Matlab图像处理教程及方法
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。
MATLAB技术图像去模糊教程
MATLAB技术图像去模糊教程近年来，图像处理技术得到了广泛的应用，并成为了计算机视觉和图像识别领域中的重要组成部分。
然而，由于种种原因，很多时候我们会遇到图像模糊的问题，这给图像的识别和分析带来了一定的困扰。
幸运的是，MATLAB提供了一系列强大的图像处理工具，可以帮助我们有效地处理图像模糊问题。
本文将介绍一些常用的MATLAB技术，帮助读者学习如何使用MATLAB进行图像去模糊处理。
第一部分：图像模糊的原因与分类在开始学习图像去模糊技术之前，我们首先需要了解图像模糊的原因和分类。
图像模糊主要是由于光的散射、镜头成像失真、图像振动等原因引起的。
根据模糊效果的不同，图像模糊可以分为运动模糊、模糊固定模糊和非固定模糊等。
其中，运动模糊是最常见的一种形式，它是由于镜头或者相机在图像获取过程中的移动引起的。
第二部分：基于轨迹估计的图像去模糊方法现在我们来介绍一种常用的图像去模糊方法，即基于轨迹估计的方法。
这种方法的基本思想是通过分析图像中物体的运动轨迹，来估计图像的模糊程度，并对图像进行相应的处理。
具体流程如下：1. 读取图像并进行预处理，包括灰度化、降噪等。
2. 对图像进行运动估计，可以使用不同的算法，比如光流算法、像素匹配算法等。
这一步的目的是准确估计物体的运动轨迹。
3. 根据运动轨迹估计图像的模糊程度，可以使用不同的指标来衡量，比如轨迹长度、轨迹方向变化等。
4. 根据估计的模糊程度对图像进行去模糊处理。
可以采用不同的方法，比如卷积运算、滤波器设计等。
5. 最后，进行图像评价和结果展示，比较去模糊前后的效果。
第三部分：基于频域滤波的图像去模糊方法除了基于轨迹估计的方法，MATLAB还提供了基于频域滤波的图像去模糊方法。
这种方法的基本思想是通过对图像进行傅里叶变换，将图像的频域信息表示为频谱图，然后根据模糊程度设计相应的滤波器，对频谱图进行滤波，最后再进行傅里叶反变换，得到去模糊后的图像。
具体流程如下：1. 读取图像并进行预处理，包括灰度化、降噪等。
利用Matlab进行图像处理的常用方法
利用Matlab进行图像处理的常用方法概述：图像处理是数字信号处理的一个重要分支，也是计算机视觉领域的核心内容之一。
随着计算机技术的不断发展，利用Matlab进行图像处理的方法变得越来越重要。
本文将介绍一些常用的Matlab图像处理方法，包括图像的读取与显示、图像的预处理、图像的滤波处理、基本的图像增强方法以及图像的分割与检测等。
一、图像的读取与显示在Matlab中，可以使用imread函数直接读取图像。
通过指定图像的路径，我们可以将图像读取为一个矩阵，并且可以选择性地将其转换为灰度图像或彩色图像。
对于灰度图像，可以使用imshow函数将其显示出来，也可以使用imwrite函数将其保存为指定格式的图像文件。
对于彩色图像，可以使用imshow函数直接显示，也可以使用imwrite函数保存为指定格式的图像文件。
此外，还可以使用impixel函数获取图像中指定像素点的RGB值。
二、图像的预处理图像的预处理是指在进一步处理之前对图像进行调整和修复以消除图像中的噪声和不良的影响。
常用的图像预处理方法包括图像的平滑处理、图像增强和图像修复等。
1. 图像平滑处理：常用的图像平滑方法有均值滤波、中值滤波和高斯滤波等。
其中，均值滤波将每个像素点的值替换为其周围像素点的平均值，中值滤波将每个像素点的值替换为其周围像素点的中值，高斯滤波则通过加权平均的方式平滑图像。
2. 图像增强：图像增强是指通过一些方法提高图像的质量和信息内容。
常用的图像增强方法包括直方图均衡化、对比度拉伸和锐化等。
直方图均衡化通过调整图像的灰度分布，以提高图像的对比度和细节。
对比度拉伸是通过将图像的像素值线性拉伸到整个灰度范围内，以增强图像的对比度。
锐化则是通过增强图像的边缘和细节，使图像更加清晰。
三、图像的滤波处理图像的滤波处理是指通过对图像进行一系列滤波操作，来提取图像中的特征和信息。
常用的图像滤波方法包括模板滤波、频域滤波和小波变换等。
