matlab处理函数3

1. 直方图均衡化的 Matlab 实现

1.1 imhist 函数

功能:计算和显示数字数字图像的色彩直方图

格式:imhist(I,n)

imhist(X,map)

说明:imhist(I,n) 其中,n 为指定的灰度级数目,缺省值为256;imhist(X,map) 就算和显示索引色数字数字图像 X 的直方图,map为调色板。用stem(x,counts) 同样可以显示直方图。

1.2 imcontour 函数

功能:显示数字数字图像的等灰度值图

格式:imcontour(I,n),imcontour(I,v)

说明:n 为灰度级的个数,v 是有用户指定所选的等灰度级向量。

1.3 imadjust 函数

功能:通过直方图变换调整对比度

格式:J=imadjust(I,[low high],[bottomtop],gamma)

newmap=imadjust(map,[low high],[bottomtop],gamma)

说明:J=imadjust(I,[low high],[bottomtop],gamma) 其中,gamma 为校正量r,[lowhigh] 为原数字数字图像中要变换的灰度范围,[bottom top]

指定了变换后的灰度范围;newmap=imadjust(map,[lowhigh],[bottom top],gamma) 调整索引色数字数字图像的调色板 map 。此时若 [low high] 和

bottom top\] 都为2×3的矩阵,则分别调整 R、G、B 3个分量。 #### 1.4 histeq 函数 功能:直方图均衡化 格式:J=histeq(I,hgram) J=histeq(I,n) \[J,T\]=histeq(I,...) newmap=histeq(X,map,hgram) newmap=histeq(X,map) \[new,T\]=histeq(X,...) 说明:J=histeq(I,hgram) 实现了所谓"直方图规定化",即将原是图象 I 的直方图变换成用户指定的向量 hgram 。hgram 中的每一个元素 都在 \[0,1\] 中;J=histeq(I,n) 指定均衡化后的灰度级数 n ,缺省值为 64;\[J,T\]=histeq(I,...)返回从能将数字数字图像 I 的灰度直方图变换成 数字数字图像 J 的直方图的变换 T ;newmap=histeq(X,map) 和 \[new,T\]=histeq(X,...) 是针对索引色数字数字图像调色板的直方图均衡。 ### 2. 噪声及其噪声的 Matlab 实现 imnoise 函数 格式:J=imnoise(I,type) J=imnoise(I,type,parameter) 说明:J=imnoise(I,type) 返回对数字数字图像 I 添加典型噪声后的有噪数字数字图像 J ,参数type 和 parameter 用于确定噪声的类型和相应的参数。 ### 3. 数字数字图像滤波的 Matlab 实现 #### 3.1 conv2 函数 功能:计算二维卷积 格式:C=conv2(A,B) C=conv2(Hcol,Hrow,A) C=conv2(...,'shape') 说明:对于 C=conv2(A,B) ,conv2 的算矩阵A 和 B 的卷积,若\[Ma,Na\]=size(A), \[Mb,Nb\]=size(B), 则 size(C)=\[Ma+Mb-1,Na+Nb-1\]; C=conv2(Hcol,Hrow,A) 中,矩阵 A 分别与Hcol 向量在列方向和 Hrow 向量在行方向上进行卷积;C=conv2(...,'shape') 用来指定 conv2 返回二维卷积结果部分,参数 shape 可取值如下: 》full为缺省值,返回二维卷积的全部结果; 》same返回二维卷积结果中与 A 大小相同的中间部分; valid 返回在卷积过程中,未使用边缘补 0 部分进行计算的卷积结果部分,当 size(A)\>size(B) 时,size(C)=\[Ma-Mb+1,Na-Nb+1\]。 #### 3.2 conv 函数 功能:计算多维卷积 格式:与 conv2 函数相同 #### 3.3 filter2函数 功能:计算二维线型数字滤波,它与函数 fspecial 连用 格式:Y=filter2(B,X) Y=filter2(B,X,'shape') 说明:对于 Y=filter2(B,X) ,filter2 使用矩阵B 中的二维 FIR 滤波器对数据 X 进行滤波,结果 Y 是通过二维互相关计算出来的,其大 小与 X 一样;对于Y=filter2(B,X,'shape') ,filter2返回的 Y 是通过二维互相关计算出来的,其大小由参数 shape 确定,其取值如下 : 》full返回二维相关的全部结果,size(Y)\>size(X); 》same返回二维互相关结果的中间部分,Y 与X 大小相同; 》valid返回在二维互相关过程中,未使用边缘补 0 部分进行计算的结果部分,有 size(Y)\

相关推荐
Qiuner3 分钟前
【源力觉醒 创作者计划】开源、易用、强中文:文心一言4.5或是 普通人/非AI程序员 的第一款中文AI?
人工智能·百度·开源·文心一言·gitcode
未来之窗软件服务14 分钟前
chrome webdrive异常处理-session not created falled opening key——仙盟创梦IDE
前端·人工智能·chrome·仙盟创梦ide·东方仙盟·数据调式
AI街潜水的八角31 分钟前
深度学习图像分类数据集—蘑菇识别分类
人工智能·深度学习·分类
飞睿科技1 小时前
乐鑫代理商飞睿科技,2025年AI智能语音助手市场发展趋势与乐鑫芯片解决方案分析
人工智能
许泽宇的技术分享1 小时前
从新闻到知识图谱:用大模型和知识工程“八步成诗”打造科技并购大脑
人工智能·科技·知识图谱
坤坤爱学习2.01 小时前
求医十年,病因不明,ChatGPT:你看起来有基因突变
人工智能·ai·chatgpt·程序员·大模型·ai编程·大模型学
蹦蹦跳跳真可爱5892 小时前
Python----循环神经网络(Transformer ----注意力机制)
人工智能·深度学习·nlp·transformer·循环神经网络
空中湖4 小时前
tensorflow武林志第二卷第九章:玄功九转
人工智能·python·tensorflow
lishaoan774 小时前
使用tensorflow的线性回归的例子(七)
人工智能·tensorflow·线性回归
千宇宙航7 小时前
闲庭信步使用SV搭建图像测试平台:第三十一课——基于神经网络的手写数字识别
图像处理·人工智能·深度学习·神经网络·计算机视觉·fpga开发