图像形态学的matlab实现 - 副本

合集下载

MATLAB图像处理基础教程

MATLAB图像处理基础教程

MATLAB图像处理基础教程第一章:MATLAB图像处理简介MATLAB(Matrix Laboratory)是一种强大的数值计算和数据可视化软件,广泛应用于各个领域,包括图像处理。

图像处理是一门研究如何对数字图像进行分析、增强、重建和压缩的学科。

本教程将引导读者逐步了解MATLAB图像处理的基本概念和技术。

第二章:MATLAB图像的读取与显示在MATLAB中,可以使用imread函数读取不同格式的图像文件,并使用imshow函数显示图像。

此外,还可以使用imfinfo函数获取图像的详细信息,如分辨率、颜色空间和位深度等。

第三章:图像的灰度处理灰度处理是一种常见的图像预处理方法。

通过将彩色图像转换为灰度图像,可以减少图像的数据量,简化图像处理的复杂性。

在MATLAB中,可以使用rgb2gray函数将彩色图像转换为灰度图像,并使用imhist函数查看灰度图像的直方图。

第四章:图像的滤波处理滤波是一种常用的图像处理操作,用于对图像进行平滑、增强或去噪。

MATLAB提供了各种滤波函数,如均值滤波、中值滤波和高斯滤波等。

可以根据具体需求选择合适的滤波方法,并使用imfilter函数进行滤波处理。

第五章:图像的二值化处理图像的二值化是将图像转换为黑白两色的过程,常用于物体检测、识别和分割等应用。

在MATLAB中,可以使用im2bw函数将灰度图像转换为二值图像,并可以调整阈值来控制二值化的效果。

第六章:图像的几何变换几何变换是一种常见的图像处理操作,用于对图像进行旋转、缩放、平移和翻转等操作。

MATLAB提供了imrotate、imresize、imtranslate和flip函数等实现各种几何变换。

通过组合这些函数,可以实现复杂的图像变换。

第七章:图像的特征提取图像的特征提取是图像处理中的重要步骤,用于从图像中提取出具有代表性的信息。

在MATLAB中,可以使用各种特征提取函数,如imgradient、imhistogram和imcontour等。

实验1-Matlab基本与图像处理基本操作

实验1-Matlab基本与图像处理基本操作

图像处理工具箱简介
01
MATLAB图像处理工具箱是MATLAB软件中一个专门用于图像处理的工具箱, 它提供了一套完整的图像处理和分析工具,包括图像读取、显示、变换、滤波 、增强、分割、特征提取等功能。
02
该工具箱支持多种图像格式,如BMP、JPG、PNG、TIFF等,并提供了丰富的 图像处理函数和算法,方便用户进行图像处理和分析。
对未来学习的展望
• 深入学习图像处理算法:在未来的学习中,我们将进一步深入学习图像处理的 各种算法和原理,包括图像分割、特征提取、目标检测等,以便更好地应用在 实际问题中。
• 掌握更多图像处理软件:除了Matlab软件外,我们还将学习掌握其他常用的 图像处理软件,如OpenCV、Python图像处理库等,以便更灵活地处理各种 图像问题。
02
学习图像处理基本 操作
了解图像处理基本概念,学习图 像读取、显示、保存等基本操作。
03
掌握图像处理常用 函数
熟悉MATLAB中图像处理工具箱 的常用函数,如图像调整、滤波、 边缘检测等。
实验环境准备
MATLAB软件
确保计算机已安装MATLAB软件,并熟悉软件基 本操作。
图像处理工具箱
安装并配置MATLAB图像处理工具箱,以便进行 图像处理实验。
• 加强实验数据分析处理能力:在未来的实验中,我们将更加注重实验数据的分 析和处理,学习掌握更多的数据处理方法和技巧,以便更准确地评估实验结果 和性能。
• 拓展应用领域:图像处理技术在实际应用中具有广泛的应用领域,如医学影像 处理、智能交通、安全监控等。在未来的学习中,我们将积极探索这些应用领 域,并尝试将所学的图像处理技术应用到实际问题中。
使用图像处理工具箱中的特 征提取函数和分类器函数, 对图像进行特征提取和分类 识别。例如,可以使用灰度 共生矩阵提取图像纹理特征, 然后使用支持向量机(SVM) 进行分类识别。