1. 模板滤波：模板滤波是基于局部像素邻域的滤波方法，通过定义一个滤波模板，将其与图像进行卷积操作，从而实现图像的滤波。
MATLAB中的图像处理技术详解
MATLAB中的图像处理技术详解图像处理是一门涉及数字图像获取、处理、分析和展示的学科，其在各个领域都有重要的应用。
而MATLAB作为一种强大的科学计算软件，提供了丰富的图像处理工具包，可以帮助用户轻松地进行各种图像处理操作。
本文将详细介绍MATLAB中常用的图像处理技术，包括图像读取、图像显示、灰度转换、滤波操作、边缘检测以及图像分割等。
1. 图像读取和显示首先，在MATLAB中进行图像处理的第一步是读取图像。
MATLAB提供了imread函数，可以快速读取各类图像文件，例如JPEG、PNG、BMP等。
读取的图像可以是灰度图像，也可以是彩色图像。
读取之后，我们可以使用imshow函数将图像显示在MATLAB的图像窗口中，便于后续处理和分析。
2. 灰度转换在实际的图像处理应用中，有时候我们需要将彩色图像转换为灰度图像，以方便后续的处理和分析。
MATLAB提供了rgb2gray函数，可以将彩色图像转换为灰度图像。
转换后的灰度图像只包含一个通道，每个像素点的取值范围为0~255，表示灰度级。
3. 滤波操作滤波操作是在图像处理中常用的一种方法，其可以对图像进行平滑或者增强等处理。
MATLAB中提供了丰富的滤波函数，例如均值滤波、中值滤波、高斯滤波等。
这些滤波函数可以通过设置不同的参数来控制滤波效果，比如滤波窗口的大小、滤波核函数等。
4. 边缘检测边缘检测是图像处理中的一个重要任务，其可以帮助我们识别图像中的边缘信息，进而进行物体检测和分割。
MATLAB中提供了多种边缘检测算法，包括Sobel 算子、Canny算子等。
这些算法可以根据不同的应用场景选择合适的边缘检测方法，并根据需要调整相应的参数。
5. 图像分割图像分割是将图像分成若干个不同区域或者物体的过程，其在图像处理和计算机视觉中具有重要的意义。
MATLAB中提供了多种图像分割算法，例如基于阈值的分割、基于区域的分割以及基于边缘的分割等。
这些算法可以根据要求对图像进行有效的分割，以满足用户的实际需求。
使用MATLAB进行图像处理的基本方法
使用MATLAB进行图像处理的基本方法第一章：介绍MATLAB图像处理工具箱MATLAB是一种用于算法开发、数据可视化和数值计算的高级工具。
图像处理是MATLAB中重要的应用之一，其图像处理工具箱提供了许多功能强大的函数和工具，能够完成各种图像处理任务。
1.1 图像处理基础图像处理是通过计算机对图像进行分析、处理和改变的过程。
它可以用于增强图像的质量、从图像中提取有用的信息或特征，以及实现图像的压缩和恢复等任务。
1.2 MATLAB图像处理工具箱的功能MATLAB图像处理工具箱提供了丰富的函数和工具，包括图像读取和写入、图像增强、图像分割、图像滤波、图像变换等。
这些功能可以帮助用户对图像进行各种处理和分析。
第二章：图像预处理图像预处理是图像处理的第一步，其目的是消除图像中的噪声和其他不必要的信息，使后续的处理更加准确和有效。
2.1 图像读取和显示在MATLAB中，可以使用imread函数读取图像，imshow函数显示图像。
读取图像后，可以对图像进行显示、调整亮度和对比度等操作。
2.2 图像增强图像增强是通过对图像的像素值进行调整，改善图像的视觉质量。
常用的图像增强方法有直方图均衡化、对比度拉伸和滤波等。
第三章：图像分割图像分割是将图像划分成若干个具有独立意义的部分的过程。
图像分割可以帮助我们识别并提取出感兴趣的目标，进行后续的处理和分析。
3.1 基于阈值的图像分割阈值分割是一种简单且有效的图像分割方法，其思想是将图像中的像素分成前景和背景两部分。
MATLAB提供了imbinarize函数用于阈值分割。
3.2 基于边缘的图像分割边缘分割基于图像中物体的边界特征，通过检测图像中的边缘来实现图像分割。
MATLAB中的边缘检测函数包括edge和gradient。
第四章：图像滤波图像滤波是对图像进行平滑或增强处理的过程，它可以帮助去除图像中的噪声、增强图像的边缘和细节等。
