实验三 图像的平滑与锐化
实验三图像的平滑与锐化
（实验类型：综合性；学时：4）
一、实验目的
1. 理解图像空域滤波的基本原理及方法，学会采用邻域平均滤波、中值滤波等方法对图像进行平滑增强，以消除或尽量减少噪声的影响，改善图像质量；
2. 理解图象锐化的概念，掌握常用空域锐化增强技术，学会编写程序对图像进行锐化增强，感受不同的模板对图像锐化效果的影响。
二、实验环境
Matlab 7.0
三、实验原理
1. 图像平滑
MATLAB图像处理工具箱提供了基于卷积的图像滤波函数filter2。filter2的语法格式为：Y = filter2(h, X)
其中Y =filter2(h,X)返回图像X经算子h滤波后的结果，默认返回图像Y与输入图像X大小相同。
fspecial函数用于创建预定义的滤波算子，其语法格式为：
h = fspecial(type)
h = fspecial(type, parameters)
参数type指定算子类型，parameters指定相应的参数，具体格式为：
type='average'，为均值滤波，参数parameters为n，代表模版尺寸，用向量表示，默认值为[3,3]。
type= 'gaussian'，为高斯低通滤波器，参数parameters有两个，n表示模版尺寸，默认值为[3,3]，sigma表示滤波器的标准差，单位为像素，默认值为0.5。
type= 'laplacian'，为拉普拉斯算子，参数parameters为alpha，用于控制拉普拉斯算子的形状，取值范围为[0,1]，默认值为0.2。
type= 'log'，为拉普拉斯高斯算子，参数parameters有两个，n表示模版尺寸，默认值为[3,3]，sigma为滤波器的标准差，单位为像素，默认值为0.5
type= 'prewitt'，为prewitt算子，用于边缘增强，无参数。
type= 'sobel'，为的sobel算子，用于边缘提取，无参数。
MATLAB图像处理工具箱中，也提供了medfilt2函数用于实现中值滤波。
Medfilt2函数的语法格式为：
B = medfilt2(A) %用3×3的滤波窗口对图像A进行中值滤波。
B = medfilt2(A,[m n]) %用指定大小为m×n的窗口对图像A进行中值滤波。
1.1噪声模拟
例1.利用函数imnoise为指定图像分别添加高斯(gaussian)噪声和椒盐噪声。
I=imread('cameraman.tif');
subplot(1,3,1),imshow(I);
title('(a)原始图像');
I1=imnoise(I,'gaussian',0,0.01);
subplot(1,3,2),imshow(I1);
title('(b)加高斯噪声图像');
I2=imnoise(I,'salt & pepper');
subplot(1,3,3),imshow(I2);
title('(c)加椒盐噪声图像');
运行程序，效果如图1.1。
(a)原始图像(b)加高斯噪声图像(c)加椒盐噪声图像
图1.1 图像的噪声模拟
1.2图像的均值滤波
例2.对指定图像进行均值滤波。
I=imread('cameraman.tif');
I2=imnoise(I,'salt & pepper',0.02);
J=filter2(fspecial('average',3),I2)/255;
subplot(1,3,1),imshow(I);
title('(a)原始图像');
subplot(1,3,2),imshow(I2);
title('(b)加噪声图像'); ;
subplot(1,3,3),imshow(J);
title('(c)均值滤波后图像');
运行程序，效果如图1.2。
(a)原始图像(b)加噪声图像(c)均值滤波后图像
图1.2 图像的均值滤波例3.利用加权平均实现数字图像的平滑。
I=imread('cameraman.tif');
I2=imnoise(I,'salt & pepper',0.02);
%%I2=rgb2gray(I2);
a=double(I2);
[m,n]=size(a);
b=zeros(m,n);
c=[1 2 1;2 4 2;1 2 1];
c=c/16;
for i=2:m-1
for j=2:n-1
b(i,j)=a(i-1,j-1)*c(1,1)+a(i-1,j)*c(1,2)+a(i-1,j+1)*c(1,3)+...
a(i,j-1)*c(2,1)+a(i,j)*c(2,2)+a(i,j+1)*c(2,3)+...
a(i+1,j-1)*c(3,1)+a(i+1,j)*c(3,2)+a(i+1,j+1)*c(3,3);
end
end
b=mat2gray(b);
subplot(1,3,1),imshow(I);
title('(a)原始图像');
subplot(1,3,2),imshow(I2);
title('(b)加噪声图像'); ;
subplot(1,3,3),imshow(b);
title('(c)加权平均滤波后图像');
运行程序，效果如图1.3。
(a)原始图像(b)加噪声图像(c)加权平均滤波后图像
图1.3 图像的加权平均滤波
1.3 图像的中值滤波
例4.对指定图像进行均值滤波。
I=imread('cameraman.tif');
I2=imnoise(I,'salt & pepper',0.02);
J=medfilt2(I2,[5,5]);
subplot(1,3,1),imshow(I);
title('(a)原始图像');
subplot(1,3,2),imshow(I2);
title('(b)加噪声图像'); ;
subplot(1,3,3),imshow(J);
title('(c)中值滤波后图像');
运行程序，效果如图1.4。
(a)原始图像(b)加噪声图像(c)中值滤波后图像
图1.4 图像的中值滤波
2.图像锐化
图像的直方图事实上就是图像的亮度分布的概率密度函数，是一幅图像的所有象素集合
的最基本的统计规律。直方图反映了图像的明暗分布规律，可以通过图像变换进行直方图调整，获得较好的视觉效果。直方图均衡化是通过灰度变换将一幅图像转换为另一幅具有均衡
