Matlab做图像边缘检测的多种方法
canny边缘检测matlab代码
canny边缘检测matlab代码Canny边缘检测是一种常用的图像处理算法，它可以有效地检测图像中的边缘，并将其显示为白色线条。
在Matlab中，可以使用以下代码实现Canny边缘检测：1. 读取图像首先，需要读取待处理的图像。
可以使用imread函数来读取图片：```matlabimg = imread('image.jpg');```其中，image.jpg是待处理的图片文件名。
2. 灰度化Canny算法只能处理灰度图像，因此需要将彩色图像转换为灰度图像。
可以使用rgb2gray函数来实现：```matlabgray_img = rgb2gray(img);```3. 高斯滤波在进行边缘检测之前，需要对图像进行高斯滤波来消除噪声。
可以使用fspecial和imfilter函数来实现：```matlabgaussian_filter = fspecial('gaussian', [5 5], 1);blur_img = imfilter(gray_img, gaussian_filter, 'replicate');```其中，[5 5]表示高斯核的大小为5x5，1表示标准差。
4. 计算梯度幅值和方向接下来，需要计算每个像素点的梯度幅值和方向。
可以使用Sobel算子来计算梯度，并利用arctan函数计算方向角度：```matlabsobel_x = [-1 0 1; -2 0 2; -1 0 1];sobel_y = [-1 -2 -1; 0 0 0; 1 2 1];grad_x = imfilter(blur_img, sobel_x, 'replicate');grad_y = imfilter(blur_img, sobel_y, 'replicate');grad_mag = sqrt(grad_x.^2 + grad_y.^2);grad_dir = atan(grad_y ./ grad_x);```5. 非极大值抑制由于Sobel算子计算出的梯度幅值可能会有多个峰值，因此需要进行非极大值抑制来保留边缘。
使用Matlab进行图像识别的基本方法
使用Matlab进行图像识别的基本方法引言随着计算机视觉的快速发展，图像识别技术正在不断成熟和应用于各个领域。
作为一种强大的科学计算工具，Matlab在图像处理和识别方面发挥着重要作用。
本文将介绍使用Matlab进行图像识别的基本方法，包括图像预处理、特征提取和分类器训练等方面。
一、图像预处理图像预处理是图像识别的首要步骤，可以提升图像质量和减少噪声的影响。
在Matlab中，我们可以使用一系列的函数和工具箱来进行图像预处理。
常见的图像预处理方法包括灰度化、平滑滤波、边缘检测等。
1. 灰度化灰度化是将彩色图像转换为灰度图像的过程。
在Matlab中，我们可以使用rgb2gray函数将RGB图像转化为灰度图像。
该函数将RGB图像的红、绿、蓝三个分量按一定的权重进行加权平均，得到一个表示灰度的单通道图像。
2. 平滑滤波平滑滤波可以去除图像中的噪声，提升图像的质量。
Matlab中提供了多种平滑滤波函数，如均值滤波、中值滤波和高斯滤波。
用户可以根据实际需求选择合适的滤波方法。
3. 边缘检测边缘检测是图像预处理中常用的技术之一。
Matlab中有多种边缘检测算法可供选择，如Sobel算子、Canny算子和Laplacian算子等。
用户可以根据具体情况选择适合的边缘检测方法。
二、特征提取特征提取是图像识别的关键步骤，是将图像中的信息转化为可供分类器识别的特征向量。
在Matlab中，我们可以使用各种特征提取算法和工具箱来提取特征。
常用的特征包括颜色直方图、纹理特征和形状特征。
1. 颜色直方图颜色直方图是一种常用的图像特征，可以反映图像中不同颜色的分布情况。
在Matlab中，我们可以使用imhist函数计算图像的颜色直方图。
通过统计图像中每个颜色值的像素个数，我们可以得到一个表示颜色分布的特征向量。
2. 纹理特征纹理特征是用来描述图像中的纹理信息的特征。
在Matlab中，我们可以使用局部二值模式（Local Binary Patterns, LBP）和灰度共生矩阵（Gray Level Co-occurrence Matrix, GLCM）等方法来提取纹理特征。
Matlab多种图像边缘检测方法