4.1 线性滤波线性滤波是一种基于加权和求和的滤波方法，常用的线性滤波器有均值滤波器和高斯滤波器等。
使用Matlab进行信号处理和图像处理
使用Matlab进行信号处理和图像处理信号处理和图像处理在现代科学和工程领域中发挥着重要的作用。
Matlab是一种强大的数学计算和编程软件，被广泛应用于信号处理和图像处理的相关任务。
本文将介绍如何使用Matlab进行信号处理和图像处理，并提供一些常用的技巧和实例。
首先，让我们从信号处理开始。
信号处理是指对信号进行分析、建模、改善和解码的过程。
在Matlab中，有许多内置的函数和工具箱可用于处理不同类型的信号。
下面是一些常用功能的示例。
1.滤波：滤波是信号处理中常用的操作之一，用于去除噪声、提取感兴趣的信息等。
Matlab提供了多种滤波函数，例如FIR滤波器、IIR滤波器等。
通过设置滤波器的参数，可以实现不同的滤波效果。
2.傅里叶变换：傅里叶变换是将信号从时域转换到频域的重要方法。
在Matlab中，可以使用fft函数来进行快速傅里叶变换，ifft函数可以进行傅里叶逆变换。
这些函数可以帮助我们分析信号的频谱特征，提取频域信息。
3.时域分析：Matlab提供了许多函数用于时域分析，如自相关函数、互相关函数、能量谱密度等。
这些函数可以帮助我们理解信号的时域特征，包括信号的自相似性、互相干性等。
4.波形生成：Matlab提供了各种函数用于生成各种类型的波形信号，如正弦波、方波、三角波等。
我们可以根据需要生成特定形式的波形，并进行后续处理。
接下来，让我们转向图像处理。
图像处理是指对图像进行增强、分析、压缩和恢复的过程。
Matlab在图像处理方面提供了丰富的函数和工具箱，使得图像处理变得更加简单和高效。
下面是一些常用功能的示例。
1.图像读取与显示：使用imread函数可以读取图像文件，imshow函数可以显示图像。
我们可以通过这些函数来加载图像，并将其显示在Matlab界面上。
2.图像增强：Matlab提供了多种图像增强函数，如直方图均衡化、滤波器应用、锐化等。
这些函数可以增强图像的对比度、清晰度和细节。
3.图像分割：图像分割是将图像分成多个连续区域或对象的过程。
(完整版)数字图像处理MATLAB程序【完整版】
第一部分数字图像处理实验一图像的点运算实验1.1 直方图一．实验目的1．熟悉matlab图像处理工具箱及直方图函数的使用；2．理解和掌握直方图原理和方法；二．实验设备1.PC机一台；2.软件matlab。
三．程序设计在matlab环境中，程序首先读取图像，然后调用直方图函数，设置相关参数，再输出处理后的图像。
I=imread('cameraman.tif');%读取图像subplot(1,2,1),imshow(I) %输出图像title('原始图像') %在原始图像中加标题subplot(1,2,2),imhist(I) %输出原图直方图title('原始图像直方图') %在原图直方图上加标题四．实验步骤1. 启动matlab双击桌面matlab图标启动matlab环境；2. 在matlab命令窗口中输入相应程序。
书写程序时，首先读取图像，一般调用matlab自带的图像，如:cameraman图像；再调用相应的直方图函数，设置参数；最后输出处理后的图像；3．浏览源程序并理解含义；4．运行，观察显示结果；5．结束运行，退出；五．实验结果观察图像matlab环境下的直方图分布。
(a)原始图像 (b)原始图像直方图六．实验报告要求1、给出实验原理过程及实现代码；2、输入一幅灰度图像，给出其灰度直方图结果，并进行灰度直方图分布原理分析。
实验1.2 灰度均衡一．实验目的1．熟悉matlab图像处理工具箱中灰度均衡函数的使用；2．理解和掌握灰度均衡原理和实现方法；二．实验设备1.PC机一台；2.软件matlab；三．程序设计在matlab环境中，程序首先读取图像，然后调用灰度均衡函数，设置相关参数，再输出处理后的图像。
