频域空域
基于频域和空域分析的帧内预测模式快速选择算法
２Ａｕｏ ｔｎＣ ｌｇ ， ｅ ｉｇ ｉｎＵ ｉｅｓｙＢ ｉｎ ０ １１Ｃ ｉａ ． ｔｍａｉ ｏｌ ｅＢ ｉｎ ｏ ｎｖｒｉ， ｅｉｇ１０ ０ ， ｈｎ） ｏ ｅ ｊ Ｕｎ ｔ ｊ
Ａｂ ｔ ａ ｔ Ｂｙ ｕ ｉ ｇ ｏ ｅｆ ａ ｕ ｅ ｆＤＣＴ ｏ ｆ ｃｅ ｔ ｅ ｕ ｎ ｙ ｄ ｍａ ｎａ ｄ ｔ ｅｃ ｒ ｅａ ｉ ｎ ｏ ｅ ｐ ｅ ｉ ｔ ｅｍｏ ｅｉ ｓ ｒ ｃ ： ｓ ｆ ｈ ｅ ｔ ｒ ｓｏ ｎ ｔ ｃｅ ｉ ｉｎ ｓ ｎ ｆ ｑ ｅ ｃ ｏ ｉ ｎ ｏ ｒ ｌｔ ｆ ｈ ｒ ｄ ｃ ｉ ｄ ｎ ｉ ｒ ｈ ｏ ｔ ｖ ｓ ａ ｉｌｄ ｍａ ｎ ｈ ｒ ｐ ｓ ｄ ａｇ ｒｔ ｍ ｖ ｌ ａ ｅ ｅ ｃ ｍｐ ｅ ｉ ｆｅ ｃ ｄ ｎ ｌ ｃ ｎ ｅ ｅ ｔｄ ｅ ｃ ｄ ｎ ｌ ｃ ｉｅ ｐ ｔ ｏ ｉ ，ｔ ｅ ｐ ｏ ｏ ｅ ｌ ｏ ｈ ａ ｉ ｅ ａ ｕ ｔ ｄ ｔ ｏ ｌ ｘ ｔ ｏ ｎ ｏ ｉ ｇ ｂ ｏ ｋ ａ ｄ ｓ ｌ ｃｅ ｎ ｏ ｉ ｇ ｂ ｏ ｋ ｓｚ ｈ ｙ ｉ ｔ ｃ ｍｐ ｔ ｄ ｔ ｔ ｒ ｉ ｔ ｎ ａ ｒ —ｅｅ ｔｄ ｍｏ ｔ ｓ ｉ ｙ ｐ ｅ ｉｔ ｄ ｆ１ ｘ１ ｌ ｃ ｅ ｏ ｄ ｙ ａ ｄ ｔ ｎ ｆ ｓｌ， ｏ ｕ ｅ ｅｔ ｘ ｕ ｅ ｄ ｒ ｃ ｏ ｄ ｐ ｅ ｓ ｌｃ ｅ ｓ ｏ ｓ ｌ ｒ ｄ ｃ ｉ ｎ ｍｏ ｅｏ ６ ６ ｂ ｏ ｋ ｓ ｃ ｎ ｌ ， ｎ ｅ ｒ ｙ ｈ ｅ ｅｉ ｎ ｐ ｂ ｏ ｈ
１ 引言
随着 网络 技术和 多媒 体 技术 的发展 ，视频 压缩 在 视频 监控 、高清 电视等 领域 得 到 了广 泛 应用 。为 了适 应 不 断提 高 的视 频 存 储 传输 的需 求 ，Ｉ０ Ｃ Ｓ胍
和 Ｉ Ｕ 组成 了联 合视 频组 （ ｉｔ ｉｅ ｅ ｍ） Ｔ Ｊ ｎ ｄ ｏＴ ａ ，并 于 ｏ Ｖ
空域和频域简介
6.6 频域技术与空域技术
一方面，许多空域增强技术可借助频域概念来分析和帮助设计，另一方面，许多空域增强技术可转化到频域实现，而许多频域增强技术可转化到空域实现。
空域滤波主要包括平滑滤波和锐化滤波。
平滑滤波是要滤除不规则的噪声或干扰的影响，从频域的角度看，不规则的噪声具有较高的频率，所以可用具有低通能力的频域滤波器来滤除。
由此可见空域的平滑滤波对应频域的低通滤波。
锐化滤波是要增强边缘和轮廓处的强度，从频域的角度看，边缘和轮廓处都具有较高的频率，所以可用具有高通能力的频域滤波器来增强，由此可见，空域的锐化滤波对应频域的高通滤波。
频域里低通滤波器的转移函数应该对应空域里平滑滤波器的模板函数的傅里叶变换。
频域里高通滤波器的转移函数应该对应空域里锐化滤波器的模板函数的傅里叶变换。
即空域和频域的滤波器组成傅里叶变换对。
给定一个域内的滤波器，通过傅里叶变换或反变换得到在另一个域内对应的滤波器。
空域的锐化滤波或频域的高通滤波可用两个空域的平滑滤波器或两个频域的低通滤波器实现。
（P155）
在频域中分析图像的频率成分与图像的视觉效果间的对应关系比较直观。
空域滤波在具体实现上和硬件设计上有一定优点。
区别：
例如，空域技术中无论使用点操作还是模板操作，每次都只是基于部分像素的性质，而频域技术每次都利用图像中所有像素的数据，具有全局性，有可能更好地体现图像的整体特性，如整体对比度和平均灰度值等。
总结：
考虑到傅里叶变换的对称性，带通或带阻滤波器必须两两对称地工作以保留或消除不是以原点为中心的给定区域内的频率（对称性）。
图像增强的基本原理
图像增强的基本原理图像增强是一种用于改善图像视觉质量或提取目标特征的技术。
它通过改变图像的亮度、对比度、颜色、清晰度等属性来增强图像的可视性和可识别性。
图像增强的基本原理可以归纳为以下几点：1. 空域增强：采用空域操作，即对图像的每个像素进行操作。
常见的空域增强方法有直方图均衡化、灰度拉伸、滤波等。
直方图均衡化通过重新分布图像中像素的亮度来增加图像的对比度，灰度拉伸则通过线性转换将图像的亮度范围拉伸到整个灰度级范围内。
滤波则通过应用低通、高通、中通等滤波器来增强图像的细节和轮廓。