Matlab多种图像边缘检测方法1、用Prewitt算子检测图像的边缘I = imread('bacteria.BMP');BW1 = edge(I,'prewitt',0.04); % 0.04为梯度阈值figure(1);imshow(I);figure(2);imshow(BW1);2、用不同σ值的LoG算子检测图像的边缘I = imread('bacteria.BMP');BW1 = edge(I,'log',0.003); % σ=2imshow(BW1);title('σ=2')BW1 = edge(I,'log',0.003,3); % σ=3figure, imshow(BW1);title('σ=3')3、用Canny算子检测图像的边缘I = imread('bacteria.BMP');imshow(I);BW1 = edge(I,'canny',0.2);figure,imshow(BW1);4、图像的阈值分割I=imread('blood1.tif');imhist(I); % 观察灰度直方图，灰度140处有谷，确定阈值T=140I1=im2bw(I,140/255); % im2bw函数需要将灰度值转换到[0,1]范围内figure,imshow(I1);5、用水线阈值法分割图像afm = imread('afmsurf.tif');figure, imshow(afm);se = strel('disk', 15);Itop = imtophat(afm, se); % 高帽变换Ibot = imbothat(afm, se); % 低帽变换figure, imshow(Itop, []); % 高帽变换，体现原始图像的灰度峰值figure, imshow(Ibot, []); % 低帽变换，体现原始图像的灰度谷值Ienhance = imsubtract(imadd(Itop, afm), Ibot);% 高帽图像与低帽图像相减，增强图像figure, imshow(Ienhance);Iec = imcomplement(Ienhance); % 进一步增强图像Iemin = imextendedmin(Iec, 20); figure,imshow(Iemin) % 搜索Iec中的谷值Iimpose = imimposemin(Iec, Iemin);wat = watershed(Iimpose); % 分水岭分割rgb = label2rgb(wat); figure, imshow(rgb); % 用不同的颜色表示分割出的不同区域6、对矩阵进行四叉树分解I = [ 1 1 1 1 2 3 6 61 12 1 4 5 6 81 1 1 1 10 15 7 71 1 1 1 20 25 7 720 22 20 22 1 2 3 420 22 22 20 5 6 7 820 22 20 20 9 10 11 1222 22 20 20 13 14 15 16];S = qtdecomp(I,5);full(S)7、将图像分为文字和非文字的两个类别I=imread('4-11.jpg');I1=I(:,:,1);I2=I(:,:,2);I3=I(:,:,3);[y,x,z]=size(I);d1=zeros(y,x);d2=d1;myI=double(I);I0=zeros(y,x);for i=1:xfor j=1:y%欧式聚类d1(j,i)=sqrt((myI(j,i,1)-180)^2+(myI(j,i,2)-180)^2+(myI(j,i,3)-180)^2);d2(j,i)=sqrt((myI(j,i,1)-200)^2+(myI(j,i,2)-200)^2+(myI(j,i,3)-200)^2);if (d1(j,i)>=d2(j,i))I0(j,i)=1;endendendfigure(1);imshow(I);% 显示RGB空间的灰度直方图，确定两个聚类中心(180,180,180)和(200,200,200) figure(2);subplot(1,3,1);imhist(I1);subplot(1,3,2);imhist(I2);subplot(1,3,3);imhist(I3);figure(4);imshow(I0);8、形态学梯度检测二值图像的边缘I=imread('wrod213.bmp');imshow(I);I=~I; % 腐蚀运算对灰度值为1的进行figure, imshow(I);SE=strel('square',3); % 定义3×3腐蚀结构元素J=imerode(~I,SE);BW=(~I)-J; % 检测边缘figure,imshow(BW);9、形态学实例——从PCB图像中删除所有电流线，仅保留芯片对象I=imread('circbw.tif');imshow(I);SE=strel('rectangle',[40 30]); % 结构定义J=imopen(I,SE); % 开启运算figure,imshow(。