直方图，即在每个灰度级上都具有相同的象素点数的过程。
2.1拉普拉斯锐化增强
拉普拉斯算子具有各向同性的特点，这种滤波器的响应与滤波器作用的图像的突变方向
无关。即各向同性滤波器旋转不变，原图像旋转后进行滤波后处理给出的结果与先对图像滤
波然后再进行旋转地结果相同。
例5.对指定图像进行拉普拉斯锐化。
I=imread('cameraman.tif');
h=fspecial('laplacian');
h1=[0 -1 0;-1 5 -1;0 -1 0];h2=[0 -2 0;-2 9 -2;0 -2 0];
I1=imfilter(I,h,'replicate');
I2=imfilter(I,h1,'replicate');
I3=imfilter(I,h2,'replicate');
subplot(1,4,1),imshow(I);
title('(a)原始图像');
subplot(1,4,2),imshow(I1);
title('(b)锐化后的图像'); ;
subplot(1,4,3),imshow(I2);
title('(c)锐化后四邻域a=1的图像');
subplot(1,4,4),imshow(I3);
title('(c)锐化后四邻域a=2的图像');
运行程序，效果如图2.1。
(a)原始图像(b)锐化后的图像(c)锐化后四邻域a=1的图像(c)锐化后四邻域a=2的图像
图2.1 图像的拉普拉斯锐化
2.2 一阶微分锐化增强
Sobel、Priwitt算子等都是突出图像的细节或者是增强被模糊了的细节。因此要对图像实现锐化处理，可以用空间微分来完成，但是，这样图像的微分增强了边缘和其他的突变（如噪声）并削弱了灰度变化缓慢区域。设计程序，分别实现Sobel、Priwitt算子的锐化处理。观察处理前后图像效果，分析实验结果和算法特点。
例6.对指定图像分别利用Sobel、Priwitt算子进行锐化。
I=imread('cameraman.tif');
h=fspecial('sobel');
h1=fspecial('prewitt');
I1=imfilter(I,h,'replicate');
I2=imfilter(I,h1,'replicate');
subplot(1,3,1),imshow(I);
title('(a)原始图像');
subplot(1,3,2),imshow(I1);
title('(b)sobel算子锐化后的图像'); ;
subplot(1,3,3),imshow(I2);
title('(c)prewitt算子锐化后的图像');
运行程序，效果如图2.2。
(a)原始图像(b)sobel算子锐化后的图像(c)prewitt算子锐化后的图像
图2.2 图像的一阶微分锐化
四、实验内容及报告要求
1. 分别采用不同大小的模板对加有噪声的图像进行均值滤波和中值滤波，分析滤波前后图像的效果；采用大小相同的模板对采用大小相同的模板对加有噪声的图像分别进行均值滤波和中值滤波，比较不同滤波方法对图像的增强效果；
2. 对任一幅图像通过利用Laplacian算子，Prewitt和Sobel边缘检测算子等方法对其进行锐化处理，比较和分析锐化后图像的效果。
实验三 空间域数字图像的平滑与锐化
福建农林大学计算机与信息学院实验报告系：专业：年级： 姓名：学号：实验室号_______ 计算机号 实验时间：指导教师签字：成绩：报告退发(订正、重做) 实验三空间域数字图像的平滑与锐化 1.实验目的和要求 掌握空间域数字图像的平滑与锐化。 2.实验内容和原理 （1）利用加权平均掩模实现数字图像的平滑； （2）利用拉普拉斯算子实现数字图像的锐化 3.实验环境 硬件：一般PC机 操作系统：WindowsXP 编程平台：MATLAB 或高级语言 4.算法描述及实验步骤 Code： X=imread('moon.tif'); subplot(2,2,1) ;imshow(X); title 原图 b=size(X); X=double(X); %f=[0 -1 0;-1 4 -1;0 -1 0;]; %用四领域 f=[-1 -1 -1;-1 8 -1;-1 -1 -1;]; %用八领域 g=[1 2 1;2 4 2;1 2 1;]; %模糊用的算子 Y=zeros(b); for(i=2:b(1)-1)
for(j=2:b(2)-1) Y(i,j)=X(i,j)*g(2,2)+X(i+1,j)*g(3,2)+X(i,j+1)*g(2,3)+X(i+1,j+1 )*g(3,3)+X(i+1,j-1)*g(3,1)+X(i-1,j+1)*g(1,3)+X(i-1,j-1)*g(1,1) +X(i-1,j)*g(1,2)+X(i,j-1)*g(2,1); end; end; Y=mat2gray(Y/16); subplot(2,2,2) ;imshow(Y); title 模糊后 Z=zeros(b); for(i=2:b(1)-1) for(j=2:b(2)-1) Z(i,j)=Y(i,j)*f(2,2)+Y(i+1,j)*f(3,2)+Y(i,j+1)*f(2,3)+Y(i+1,j+1)* f(3,3)+Y(i+1,j-1)*f(3,1)+Y(i-1,j+1)*f(1,3)+Y(i-1,j-1)*f(1,1)+Y(i -1,j)*f(1,2)+Y(i,j-1)*f(2,1); end; end; Z=mat2gray(Z); subplot(2,2,3) ;imshow(Z); title 锐化后 M=zeros(b); for(i=2:b(1)-1) for(j=2:b(2)-1) M(i,j)=X(i,j)+Y(i,j);
图像平滑及锐化
