模塊庫中的Rotate模塊實(shí)現(xiàn)?！纠?】用Rotate模塊將圖像逆時(shí)針旋轉(zhuǎn)45°角。操作步驟：(1)打開視頻和圖像處理模塊集，新建Simulink模型。(2)在新建模型窗口中加入如下表所示的各個(gè)模塊，模塊放置位置可參考下頁所示模塊連接圖。

模塊名稱模塊來源數(shù)量ImageFromFileVideoandImageProcessingBlockset>Sources1RotateVideoandImageProcessingBlockset>GeometricTransformations1VideoViewerVideoandImageProcessingBlockset>Sinks2表5例5所用模塊列表現(xiàn)在是29頁\一共有107頁\編輯于星期六(3)雙擊模型窗口中的各模塊，對其進(jìn)行參數(shù)設(shè)置：

ImageFromFile模塊：Main面板中的Filename參數(shù)設(shè)置為autumn.tif；

Rotate模塊：Main面板中的Angle(radians)參數(shù)設(shè)置為pi/4；（即45°角）(4)按下圖所示連接各模塊?，F(xiàn)在是30頁\一共有107頁\編輯于星期六(5)設(shè)置仿真器參數(shù)。設(shè)置Stoptime為0，Type設(shè)為Fixed-step，Solver設(shè)為Discrete(nocontinuousstates)。(6)保存模型文件，并運(yùn)行該仿真。運(yùn)行結(jié)果如下圖所示。其中左圖為原始圖像，右圖為經(jīng)Rotate模塊旋轉(zhuǎn)45°后的圖像。

現(xiàn)在是31頁\一共有107頁\編輯于星期六3.2圖像的切變幾何變換模塊庫中的Shear模塊提供了水平和垂直兩個(gè)方向的線性切變功能?！纠?】用Shear模塊完成圖像的水平切變。操作步驟：(1)打開視頻和圖像處理模塊集，新建Simulink模型。(2)在新建模型窗口中加入如下表所示的各個(gè)模塊，模塊放置位置可參考下頁所示的模塊連接圖。模塊名稱模塊來源數(shù)量ImageFromFileVideoandImageProcessingBlockset>Sources1ShearVideoandImageProcessingBlockset>GeometricTransformations1VideoViewerVideoandImageProcessingBlockset>Sinks2現(xiàn)在是32頁\一共有107頁\編輯于星期六(3)雙擊模型窗口中的各模塊，按自已的需要對其進(jìn)行參數(shù)設(shè)置：

ImageFromFile模塊：Main面板中的Filename參數(shù)設(shè)置為office_4.jpg；

Shear模塊：Main面板中的Sheardirection參數(shù)設(shè)置為Horizontal（默認(rèn)設(shè)置）；Row/columnshearvalues[firstlast]設(shè)置為[1000]；(4)按下圖所示連接各模塊?，F(xiàn)在是33頁\一共有107頁\編輯于星期六(5)設(shè)置仿真器參數(shù)。設(shè)置Stoptime為0，Type設(shè)為Fixed-step，Solver設(shè)為Discrete(nocontinuousstates)。(6)保存模型文件，并運(yùn)行該仿真。運(yùn)行結(jié)果如下圖所示。其中左圖為原始圖像，右圖為經(jīng)Shear模塊進(jìn)行水平切變后的圖像?？梢钥闯觯凑毡纠蠸hear模塊設(shè)置的偏移量參數(shù)[1000]，目標(biāo)圖像首行像素被移動(dòng)到水平右偏100像素的位置，其余各行的偏移量線性遞減，至最后一行偏移量為0，以此構(gòu)成切變效果。現(xiàn)在是34頁\一共有107頁\編輯于星期六3.3圖像的縮放利用幾何變換模塊庫中的Resize模塊，可方便地實(shí)現(xiàn)圖像縮放功能?！纠?】用Resize模塊縮小圖像。操作步驟：(1)打開視頻和圖像處理模塊集，新建Simulink模型。(2)在新建模型窗口中加入如表7所示的各個(gè)模塊，模塊放置位置可參考下頁中所示圖。

模塊名稱模塊來源數(shù)量ImageFromFileVideoandImageProcessingBlockset>Sources1ResizeVideoandImageProcessingBlockset>GeometricTransformations1VideoViewerVideoandImageProcessingBlockset>Sinks2表7例7所用模塊列表現(xiàn)在是35頁\一共有107頁\編輯于星期六(3)雙擊模型窗口中的各模塊，按自已的需要對其進(jìn)行參數(shù)設(shè)置：