关于MATLAB边缘检测sobel算子
关于MATLAB边缘检测sobel算子一、sobel介绍索贝尔算子是图像处理中的算子之一，主要用作边缘检测。
在技术上，它是一离散性差分算子，用来运算图像亮度函数的梯度之近似值。
在图像的任何一点使用此算子，将会产生对应的梯度矢量或是其法矢量。
该算子包含两组3x3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。
如果以代表原始图像，及分别代表经横向及纵向边缘检测的图像，其公式如下:图像的每一个像素的横向及纵向梯度近似值可用以下的公式结合，来计算梯度的大小。
然后可用以下公式计算梯度方向。
在以上例子中，如果以上的角度等于零，即代表图像该处拥有纵向边缘，左方较右方暗。
二、程序例1clear all;close all;f=imread('dsy.jpg');u=rgb2gray(f);F=double(f);U=double(u);[H,W]=size(u);uSobel=u;% ms=0;% ns=0;for i=2:H-1for j=2:W-1Gx=(U(i+1,j-1)+2*U(i+1,j)+F(i+1,j+1))-(U(i-1,j-1)+2*U(i-1,j)+F(i-1,j+1));Gy=(U(i-1,j+1)+2*U(i,j+1)+F(i+1,j+1))-(U(i-1,j-1)+2*U(i,j-1)+F(i+1,j-1));uSobel(i,j)=sqrt(Gx^2+Gy^2);% ms=ms+uSobel(i,j);% ns=ns+(uSobel(i,j)-ms)^2;endend% ms=ms/(H*W);% ns=ns/(H*W);subplot(1,2,1);imshow(f);title('原图');subplot(1,2,2);imshow(im2uint8(uSobel));title('Sobel处理后');% S=[ms ns];程序运行结果：例2hg=zeros(3,3); %设定高斯平滑滤波模板的大小为3*3delta=0.5;for x=1:1:3for y=1:1:3u=x-2;v=y-2;hg(x,y)=exp(-(u^2+v^2)/(2*pi*delta^2));endendh=hg/sum(hg(:));g = imread('jjj.jpg ');f=rgb2gray(im2double(g));subplot(2,2,1),imshow(f)title('原始图像');[m,n]=size(f);ftemp=zeros(m,n);rowhigh=m-1;colhigh=n-1;%%%高斯滤波%%%for x=2:1:rowhigh-1for y=2:1:colhigh-1mod=[f(x-1,y-1) f(x-1,y) f(x-1,y+1); f(x,y-1) f(x,y) f(x,y+1);f(x+1,y-1) f(x+1,y) f(x+1,y+1)];A=h.*mod;ftemp(x,y)=sum(A(:));endendf=ftempsubplot(2,2,2),imshow(f)title('高斯滤波器后的图像');%%%%3*3的soble算子%%%%%%%%sx=[-1 -2 -1;0 0 0;1 2 1];sy=[-1 0 1;-2 0 2;-1 0 1];for x=2:1:rowhigh-1for y=2:1:colhigh-1mod=[f(x-1,y-1) f(x-1,y) f(x-1,y+1); f(x,y-1) f(x,y) f(x,y+1);f(x+1,y-1) f(x+1,y) f(x+1,y+1)];fsx=sx.*mod;fsy=sy.*mod;ftemp(x,y)=max((abs(sum(fsx(:)))),(abs(sum(fsy(:)))));endendfs=im2uint8(ftemp);subplot(2,2,3),imshow(fs)title('用soble检测的原始图像');%%%域值分割%%%TH2=30; %设定阈值for x=2:1:rowhigh-1for y=2:1:colhigh-1if (fs(x,y)>=TH2)&((fs(x,y-1) <= fs(x,y)) & (fs(x,y) > fs(x,y+1)) )fs(x,y)=200;elseif(fs(x,y)>=TH2)&( (fs(x-1,y) <=fs(x,y)) & (fs(x,y) >fs(x+1,y))) fs(x,y)=200;else fs(x,y)=50;endendendsubplot(2,2,4),imshow(fs)title('用soble检测并细化后的图像')。