1.图像锐化的目的 是使灰度反差增强，从而增强图像中边缘信息，有利于轮廓抽取。因为轮廓或边缘就是图像中灰度变化率最大的地方。因此，为了把轮廓抽取出来，就是要找一种方法把图像的最大灰度变化处找出来。 2.实现图像的锐化可使图像的边缘或线条变得清晰，高通滤波可用空域高通滤波法来实现。本节将围绕空间高通滤波讨论图像锐化中常用的运算及方法，其中有梯度运算、各种锐化算子、拉普拉斯（Laplacian）算子、空间高通滤波法和掩模法等图像锐化技术。 3.梯度算子——是基于一阶微分的图像增强. 梯度算子: 梯度对应的是一阶导数，梯度算子是一阶导数算子。 梯度方向:在图像灰度最大变化率上，反映出图像边缘上的灰度变化。梯度处理经常用于工业检测、辅助人工检测缺陷，或者是更为通用的自动检测的预处理。 4.拉普拉斯算子——基于二阶微分的图像增强 Laplacian算子是不依赖于边缘方向的二阶微分算子，是常用的二阶导数算子. 拉普拉斯算子是一个标量而不是向量，具有线性特性和旋转不变，即各向同性的性质。 拉普拉斯微分算子强调图像中灰度的突变,弱化灰度慢变化的区域。这将产生一幅把浅灰色边线、突变点叠加到暗背景中的图像。 计算数字图像的拉普拉斯值也可以借助于各种模板。拉普拉斯对模板的基本要对应中心像素的系数应该是正的，而对应于中心像素邻近像素的系数应是负的，它们的和应该为零。 将原始图像和拉普拉斯图像叠加在一起的简单方法可以保护拉普拉斯锐化处理的效果，同时又能复原背景信息。 5.同态滤波器图像增强的方法 一幅图像f(x,y)能够用它的入射光分量和反射光分量来表示，其关系式如下 f(x,y)=i(x,y)r(x,y) 图像f(x,y)是由光源产生的照度场i(x,y)和目标的反射系数场r(x,y)的共同作用下产生的。 该模型可作为频率域中同时压缩图像的亮度围和增强图像的对比度的基础。但在频率域中不能直接对照度场和反射系数场频率分量分别进行独立的操作。
图像的平滑处理与锐化处理
数字图像处理作业题目：图像的平滑处理与锐化处理 ：张一凡 学号：4 专业：计算机应用技术
1.1理论背景 现实中的图像由于种种原因都是带噪声的，噪声恶化了图像质量，使图像模糊，甚至淹没和改变特征，给图像分析和识别带来了困难。一般数字图像系统中的常见噪声主要有：高斯噪声、椒盐噪声等。 图像去噪算法根据不通的处理域，可以分为空间域和频域两种处理方法。空间域处理是在图像本身存在的二维空间里对其进行处理。而频域算法是用一组正交函数系来逼近原始信号函数，获得相应的系数，将对原始信号的分析转动了系数空间域。 在图像的识别中常需要突出边缘和轮廓信息，图像锐化就是增强图像的边缘和轮廓。 1.2介绍算法 图像平滑算法：线性滤波（邻域平均法） 对一些图像进行线性滤波可以去除图像中某些类型的噪声。领域平均法就是一种非常适合去除通过扫描得到的图像中的噪声颗粒的线性滤波。 领域平均法是空间域平滑噪声技术。对于给定的图像()j i f,中的每个像素点()n m,，取其领域S。设S含有M个像素，取其平均值作为处理后所得图像像素点()n m,处的灰度。用一像素领域内各像素灰度平均值来代替该像素原来的灰度，即领域平均技术。
领域S 的形状和大小根据图像特点确定。一般取的形状是正方形、矩形及十字形等，S 的形状和大小可以在全图处理过程中保持不变，也可以根据图像的局部统计特性而变化，点(m,n)一般位于S 的中心。如S 为3×3领域，点(m,n)位于S 中心，则 ()()∑∑-=-=++=1111 ,91,i j j n i m f n m f 假设噪声n 是加性噪声，在空间各点互不相关，且期望为0，方差为2σ，图像g 是未受污染的图像，含有噪声图像f 经过加权平均后为 ()()()()∑∑∑+==j i n M j i g M j i f M n m f ,1 ,1 ,1 , 由上式可知，经过平均后，噪声的均值不变，方差221σσM = ，即方差变小，说明噪声强度减弱了，抑制了噪声。 图像锐化算法：拉普拉斯算子 拉普拉斯算子是最简单的各向同性微分算子，具有旋转不变性，比较适用于改善因为光线的漫反射造成的图像模糊。其原理是，在摄像记录图像的过程中，光点将光漫反射到其周围区域，这个过程满足扩散方程: f kV t f 2=?? 经过推导，可以发现当图像的模糊是由光的漫反射造成时，不模糊图像等于模糊图像减去它的拉普拉斯变换的常数倍。另外，人们还发现，即使模糊不是由于光的漫反射造成的，对图像进行拉普拉斯变换也可以使图像更清晰。
数字图像处理-图像平滑和锐化变换处理
图像平滑和锐化变换处理 一、实验内容和要求 1、灰度变换：灰度拉伸、直方图均衡、伽马校正、log变换等。 2、空域平滑：box、gauss模板卷积。 3、频域平滑：低通滤波器平滑。 4、空域锐化：锐化模板锐化。 5、频域锐化：高通滤波器锐化。 二、实验软硬件环境 PC机一台、MATLAB软件 三实验编程及调试 1、灰度变换：灰度拉伸、直方图均衡、伽马校正、log变换等。 ①灰度拉伸程序如下： I=imread(''); J=imadjust(I,[,],[]); subplot(2,2,1),imshow(I); subplot(2,2,2),imshow(J); subplot(2,2,3),imhist(I); subplot(2,2,4),imhist(J); ②直方图均衡程序如下： I=imread(''); J=histeq(I); Subplot(2,2,1); Imshow(I); Title('原图像'); Subplot(2,2,2);
Imshow(J); Title('直方图均衡化后的图像') ; Subplot(2,2,3) ; Imhist(I,64); Title('原图像直方图') ; Subplot(2,2,4); Imhist(J,64) ; Title('均衡变换后的直方图') ; ③伽马校正程序如下： A=imread(''); x=0:255; a=80,b=,c=; B=b.^(c.*(double(A)-a))-1; y=b.^(c.*(x-a))-1; subplot(3,2,1); imshow(A); subplot(3,2,2); imhist(A); subplot(3,2,3); imshow(B); subplot(3,2,4); imhist(B); subplot(3,2,6); plot(x,y); ④log变换程序如下： Image=imread('');
数字图像处理-图像平滑和锐化变换处理