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

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。

基于MATLAB GUI图像处理系统的设计与实现

基于MATLAB GUI图像处理系统的设计与实现

基于MATLAB GUI图像处理系统的设计与实现本文将介绍一个基于MATLAB GUI的图像处理系统的设计和实现。

该系统提供了一系列常用的图像处理功能,包括图像滤波、边缘检测、图像变换、形态学处理、颜色空间转换等。

通过该系统,用户可以方便地对图像进行处理和分析。

首先,需要创建一个MATLAB GUI窗口,用于显示图像和进行图像处理。

接着,通过调用MATLAB内置的图像处理函数来实现各种功能。

下面是一些常用功能的实现方法:1.图像读取:使用imread函数来读取图像文件,并在GUI窗口中显示。

2.图像滤波:使用imfilter函数来实现各种滤波器,如高斯滤波、中值滤波等。

3.边缘检测:使用边缘检测算法(如Sobel算子、Canny算法等)来提取图像中的边缘信息。

4.图像变换:使用imresize函数来改变图像的大小,使用imrotate函数来旋转图像等。

5.形态学处理:使用imopen、imclose等形态学处理函数来对图像进行形态学分析和处理。

6.颜色空间转换:使用rgb2gray、rgb2hsv等函数来进行颜色空间的转换。

在实现这些功能时,可以使用MATLAB的图像处理工具箱中的函数,也可以自己编写函数来实现特定的处理功能。

除了提供以上的基本功能,该系统还可以通过添加菜单栏、工具栏等交互元素,以增强用户体验。

例如,添加一个“保存”菜单项,使用户可以将处理后的图像保存到本地,或添加一个“撤销”按钮,使用户可以取消上一次的处理操作等。

总之,通过将MATLAB GUI和图像处理技术相结合,我们可以很方便地开发出一个图像处理系统,并提供常用的功能和交互元素,使用户可以快速地对图像进行处理和分析。

同时,我们也可以根据实际需要,自行扩展和改进该系统,以适应更加复杂的图像处理应用场景。

如何在Matlab中进行图像纹理分析与合成

如何在Matlab中进行图像纹理分析与合成

如何在Matlab中进行图像纹理分析与合成引言:作为一种广泛应用于图像处理与分析的编程工具,Matlab提供了丰富的函数库与工具箱,使得图像纹理分析与合成变得更加简单与高效。

本文将介绍如何使用Matlab进行图像纹理分析与合成,并探讨一些相关技术与方法。

一、图像纹理分析图像纹理是指图像中重复或规则出现的细微视觉元素。

图像纹理分析的目标是提取出图像中的纹理特征,以便进一步的分析与应用。

常用的图像纹理分析方法包括灰度共生矩阵(GLCM)、小波变换与局部二值模式(LBP)等。

1. 灰度共生矩阵(GLCM)灰度共生矩阵是一种描述图像纹理特征的统计工具。

它通过计算图像中每一像素与其周围像素之间的灰度值差异,来描述图像的纹理特征。

在Matlab中,可以使用`graycomatrix`函数来计算图像的灰度共生矩阵,并通过`graycoprops`函数计算出一些统计特征,如对比度、能量、熵等。

2. 小波变换小波变换是一种多尺度分析技术,它能够将图像分解成不同尺度的纹理特征。

Matlab提供了丰富的小波变换函数,如`wavedec2`和`waverec2`等。

可以利用小波变换将图像进行分解,并选择感兴趣的尺度系数,以提取图像的纹理特征。

3. 局部二值模式(LBP)局部二值模式是一种描述图像纹理的统计工具。

它通过比较每一像素与周围像素之间的灰度值,将每一像素编码为一个二进制数,从而描述图像的纹理特征。

在Matlab中,可以使用`extractLBPFeatures`函数计算图像的局部二值模式特征,并进一步应用于分类、检索等任务中。

二、图像纹理合成图像纹理合成是指通过模拟、重建或生成纹理的方法,将不同纹理元素组合成新的图像纹理。

Matlab提供了一些函数和工具箱,可以实现图像纹理合成的过程。

下面介绍两种常见的图像纹理合成方法。

1. 基于样本的图像纹理合成基于样本的图像纹理合成是一种常用的图像纹理合成方法。

它通过从原始纹理图像中抽取样本块,并将其拼贴到输出图像中,以生成新的纹理。

基于MATLAB的数字图像处理的设计与实现

基于MATLAB的数字图像处理的设计与实现

基于MATLAB的数字图像处理的设计与实现摘要数字图像处理是一门新兴技术,随着计算机硬件的发展,数字图像的实时处理已经成可能,由于数字图像处理的各种算法的出现,使得其处理速度越来越快,能更好的为人们服务。