Matlab图像的锐化处理及边缘检测
Matlab图像锐化处理及边缘检测本章要点：☑图像边缘锐化的基本方法☑微分运算☑梯度锐化☑边缘检测6．1 图像边缘锐化的基本方法物体的边缘是以图像局部特性不连续性的形式出现。
本质上边缘常意味着一个区域的终结和另一个区域的开始。
图像边缘信息在图像分析和人的视觉中都是十分重要的，是图像识别中提取图像特征的一个重要特性。
图像的边缘有方向和幅度两个特性。
通常，延边缘走向的像素变化平缓，而垂直于边缘走向的像素变化剧烈。
边缘的描述包含以下几个方面：（1）边缘点——它两边像素的灰度值有显著的不同。
边缘点也存在于这样一对邻点之间即一个在较亮的区域内部，另一个在外部。
（2）边缘法线方向——在某点灰度变化最剧烈的方向，与边缘方向垂直。
（3）边缘方向——与边缘法线方向垂直，是目标边界的切线方向。
（4）边缘位置——边缘所在的坐标位置。
（5）边缘强度——沿边缘法线方向图像局部的变化强度的量度。
粗略地区分边缘种类可以有两种，其一是阶跃状边缘，它两边像素的灰度值有显著的不同，其二是屋顶状边缘，它位于灰度值从增加到减少的变化转折点。
这些变化分别对应景物中不同的物理状态。
边缘是图像上灰度变化比较剧烈的地方，如果一个像素落在图像中某一个物体的边界上，那么它的邻域将成为一个灰度级的变化带。
对这种变化最有用的两个特征是灰度的变化率和方向，在灰度变化突变处进行微分，将产生高值。
经典的边缘提取方法是考虑图像的每个像素在某个领域内的变化，利用边缘邻近一阶或二阶方向导数变化规律，来检测边缘。
图像灰度值的显著变化可以用一阶差分替代一阶微分的梯度来表示，它们分别以梯度向量的幅度和方向来表示。
因此图像中陡峭边缘的梯度值将是很大的；那些灰度变化平缓的地方，梯度值是比较小的；而那些灰度值相同的地方，梯度值将为零。
图像经过梯度运算能灵敏地检测出边界线，这种微分边缘检测算子运算简单易行，但有方向性。
利用计算机进行图像锐化处理有两个目的，一是与柔化处理相反，增强图像边缘，使模糊的图像变得更加清晰起来，颜色变得鲜明突出，图像的质量有所改善，产生更适合人观察和识别的图像，本章的梯度锐化就是介绍这方面的内容。
matlabcanny边缘检测代码接霍夫变换-概述说明以及解释
matlabcanny边缘检测代码接霍夫变换-概述说明以及解释1.引言1.1 概述边缘检测是图像处理中的一个重要任务，它广泛应用于计算机视觉、图像分析和模式识别等领域。
边缘检测的目标是找到图像中不同区域之间的边界，并将其表示为像素强度的变化。
Canny边缘检测算法是一种经典且常用的边缘检测方法。
它通过一系列的图像处理步骤来提取图像中的边缘信息。
Canny算法的特点是能够检测出细且准确的边缘，并且对于图像中的噪声具有较好的抵抗能力。
Matlab是一种功能强大的数学软件，广泛应用于科学计算、数据可视化和图像处理等领域。
Matlab提供了丰富的图像处理函数和工具箱，其中包括了Canny边缘检测的实现代码。
本文的主要目的是介绍Matlab中Canny边缘检测的代码实现，并结合Hough变换算法进行边缘检测的应用。
通过使用Matlab中的相关函数和工具，我们可以有效地实现Canny边缘检测，并结合Hough变换来进一步处理和分析图像中的边缘特征。
本文将首先回顾Canny边缘检测算法的原理和步骤，然后介绍Matlab中的Canny边缘检测代码的使用方法。
接着，我们将介绍Hough 变换算法的原理和应用，并展示如何将Canny边缘检测与Hough变换相结合来实现更精确的边缘检测。
最后，我们将对Canny边缘检测和Hough变换的优缺点进行讨论，总结这两种方法在边缘检测中的应用。
同时，我们也将展望未来的研究方向，探讨如何进一步改进和优化边缘检测算法，以满足不断发展的图像处理需求。
通过阅读本文，读者将能够理解Canny边缘检测算法和Hough变换算法的原理，掌握Matlab中相关代码的使用方法，并了解边缘检测在实际应用中的优势和局限性。