图像平滑和锐化变换处理 一、实验容和要求 1、灰度变换：灰度拉伸、直方图均衡、伽马校正、log变换等。 2、空域平滑：box、gauss模板卷积。 3、频域平滑：低通滤波器平滑。 4、空域锐化：锐化模板锐化。 5、频域锐化：高通滤波器锐化。 二、实验软硬件环境 PC机一台、MATLAB软件 三实验编程及调试 1、灰度变换：灰度拉伸、直方图均衡、伽马校正、log变换等。 ①灰度拉伸程序如下： I=imread('kids.tif'); J=imadjust(I,[0.2,0.4],[]); subplot(2,2,1),imshow(I); subplot(2,2,2),imshow(J); subplot(2,2,3),imhist(I); subplot(2,2,4),imhist(J); ②直方图均衡程序如下： I=imread('kids.tif'); J=histeq(I);
Imshow(I); Title('原图像'); Subplot(2,2,2); Imshow(J); Title('直方图均衡化后的图像') ; Subplot(2,2,3) ; Imhist(I,64); Title('原图像直方图') ; Subplot(2,2,4); Imhist(J,64) ; Title('均衡变换后的直方图') ; ③伽马校正程序如下： A=imread('kids.tif'); x=0:255; a=80,b=1.8,c=0.009; B=b.^(c.*(double(A)-a))-1; y=b.^(c.*(x-a))-1; subplot(3,2,1); imshow(A); subplot(3,2,2); imhist(A);
图像锐化的目的和意义
图像锐化的目的和意义图像模糊的主要原因是图像中的高频成分低于低频成分，它对图像质量的影响体现在两个不同均匀灰度区域的边界部分。 当成像参数正确，图像的亮度变化传递正常时，在图像中对象边缘与背景之间的理想边缘面应该时阶梯形的，这样的图像看上去边缘清晰，反之，则会边缘模糊，其特征时对象与背景间的灰度改变有一个过渡带，这将损害图像的视觉效果。要消除图像中不应又的模糊边缘，需要增强图像中的高频成分，使边缘锐化。 图像锐化是一种使图像原有的信息变换到有利于人们观看的质量，其目的是为了改善图像的视觉效果，消除图像质量劣化的原因（模糊），使图像中应又的对象边缘变得轮廓分明。 图像的锐化，需要利用积分的反运算（微分），因为微分运算是求信号的变化率，又加强图像中高频分量的作用，从而要锐化图像需要采用各向同性的，具有旋转不变特征的线性微分算子。 图像锐化是一种补偿轮廓、突出边缘信息以使图像更为清晰的处理方法. 锐化的目标实质上是要增强原始图像的高频成分 .常规的锐化算法对整幅图像进行高频增强 , 结果呈现明显噪声 .为此, 在对锐化原理进行深入研究的基础上 ,提出了先用边缘检测算法检出边缘 , 然后根据检出的边缘对图像进行高频增强的方法 . 实验结果表明 , 该方法有效地解决了图像锐化后的噪声问题图像的锐化可以在空间域中进行，也可以在频率域中实现。 一. 图像信号的锐化过程 1. 空间域中锐化图像的目的在空间域中进行图像的锐化也成为空间滤波处 理，目的又 （1）一是提取图像中用于认识和识别图像特征的参量，为图像识别准备数据 （2）消除噪声。图像数字化时产生的噪声主要是造成对图像内容的干扰，这用图像的平滑处理。图像数字化时在信号高频区域产生的 误差以及设备自身噪声对图像的高频（轮廓特征）干扰同样也是一 种噪声，可以用空间滤波的方法去除。 （3）采用空间滤波的方法可以更鲜明地保持图像的边缘特征，这也是空间滤波的主要目的，即锐化图像。处理效果 锐化的目的在于使图像中对象轮廓上的像素灰度大的更大，小的更小，但
三图像的平滑与锐化
实验三 图像的平滑与锐化 一．实验目的 1.掌握图像滤波的基本定义及目的； 2.理解空域滤波的基本原理及方法； 3.掌握进行图像的空域滤波的方法。 二．实验基本原理 图像噪声从统计特性可分为平稳噪声和非平稳噪声两种。统计特性不随时间变化的噪声称为平稳噪声；统计特性随时间变化的噪声称为非平稳噪声。 另外，按噪声和信号之间的关系可分为加性噪声和乘性噪声。假定信号为S (t )，噪声为n (t )，如果混合叠加波形是S (t )+n (t )形式，则称其为加性噪声；如果叠加波形为S (t )［1+n (t )］形式， 则称其为乘性噪声。为了分析处理方便，往往将乘性噪声近似认为加性噪声，而且总是假定信号和噪声是互相独立的。 1.均值滤波 均值滤波是在空间域对图像进行平滑处理的一种方法，易于实现，效果也挺好。 设噪声η(m,n)是加性噪声，其均值为0，方差（噪声功率）为2σ，而且噪声与图像f(m,n)不相关。 除了对噪声有上述假定之外，该算法还基于这样一种假设：图像是由许多灰度值相近的小块组成。这个假设大体上反映了许多图像的结构特征。 ∑∈=s j i j i f M y x g ),(),(1 ),( (3-1) 式(2-1)表达的算法是由某像素领域内各点灰度值的平均值来代替该像素原来的灰度值。 可用模块反映领域平均算法的特征。对模板沿水平和垂直两个方向逐点移动，相当于用这样一个模块与图像进行卷积运算，从而平滑了整幅图像。模版内各系数和为1，用这样的模板处理常数图像时，图像没有变化；对一般图像处理后，整幅图像灰度的平均值可不变。
(a) 原始图像 (b) 邻域平均后的结果 图3-1 图像的领域平均法 2.中值滤波 中值滤波是一种非线性处理技术，能抑制图像中的噪声。它是基于图像的这样一种特性：噪声往往以孤立的点的形式出现，这些点对应的象素很少，而图像则是由像素数较多、面积较大的小块构成。 在一维的情况下，中值滤波器是一个含有奇数个像素的窗口。在处理之后，位于窗口正中的像素的灰度值，用窗口内各像素灰度值的中值代替。例如若窗口长度为5，窗口中像素的灰度值为80、90、200、110、120，则中值为110，因为按小到大（或大到小）排序后，第三位的值是110。于是原理的窗口正中的灰度值200就由110取代。如果200是一个噪声的尖峰，则将被滤除。然而，如果它是一个信号，则滤波后就被消除，降低了分辨率。因此中值滤波在某些情况下抑制噪声，而在另一些情况下却会抑制信号。 中值滤波很容易推广到二维的情况。二维窗口的形式可以是正方形、近似圆形的或十字形的。在图像增强的具体应用中，中值滤波只能是一种抑制噪声的特殊工具，在处理中应监视其效果，以决定最终是福才有这种方案。实施过程中的关键问题是探讨一些快速算法。 3.空域低通滤波： 从信号频谱角度来看，信号的缓慢变化部分在频率域属于低频部分，而信号的迅速变化部分在频率域是高频部分。对图像来说，它的边缘以及噪声干扰的频率分量都处于频率域较高的部分，因此，可以采用低通滤波的方法来去除噪声。而频域的滤波又很容易从空间域的卷积来实现，为此只要适当设计空间域的单位冲激响应矩阵，就可以达到滤除噪声的效果。下面是几种用于噪声平滑低通卷积模板。