ImageFromFile模塊：Main面板中的Filename參數(shù)設(shè)置為pears.png；

Resize模塊：Main面板中的Resizefactorin%參數(shù)設(shè)置為[3030]；(4)按下圖所示連接各模塊。

現(xiàn)在是36頁\一共有107頁\編輯于星期六(5)設(shè)置仿真器參數(shù)。設(shè)置Stoptime為0，Type設(shè)為Fixed-step，Solver設(shè)為Discrete(nocontinuousstates)。(6)保存模型文件，并運(yùn)行該仿真。運(yùn)行結(jié)果如圖所示。其中左圖為原始大小圖像，右圖為經(jīng)Resize模塊進(jìn)行縮小后的圖像。為觀察圖像的真實(shí)大小，可在VideoViewer的界面上選擇Axes菜單下的SetDisplayToTrueSize菜單項(xiàng)，也可通過右鍵單擊圖像來選擇該項(xiàng)菜單。兩圖比較可以看出，按照本例中設(shè)置的縮放百分比參數(shù)[3030]，大小原為486×732的圖像，其行列像素?cái)?shù)均縮小成原來的30%后，圖像大小變成了146×220。

現(xiàn)在是37頁\一共有107頁\編輯于星期六3.4圖像的裁切利用工具（Utilities）模塊庫中的VariableSelector模塊或Simulink的SignalRouting模塊庫的Selector模塊，都可以實(shí)現(xiàn)圖像裁切功能?！纠?】用VariableSelector模塊裁切圖像，取得圖像中的一部分。操作步驟：(1)打開視頻和圖像處理模塊集，新建Simulink模型。(2)在新建模型窗口中加入如表8所示的各個(gè)模塊，模塊放置位置可參考后頁中的模塊連接圖。

現(xiàn)在是38頁\一共有107頁\編輯于星期六(3)雙擊模型窗口中的各模塊，對其進(jìn)行參數(shù)設(shè)置：

ImageFromFile模塊：Main面板中的Filename參數(shù)設(shè)置為coins.png；

VariableSelector模塊：Numberofinputsignals參數(shù)設(shè)置為1，Select參數(shù)設(shè)置為Columns；

VariableSelector1模塊：Numberofinputsignals參數(shù)設(shè)置為1，Select參數(shù)設(shè)置為Rows；兩個(gè)Constant模塊：Main面板中的Constantvalue參數(shù)均設(shè)置為[50:150]。(4)按下頁圖所示連接各模塊。模塊名稱模塊來源數(shù)量ImageFromFileVideoandImageProcessingBlockset>Sources1VariableSelectorVideoandImageProcessingBlockset>Utilities2ConstantSimulink>Sources2VideoViewerVideoandImageProcessingBlockset>Sinks2表8例8所用模塊列表現(xiàn)在是39頁\一共有107頁\編輯于星期六(5)設(shè)置仿真器參數(shù)。設(shè)置Stoptime為0，Type設(shè)為Fixed-step，Solver設(shè)為Discrete(nocontinuousstates)?，F(xiàn)在是40頁\一共有107頁\編輯于星期六(6)保存模型文件，并運(yùn)行該仿真。運(yùn)行結(jié)果如下圖所示。其中左圖為原始圖像，右圖為裁切后的圖像。為觀察圖像的真實(shí)大小，可在VideoViewer的界面上選擇Axes菜單下的SetDisplayToTrueSize菜單項(xiàng)，也可右鍵單擊圖像來選擇。比較兩圖可以看出，按照本例中設(shè)置的行列裁留參數(shù)[50:150]，原始大小為246×300的圖像，行列方向均只留下從50到150像素的部分，其余部分被裁掉，圖像大小也變成了101×101。

現(xiàn)在是41頁\一共有107頁\編輯于星期六4圖像的形態(tài)學(xué)操作數(shù)學(xué)形態(tài)學(xué)是計(jì)算機(jī)數(shù)字圖像處理中的一個(gè)重要研究領(lǐng)域，主要用于獲取圖像目標(biāo)的形狀特征，在對圖像目標(biāo)進(jìn)行定量描述與分析的應(yīng)用領(lǐng)域中發(fā)揮了重要的作用。形態(tài)學(xué)最基本的運(yùn)算是膨脹和腐蝕，利用膨脹和腐蝕運(yùn)算可以組成開啟和閉合等其它形態(tài)學(xué)運(yùn)算，為圖像識別等領(lǐng)域提供數(shù)學(xué)運(yùn)算支持。