2. 频域增强：采用频域操作，即将图像转换到频域进行处理。
常见的频域增强方法有傅里叶变换、小波变换等。
傅里叶变换可以将图像从空域转换到频域，通过对频谱进行滤波操作来增强图像的细节和边缘。
小波变换则可以将图像分解为不同频率的子带，可以更加灵活地选择性地增强特定频率的信息。
3. 增强算法：通过应用特定的增强算法来增强图像的视觉效果。
常用的增强算法有Retinex算法、CLAHE算法等。
Retinex算法通过模拟人眼对光源的自适应调整能力来增强图像的亮度和对比度，CLAHE算法则通过分块对比度受限的直方图均衡化来增强图像的细节和纹理。
4. 机器学习方法：利用机器学习算法对图像进行增强。
通过训练模型，学习图像的特征和上下文信息，然后根据学习到的模型对图像进行增强处理。
常见的机器学习方法包括卷积神经网络、支持向量机等。
综上所述，图像增强的基本原理包括空域增强、频域增强、增强算法和机器学习方法等。
这些原理可以单独或结合使用，根据图像的特点和需求，选择合适的方法来对图像进行增强处理，以获得更好的图像视觉质量和目标特征提取效果。
磁共振成像技术中的图像重建算法
磁共振成像技术中的图像重建算法磁共振成像技术是一种用于观察人体内部结构的非侵入性医学成像技术。
它通过对人体内部的磁场进行扫描，可以得到高分辨率的图像信息，从而帮助医生进行诊断。
在磁共振成像技术中，图像重建算法是非常重要的一环。
它负责从扫描得到的原始数据中重建出人体内部的结构信息，并生成可视化的图像用于医学诊断。
目前，磁共振成像技术的图像重建算法主要分为两类：频域算法和空域算法。
下面将分别对这两种算法进行介绍。
一、频域算法频域算法将磁共振信号转换到频域进行处理，然后再将处理后的数据转换回时域，得到最终的图像。
其中，最常用的频域算法是快速傅里叶变换（FFT）。
它可以将磁共振信号快速地转换到频域进行处理，然后再进行反变换，得到重建后的图像。
虽然快速傅里叶变换的速度很快，但是这种算法存在一定的局限性。
例如，磁共振信号中存在很多不同频率的信号，而快速傅里叶变换对信号的不同频率处理效果不能很好地区分，从而影响图像的质量。
二、空域算法空域算法是通过对原始数据进行处理，直接得到重建后的图像。
其中，最常用的空域算法是反向投影算法。
这种算法可以将不同方向的扫描数据按照一定的规则投影到图像平面上，然后将所有的投影结果叠加起来，得到最终的重建图像。
反向投影算法的优点是可以处理不同方向的扫描数据，其中还可以添加一些先验信息，从而提高图像质量。
然而，这种算法也存在一些问题，比如有时会出现伪影情况。
此外，还有一些其他的空域算法，比如基于大脑并行矩形图像重建的算法（BART）和基于稀疏表示的重建算法（CS-MRI）。
这些算法可以在一定程度上提高图片的质量，并降低成像时间。
总结起来，磁共振成像技术的图像重建算法是非常复杂的，需要结合理论和实践进行优化。
随着计算机技术和算法的不断发展，未来有望实现更快速、更准确、更高质量的图像重建算法，从而实现更好的医学诊断效果。
halcon 傅里叶变换进行空域和频段的转换
傅里叶变换及其反变换实现了图像在空间域和频域中的相互转换。
在图像处理中，傅里叶变换被广泛应用于图像增强、图像去噪、图像压缩等领域。
傅里叶变换的基本原理是将图像从空间域转换到频域。
在空间域中，图像表示为像素的强度和位置，而在频域中，图像表示为不同频率分量的幅度和相位。
通过傅里叶变换，可以将图像从空间域中的实部和虚部转换为频域中的正弦和余弦函数。
具体来说，傅里叶变换将图像的每个像素表示为一个复数，该复数包含实部和虚部。
通过将每个像素的实部和虚部乘以不同的权重，然后将它们相加，可以得到该像素在频域中的值。
这个值对应于特定频率下的幅度或相位。
在频域中，每个频率分量都对应于空间域中的一个方向。
例如，水平方向对应于0频率分量，垂直方向对应于π/2频率分量，对角线方向对应于π频率分量。
因此，在频域中处理图像可以更容易地突出某些特征，例如边缘和纹理。
傅里叶变换的逆变换是将频域中的幅度和相位转换回空间域中的像素值。
通过将每个频率分量的幅度和相位乘以不同的权重，然后将它们相加，可以得到空间域中的像素值。