图像平滑与锐化处理
图像平滑与锐化处理 1 图像平滑处理 打开Image Interpreter/Utilities/Layer Stack对话框，如图1-1 图1-1 打开Layer Stack对话框 在Input File中打开tm_striped.img，在Layer中选择1，在Output File中输入输出文件名band1.img，单击Add按钮。忽略零值，单击OK(如图1-2所示)。 图1-2 Layer Stack对话框设置
打开Interpreter>Spatial Enhancement>Convolution对话框。如图1-3 图1-3 打开Convolution对话框 在Input File中选择band1.img。在Output File中选择输出的处理图像，命名为lowpass.img。在Kernel中选择7*7Low Pass，忽略零值。单击OK完成图像的增强处理（如图1-4所示）。 图1-4 卷积增强对话框（Convolution） 平滑后的图像去掉噪音的同时造成了图像模糊，特别是对图像的边缘和细节消弱很多。而且随着邻域范围的扩大，在去噪能力增强的同时模糊程度越严重（如图1-5）。
图1-5 处理前后的对比 为了保留图像的边缘和细节信息，可对上述算法进行改进，引入阈值T，将原有图像灰度值f（i，j）,和平均值g（i，j）之差的绝对值与选定的阈值进行比较，根据比较结果决定像元（i，j）的最后灰度值G（i，j）。当差小于阈值的时候取原值；差大于阈值的时候取平均值。这里通过查询得T取4，其表达式为下： g（i，j），当| f（i，j）-g（i，j）|>4 G（i，j）= f（i，j），当| f（i，j）-g（i，j）|<=4 具体操作步骤：在图标控制面板工具栏中点击空间建模Modeler>Model Maker选项。先放置对象图形，依次连接每个对象图形，然后定义对象，最后定义函数并运行模型（如图 1-6，1-7,1-8,1-9,1-10,1-11所示）。
拉普拉斯算子、prewitt算子、sobel算子对图像锐化处理.doc
《数字图像处理作业》 图像的锐化处理 ---拉普拉斯算子、prewitt算子、sobel算子性能研究对比 完成日期：2012年10月6日
一、算法介绍 1.1图像锐化的概念 在图像增强过程中，通常利用各类图像平滑算法消除噪声，图像的常见噪声主要有加性噪声、乘性噪声和量化噪声等。一般来说，图像的能量主要集中在其低频部分，噪声所在的频段主要在高频段，同时图像边缘信息也主要集中在其高频部分。这将导致原始图像在平滑处理之后，图像边缘和图像轮廓模糊的情况出现。 为了减少这类不利效果的影响，就需要利用图像锐化技术，使图像的边缘变得清晰。图像锐化处理的目的是为了使图像的边缘、轮廓线以及图像的细节变得清晰，经过平滑的图像变得模糊的根本原因是因为图像受到了平均或积分运算，因此可以对其进行逆运算(如微分运算)就可以使图像变得清晰。从频率域来考虑，图像模糊的实质是因为其高频分量被衰减，因此可以用高通滤波器来使图像清晰。但要注意能够进行锐化处理的图像必须有较高的性噪比，否则锐化后图像性噪比反而更低，从而使得噪声增加的比信号还要多，因此一般是先去除或减轻噪声后再进行锐化处理。
考察正弦函数，它的微分 。微分后频率不变，幅度上升2πa倍。空间频率愈高，幅度增加就愈大。这表明微分是可以加强高频成分的，从而使图像轮廓变清晰。最常用的微分方法是梯度法和拉普拉斯算子。但本文主要探究几种边缘检测算子，Laplace、Prewitt、Sobel算子以下具体介绍。 图像边缘检测：边缘检测是检测图像局部显著变化的最基本运算，梯度是函数变化的一种度量。图像灰度值的显著变化可用梯度的离散逼近函数来检测，大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。边缘检测可分为两大类基于查找一类和基于零穿越的一类。基于查找的方法通过寻找图像一阶导数中的最大和最小值来检测边界，通常是将边界定位在梯度最大的方向。基于零穿越的方法通过寻找图像二阶导数零穿越来寻找边界，通常是Laplacian过零点或者非线性差分表示的过零点。 1.2拉普拉斯算子
图像锐化和边缘检测
图像锐化和边缘检测 本文内容构成： 1、图像锐化和边缘检测的基本概念，微分梯度已经差分的定义 2、锐化和边缘检测的像素处理方式（3种） 3、单方向一阶微分锐化，包括： 水平方向 垂直方向 Kirsch算子 4、无方向微分锐化，包括： Roberts算子 Sobel算子 Prewitt算子 Laplacian算子（二阶微分） LOG算子（二阶微分 5、二阶微分 6、实验结果对比 在图像增强过程中，通常利用各类图像平滑算法消除噪声，图像的常见噪声主要有加性噪声、乘性噪声和量化噪声等。一般来说，图像的能量主要集中在其低频部分，噪声所在的频段主要在高频段，同时图像边缘信息也主要集中在其高频部分。这将导致原始图像在平滑处理之后，图像边缘和图像轮廓模糊的情况出现。为了减少这类不利效果的影响，就需要利用图像锐化技术，使图像的边缘变得清晰。图像锐化处理的目的是为了使图像的边缘、轮廓线以及图像的细节变得清晰，经过平滑的图像变得模糊的根本原因是因为图像受到了平均或积分运算，因此可以对其进行逆运算(如微分运算)就可以使图像变得清晰。微分运算是求信号的变化率，由傅立叶变换的微分性质可知，微分运算具有较强高频分量作用。从频率域来考虑，图像模糊的实质是因为其高频分量被衰减，因此可以用高通滤波器来使图像清晰。但要注意能够进行锐化处理的图像必须有较高的性噪比，否则锐化后图像性噪比反而更低，从而使得噪声增加的比信号还要多，因此一般是先去除或减轻噪声后再进行锐化处理。 图像锐化的方法分为高通滤波和空域微分法。图像的边缘或线条的细节（边缘）部分与图像频谱的高频分量相对应，因此采用高通滤波让高频分量顺利通过，并适当抑制中低频分量，是图像的细节变得清楚，实现图像的锐化，由于高通滤波我们在前面频域滤波已经讲过，所以这里主要讲空域的方法——微分法。
