数字图像模板匹配
数字图像处理中的特征提取与识别
数字图像处理中的特征提取与识别数字图像处理是目前计算机视觉和人工智能领域中的重要分支，其中特征提取和识别是关键技术之一。
特征提取是将数学模型和算法应用于图像处理过程中提取出的特征量，它是实现数字图像自动识别的基础。
识别是将提取出的特征量作为输入，使用机器学习算法进行计算，最终得出图像所属的类别。
特征提取的重要性特征提取是数字图像处理的基础，是数字图像处理中至关重要的一个环节。
一个好的特征提取算法能够提取有效的信息，通过学习和分类来细化这些信息，为识别提供更加可靠的依据。
特征提取算法的主要目标是使得提取出的特征量能够在数据量上保持一定的稳定性，从而提高识别准确度。
特征提取的方法目前，在数字图像处理中，常用的特征提取方法包括颜色特征、纹理特征和形状特征等。
其中，颜色特征是指通过对图像中每个像素点进行分析，提取出颜色信息的特征，并通过算法来确定图像的颜色分布。
纹理特征则是利用图像中像素点的灰度值在空间上呈现出的变化规律来进行特征提取，该方法通常是利用小区域的纹理信息作为特征量。
形状特征主要是从形状的角度进行提取，包括边缘分布、平坦度、拐角特征等在内，这些特征能够很好地区分不同类型的图像。
识别方法在数字图像处理中，常用的识别方法主要包括模板匹配、基于统计的方法和基于学习的方法等。
其中，模板匹配是一种比较简单的识别方法，它是将一张待识别的图像和已知信息的样本进行比对，得出相似度。
基于统计的方法则是从已知数据样本集中提取出一些统计特征来进行识别。
基于学习的方法是将已知信息的数据样本集通过机器学习算法进行训练，最终得到一个决策函数，通过该函数进行分类。
特征提取与识别的应用数字图像处理中的特征提取和识别方法广泛应用于各个领域，如医疗、安防、交通、农业等。
例如，目前在医疗领域中，数字图像处理技术已经应用于乳腺癌、肾脏疾病等领域，能够在识别疾病方面提供更多、更可靠的信息。
在安防领域，数字图像处理技术能够快速准确地识别出异常情况，提高安全性。
基于模板匹配的手写数字决策分类器设计
基于模板匹配的手写数字决策分类器设计胡开华;张玉静;舒期梁【期刊名称】《现代计算机（专业版）》【年(卷),期】2011(000)024【摘要】Gives a design method based on template matching decision classifier for handwritten numeral recognition. Discusses the methods of pattern recognition classifier design, gives the classifier algorithm. The algorithm based on handwritten digital image pre processing extracts some characteristic quantities from the recognition of handwritten digital image and compares with standard template library of templates corresponding to the feature previously established. Calculates the distance between identifying image and the standard template features. Uses minimum distance method to determine the class it belongs to. The experimental result shows that, the decision classifier algorithm is easy to realize, and has the matching speed, so as to ensure the correct rate of the character recognition.%针对手写数字识别提出一种基于模板匹配决策分类器设计方法。
模板匹配算法进行数字(非手写数字)识别的基本原理
模板匹配算法进行数字（非手写数字）识别的基本原理 模板匹配算法是一种常用的数字识别方法，其基本原理是通过比对模板图像和待识别图像的相似度来判断数字是否匹配。
该算法适用于非手写数字的识别，下面将对其进行详细介绍。
1、模板获取： 在模板匹配算法中，首先需要获取一组已知数字的模板图像。