数字图像处理是一种通过计算机采用一定的算法对图形图像进行处理的技术。

目的:改善医学图像质量,使图像得到增强。

方法:利用Matlab工具箱函数,采用灰度直方图均衡化和高通滤波的方法对一幅X线图像进行增强处理。

结果:用直方图均衡化的算法,将原始图像密集的灰度分布变得比较稀疏,处理后的图像视觉效果得以改善。

高通滤波对于局部细节增强显著,高通滤波后使不易观察到的细节变得清晰。

结论:使用Matlab工具箱大大简化了编程工作,为医学图像处理提供了一种技术平台。

经过直方图均衡化和高通滤波处理后的医学图像,视觉效果得到改善。

关键词:MATLAB;直方图均衡化;高通滤波;图像增强AbstractDigital image processing is an emerging technology, with the development of computer hardware, real—time digital image processing has become possible due to digital image processing algorithms to appear,making it faster and faster processing speed,better for people services .Digital image processing is used by some algorithms computer graphics image pro cessing technology. Objective:To improve the quality of medical image by enhancing the details。

如何在Matlab中进行图像处理与图像识别的实用技巧

如何在Matlab中进行图像处理与图像识别的实用技巧

如何在Matlab中进行图像处理与图像识别的实用技巧Matlab是一款强大的科学计算软件,广泛应用于图像处理和图像识别领域。

在这篇文章中,我们将探讨一些在Matlab中进行图像处理和图像识别的实用技巧。

一、图像预处理在进行图像处理前,我们通常需要对原始图像进行预处理,以提高后续处理的效果。

图像预处理的目标包括去噪、增强和归一化等。

1.1 去噪图像中常常存在各种噪声,如高斯噪声、椒盐噪声等,这些噪声会影响后续处理的准确性。

Matlab提供了多种去噪方法,其中最常用的是使用统计滤波器,如均值滤波器、中值滤波器和高斯滤波器等。

这些滤波器能够有效地减少图像中的噪声,并保持图像的细节。

1.2 增强图像增强可以使图像更加清晰、对比度更强、细节更明显。

在Matlab中,可以使用直方图均衡化、灰度拉伸等方法进行图像增强。

直方图均衡化通过对图像的灰度级进行重新映射,使得图像的直方图分布更加均匀,从而提高图像的对比度和细节。

而灰度拉伸则通过调整图像的灰度级范围,使得图像的亮度更加均衡。

1.3 归一化当我们需要对不同尺寸、不同亮度、不同对比度的图像进行处理时,通常需要将它们归一化到相同的尺寸、亮度和对比度。

在Matlab中,可以使用像素重采样和直方图匹配等方法进行图像归一化。

像素重采样通过重新排列图像的像素来改变图像的尺寸,而直方图匹配则通过调整图像的直方图分布来改变图像的亮度和对比度。

二、图像特征提取图像特征提取是图像识别的关键步骤,它可以将图像中的信息抽象成一组用于表示图像的特征。

在Matlab中,常用的图像特征包括颜色特征、纹理特征和形状特征等。

2.1 颜色特征颜色是图像中最直观的特征之一,它可以用于区分不同目标或者图像的不同部分。

在Matlab中,可以使用颜色直方图、颜色矩和颜色共生矩阵等方法来提取图像的颜色特征。

颜色直方图统计了图像中每个颜色的像素数目,而颜色矩则描述了图像的颜色分布情况。

颜色共生矩阵则反映了不同颜色之间的相对分布情况,从而提取出图像的纹理特征。

MATLAB中的图像识别与模式识别技巧

MATLAB中的图像识别与模式识别技巧

MATLAB中的图像识别与模式识别技巧引言:MATLAB是一种功能强大的计算机软件,被广泛应用于科学、工程、计算机视觉等领域。

其中,图像识别与模式识别是MATLAB常用的功能之一。

本文将介绍一些MATLAB中的图像识别与模式识别技巧,帮助读者更好地利用这些功能解决实际问题。

一、图像预处理在进行图像识别与模式识别之前,通常需要对图像进行预处理以提高识别的准确性和效率。

MATLAB提供了丰富的图像预处理函数,例如灰度化、二值化、平滑滤波等。

其中,灰度化函数im2gray可以将RGB图像转换为灰度图像,便于后续处理。

二值化函数im2bw可以将灰度图像转换为二值图像,更好地提取图像特征。

平滑滤波函数imfilter可以消除图像中的噪声,使得后续处理更加准确。

二、特征提取在进行图像识别与模式识别时,通常需要从图像中提取有用的特征,以便进行模式匹配和分类。

MATLAB提供了多种特征提取方法,例如灰度共生矩阵(GLCM)、局部二值模式(LBP)等。

灰度共生矩阵可以反映图像中不同像素灰度级之间的关系,用于描述纹理特征。

局部二值模式可以描述图像的纹理和形状特征。

通过使用这些特征提取方法,可以大幅度提高图像识别的准确性。

三、模式匹配与分类一旦提取了图像特征,就可以进行模式匹配和分类任务。

MATLAB提供了多种模式匹配和分类方法,例如支持向量机(SVM)、K近邻算法(KNN)等。

支持向量机是一种常用的分类算法,它可以通过找到一个最优超平面来分割不同类别的样本。

K近邻算法是一种简单而有效的分类算法,它通过计算待分类样本与已知样本的距离来确定其所属类别。

通过使用这些模式匹配和分类方法,可以实现高效的图像识别与模式识别。

四、深度学习应用近年来,深度学习在图像识别与模式识别领域取得了显著的成果。

MATLAB提供了深度学习工具箱,方便用户进行深度学习模型的设计和训练。

通过使用深度学习,可以自动从大量图像中提取抽象的特征,极大地提高了图像识别和模式识别的精度和效率。

  1. 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. 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. 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)。

file:///C|/Documents and Settings/Administrator/桌面/代码/第17章/代码17-1.txtclc;clear all;k=input('Enter the file name','s'); %输入彩色图像到程序中待处理im=imread(k); %原始彩色图像im1=rgb2gray(im); %灰度图像,im1=medfilt2(im1,[3 3]); %对图像进行中值滤波以便去除图像噪声BW = edge(im1,'sobel'); %寻找边界[imx,imy]=size(BW);msk=[0 0 0 0 0;0 1 1 1 0;0 1 1 1 0;0 1 1 1 0;0 0 0 0 0;];B=conv2(double(BW),double(msk)); %对图像进行平滑处理以便减少连通体个数L = bwlabel(B,8);% 计算连通体mx=max(max(L))% 将会有mx 个连通体。