数字图像平滑处理
图像增强之平滑噪声 引言 有些图像是通过扫描仪扫描输入、或传输通道传输过来的。图像中往往包含有各种各样的噪声。这些噪声一般是随机产生的，因此具有分布和大小不规则性的特点。这些噪声的存在直接影响着后续的处理过程，使图像失真。图像平滑就是针对图像噪声的操作，其主要作用是为了消除噪声，图像平滑的常用方法是采用均值滤波或中值滤波，均值滤波是一种线性空间滤波，它用一个有奇数点的掩模在图像上滑动，将掩模中心对应像素点的灰度值用掩模内所有像素点灰度的平均值代替，如果规定了在取均值过程中掩模内各像素点所占的权重，即各像素点所乘系数，这时就称为加权均值滤波；中值滤波是一种非线性空间滤波，其与均值滤波的区别是掩模中心对应像素点的灰度值用掩模内所有像素点灰度值的中间值代替。 1．实验目的 1）掌握图像空间域平滑滤波的基本定义及目的。 2）理解空间域平滑滤波的基本原理及方法。 3）掌握进行图像空间域平滑滤波的方法。 2.实验原理 2.1 空间域平滑滤波基本原理 空间域滤波是在图像空间中借助模板进行领域操作，处理图像每一个都是根据模板对输入像素相应领域内的像素值进行计算得到的。空间域滤波器根据功能主要分为平滑滤波器和锐化滤波器。平滑可用低通来实现，平滑的目的可分为两类：一类是模糊，目的是在提取较大的目标前去除太小的细节或将目标内的小肩端连接起来；另一类是消除噪声。 2.2 空间域平滑滤波器 最常用的平滑滤波器有均值滤波器和中值滤波器。 均值滤波器是线性平滑滤波器，其所有系数都是正数对3×3模板来说，最简单的是取所有系数为1，为了保持图像仍然在原来图像的灰度值范围内，模块与像素领域的乘积都要除以9。 中值滤波器是一种常用的非线性平滑滤波器，其原理与均值滤波器原理类似，但计算的不是加权求和，而是把领域中的图像的像素按灰度级进行排序，然后选择组的中间值作为输出像素值。 线性滤波 输出图像的值等于输入图像滤波后值的局部平均，各个项具有相同的权。下面是平滑窗口分别为矩形和圆形的情况。
图像平滑及锐化
图像平滑及锐化
1.图像锐化的目的 是使灰度反差增强，从而增强图像中边缘信息，有利于轮廓抽取。因为轮廓或边缘就是图像中灰度变化率最大的地方。因此，为了把轮廓抽取出来，就是要找一种方法把图像的最大灰度变化处找出来。 2.实现图像的锐化可使图像的边缘或线条变得清晰，高通滤波可用空域高通滤波法来实现。本节将围绕空间高通滤波讨论图像锐化中常用的运算及方法，其中有梯度运算、各种锐化算子、拉普拉斯（Laplacian）算子、空间高通滤波法和掩模法等图像锐化技术。 3.梯度算子——是基于一阶微分的图像增强. 梯度算子: 梯度对应的是一阶导数，梯度算子是一阶导数算子。 梯度方向:在图像灰度最大变化率上，反映出图像边缘上的灰度变化。梯度处理经常用于工业检测、辅助人工检测缺陷，或者是更为通用的自动检测的预处理。 4.拉普拉斯算子——基于二阶微分的图像增强 Laplacian算子是不依赖于边缘方向的二阶微分算子，是常用的二阶导数算子. 拉普拉斯算子是一个标量而不是向量，具有线性特性和旋转不变，即各向同性的性质。 拉普拉斯微分算子强调图像中灰度的突变,弱化灰度慢变化的区域。这将产生一幅把浅灰色边线、突变点叠加到暗背景中的图像。 计算数字图像的拉普拉斯值也可以借助于各种模板。拉普拉斯对模板的基本要求是对应中心像素的系数应该是正的，而对应于中心像素邻近像素的系数应是负的，它们的和应该为零。 将原始图像和拉普拉斯图像叠加在一起的简单方法可以保护拉普拉斯锐化处理的效果，同时又能复原背景信息。 5.同态滤波器图像增强的方法 一幅图像f(x,y)能够用它的入射光分量和反射光分量来表示，其关系式如下 f(x,y)=i(x,y)r(x,y) 图像f(x,y)是由光源产生的照度场i(x,y)和目标的反射系数场r(x,y)的共同作用下产生的。 该模型可作为频率域中同时压缩图像的亮度范围和增强图像的对比度的基础。但在频率域中不能直接对照度场和反射系数场频率分量分别进行独立的操作。
图像锐化的方法及比较-
深圳大学研究生课程论文 题目图像的锐化算法比较分析成绩 专业信息与通信工程 课程名称、代码数字图像处理（142013020003） 年级 2013级姓名 学号时间 2014.07 任课教师张力
图像的锐化算法比较分析 摘要：图像平滑往往使图像中的轮廓变得模糊，为了减少这类不利影响，这就需要利用图像锐化技术，使图像的边缘变的清晰。本文分析了图像锐化方法中的梯度算子法和二阶导数算子法的各自特点，其中梯度算子法主要是Roberts 梯度 2.图像锐化的方法
2.1．梯度算子法 在图像处理中，一阶导数通过梯度来实现，因此利用一阶导数检测边缘点的方法就称为梯度算子法。梯度值正比于像素之差。对于一幅图像中突出的边缘区，其梯度值较大；在平滑区域梯度值小；对于灰度级为常数的区域，梯度为零。 2.1.1．Roberts 梯度算子法 Roberts 梯度就是采用对角方向相邻两像素之差，故也称为四点差分法。对应的水平和垂直方向的模板为： 的是当前像素的位置(i,j)为当前像素的位置，其计算公式如下： 特点：用4点进行差分，以求得梯度，方法简单。其缺点是对噪声较敏感，常用于不含噪声的图像边缘点检测。梯度算子类边缘检测方法的效果类似于高通滤波，有增强高频分量，抑制低频分量的作用。这类算子对噪声较敏感，而我们希望检测算法同时具有噪声抑制作用。所以，本实验给出的平滑梯度算子法具有噪声抑制作用。 2.1.2.Sobel 算子法（加权平均差分法） Sobel 算子就是对当前行或列对应的值加权后，再进行平均和差分，也称为加权平均差分。水平和垂直梯度模板分别为： Sobel 算子和Prewitt 算子一样，都在检测边缘点的同时具有抑制噪声的能力，检测出的边缘宽度至少为二像素。由于它们都是先平均后差分，平均时会丢失一些细节信息，使边缘有一定的模糊。但由于Sobel 算子的加权作用，其使边缘的模糊程度要稍低于程度要稍低于Prewitt 算子。 2.2．二阶导数算子法 ) 1,(),1()1,1(),(),(+-++++-=j i f j i f j i f j i f j i G ?