这个值对应于原始图像中
的一个像素。
总之，傅里叶变换是一种重要的图像处理工具，可以将图像从空间域转换到频域，也可以将图像从频域转换回空间域。
这种转换有助于进行图像增强、去噪、压缩等操作。
图像平滑处理的空域算法和频域分析
图像平滑处理的空域算法和频域分析1 技术要求对已知图像添加高斯白噪声,并分别用低通滤波器(频域法)和邻域平均法(空域法)对图像进行平滑处理(去噪处理),并分析比较两种方法处理的效果。
2 基本原理2.1 图像噪声噪声在理论上可以定义为“不可预测，只能用概率统计方法来认识的随机误差”。
实际获得的图像一般都因受到某种干扰而含有噪声。
引起噪声的原因有敏感元器件的内部噪声、相片底片上感光材料的颗粒、传输通道的干扰及量化噪声等。
噪声产生的原因决定了噪声的分布特性及它和图像信号的关系。
根据噪声和信号的关系可以将其分为两种形式：（1）加性噪声。
有的噪声与图像信号g(x,y)无关，在这种情况下，含噪图像f(x,y)可表示为f(x,y)=g(x,y)+n(x,y)（2）乘性噪声。
有的噪声与图像信号有关。
这又可以分为两种情况：一种是某像素处的噪声只与该像素的图像信号有关，另一种是某像点处的噪声与该像点及其邻域的图像信号有关，如果噪声与信号成正比，则含噪图像f(x,y)可表示为f(x,y)=g(x,y)+n(x,y)g(x,y)另外，还可以根据噪声服从的分布对其进行分类，这时可以分为高斯噪声、泊松噪声和颗粒噪声等。
如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声，一般为加性噪声。
2.2 图像平滑处理技术平滑技术主要用于平滑图像中的噪声。
平滑噪声在空间域中进行，其基本方法是求像素灰度的平均值或中值。
为了既平滑噪声又保护图像信号，也有一些改进的技术，比如在频域中运用低通滤波技术。
（1）空域法在空域中对图像进行平滑处理主要是邻域平均法。
这种方法的基本思想是用几个像素灰度的平均值来代替每个像素的灰度。
假定有一幅N*N 个像素的图像f(x,y)，平滑处理后得到一幅图像g(x,y)。
g(x,y)由下式决定式中，x,y=0,1,2,…，N-1；S 是(x,y)点邻域中点的坐标的集合，但其中不包括(x,y)点；M 是集合内坐标点的总数。
傅里叶变换 空域向频域转换
傅里叶变换空域向频域转换傅里叶变换：从空域向频域转换1. 介绍傅里叶变换是一种重要的数学工具，可以将时间域或空域中的信号转换为频域中的频谱。
通过傅里叶变换，我们可以对信号进行频谱分析，从而揭示信号的频率成分和能量分布。
在本文中，我们将深入探讨傅里叶变换，解释其原理和应用，并分享个人对这一概念的理解。
2. 傅里叶变换的原理傅里叶变换是通过积分运算来实现的，它将一个时域或空域中的函数转换为频域中的函数。
对于一个连续信号f(x)，其傅里叶变换F(k)可以表示为：\[F(k) = \int_{-\infty}^{\infty} f(x)e^{-2\pi ikx} dx\]其中，k表示频率，x表示时间或空间。
傅里叶变换的原理可以从简单的正弦波开始理解。
任何周期为T的信号都可以表示为多个不同频率的正弦波的叠加。
傅里叶变换可以将这个信号在频域中的频率成分展现出来，从而帮助我们了解信号的频谱结构。
3. 傅里叶变换的应用傅里叶变换在工程、物理、生物和信息处理等领域有着广泛的应用。
在信号处理中，傅里叶变换可以用来分析和处理音频、图像和视频等信号。
在通信领域，傅里叶变换被用来分析调制信号的频谱特性。
在物理学中，傅里叶变换可以用来分析光学和量子力学中的波动现象。
在生物学中，傅里叶变换可以用来分析脑电图和心电图等生物信号。
4. 傅里叶变换的个人理解对我而言，傅里叶变换是一种非常强大的工具，它能够帮助我们理解信号的频谱特性，从而揭示信号中隐藏的信息。
在我的工作中，经常需要对音频和图像信号进行处理和分析，傅里叶变换给了我一种全新的视角。
通过傅里叶变换，我可以更加深入地了解信号中的频率成分，并从中发现一些规律和特征。
总结傅里叶变换是一种非常有用的数学工具，可以将时域或空域中的信号转换为频域中的频谱。