这里你可以给出L的值为1到mx 中的一个,或者你可以通过一个循环提取所有的连通体 [r,c] = find(L==17);rc = [r c];[sx sy]=size(rc);n1=zeros(imx,imy);for i=1:sxx1=rc(i,1);y1=rc(i,2);n1(x1,y1)=255;end % 将提取的图像存储在数组阵列中figure,imshow(im);figure,imshow(im1);figure,imshow(B);figure,imshow(n1,[]);I = imread('test1.bmp');figure, imshow(I),BW1 = im2bw(I); %一般输入的图像是彩色的,需要转成黑白的se90 = strel('line', 3, 90);%线,长度为3,角度为90度se0 = strel('line', 3, 0); %线,长度为3,角度为0度BW2= imdilate(BW1, [se90 se0]);figure, imshow(BW2);BW3 = imerode(BW1,[se90 se0]);figure, imshow(BW3);% 这个程序实现了对二值图像的数学形态学操作% 第一部分:输入图像到MATLABfprintf('\n This program performs morphological operations on binary image') fprintf('\n Entering the image for MATLAB...')fprintf('\n Note that if You entered a gray scale or RGB image (not Binary),') fprintf('\n It will be converted to Binary Image by Thresholding')fprintf('\n Save the image or its copy in MATLAB working Directory') imagname = input('\n Enter the name of the image file (filename.ext) : ','s');a = imread(imagname);a = im2bw(a,0.5);siz = size(a);figureimshow(a)title('Input Image after conversion to Binary')fprintf('\n Click (1) to Perform Erosion')fprintf('\n Click (2) to Perform Dilation')fprintf('\n Click (3) to Perform Binary Opening')fprintf('\n Click (4) to Perform Binary Closing')fprintf('\n Click (5) to Subtract the Opening from the Input Image')fprintf('\n Click (6) to Subtract the Input Image from its Closing')fprintf('\n Click (7) to Remove isolated pixels (1''s surrounded by 0''s)') fprintf('\n Click (8) to Fill isolated interior pixels (0''s surrounded by 1''s)') fprintf('\n Click (9) to Leave only boundary pixels')fprintf('\n Click (10) to Shrink objects to points')fprintf('\n Click (11) to Make objects Thicker')fprintf('\n Click (12) to Make objects Thinner')choice = input('\n You select the Choice number : ');switch (choice)case 1a = bwmorph(a,'erode');case 2a = bwmorph(a,'dilate');case 3a = bwmorph(a,'open');case 4a = bwmorph(a,'close');case 5a = bwmorph(a,'tophat');case 6a = bwmorph(a,'bothat');case 7a = bwmorph(a,'clean');case 8a = bwmorph(a,'fill');case 9a = bwmorph(a,'remove');case 10a = bwmorph(a,'shrink',Inf);case 11a = bwmorph(a,'thicken',Inf);case 12a = bwmorph(a,'thin',Inf);otherwisefprintf('\n Sorry! Wrong Choice')endfigureimshow(a)title('Result Image')sav = input('\n Do you like to SAVE Result Image? (y/n) : ','s');if (sav == 'y')fprintf('\n You choose to SAVE the Result Image')naming = input('\n Type the name of the new image file (filename.ext) : ','s');fprintf('\n Saving ...')imwrite(a,naming);fprintf('\n The new file is called %s and it is saved in MATLAB working Directory',naming) elsefprintf('\n You choose NOT to SAVE the Result Image')endclearBW = zeros(400,500); BW(40:300,40:400) = 1; figure, imshow(BW,[]);D = bwdist(BW); figure, imshow(D,[]);I = imread('2.jpg');BW1 = im2bw(I); %一般输入的图像是彩色的,需要转成黑白的D = bwdist(BW1);figure, imshow(D,[]), title('Distance transform of 2.jpg')I = imread('test1.bmp');BW1 = im2bw(I); %一般输入的图像是彩色的,需要转成黑白的X = bwlabel(BW1,4);RGB = label2rgb(X, @jet, 'k');imshow(RGB,'notruesize')f = @(x) sum(x(:)) >= 3; lut = makelut(f,3);I = imread('text.jpg'); BW1 = im2bw(I);BW2 = applylut(BW1,lut); imshow(BW1);% figure, imshow(BW2)function intrec(Z)%INTREC 实现数学形态学字符识别A= imread ('zero.bmp');%将0字符图像读入到MATLAB中B= imread ('one.bmp'); %将1字符图像读入到MATLAB中C= imread ('two.bmp'); %将2字符图像读入到MATLAB中D= imread ('three.bmp'); %将3字符图像读入到MATLAB中E= imread ('four.bmp'); %将4字符图像读入到MATLAB中F= imread ('five.bmp'); %将5字符图像读入到MATLAB中G= imread ('six.bmp'); %将6字符图像读入到MATLAB中H= imread ('seven.bmp'); %将7字符图像读入到MATLAB中I= imread ('eight.bmp'); %将8字符图像读入到MATLAB中J= imread ('nine.bmp'); %将9字符图像读入到MATLAB中SE = strel('square',3); %构造结构元素对象K=imdilate(A,SE);A2=K-A; %矩阵A进行膨胀, 得到矩阵A2L=imdilate(B,SE);B2=L-B; %对字符图像矩阵B进行膨胀运算,得到矩阵B2M=imdilate(C,SE);C2=M-C; %对字符图像矩阵C进行膨胀运算,得到矩阵C2 N=imdilate(D,SE);D2=N-D; %对字符图像矩阵D进行膨胀运算,得到矩阵D2 O=imdilate(E,SE);E2=O-E; %对字符图像矩阵E进行膨胀运算,得到矩阵E2 P=imdilate(F,SE);F2=P-F; %对字符图像矩阵F进行膨胀运算,得到矩阵F2Q=imdilate(G,SE);G2=Q-G; %对字符图像矩阵G进行膨胀运算,得到矩阵G2 R=imdilate(H,SE);H2=R-H; %对字符图像矩阵H进行膨胀运算,得到矩阵H2 S=imdilate(I,SE);I2=S-I; %对字符图像矩阵I进行膨胀运算,得到矩阵I2T=imdilate(J,SE);J2=T-J; %对字符图像矩阵J进行膨胀运算,得到矩阵J2disp('The digits found in the image are:');if ~isempty(nonzeros(bwhitmiss(Z,A,A2))) %击中击不中运算disp('0');endif ~isempty(nonzeros(bwhitmiss(Z,B,B2))) %击中击不中运算disp('1');endif ~isempty(nonzeros(bwhitmiss(Z,C,C2))) %击中击不中运算disp('2');endif ~isempty(nonzeros(bwhitmiss(Z,D,D2))) %击中击不中运算disp('3');endif ~isempty(nonzeros(bwhitmiss(Z,E,E2))) %击中击不中运算disp('4');endif ~isempty(nonzeros(bwhitmiss(Z,F,F2))) %击中击不中运算disp('5');endif ~isempty(nonzeros(bwhitmiss(Z,G,G2))) %击中击不中运算 disp('6');endif ~isempty(nonzeros(bwhitmiss(Z,H,H2))) %击中击不中运算 disp('7');endif ~isempty(nonzeros(bwhitmiss(Z,I,I2))) %击中击不中运算 disp('8');endif ~isempty(nonzeros(bwhitmiss(Z,J,J2))) %击中击不中运算 disp('9');end。

相关文档
最新文档