I=imread('cameraman.tif');%读取图像subplot(2,2,1),imshow(I) %输出图像title('原始图像') %在原始图像中加标题subplot(2,2,3),imhist(I) %输出原图直方图title('原始图像直方图') %在原图直方图上加标题a=histeq(I,256); %直方图均衡化，灰度级为256subplot(2,2,2),imshow(a) %输出均衡化后图像title('均衡化后图像') %在均衡化后图像中加标题subplot(2,2,4),imhist(a) %输出均衡化后直方图title('均衡化后图像直方图') %在均衡化后直方图上加标题四．实验步骤1. 启动matlab双击桌面matlab图标启动matlab环境；2. 在matlab命令窗口中输入相应程序。
实验二 Matlab图像处理实验
实验二Matlab图像处理实验一、实验目的1、了解Matlab平台下的图像编程环境；2、读入、显示、检查内存中的图像；3、实现直方图均衡化、保存图像、检查新生文件的内容及一些相关的操作。
二、实验内容1、双击桌面上的matlab图标，启动matlab软件。
2、在MATLAB界面右侧“command window”中输入相应的代码，读入并显示一副图像。
3、检查内存中的图像4、改变图像大小（0.8）5、将彩色图像转化为灰度图像，通过save函数，将R、G、B值分别保存成.mat 文件(R.mat，G.mat，B.mat)，将灰度图像保存(imwrite)，其灰度值用.mat文件保存。
6、实现直方图的均衡化，画出原始图像及其直方图，以及处理之后图像及其直方图（在一个图形窗口中画出）7、保存图像三、实验结果及代码clear;%清空MATLAB工作平台的所有变量close all;%关闭已打开的图形窗口img1 = imread('C:\Users\1\Desktop\实验\Image.jpg');%读入图像文件figure(2);subplot(321);imshow(img1);title('原彩色图');subplot(322);img = imresize(img1,0.8);%改变图像大小imshow(img);title('缩小后的彩色图像');subplot(323);gray = rgb2gray(img);%将彩色图像转化为灰度图像imwrite(gray,'C:\Users\1\Desktop\实验\hui_1.tif'); imshow(gray);title('灰度图像');%实现直方图的均衡化subplot(324)imhist (gray);title('灰度图像直方图');subplot(325);imgGray2 = histeq(gray);%直方图均衡化imshow(imgGray2);title('均衡化灰度图像');subplot(326);imhist(imgGray2);%获取图像数据直方图title('均衡化灰度图像直方图');img = imread('C:\Users\1\Desktop\实验\hui_1.tif'); R = gray(:,:,1);G = gray(:,:,2);B = gray(:,:,3);save('R.mat',R)save('G.mat',G)save('B.mat',B)Gray = img();save('Gray.mat','Gray')如图上图所示，包括原彩色图像、灰度图像、均衡化后的彩色图像、缩小后的彩色图像、原直方图和均衡后的直方图。
- 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)。
imwrite(A，FILENAME,FMT)
FILENAME参数指定文件名。FMT为保存文件采用的格式。 imwrite(I6,'nirdilatedisk2TTC10373.bmp');
Matlab 数字图像处理
内容安排
/1、图像的读取和显示 /2、图像的点运算 /3、图像的几何变换 /4、空间域图像增强 /5、频率域图像增强 /6、彩色图像处理 /7、形态学图像处理 /8、图像分割 /9、特征提取
/1、图像的读取和显示
一、图像的读取
A=imread(FILENAME,FMT)
t clo kg s
c为尺度比例常数，s为源灰度值，t为变换后的目标灰 度值。k为常数。灰度的对数变换可以增强一幅图像 中较暗部分的细节，可用来扩展被压缩的高值图像中 的较暗像素。广泛应用于频谱图像的显示中。