通过傅里叶变换，我们可以对信号进行频谱分析，从而揭示信号的频率成分和能量分布。
傅里叶变换在工程、物理、生物和信息处理等领域都有着广泛的应用，并且对于个人而言，也具有重要的意义。
简述空域处理方法和频域处理方法的区别
空域处理方法和频域处理方法是数字图像处理中常见的两种基本处理方法，它们在处理图像时有着不同的特点和适用范围。
下面将从原理、应用和效果等方面对两种处理方法进行简要介绍，并对它们的区别进行分析。
一、空域处理方法1. 原理：空域处理是直接对图像的像素进行操作，常见的空域处理包括图像增强、平滑、锐化、边缘检测等。
这些处理方法直接针对图像的原始像素进行操作，通过像素之间的关系来改变图像的外观和质量。
2. 应用：空域处理方法广泛应用于图像的预处理和后期处理中，能够有效改善图像的质量，增强图像的细节和对比度，以及减轻图像的噪声。
3. 效果：空域处理方法对图像的局部特征和细节有很好的保护和增强作用，能够有效地改善图像的视觉效果，提升图像的清晰度和质量。
二、频域处理方法1. 原理：频域处理是通过对图像的频率分量进行操作，常见的频域处理包括傅立叶变换、滤波、频域增强等。
这些处理方法将图像从空间域转换到频率域进行处理，再通过逆变换得到处理后的图像。
2. 应用：频域处理方法常用于图像的信号处理、模糊去除、图像压缩等方面，能够有效处理图像中的周期性信息和干扰信号。
3. 效果：频域处理方法能够在频率域对图像进行精细化处理，提高图像的清晰度和对比度，对于一些特定的图像处理任务有着独特的优势。
三、空域处理方法和频域处理方法的区别1. 原理不同：空域处理方法直接对图像像素进行操作，而频域处理方法是通过对图像进行频率分析和变换来实现图像的处理。
2. 应用范围不同：空域处理方法适用于对图像的局部特征和细节进行处理，而频域处理方法适用于信号处理和频率信息的分析。
3. 效果特点不同：空域处理方法能更好地保护和增强图像的细节和对比度，频域处理方法能更好地处理图像中的周期性信息和干扰信号。
空域处理方法和频域处理方法是数字图像处理中常用的两种处理方法，它们在原理、应用和效果等方面有着不同的特点和适用范围。
在实际应用中，可以根据图像的特点和处理需求选择合适的方法，以获得更好的处理效果。
- 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)。
频域空域频域一 实验目的1了解图像变换的意义和手段；2熟悉傅里叶变换的基本性质；3热练掌握FFT 方法及应用；4通过实验了解二维频谱的分布特点；5通过本实验掌握利用MATLAB 编程实现数字图像的傅立叶变换及滤波锐化和复原处理；二 实验原理1应用傅立叶变换进行图像处理傅里叶变换是线性系统分析的一个有力工具，它能够定量地分析诸如数字化系统、采样点、电子放大器、卷积滤波器、噪音和显示点等的作用。
通过实验培养这项技能，将有助于解决大多数图像处理问题。
对任何想在工作中有效应用数字图像处理技术的人来说，把时间用在学习和掌握博里叶变换上是很有必要的。
2傅立叶（Fourier ）变换的定义对于二维信号，二维Fourier 变换定义为：⎰⎰∞∞-∞∞-+-=dy dx e y x f v u F vy ux j )(2),(),(π ⎰⎰∞∞-∞∞-+=dv du e v u F y x f vy ux j )(2),(),(π θθθsin cos j e j +=二维离散傅立叶变换为：1,...,2,1,0,1,...,2,1,0for ),(1),(1010)//(2 N v M u e y x f MN v u F M x N y N vy M ux j1,...,2,1,0,1,...,2,1,0for ),(),(1010)//(2 N y M x e v u F y x f M u N v N vy M ux j图像的傅立叶变换与一维信号的傅立叶变换变换一样，有快速算法，具体参见参考书目，有关傅立叶变换的快速算法的程序不难找到。
实际上，现在有实现傅立叶变换的芯片，可以实时实现傅立叶变换。