希望本文能为读者在图像处理领域的学习和研究提供一定的帮助和启示。
文章结构是指文章的整体框架和组织形式。
一个良好的文章结构可以使读者更好地理解和领会文章的内容，同时也有助于文章的逻辑性和条理性。
matlab边缘检测代码
MATLAB边缘检测代码边缘检测是图像处理中常用的技术，用于识别图像中物体的轮廓。
在MATLAB中，我们可以使用不同的方法进行边缘检测，例如Sobel算子、Canny算子等。
本文将介绍MATLAB中常用的边缘检测方法，并给出相应的代码示例。
1. Sobel算子Sobel算子是一种基于梯度的边缘检测算法，通过计算图像灰度值的一阶导数来识别边缘。
在MATLAB中，我们可以使用edge函数来实现Sobel算子。
img = imread('image.jpg'); % 读取图像gray_img = rgb2gray(img); % 将彩色图像转换为灰度图像edge_img = edge(gray_img, 'sobel'); % 使用Sobel算子进行边缘检测imshow(edge_img); % 显示结果上述代码首先读取一张彩色图像，并将其转换为灰度图像。
然后使用edge函数对灰度图像进行Sobel边缘检测，并将结果显示出来。
2. Canny算子Canny算子是一种基于多阶段处理的边缘检测算法，它能够有效地抑制噪声并提取出清晰、准确的边缘。
在MATLAB中，我们同样可以使用edge函数来实现Canny算子。
img = imread('image.jpg'); % 读取图像gray_img = rgb2gray(img); % 将彩色图像转换为灰度图像edge_img = edge(gray_img, 'canny'); % 使用Canny算子进行边缘检测imshow(edge_img); % 显示结果上述代码与Sobel算子的示例代码类似，只是将edge函数的第二个参数设置为'canny'来使用Canny算子进行边缘检测。
3. Laplacian算子Laplacian算子是一种基于二阶导数的边缘检测算法，它能够检测出图像中的灰度变化区域。
基于Matlab的几种常用边缘检测算子的研究
基于Matlab的几种常用边缘检测算子的研究摘要：图像边缘检测一直以来都是图像处理与分析领域的研究热点，首先简单介绍了边缘检测的原理，重点对具有代表性的图像边缘提取方法进行了讨论，分析了这些算子进行边缘检测的优缺点，以及导致它们效果差异的具体原因。
为了更清楚看出效果，针对标准例图，利用matlab软件，给出了这些算法的仿真实验效果，最后对实验结果进行了分析，这对进一步学习和寻找更好的熟悉图像边缘检测方法具有一定的指导意义。
关键词：边缘检测；robert算子；prewitt算子；sobel算子0 引言在数字图像中，边缘（edge）是指图像局部强度变化最显著的部分，主要存在于目标与背景之间，目标与目标之间和区域与区域（包括不同色彩）之间。
边缘是图像最基本的特征之一，通过对边缘的检测，大大了减少所要处理的图像信息，但是又保留了图像中的物体形状信息，因而边缘检测在图像处理和计算机视觉等领域中有着重要的作用，是图像分析、模式识别的重要部分。
1 边缘检测的原理边缘检测就是利用模板对图像矩阵进行卷积运算。
卷积运算：将用到的图像区域中的每个像素分别于模板(权矩阵)的每个元素对应相乘，所有乘积之和作为区域中心像素的新值。
反映到公式上就是：R=R\-1[]R\-2[]R\-3R\-4[]R\-6[]R\-6R\-7[]R\-8[]R\-9卷积G=G\-1[]G\-2[]G\-3G\-4[]G\-6[]G\-6G\-7[]G\-8[]G\-9图像矩阵模板R\-5(中心像素)=R\-1G\-1+R\-2G\-2+R\-3G\-3+R\-4G\-4+R\-5G\-5+R\-6G\-6+R\-7G\-7+R\-8G\-8+R\-9G\-9为了容易理解边缘检测的原理，本文利用的是一个模板，但对于一个连续图像函数f（x,y）,它的一阶导数为两个：分别为沿x轴的Gx和沿y轴的Gy，因此在实际应用中通常利用两个模板来分别进行卷积运算，再取其最大值作为该像素点处的新值。
matlabcanny边缘检测代码接霍夫变换
matlabcanny边缘检测代码接霍夫变换全文共四篇示例，供读者参考第一篇示例：Matlab是一个强大的数学软件工具，其图像处理工具箱可以帮助我们进行各种图像处理操作，比如边缘检测和霍夫变换。
本文将分享如何使用Matlab进行Canny边缘检测，并结合霍夫变换进行线检测。