图像的平滑与锐化和拉普拉斯模糊数字图像处理
昆明理工大学（数字图像处理）实验报告 实验名称图像的平滑与锐化和拉普拉斯模糊 实验时间 2013 年 4 月 15 日 专业班级学号姓名 成绩教师评语： 一、实验目的 1.掌握图像平滑与锐化的基本原理。用C++编程实现图像的平滑与锐化。 2.利用算法的调用来实现图像的平滑和锐化。 二、实验原理 1、二维中值滤波平滑：用中值算法把数字图像中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，这样来过滤噪声，实现平滑。但是，这样产生出来的图像会有一定的模糊。 2、梯度算法锐化：用微分的方法对图像处理，锐化因为平滑导致的模糊。 3、拉普拉斯模糊：通过二阶微分把一个点的像素变得跟周围4个像素一样。 4、去除拉普拉斯模糊：将拉普拉斯模糊形式从原图像中去除。 三、实验内容 1、选择一种平滑方式对图像进行平滑操作。
2、选择一种锐化方法对图像进行锐化操作。 3、分析图像的平滑与锐化的作用是什么。 4、试分析各种方法的特点。 四、实验步骤 1.在之前实验的基础上对程序进行操作。 2.在ClassView中选择添加成员函数mysort 3.在FileView中找到建立的成员函数的函数名，编写代码。 4.在ResourcesView中的Menu选项中建立“中值滤波”、“图像锐化”和“拉普拉斯算法”三个子菜单。 5.在“中值滤波”的子菜单的下拉菜单中创建一个“二维中值滤波”的项，在“拉普拉斯算法”下拉菜单中建立“拉普拉斯模糊”和“去除拉普拉斯模糊”两个项。
6.分别对“二维中值滤波”、“图像锐化”、“拉普拉斯模糊”和“去除拉普拉斯模糊”建立类向导，编写代码。
图像平滑与锐化算法的研究与分析(完整版)
目录 第一章绪论 (1) 第二章图像处理简介 (2) 2.1概述 (2) 2.2基本方法 (2) 2.3图像处理阶段 (3) 第三章图像平滑 (4) 3.1概述 (4) 3.2 常用算法 (4) 3.2.1空域低通滤波 (4) 3.2.2 均值滤波器 (4) 3.2.3中值滤波器 (5) 3.2.4 频域低通滤波 (6) 3.3实验结果 (7) 第四章图像锐化 (9) 4.1 概述 (9) 4.2常用方法 (9) 4.3实验结果 (10) 结论 (12) 参考文献： (13)
图像平滑与锐化算法的研究与分析 数学计算机科学学院 摘要：随着科学技术的迅猛发展，图像信息的处理技术在社会生活中的作用 越来越突出。图像处理技术已成为通信领域市场的热点之一。在图像处理技术中图像的平滑和锐化是一种最常用也是最基础的图像处理技术。图像平滑的目的是为了减少和消除图像中的噪声，以改善图像质量，有利于抽取对象特征进行分析。常见的算法邻域平均法，加权平均法，中值滤波，掩膜平滑法等；图像锐化的目的主要是加强图像中的目标边界和图像的细节，以增强图像的质量。常见的算法有微分算子方法，Sobel算子，空间高通滤波等。正因为图像处理技术的火热应用，而平滑锐化是常用且最基础的技术。本文就是在此背景下对图像锐化与平滑算法分析与实现进行研究和讨论。 关键字：图像处理；图像平滑；边缘检测；图像锐化 Study and Analysis of the Algorithm of Image Smoothing and Sharpening Hua Guangbin，College of Mathematics and Computer Science Abstract：Along with the rapid development of scientific technology, image information processing technology in the role of social life is becoming more and more prominent. Image processing technology has become one of the hot spot of communications field market. In image processing technology in the image smooth and sharpen is one of the most common is the most basic of the image processing technology. The image smooth the purpose is to reduce and eliminate the noise of the image, to improve image quality, is helpful for extracting object characteristics are analyzed. Common algorithm neighborhood average method, weighted average method, median filtering, mask smoothing, etc.; The image of sharpening goal mainly is to reinforce the image of target boundary and the detail of the image, in order to enhance image quality. Common algorithm has differential operator Sobel opera tor, space method, high-pass filter, etc. Because of the image processing technology applications and smooth cyber war sharpening is commonly used and most basic technology. This paper is on the background image of sharpening and smoothing algorithm analysis and implements research and discussion. Key words：i mage processing; image smoothing; edge detection; image sharpening
(完整版)实验-灰度图像的锐化处理
实验五灰度图像的锐化处理 一、实验目的 1．了解图像锐化的基本原理； 2．掌握图像空域锐化处理的方法； 3．利用VC编写图像空域锐化处理的程序； 4．在微机上调试程序。 二、实验原理 图像平滑处理可以减弱噪声的影响，但窗口增大后将会产生图像边缘不清的问题。 图像在传输和转换过程中，一般来讲，质量都会降低，除了噪声的因素之外，图像一般都要变得模糊一些，这主要因为图像的传输或转换系统的传递函数对高频成分的衰减作用，造成图像的细节轮廓不清晰。图像锐化的作用就是补偿图像的轮廓，增强图像的边缘级灰度跳变部分，使图像较清晰。 图像锐化是一种能加强图像轮廓的处理方法，因此，从增强的目的来看它是与图像平滑相反的一类处理，图像锐化同样也可分为频域和空域处理两类实现方法。本实验要求完成空域中图像的锐化处理。 1．图像空域锐化处理的方法 微分处理可加强高频成分，例如对正弦信号sin(Nx)，其微分为余弦函数Ncos(Nx)，经微分处理后，信号的频率不变，幅度增大N倍，且频率越高，增幅越大。对图像进行微分处理后： ?f/?x G[(x,y)]= ?f/?y G[(x,y)]是点(x,y)的梯度，其方向指向f(x,y)最大变化方向。 对连续图像： G[(x,y)]=[（?f/?x）2+（?f/?y）2]1/2 对离散图像：G[(x,y)]常采用下列几种算法： （1）典型的差分算法 G[(x,y)]=[[f(x,y)-f(x+1,y)]2+[f(x,y)-f(x,y+1)]2]1/2 （2）罗伯茨算法 G[(x,y)]=[[f(x,y)-f(x+1,y+1)]2+[f(x+1,y)-f(x,y+1)]2]1/2 （3）绝对差算法 相对于典型的差分算法和罗伯茨算法有： G[(x,y)]=|f(x,y)-f(x+1,y)|+|f(x,y)-f(x,y+1)| G[(x,y)]=|f(x,y)-f(x+1,y+1)|+|f(x+1,y)-f(x,y+1)| 在实际处理一幅图像时，最后一行（列）梯度的值一般可以用前一行（列）的梯度的值来代替。 如果背景与目标都是慢变的，且它们的灰度值相差较大，则用这种基于微分的处理方法可得较好的边界，该方法的缺点是在f(x,y)中所有较平滑的区域经变换处理后就变成了暗区。