3利用MATLAB 软件实现数字图像傅立叶变换的程序：I=imread('f:\11.jpg');; %读入原图像文件imshow(I); %显示原图像fftI=fft2(I); %二维离散傅立叶变换sfftI=fftshift(fftI); %直流分量移到频谱中心RR=real(sfftI); %取傅立叶变换的实部II=imag(sfftI); %取傅立叶变换的虚部A=sqrt(RR.^2+II.^2);%计算频谱幅值A=（A-min(min(A))）/(max(max(A))-min(min(A)))*225;%归一化figure; %设定窗口imshow(A); %显示原图像的频谱程序运行结果图及其频谱三实验步骤1打开计算机，安装和启动MATLAB程序；程序组中“work”文件夹中应有待处理的图像文件；2利用MatLab工具箱中的函数编制FFT频谱显示的函数;3 a).调入、显示“实验一”获得的图像；图像存储格式应为“.gif”;b)对这三幅图像做FFT并利用自编的函数显示其频谱;c)讨论不同的图像内容与FFT频谱之间的对应关系。
4 对频谱分别进行巴特沃兹和理想低通滤波，比较效果。
5 记录和整理实验报告。
四实验仪器1计算机；2 MATLAB程序；3移动式存储器。
4记录用的笔、纸。
五实验报告内容1叙述实验过程；2提交实验的原始图像和结果图像，并对结果进行比较。
实验过程:对三幅图像做FFT并利用自编的函数显示其频谱figure(1);a=imread ('F:\11.jpg');imshow(a);figure(2);s=fftshift(fft2(a));imshow(log(abs(s)),[]);程序运行结果图及其频谱由以上二幅图像各自做傅里叶变化之前之后的图像进行比较可知：原图像中若出现较多急剧变化的内容则其傅里叶变换后高频成分较多，反之若原图像中变化比较平缓则其傅里叶变换后低频成分较多，介于二者之间的图像，频率分量较分散。
对频谱分别进行巴特沃兹和理想低通滤波理想低通滤波J=imread ('F:\11.jpg');subplot(331);imshow(J);J=double(J);f=fft2(J);g=fftshift(f);subplot(332);imshow(log(abs(g)),[]),color(jet(64)); [M,N]=size(f);n1=floor(M/2);n2=floor(N/2);d0=5;for i=1:Mfor j=1:Nd=sqrt((i-n1)^2+(j-n2)^2);if d<=d0h=1;elseh=0;endg(i,j)=h*g(i,j);endendg=ifftshift(g);g=uint8(real(ifft2(g)));subplot(333);imshow(g);巴特沃兹滤波I=imread ('F:\11.jpg');J=imnoise(I,'salt & pepper',0.02); subplot(121);imshow(J);title('含有椒盐噪声的图像')J=double(J);f=fft2(J);g=fftshift(f);[M,N]=size(f);n=3;d0=20;n1=floor(M/2);n2=floor(N/2);for i=1:Mfor j=1:Nd=sqrt((i-n1)^2+(j-n2)^2) h=1/(1+(d/d0)^(2*n));g(i,j)=h*g(i,j);endendg=ifftshift(g);g=uint8(real(ifft2(g)));subplot(122);imshow(g);由以上理想低通滤波及巴特沃兹滤波所得图像比较可知：滤波后所得图像与原图像相比都不理想，但毕竟可以起到一定作用，在不同的情况下可以根据情况采用不同的滤波方法得到所需的图像和结果空域一 实验目的1结合实例学习如何在视频显示程序中增加图像处理算法；2理解和掌握图像的线性变换和直方图均衡化的原理和应用；3了解平滑处理的算法和用途，学习使用均值滤波、中值滤波和拉普拉斯锐化进行图像增强处理的程序设计方法；二 实验原理1 灰度线性变换就是将图像中所有点的灰度按照线性灰度变换函数进行变换。