現(xiàn)在是42頁\一共有107頁\編輯于星期六【例9】用形態(tài)學(xué)方法分析計(jì)算MATLAB自帶的一幅硬幣圖像里的硬幣數(shù)量。任務(wù)與思路：MATLAB自帶圖像文件中有一個(gè)coins.png文件，即例8中所使用的圖像，該圖像是一幅灰度圖，現(xiàn)在希望計(jì)算機(jī)能自行計(jì)算該圖像中所含硬幣的數(shù)量。在Simulink中的操作思路是：先把灰度圖轉(zhuǎn)為二值圖像，然后利用形態(tài)學(xué)開啟運(yùn)算對二值圖進(jìn)行處理，再用Label模塊對目標(biāo)進(jìn)行計(jì)數(shù)。具體操作步驟：(1)打開視頻和圖像處理模塊集，新建Simulink模型。(2)在新建模型窗口中加入如表9所示的各個(gè)模塊。

現(xiàn)在是43頁\一共有107頁\編輯于星期六(3)雙擊模型窗口中的各模塊，對其進(jìn)行參數(shù)設(shè)置：

ImageFromFile模塊：Main面板中的Filename參數(shù)設(shè)置為coins.png；

Autothreshold模塊：Main面板中的Scalethreshold選項(xiàng)前打勾，將其下的Thresholdscalingfactor參數(shù)設(shè)置為0.9；兩個(gè)Label模塊：Output參數(shù)都設(shè)置為Numberoflabels；模塊名稱模塊來源數(shù)量ImageFromFileVideoandImageProcessingBlockset>Sources1AutothresholdVideoandImageProcessingBlockset>Conversions1OpeningVideoandImageProcessingBlockset>MorphologicalOperations1LabelVideoandImageProcessingBlockset>MorphologicalOperations2VideoViewerVideoandImageProcessingBlockset>Sinks3DisplaySimulink>Sinks2表9例9所用模塊列表現(xiàn)在是44頁\一共有107頁\編輯于星期六(4)按下圖所示連接各模塊。(5)設(shè)置仿真器參數(shù)。設(shè)置Stoptime為0，Type設(shè)為Fixed-step，Solver設(shè)為Discrete(nocontinuousstates)。

現(xiàn)在是45頁\一共有107頁\編輯于星期六(6)保存模型文件，并運(yùn)行該仿真。運(yùn)行的圖像輸出結(jié)果如下圖所示。其中左圖為原始灰度圖像，中圖為由灰度轉(zhuǎn)為二值圖后的圖像，右圖為執(zhí)行了形態(tài)學(xué)開啟操作后的圖像。運(yùn)行的計(jì)數(shù)結(jié)果如圖38中Display模塊上顯示的數(shù)字所示。

由結(jié)果可以看出，由于原圖中有一個(gè)硬幣的顏色接近背景顏色，因此在將灰度圖轉(zhuǎn)為二值圖像后，在該位置出的現(xiàn)的白色目標(biāo)區(qū)域被劃分成多塊，這時(shí)如果直接對該圖進(jìn)行目標(biāo)計(jì)數(shù)，得到的結(jié)果為12（如前頁圖所示），是錯(cuò)誤的結(jié)果；在經(jīng)過對該圖再進(jìn)行形態(tài)學(xué)開啟操作后，該區(qū)域被連通，這時(shí)再進(jìn)行目標(biāo)計(jì)數(shù)，就得到正確的結(jié)果10。

現(xiàn)在是46頁\一共有107頁\編輯于星期六5圖像的恢復(fù)操作圖像的恢復(fù)是數(shù)字圖像處理中常用的處理方法，就是要盡可能恢復(fù)在傳輸或記錄過程中，由于成像系統(tǒng)、傳輸介質(zhì)或接收設(shè)備不完善，導(dǎo)致質(zhì)量變壞的圖像的原來面目。

常見的恢復(fù)模型如下圖表示：

圖42恢復(fù)模型原理框圖現(xiàn)在是47頁\一共有107頁\編輯于星期六1利用函數(shù)恢復(fù)圖像

MATLABR2008b圖像處理工具箱中有4個(gè)圖像恢復(fù)函數(shù)，如表10所示。函數(shù)名稱函數(shù)用途deconvwnr用Wiener濾波器實(shí)現(xiàn)圖像恢復(fù)deconvreg用regularized濾波器實(shí)現(xiàn)圖像恢復(fù)deconvlucy用lucy-richardson算法實(shí)現(xiàn)恢復(fù)deconvblind用bilnd去卷積算法實(shí)現(xiàn)圖像恢復(fù)表10圖像恢復(fù)函數(shù)列表現(xiàn)在是48頁\一共有107頁\編輯于星期六2用Wiener濾波器進(jìn)行恢復(fù)