Canny边缘检测是一种经典的边缘检测算法，它的优点是能够检测到边缘的细节，并且对噪声具有一定的鲁棒性。
在Matlab中，我们可以通过一行简单的代码来实现Canny边缘检测：```edgeImage = edge(rgb2gray(image), 'canny');```以上代码中，我们首先将原始图像转换为灰度图像，然后调用Matlab的'edge'函数，并指定边缘检测算法为Canny，最后我们将得到的边缘图像存储在edgeImage中。
接下来，我们可以将边缘图像显示出来，以便进行进一步的处理和分析。
```imshow(edgeImage);通过上述代码，我们可以看到Canny边缘检测算法的效果，边缘比较清晰，同时也保留了边缘的细节信息。
接下来，我们将介绍如何使用霍夫变换来进行线检测。
霍夫变换是一种经典的图像处理算法，其主要应用是检测直线和圆等几何形状。
在Matlab中，我们可以通过一行代码来实现霍夫变换的线检测：```[H,theta,rho] = hough(edgeImage);peaks = houghpeaks(H, 10);lines = houghlines(edgeImage, theta, rho, peaks);imshow(image);hold on;for k = 1 : length(lines)xy = [lines(k).point1; lines(k).point2];plot(xy(:,1),xy(:,2),'LineWidth',2,'Color','green');endhold off;以上代码中，我们首先调用Matlab的'hough'函数来计算霍夫变换的极坐标空间。
图像边缘检测各种算子MATLAB实现以及实际应用
《图像处理中的数学方法》实验报告学生姓名：***教师姓名：曾理学院：数学与统计学院专业：信息与计算科学学号：********联系方式：139****1645梯度和拉普拉斯算子在图像边缘检测中的应用一、数学方法边缘检测最通用的方法是检测灰度值的不连续性，这种不连续性用一阶和二阶导数来检测。
1.（1）一阶导数：一阶导数即为梯度，对于平面上的图像来说，我们只需用到二维函数的梯度，即：∇f=[g xg y]=[ðf ðxðfðy],该向量的幅值：∇f=mag(∇f)=[g x2+g y2]1/2= [(ðf/ðx)2+(ðf/ðy)2]1/2,为简化计算，省略上式平方根，得到近似值∇f≈g x2+g y2；或通过取绝对值来近似，得到：∇f≈|g x|+|g y|。
（2）二阶导数：二阶导数通常用拉普拉斯算子来计算，由二阶微分构成：∇2f(x,y)=ð2f(x,y)ðx2+ð2f(x,y)ðy22.边缘检测的基本思想：（1）寻找灰度的一阶导数的幅度大于某个指定阈值的位置；（2）寻找灰度的二阶导数有零交叉的位置。
3.几种方法简介（1）Sobel边缘检测器：以差分来代替一阶导数。
Sobel边缘检测器使用一个3×3邻域的行和列之间的离散差来计算梯度，其中，每行或每列的中心像素用2来加权，以提供平滑效果。
∇f=[g x2+g y2]1/2={[(z7+2z8+z9)−(z1+2z2+z3)]2+[(z3+2z6+z9)−(z1+2z4+z7)]2}1/2（2）Prewitt边缘检测器:使用下图所示模板来数字化地近似一阶导数。
与Sobel检测器相比，计算上简单一些，但产生的结果中噪声可能会稍微大一些。
g x=(z7+z8+z9)−(z1+z2+z3)g y=(z3+z6+z9)−(z1−z4−z7)（3）Roberts边缘检测器：使用下图所示模板来数字化地将一阶导数近似为相邻像素之间的差，它与前述检测器相比功能有限（非对称，且不能检测多种45°倍数的边缘）。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Matlab做图像边缘检测的多种方法
1、用Prewitt算子检测图像的边缘
I = imread('bacteria.BMP');
BW1 = edge(I,'prewitt',0.04); % 0.04为梯度阈值
figure(1);
imshow(I);
figure(2);
imshow(BW1);
2、用不同σ值的LoG算子检测图像的边缘
I = imread('bacteria.BMP');
BW1 = edge(I,'log',0.003); % σ=2
imshow(BW1);title('σ=2')
BW1 = edge(I,'log',0.003,3); % σ=3