)],([),(y x f T y x g =⎪⎩⎪⎨⎧<≤+-<≤+-≤≤=255),(]),([),( ]),([),(0 ),(),(y x f b g b y x f b y x f a g a y x f ay x f y x f y x g b a γβαym x Λ,,,2,1=2 直方图均衡化通过点运算将输入图像转换为在每一级上都有相等像素点数的输出图像。
按照图像概率密度函数PDF 的定义：1,...,2,1,0 )(-==L k n n r p kk r通过转换公式获得：1,...,2,1,0)()(00-====∑∑==L k n n r p r T s k j kj j j r k k3 均值（中值）滤波是指在图像上，对待处理的像素给定一个模板，该模板包括了其周围的临近像素。
将模板中的全体像素的均值（中值）来代替原来像素值的方法。
4 拉普拉斯算子如下：⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡--------111181111拉普拉斯算子首先将自身与周围的8个像素相减，表示自身与周围像素的差异，再将这个差异加上自身作为新像素的灰度。
三实验步骤1 启动MATLAB程序，对图像文件分别进行灰度线性变换、直方图均衡化、均值滤波、中值滤波和梯度锐化操作。
添加噪声，重复上述过程观察处理结果。
2记录和整理实验报告四实验仪器1计算机；2 MATLAB程序；3记录用的笔、纸。
五实验报告内容1叙述实验过程；2提交实验的原始图像和结果图像。
实验过程：对图像文件进行灰度线性变换I= ('F:\11.jpg');imshow(I);I=double(I);[M,N]=size(I);for i=1:Mfor j=1:Nif I(i,j)<=30I(i,j)=I(i,j);else if I(i,j)<=150I(i,j)=(200-30)/(150-30)*(I(i,j)-30)+30;elseI(i,j)=(255-200)/(255-150)*(I(i,j)-150)+200;endendendendfigure(2);imshow(uint8(I));直方图均衡化I=imread ('F:\11.jpg'); figuresubplot(221);imshow(I); subplot(222);imhist(I)I1=histeq(I);figure;subplot(221);imshow(I1) subplot(222);imhist(I1)均值滤波I=imread ('F:\11.jpg');[M,N]=size(I);II1=zeros(M,N);for i=1:16II(:,:,i)=imnoise(I,'gaussian',0,0.01); II1=II1+double(II(:,:,i));if or(or(i==1,i==4),or(i==8,i==16));figure;imshow(uint8(II1/i));endend中值滤波I=imread ('F:\11.jpg');J=imnoise(I,'salt & pepper',0.02);subplot(231),imshow(I);title('原始图像');subplot(232),imshow(J);title('添加椒盐噪声图像') k1=medfilt2(J);k2=medfilt2(J,[5,5]);k3=medfilt2(J,[7,7]);k4=medfilt2(J,[9,9]);subplot(233),imshow(k1);title('3x3模板中值滤波') subplot(234),imshow(k2);title('5x5模板中值滤波') subplot(235),imshow(k3);title('7x7模板中值滤波') subplot(236),imshow(k4);title('9x9模板中值滤波')梯度锐化操作I=imread ('F:\11.jpg'); subplot(131);imshow(I)H=fspecial('Sobel');H=H';TH=filter2(H,I);subplot(132),imshow(TH,[]); H=H';TH=filter2(H,I);subplot(133),imshow(TH,[])。