用deconvwnr函數(shù)，采用Wiener濾波器，在圖像的頻率特征和附加噪聲已知的情況下，采用Wiener進(jìn)行圖像恢復(fù)比較有效?！纠?0】Deconvwnr函數(shù)應(yīng)用舉例：具體操作步驟：（1）在MATLAB主界面下點(diǎn)擊filenewblankM-file,在新建的M文件里輸入如下程序（以下程序編寫步驟類似，故省略，直接給出參考程序）。

現(xiàn)在是49頁\一共有107頁\編輯于星期六（2）參考程序：I=checkerboard(8);noise=0.1*randn(size(I));PSF=fspecial('motion',21,11);Blurred=imfilter(I,PSF,'circular');BlurredNoisy=im2uint8(Blurred+noise);%噪聲——功率比NSR=sum(noise(:).^2)/sum(I(:).^2);%對信噪比參數(shù)NSR進(jìn)行設(shè)置。%噪聲功率現(xiàn)在是50頁\一共有107頁\編輯于星期六NP=abs(fftn(noise)).^2;NPOW=sum(NP(:))/prod(size(noise));%噪聲的自相關(guān)函數(shù)NCORR=fftshift(real(ifftn(NP)));%原始圖像功率IP=abs(fftn(I)).^2;IPOW=sum(IP(:))/prod(size(I));

現(xiàn)在是51頁\一共有107頁\編輯于星期六%原始圖像的自相關(guān)函數(shù)ICORR=fftshift(real(ifftn(IP)));ICORR1=ICORR(:,ceil(size(I,1)/2));%噪聲——功率比NSR=NPOW/IPOW;subplot(221);imshow(BlurredNoisy,[]);%顯示加噪以后的退化圖像。title('A=BlurredandNoisy');現(xiàn)在是52頁\一共有107頁\編輯于星期六subplot(222);imshow(deconvwnr(BlurredNoisy,PSF,NSR),[]);%噪聲—功率比NSR作為參數(shù)選項(xiàng)濾波。title('deconvwnr(A,PSF,NSR)');subplot(223);imshow(deconvwnr(BlurredNoisy,PSF,NCORR,ICORR),[];%噪聲和原始圖像自相關(guān)函數(shù)NCORR和ICORR作為參數(shù)選項(xiàng)濾波。title('deconvwnr(A,PSF,NCORR,ICORR)');subplot(224);imshow(deconvwnr(BlurredNoisy,PSF,NPOW,ICORR1),[]);%噪聲功率和原始圖像自相關(guān)函數(shù)ICORR1作為參數(shù)選項(xiàng)濾波。title('deconvwnr(A,PSF,NPOW,ICORR_1_D)');現(xiàn)在是53頁\一共有107頁\編輯于星期六（3）程序編寫完成以后，在主菜單欄中選擇DebugSaveFileandRun,如果編譯過程中出現(xiàn)錯(cuò)誤，則在MATLAB的commandwindow中顯示錯(cuò)誤行，若沒有，即可顯示運(yùn)行結(jié)果，如43圖所示（以下程序仿真步驟類似，故省略）?，F(xiàn)在是54頁\一共有107頁\編輯于星期六

本例使用“圖像恢復(fù)模型”中創(chuàng)建的模糊圖像，為便于比較，指定同一個(gè)PSF函數(shù)。本例演示了導(dǎo)致模糊化的函數(shù)PSF的重要性，得到準(zhǔn)確的PSF時(shí)，恢復(fù)的結(jié)果會(huì)比較好。

圖43用Wiener濾波器進(jìn)行恢復(fù)的圖像比較現(xiàn)在是55頁\一共有107頁\編輯于星期六3用regular濾波器進(jìn)行恢復(fù)