图像锐化和边缘增强
在图像增强过程中，通常利用各类图像平滑算法消除噪声，图像的常见噪声主要有加性噪声、乘性噪声和量化噪声等。一般来说，图像的能量主要集中在其低频部分，噪声所在的频段主要在高频段，同时图像边缘信息也主要集中在其高频部分。这将导致原始图像在平滑处理之后，图像边缘和图像轮廓模糊的情况出现。为了减少这类不利效果的影响，就需要利用图像锐化技术，使图像的边缘变得清晰。图像锐化处理的目的是为了使图像的边缘、轮廓线以及图像的细节变得清晰，经过平滑的图像变得模糊的根本原因是因为图像受到了平均或积分运算，因此可以对其进行逆运算(如微分运算)就可以使图像变得清晰。微分运算是求信号的变化率，由傅立叶变换的微分性质可知，微分运算具有较强高频分量作用。从频率域来考虑，图像模糊的实质是因为其高频分量被衰减，因此可以用高通滤波器来使图像清晰。但要注意能够进行锐化处理的图像必须有较高的性噪比，否则锐化后图像性噪比反而更低，从而使得噪声增加的比信号还要多，因此一般是先去除或减轻噪声后再进行锐化处理。 图像锐化的方法分为高通滤波和空域微分法。图像的边缘或线条的细节（边缘）部分与图像频谱的高频分量相对应，因此采用高通滤波让高频分量顺利通过，并适当抑制中低频分量，是图像的细节变得清楚，实现图像的锐化，由于高通滤波我们在前面频域滤波已经讲过，所以这里主要讲空域的方法——微分法。 一阶微分运算一阶微分主要指梯度模运算，图像的梯度模值包含了边界及细节信息。梯度模算子用于计算梯度模值，通常认为它是边界提取算子，具有极值性、位移不变性和旋转不变性。 图像在点处的梯度定义为一个二维列矢量： 梯度大的幅值即模值，为： 梯度的方向在最大变化率方向上，方向角可表示为：
图像锐化和边缘检测知识讲解
图像锐化和边缘检测
图像锐化和边缘检测 本文内容构成： 1、图像锐化和边缘检测的基本概念，微分梯度已经差分的定义 2、锐化和边缘检测的像素处理方式（3种） 3、单方向一阶微分锐化，包括： 水平方向 垂直方向 Kirsch算子 4、无方向微分锐化，包括： Roberts算子 Sobel算子 Prewitt算子 Laplacian算子（二阶微分） LOG算子（二阶微分 5、二阶微分 6、实验结果对比 在图像增强过程中，通常利用各类图像平滑算法消除噪声，图像的常见噪声主要有加性噪声、乘性噪声和量化噪声等。一般来说，图像的能量主要集中在其低频部分，噪声所在的频段主要在高频段，同时图像边缘信息也主要集中在其高频部分。这将导致原始图像在平滑处理之后，图像边缘和图像轮廓模糊的情况出现。为了减少这类不利效果的影响，就需要利用图像锐化技术，使图像的边缘变得清晰。图像锐化处理的目的是为了使图像的边缘、轮廓线以及图像的细节变得清晰，经过平滑的图像变得模糊的根本原因是因为图像受到了平均或积分运算，因此可以对其进行逆运算(如微分运算)就可以使图像变得清晰。微分运算是求信号的变化率，由傅立叶变换的微分性质可知，微分运算具有较强高频分量作用。从频率域来考虑，图像模糊的实质是因为其高频分量被衰减，因此可以用高通滤波器来使图像清晰。但要注意能够进行锐化处理的图像必须有较高的性噪比，否则锐化后图像性噪比反而更低，从而使得噪声增加的比信号还要多，因此一般是先去除或减轻噪声后再进行锐化处理。 图像锐化的方法分为高通滤波和空域微分法。图像的边缘或线条的细节（边缘）部分与图像频谱的高频分量相对应，因此采用高通滤波让高频分量顺利通过，并适当抑制中低频分量，是图像的细节变得清楚，实现图像的锐化，
基于MATLAB的数字图像平滑和锐化处理算法分析
基于MATLAB的数字图像平滑和锐化处理算法分析 卞凤杰 2141141 摘要：本文主要内容是利用MATLAB 对图像进行频域平滑和锐化处理。本文先对图像进行空域平滑、锐化处理，然后再进行频域平滑滤波、锐化等操作，可以简单比较空域和频域下对图像进行处理的不同效果，并且通过改变参数确定效果最佳的平滑和锐化处理算法，同时给出了运用MATLAB 进行图像处理的前后对照图像。 关键词：MATLAB；图像处理；图像平滑；图像锐化 Abstract：In this paper, the main content is to use MATLAB to do image smoothing and sharpening processing in the frequency-domain.Firstly，this article to do spatial smoothing, sharpening processing of the image, and then to frequency-domain smoothing filtering, sharpening, etc.This can be simply compare the different results of image processing in spatial domain and frequency domain. Secondly, by changing the parameters to determine the best smoothing and sharpening processing algorithm, and gives a comparison before and after using MATLAB image processing image. Keywords：MATLAB；Image Processing；Image smoothing;Image sharpening
实验三 图像的平滑与锐化
实验三图像的平滑与锐化 （实验类型：综合性；学时：4） 一、实验目的 1. 理解图像空域滤波的基本原理及方法，学会采用邻域平均滤波、中值滤波等方法对图像进行平滑增强，以消除或尽量减少噪声的影响，改善图像质量； 2. 理解图象锐化的概念，掌握常用空域锐化增强技术，学会编写程序对图像进行锐化增强，感受不同的模板对图像锐化效果的影响。 二、实验环境 Matlab 7.0 三、实验原理 1. 图像平滑 MATLAB图像处理工具箱提供了基于卷积的图像滤波函数filter2。filter2的语法格式为：Y = filter2(h, X) 其中Y =filter2(h,X)返回图像X经算子h滤波后的结果，默认返回图像Y与输入图像X大小相同。 fspecial函数用于创建预定义的滤波算子，其语法格式为： h = fspecial(type) h = fspecial(type, parameters) 参数type指定算子类型，parameters指定相应的参数，具体格式为： type='average'，为均值滤波，参数parameters为n，代表模版尺寸，用向量表示，默认值为[3,3]。 type= 'gaussian'，为高斯低通滤波器，参数parameters有两个，n表示模版尺寸，默认值为[3,3]，sigma表示滤波器的标准差，单位为像素，默认值为0.5。 type= 'laplacian'，为拉普拉斯算子，参数parameters为alpha，用于控制拉普拉斯算子的形状，取值范围为[0,1]，默认值为0.2。 type= 'log'，为拉普拉斯高斯算子，参数parameters有两个，n表示模版尺寸，默认值为[3,3]，sigma为滤波器的标准差，单位为像素，默认值为0.5 type= 'prewitt'，为prewitt算子，用于边缘增强，无参数。 type= 'sobel'，为的sobel算子，用于边缘提取，无参数。 MATLAB图像处理工具箱中，也提供了medfilt2函数用于实现中值滤波。 Medfilt2函数的语法格式为： B = medfilt2(A) %用3×3的滤波窗口对图像A进行中值滤波。 B = medfilt2(A,[m n]) %用指定大小为m×n的窗口对图像A进行中值滤波。 1.1噪声模拟 例1.利用函数imnoise为指定图像分别添加高斯(gaussian)噪声和椒盐噪声。 I=imread('cameraman.tif'); subplot(1,3,1),imshow(I);