Warning：log函数会对输入图像矩阵s中的每个元素进行
操作，但仅能处理double类型的矩阵。而从图像文件中得到的 图像矩阵大多是uint8类型的，故需先进行im2double数据类型 转换。
I=imread('nir.bmp');%读入图像
F=fft2(im2double(I));%FFT F=fftshift(F);%FFT频谱平移
F=abs(F); T=log(F+1);%频谱对数变换 figure;imshow(F,[]);title('未经变换的频谱'); figure;imshow(T,[]);title('对数变换后');
rgb2gray;从RGB图创建灰度图，存储类型不变。 im2uint8 将图像转换成uint8类型
im2double 将图像转换成double类型
/2、图像的点运算
一、图像直方图
灰度直方图描述了一副图像的灰度级统计信息，主要应用于图像分 割和图像灰度变换等处理过程中。从数学角度来说，图像直方图描述图 像各个灰度级的统计特性，它是图像灰度值的函数，统计一幅图像中各 个灰度级出现的次数或概率。归一化直方图可以直接反映不同灰度级出 现的比率。横坐标为图像中各个像素点的灰度级别，纵坐标表示具有各 个灰度级别的像素在图像中出现的次数或概率。
添 加 高 斯 白 噪 声
添 加 椒 盐 噪 声
/4、空间域图像增强 二、空间域滤波
滤波过程就是在图像f(x,y)中逐点移动模板，使模板中心和点(x,y)重合，滤波器 在每一点(x,y)的响应是根据模板的具体内容并通过预先定义的关系来计算的。
W(-1,-1) W(-1,0) W(-1,1)
W(0,-1) W(0,0) W(0,1)
h=medfilt2(I1,[m,n]);
m和n为中值滤波处理的模板大小，默认3*3
/4、空间域图像增强
五、图像锐化
图像锐化主要用于增强图像的灰度跳变部分，主要通过运算导数（梯度） 或有限差分来实现。主要方法有：Robert交叉梯度，Sobel梯度，拉普拉 斯算子，高提升滤波，高斯-拉普拉斯变换。
/1、图像的读取和显示
三、图像的显示
imshow(I,[low high])
I为要显示的图像矩阵。[low high]为指定显示灰度图像的灰度范围。 高于high的像素被显示成白色；低于low的像素被显示成黑色；介于 High和low之间的像素被按比例拉伸后显示为各种等级的灰色。 figure；imshow(I6);title('The Main Pass Part of TTC10373');
/3、图像的几何变换 二、图像镜像
B=imtransform(A,TFORM,method); TFORM=makeform(transformtype,Matrix);%空间变换结构
Method合法值 ‘bicubic’ ‘bilinear’ ‘nearest’
含义 双三次插值 双线性插值 最近邻插值
原 图 像
滤 波 后 图
像
/4、空间域图像增强 三、滤波器设计
h=fspecial(type,parameters)
parameters为可选项，是和所选定的滤波器类型type相关的 配置参数，如尺寸和标准差等。
type为滤波器的类型。其合法值如下：
合法取值 ‘average’
‘disk’ ‘gaussian’ ‘laplacian’
[J,T]=histeq(I);%J为输出图像，T为变换矩阵
图像易受光照、视角、方位、噪声等的影响。使得同一类图像的不同变形 体之间的差距有时大于该类图像与另一类图像之间的差距，影响图像识别、 分类。图像归一化就是将图像转换到唯一的标准形式以抵抗各种变换，从 而消除同类图像不同变形体之间的外观差异。也称为图像灰度归一化。
W(1,-1) W(1,0) W(1, 1)
f(x-1,y-1) f(x-1,y) f(x-1,y+1+1)
f(x+1,y-1) f(x+1,y) f(x+1,y+1)
B=imfilter(f,w,option1,option2,…);