采用deconvreg函數(shù)，用regularized濾波器恢復(fù)圖像。當(dāng)知道附加噪聲的部分信息時(shí)，使用regularized濾波器比較有效。下面通過例題分析用regular濾波器進(jìn)行圖像恢復(fù)的效果?，F(xiàn)在是56頁\一共有107頁\編輯于星期六【例11】Deconvreg函數(shù)應(yīng)用舉例：參考程序：I=checkerboard(8);PSF=fspecial('gaussian',7,10);V=.01;BlurredNoisy=imnoise(imfilter(I,PSF),'gaussian',0,V);NOISEPOWER=V*prod(size(I));[JLAGRA]=deconvreg(BlurredNoisy,PSF,NOISEPOWER);現(xiàn)在是57頁\一共有107頁\編輯于星期六subplot(221);imshow(BlurredNoisy);title('A=BlurredandNoisy');subplot(222);imshow(J);title('[JLAGRA]=deconvreg(A,PSF,NP)');

現(xiàn)在是58頁\一共有107頁\編輯于星期六subplot(223);imshow(deconvreg(BlurredNoisy,PSF,[],LAGRA/10));title('deconvreg(A,PSF,[],0.1*LAGRA)');subplot(224);imshow(deconvreg(BlurredNoisy,PSF,[],LAGRA*10));title('deconvreg(A,PSF,[],10*LAGRA)');

現(xiàn)在是59頁\一共有107頁\編輯于星期六圖44用regularized濾波器進(jìn)行恢復(fù)的圖像比較現(xiàn)在是60頁\一共有107頁\編輯于星期六4用Lucy-Richardson算法進(jìn)行恢復(fù)使用deconvlucy函數(shù)，用加速衰減Lucy-Richardson算法恢復(fù)圖像。假定泊松噪聲統(tǒng)計(jì)量，用PSF進(jìn)行卷積時(shí)，該算法使生成的圖像是模糊圖像實(shí)例的可能性最大。已知PSF，但對圖像中的附加噪聲知之甚少時(shí)，deconvlucy函數(shù)比較有效。MATLABR2008b中，該函數(shù)實(shí)現(xiàn)了原始Lucy-Richardson最大似然算法的幾個(gè)改進(jìn)版本，用它們可以完成復(fù)雜的圖像恢復(fù)任務(wù)。

現(xiàn)在是61頁\一共有107頁\編輯于星期六【例12】Deconvlucy函數(shù)應(yīng)用舉例：參考程序：I=checkerboard(8);PSF=fspecial('gaussian',7,10);V=.0001;BlurredNoisy=imnoise(imfilter(I,PSF),'gaussian',0,V);WT=zeros(size(I));WT(5:end-4,5:end-4)=1;J1=deconvlucy(BlurredNoisy,PSF);J2=deconvlucy(BlurredNoisy,PSF,20,sqrt(V));J3=deconvlucy(BlurredNoisy,PSF,20,sqrt(V),WT);現(xiàn)在是62頁\一共有107頁\編輯于星期六subplot(221);imshow(BlurredNoisy);title('A=BlurredandNoisy');subplot(222);imshow(J1);title('deconvlucy(A,PSF)');subplot(223);imshow(J2);title('deconvlucy(A,PSF,NI,DP)');subplot(224);imshow(J3);title('deconvlucy(A,PSF,NI,DP,WT)');現(xiàn)在是63頁\一共有107頁\編輯于星期六圖45用Lucy-Richardson算法進(jìn)行恢復(fù)的圖像比較現(xiàn)在是64頁\一共有107頁\編輯于星期六5用盲去卷積算法進(jìn)行恢復(fù)使用deconvblind函數(shù)，采用盲去卷積算法恢復(fù)圖像。該算法用在不知道失真信息的情況下比較有效。deconvblind函數(shù)使用與加速衰減Lucy-Richardson算法近似的迭代處理來同時(shí)恢復(fù)圖像和PSF。與deconvlucy函數(shù)類似，deconvblind函數(shù)也實(shí)現(xiàn)了幾個(gè)原Lucy-Richardson最大似然算法的改進(jìn)版本來完成復(fù)雜的圖像恢復(fù)任務(wù)。