figure, imshow(BW1);title('σ=3')
3、用Canny算子检测图像的边缘
I = imread('bacteria.BMP');
imshow(I);
BW1 = edge(I,'canny',0.2);
figure,imshow(BW1);
4、图像的阈值分割
I=imread('blood1.tif');
imhist(I); % 观察灰度直方图，灰度140处有谷，确定阈值T=140
I1=im2bw(I,140/255); % im2bw函数需要将灰度值转换到[0,1]范围内
figure,imshow(I1);
5、用水线阈值法分割图像
afm = imread('afmsurf.tif');figure, imshow(afm);
se = strel('disk', 15);
Itop = imtophat(afm, se); % 高帽变换
Ibot = imbothat(afm, se); % 低帽变换
figure, imshow(Itop, []); % 高帽变换，体现原始图像的灰度峰值
figure, imshow(Ibot, []); % 低帽变换，体现原始图像的灰度谷值
Ienhance = imsubtract(imadd(Itop, afm), Ibot);% 高帽图像与低帽图像相减，增强图像figure, imshow(Ienhance);
Iec = imcomplement(Ienhance); % 进一步增强图像
Iemin = imextendedmin(Iec, 20); figure,imshow(Iemin) % 搜索Iec中的谷值Iimpose = imimposemin(Iec, Iemin);
wat = watershed(Iimpose); % 分水岭分割
rgb = label2rgb(wat); figure, imshow(rgb); % 用不同的颜色表示分割出的不同区域
6、对矩阵进行四叉树分解
I = [ 1 1 1 1 2 3 6 6
1 1
2 1 4 5 6 8
1 1 1 1 10 15 7 7
1 1 1 1 20 25 7 7
20 22 20 22 1 2 3 4
20 22 22 20 5 6 7 8
20 22 20 20 9 10 11 12
22 22 20 20 13 14 15 16];
S = qtdecomp(I,5);
full(S)
7、将图像分为文字和非文字的两个类别
I=imread('4-11.jpg');
I1=I(:,:,1);
I2=I(:,:,2);
I3=I(:,:,3);
[y,x,z]=size(I);
d1=zeros(y,x);
d2=d1;
myI=double(I);
I0=zeros(y,x);
for i=1:x
for j=1:y
%欧式聚类
d1(j,i)=sqrt((myI(j,i,1)-180)^2+(myI(j,i,2)-180)^2+(myI(j,i,3)-180)^2);
d2(j,i)=sqrt((myI(j,i,1)-200)^2+(myI(j,i,2)-200)^2+(myI(j,i,3)-200)^2);
if (d1(j,i)>=d2(j,i))
I0(j,i)=1;
end
end
end
figure(1);
imshow(I);
% 显示RGB空间的灰度直方图，确定两个聚类中心(180,180,180)和(200,200,200)
figure(2);
subplot(1,3,1);
imhist(I1);
subplot(1,3,2);
imhist(I2);
subplot(1,3,3);
imhist(I3);
figure(4);
imshow(I0);
8、形态学梯度检测二值图像的边缘
I=imread('wrod213.bmp');
imshow(I);
I=~I; % 腐蚀运算对灰度值为1的进行
figure, imshow(I);
SE=strel('square',3); % 定义3×3腐蚀结构元素
J=imerode(~I,SE);
BW=(~I)-J; % 检测边缘
figure,imshow(BW);
9、形态学实例——从PCB图像中删除所有电流线，仅保留芯片对象
I=imread('circbw.tif');
imshow(I);
SE=strel('rectangle',[40 30]); % 结构定义
J=imopen(I,SE); % 开启运算
figure,imshow(J);。