f 为要进行滤波操作的图像。 w为滤波操作使用的模板，为一个二维数组，可自己定义。 option1……是可选项，包括： 1、边界选项（’symmetric’、’replicate’、’circular’） 2、尺寸选项（’same’、’full’） 3、模式选项（’corr’、’conv’）
‘log’ ‘prewitt’ ‘sobel’
功能 平均模板 圆形领域的平均模板 高斯模板 拉普拉斯模板 高斯-拉普拉斯模板 Prewitt水平边缘检测算子 Sobel水平边缘检测算子
/4、空间域图像增强 四、中值滤波
中值滤波本质上是一种统计排序滤波器。中值不同于均值，是指排序 队列中位于中间位置的元素的值。中值滤波并非线性滤波器。对于某 些类型的随机噪声具有非常理想的降噪能力。典型的应用就是消除椒 盐噪声。
kittlerMet : 表示kittler 最小分类错误(minimum error thresholding)全局二 值化算法。
直
原
接
图
阈
像
值
分
割
0.25
算 法
算 法 算 法
割
分
法
算
OTSU
Niblack
KittlerMet
Kapur
割
分
值
阈
动
自
/2、图像的点运算
五、直方图均衡化
DBf DA D A M 0 aiD x A 0Hi
BW=im2bw(I,level);%level为人工设定阈值范围为[0 ,1]
thresh=graythresh(I);%自动设定所需的最优化阈值
OTSU算法：最大类间方差法自动单阈值分割。
Kapur算法：一维直方图熵阈值算法
niblack算法：局部阈值分割 阈值的计算公式是T = m + k*v，其中m为以该像素点为中心的区域的平 均灰度值，v是该区域的标准差，k是一个系数。
图像直方图归一化
imhist(I);%灰度直方图
I=imread(‘red.bmp’);%读入图像 figure;%打开新窗口 [M,N]=size(I);%计算图像大小 [counts,x]=imhist(I,32);%计算有32个小区间的灰度直方图 counts=counts/M/N;%计算归一化灰度直方图各区间的值 stem(x,counts);%绘制归一化直方图
/2、图像的点运算
二、灰度的线性变换
D B fD A fA D A fB
Fa>1时，输出图像的对比度将增大；Fa<1时，输出图像对比度将减小。 Fa=1且Fb非零时，所有像素的灰度值上移或下移，使整个图像更暗或 更亮。Fa<0，暗区变亮，亮区变暗。
/2、图像的点运算
三、灰度的对数变换
I=imread('nir.bmp'); figure;imshow(imadjust(I,[],[],0.75)); %gamma=0.5 title('Gamma 0.5');
原 图 像
NIR
Gamma 0.5
Gamma 1.5
四、灰度阈值变换及二值化
f x 2055x x T T
T为指定阈值
/3、图像的几何变换
四、图像中心旋转
B=imrotate(A,angle,method,’crop’);
angle为旋转角度，正值为逆时针旋转。可选参数method为imrotate函数 指定插值方法。‘crop’选项会裁减旋转后增大的图像，保持和原图像 同样大小。
A=imread('nir.bmp'); B=imrotate(A,30,'nearest','crop'); figure;imshow(B);imwrite(B,'逆时针中心旋转30度.bmp');
/2、图像的点运算
三、灰度的Gamma变换
yxesp
其中，x、y的取值范围为[0,1]。esp为补偿系数，r则为Gamma系数。 Gamma变换是根据r的不同取值选择性的增强低灰度区域的对比度 或者高灰度区域的对比度。
J=imadjust(I,[low_in high_in],[low_out high_out],gamma)
/3、图像的几何变换
I=imread('nir.bmp'); se=translate(strel(1),[180 190]); B=imdilate(I,se); figure;subplot(1,2,1),subimage(I);title('原图像'); subplot(1,2,2),subimage(B);title('平移后图像');