現(xiàn)在是65頁\一共有107頁\編輯于星期六【例13】Deconvblind函數(shù)應(yīng)用舉例：參考程序：I=checkerboard(8);PSF=fspecial('gaussian',7,10);V=.0001;BlurredNoisy=imnoise(imfilter(I,PSF),'gaussian',0,V);WT=zeros(size(I));WT(5:end-4,5:end-4)=1;INITPSF=ones(size(PSF));[JP]=deconvblind(BlurredNoisy,INITPSF,20,10*sqrt(V),WT);現(xiàn)在是66頁\一共有107頁\編輯于星期六subplot(221);imshow(BlurredNoisy);title('A=BlurredandNoisy');subplot(222);imshow(PSF,[]);title('TruePSF');subplot(223);imshow(J);title('DeblurredImage');subplot(224);imshow(P,[]);title('RecoveredPSF');現(xiàn)在是67頁\一共有107頁\編輯于星期六圖46用盲卷積算法進(jìn)行恢復(fù)的圖像比較現(xiàn)在是68頁\一共有107頁\編輯于星期六6圖像的重建操作圖像重建操作指通過對離散圖像進(jìn)行線性空間內(nèi)插或線性空間濾波來重新獲得連續(xù)圖像的方法。本章節(jié)主要以線性空間濾波對二維靜態(tài)圖像進(jìn)行重建。

MATLAB圖像處理工具箱中的Phantom函數(shù)，可以產(chǎn)生一幅Shepp-Logan人腦模型圖，該圖作為一個(gè)二維平面測試圖，對其進(jìn)行重建操作可以模擬出許多人腦橫切面的性質(zhì)和特征。

現(xiàn)在是69頁\一共有107頁\編輯于星期六【例14】調(diào)用Phantom函數(shù)，產(chǎn)生Shepp-Logan人腦模型圖，利用RadonTransform和InverseRadonTransform函數(shù)實(shí)現(xiàn)圖像的重建。參考程序：angularvector=0:179;%設(shè)置角度從0到179.P=phantom('ModifiedShepp-Logan',200);%調(diào)用Phantom函數(shù)產(chǎn)生重建原始模型.imshow(P);%顯示原始圖像.angularvector1=0:10:170;%設(shè)置角度的起止點(diǎn)和步長.現(xiàn)在是70頁\一共有107頁\編輯于星期六[R1,xp]=radon(P,angularvector1);%在設(shè)置角度情況下，對原始圖像調(diào)用Radon變換.angularvector2=0:5:175;%設(shè)置角度新的起止點(diǎn)和步長，賦予新的變量.[R2,xp]=radon(P,angularvector2);%對應(yīng)新的角度，對原始圖像調(diào)用Radon變換.angularvector3=0:2:178;%原理同上.[R3,xp]=radon(P,angularvector3);%綜上為R1,R2,R3三個(gè)不同角度下的Radon變換.現(xiàn)在是71頁\一共有107頁\編輯于星期六figure,imagesc(angularvector,xp,R1);%獨(dú)立顯示imagesc繪制Radon變換后的離散點(diǎn)陣.title('radontransformoftheShepp-Loganheadphantomusing18projections');%標(biāo)題.xlabel('\angularvector(degree)');%X軸標(biāo)注.ylabel('X\prime');%Y軸標(biāo)注.set(gca,'Xtick',0:20:179);%設(shè)置顯示單位從0到179，步長為20.colormap(hot);%顏色平滑過渡.colorbar;%圖像的旁邊顯示色條.

現(xiàn)在是72頁\一共有107頁\編輯于星期六figure,imagesc(angularvector2,xp,R2);title('radontransformoftheShepp-Loganheadphantomusing36projections')xlabel('\angularvector(degree)');ylabel('X\prime');set(gca,'Xtick',0:20:179);colormap(hot);colorbar;現(xiàn)在是73頁\一共有107頁\編輯于星期六figure,imagesc(angularvector3,xp,R3);title('radontransformoftheShepp-Loganheadphantomusing90projections')xlabel('\angularvector(degree)');ylabel('X\prime');set(gca,'Xtick',0:20:179);colormap(hot);colorbar;現(xiàn)在是74頁\一共有107頁\編輯于星期六IR1=iradon(R1,angularvector1,0.9);%指定歸一化頻率為0.9figure,imshow(IR1);%獨(dú)立窗口中顯示圖像IR1.title('InverseRadonTransformoftheShepp-LoganHeadPhantomusing18projections');IR2=iradon(R2,angularvector2,0.9);%指定歸一化頻率為0.9figure,imshow(IR2);%獨(dú)立窗口中顯示圖像IR2.title('InverseRadonTransformoftheShepp-LoganHeadPhantomusing36projections');IR3=iradon(R3,angularvector3,0.9);%指定歸一化頻率為0.9figure,imshow(IR3);%獨(dú)立窗口中顯示圖像IR3.title('InverseRadonTransformoftheShepp-LoganHeadPhantomusing90projections');現(xiàn)在是75頁\一共有107頁\編輯于星期六圖47利用Phantom函數(shù)產(chǎn)生的Shepp-Logan大腦原始圖像現(xiàn)在是76頁\一共有107頁\編輯于星期六圖48原圖18°radon變換圖49原圖36°radon變換圖50原圖90°radon變換

圖5118°radon逆變換圖5236°radon逆變換圖5390°radon逆變換現(xiàn)在是77頁\一共有107頁\編輯于星期六7數(shù)字圖像處理的綜合實(shí)例及分析

【例15】使用視頻和圖像處理模塊集，對圖像circuit.tif進(jìn)行旋轉(zhuǎn)和增強(qiáng)處理，改善圖像的顯示效果。操作步驟：(1)在Matlab命令窗口中輸入viplib命令，打開視頻和圖像處理模塊集Library:viplibv1窗口。(2)在Library:viplibv1窗口中選擇FileNewModel菜單，新建Simulink模型。(3)在新建模型窗口中加入所需模塊，各模塊名稱、數(shù)量、來源如表11所示，模塊放置位置可參考圖54。

現(xiàn)在是78頁\一共有107頁\編輯于星期六模塊名稱模塊來源數(shù)量ImageFromFileVideoandImageProcessingBlockset>Sources1RotateVideoandImageProcessingBlockset>GeometricTransformations1ContrastAdjustmentVideoandImageProcessingBlockset>Analysis&Enhancement1VideoViewerVideoandImageProcessingBlockset>Sinks3表11例15所用模塊列表現(xiàn)在是79頁\一共有107頁\編輯于星期六(4)雙擊圖54所示的各模塊，對其進(jìn)行參數(shù)設(shè)置：ImageFromFile模塊：Main面板中的Filename參數(shù)設(shè)置為circuit.tif；Rotate模塊：Main面板中的Angle(radians)參數(shù)設(shè)置為pi/2；（即90°角）ContrastAdjustment模塊：Main面板中的Adjustpixelvaluesfrom參數(shù)設(shè)置為Rangedeterminedbysaturatingoutlierpixels。(5)連接各模塊，如圖54所示。

現(xiàn)在是80頁\一共有107頁\編輯于星期六(6)設(shè)置仿真器參數(shù)。選擇模型窗口的SimulationConfigurationParameters菜單，打開ConfigurationParameters對話框圖54例15仿真框圖現(xiàn)在是81頁\一共有107頁\編輯于星期六在左邊窗格中選擇Solver面板，在右邊窗格設(shè)置Stoptime為0，Type設(shè)為Fixed-step，Solver設(shè)為Discrete(nocontinuousstates)。單擊OK按鈕結(jié)束設(shè)置。(7)保存模型文件，并運(yùn)行該仿真。運(yùn)行結(jié)果如圖55、圖56和圖57所示。其中圖55為原始圖像，圖56是經(jīng)Rotate模塊處理后的圖像，圖57是經(jīng)ContrastAdjustment模塊處理后的圖像。由結(jié)果可看出，圖像經(jīng)過Rotate模塊處理后電路板元器件布局走向由縱向變?yōu)闄M向，經(jīng)過ContrastAdjustment模塊進(jìn)行灰度變換處理后，圖像對比度明顯增強(qiáng)?，F(xiàn)在是82頁\一共有107頁\編輯于星期六圖55例15原始圖像圖56例15旋轉(zhuǎn)后圖像圖57例15增強(qiáng)后圖像

現(xiàn)在是83頁\一共有107頁\編輯于星期六【例16】使用視頻和圖像處理模塊集，利用形態(tài)學(xué)方法實(shí)現(xiàn)圖像噪點(diǎn)消除。操作步驟：(1)為了便于觀察圖像去噪效果，先準(zhǔn)備一幅含有椒鹽噪聲的圖像。在MATLAB命令窗口中輸入以下命令：>>A=imread('tire.tif');%tire.tif是一幅MATLAB自帶的樣圖。>>B=imnoise(A,'salt&pepper',0.02);(2)打開視頻和圖像處理模塊集，新建Simulink模型。(3)在新建模型窗口中加入如表12所示的各個(gè)模塊，模塊放置位置可參考圖58?，F(xiàn)在是84頁\一共有107頁\編輯于星期六模塊名稱模塊來源數(shù)量ImageFromWorkspaceVideoandImageProcessingBlockset>Sources2AutothresholdVideoandImageProcessingBlockset>Conversions1OpeningVideoandImageProcessingBlockset>MorphologicalOperations1ClosingVideoandImageProcessingBlockset>MorphologicalOperations2VideoViewerVideoandImageProcessingBlockset>Sinks5表12例5所用模塊列表現(xiàn)在是85頁\一共有107頁\編輯于星期六(4)雙擊模型窗口中的各模塊，對其進(jìn)行參數(shù)設(shè)置：ImageFromWorkspace模塊：Main面板中的Value參數(shù)設(shè)置為A；ImageFromWorkspace1模塊：Main面板中的Value參數(shù)設(shè)置為B；Autothreshold模塊：Main面板中的Scalethreshold選項(xiàng)前打勾，將其下的Thresholdscalingfactor參數(shù)設(shè)置為0.9；(5)按圖26所示連接各模塊。

現(xiàn)在是86頁\一共有107頁\編輯于星期六圖58例16仿真框圖

現(xiàn)在是87頁\一共有107頁\編輯于星期六(6)設(shè)置仿真器參數(shù)。設(shè)置Stoptime為0，Type設(shè)為Fixed-step，Solver設(shè)為Discrete(nocontinuousstates)。(7)保存模型文件，并運(yùn)行該仿真。運(yùn)行的圖像輸出結(jié)果如圖59至圖63所示。其中圖59為原始灰度圖像，圖60為加入噪聲后的圖像，圖61為灰度圖轉(zhuǎn)為二值圖后的圖像，圖62為執(zhí)行了形態(tài)學(xué)開啟運(yùn)算操作后的圖像，圖63為執(zhí)行了形態(tài)學(xué)閉合運(yùn)算操作后的圖像。現(xiàn)在是88頁\一共有107頁\編輯于星期六圖59例16原始圖像圖60例16加噪后圖像圖61例16二值化圖像

圖62例16開運(yùn)算圖像圖63例16閉運(yùn)算圖像

現(xiàn)在是89頁\一共有107頁\編輯于星期六

由結(jié)果可以看出，將原圖中加入噪點(diǎn)以后，深色背景下的噪點(diǎn)為白色，淺色背景下的噪點(diǎn)為黑色，為了使背景與噪點(diǎn)更加容易區(qū)分，將加噪后的圖像二值化，因此在將灰度圖轉(zhuǎn)為二值圖像后，可以清楚地觀察出黑色背景和白色背景上的噪點(diǎn)，這時(shí)再對二值化圖像進(jìn)行形態(tài)學(xué)操作：開啟運(yùn)算可以去除黑色背景上的噪點(diǎn)，閉合運(yùn)算可以去除白色背景上的噪點(diǎn)，從而達(dá)到圖像去噪的效果?，F(xiàn)在是90頁\一共有107頁\編輯于星期六【例17】通過MATLABR2008b開發(fā)環(huán)境實(shí)現(xiàn)用維納濾波器恢復(fù)原圖像。1）把噪聲加入純凈圖像形成退化圖像，比較運(yùn)動(dòng)噪聲和高斯噪聲對圖像的影響；原圖像如圖64所示：圖64例17原始圖像現(xiàn)在是91頁\一共有107頁\編輯于星期六操作步驟：（1）在MATLAB主界面下點(diǎn)擊filenewblankM-file，再點(diǎn)擊filesaveas保存新建的M文件exam5_17a.m，在新建的M文件里輸入如下程序。（2）參考程序：I=imread('autumn.tif');figure,imshow(I);LEN=31;%設(shè)置長度或距離。THETA=11;%設(shè)置方向角度?，F(xiàn)在是92頁\一共有107頁\編輯于星期六PSF1=fspecial('motion',LEN,THETA);%點(diǎn)擴(kuò)散函數(shù)參數(shù)設(shè)置。PSF2=fspecial('gaussian',10,5);Blurred1=imfilter(I,PSF1,'circular','conv');Blurred2=imfilter(I,PSF2,'conv');V=0.002;BlurredNoisy1=imnoise(Blurred1,'gaussian',0,V);BlurredNoisy2=imnoise(Blurred2,'gaussian',0,V);wnr1=deconvwnr(Blurred1,PSF1);wnr2=deconvwnr(Blurred1,PSF2);現(xiàn)在是93頁\一共有107頁\編輯于星期六subplot(2,2,1);imshow(BlurredNoisy1);%顯示運(yùn)動(dòng)噪聲引起的模糊圖像。title('motion');subplot(2,2,2);imshow(BlurredNoisy2);%顯示高斯噪聲引起的模糊圖