这些模板图像应该具有代表性，覆盖各种不同的数字样式和字体。
可以通过人工绘制、网上下载或者从已有的数字图像中提取获得。
2、预处理： 在进行匹配前，需要对模板图像和待识别图像进行预处理，以便提取数字的特征。
预处理包括图像灰度化、二值化、降噪等步骤。
2.1 图像灰度化： 将彩色图像转换为灰度图像，以便简化后续处理过程。
通过加权平均法或者取红绿蓝通道的平均值来获得每个像素点的灰度值。
2.2 图像二值化： 将灰度图像转换为黑白图像，可以通过设定一个阈值，将灰度图像中大于阈值的像素点设为白色，小于阈值的像素点设为黑色。
二值化后的图像有利于数字的概括和匹配。
2.3 图像降噪： 在二值化后，图像可能存在一些由噪声引起的孤立的像素点或者细小的连通区域。
通过使用滤波器等降噪技术，可以减少这些噪声对识别结果的影响。
3、模板匹配： 匹配算法通过计算待识别图像与所有模板图像的相似度，找到最匹配的数字。
常用的相似度计算方法有欧氏距离、相关系数、巴氏距离等。
3.1 欧氏距离： 欧氏距离是计算两个图像之间差异的一种方法，可以通过计算对应像素点之间的差值的平方和再开方来得到。
计算公式如下：``` d = √(∑(I1(x,y) - I2(x,y))^2)``` 其中，d表示欧氏距离，I1和I2分别表示待识别图像和模板图像在相应位置的像素值。
3.2 其他相似度计算方法： 除了欧氏距离，还可以使用相关系数或者巴氏距离等其他相似度计算方法。
相关系数通过计算待识别图像和模板图像的相关性来衡量相似程度，巴氏距离则通过计算两个图像之间的统计特征来比较相似度。
4、匹配结果： 匹配算法将返回一个匹配结果，即对待识别图像中数字的识别结果。
数字识别算法
数字识别算法数字识别算法是指通过计算机程序对数字图像进行分析和处理，从而识别出数字的算法。
数字识别算法是计算机视觉领域的重要研究方向之一，广泛应用于手写数字识别、车牌识别、人脸识别等领域。
常见的数字识别算法包括传统的模板匹配算法、神经网络算法、支持向量机算法等。
下面将对这三种算法进行详细介绍。
1. 模板匹配算法模板匹配算法是最基本、最简单的数字识别算法之一，它的基本思想是将待识别的数字图像与已知数字模板进行比较，找出最相似的模板作为识别结果。
具体实现过程如下：首先将数字图像进行二值化处理，得到二值图像；然后将二值图像与数字模板进行逐像素比较，计算它们的相似度；最后选择相似度最高的模板作为识别结果。
模板匹配算法的优点是实现简单、计算速度快，但它的缺点也很明显，即只能识别与模板相似度较高的数字，对于变形、噪声等情况的数字识别效果较差。
2. 神经网络算法神经网络算法是一种基于生物神经系统的数字识别算法，它的基本思想是模拟人脑神经元之间的相互作用，通过训练神经网络来实现数字识别。
神经网络算法的实现过程如下：首先将数字图像进行预处理，提取出数字的特征向量；然后将特征向量输入到神经网络中，通过训练神经网络来学习数字的特征，从而实现数字识别。
神经网络算法的优点是具有很强的自适应性和鲁棒性，对于变形、噪声等情况的数字识别效果较好。
但它的缺点也很明显，即需要大量的训练数据和计算资源，训练时间长，而且对于神经网络的结构和参数的选择也需要一定的经验和技巧。
3. 支持向量机算法支持向量机算法是一种基于统计学习理论的数字识别算法，它的基本思想是通过构建最优的超平面来实现数字的分类。
具体实现过程如下：首先将数字图像进行预处理，提取出数字的特征向量；然后将特征向量作为样本输入到支持向量机中，通过训练支持向量机来学习数字的特征，从而实现数字的分类和识别。
支持向量机算法的优点是具有很强的泛化能力和鲁棒性，对于变形、噪声等情况的数字识别效果较好。
模板匹配识别算法和神经网络识别算法的比较及MATLAB实现
模板匹配识别算法和神经网络识别算法的比较及MATLAB实现陶鹏，朱华（攀枝花学院数学与计算机学院，四川攀枝花617000）摘要：现有的车牌识别系统（LPR）已经诞生了许多关键技术。
常用的关键技术有：基于数学形态学定位汽车车牌、基于Hough变换的车牌图像倾斜校正算法。
而识别算法中，主要有模板匹配和BP神经网络算法。
模板匹配算法是数字图像处理组成的重要部分之一。
把不同的传感器在不同时间和成像条件下对景物获取到的图像在空间上对齐，或在模式到一幅图中寻找对应的处理方法。
BP神经网络算法是一种“误差逆传播算法训练”：利用输出的误差估计前一层的误差，以此类推，获取各层次估计的误差。
本次实验通过比较识别算法的两种关键技术得出以下结论：模板匹配实现过程简单，速度快，要求字符比较规整，并且对车牌图片质量要求很高，图像被其他因素干扰时，比如光线、清晰度等，会导致识别率低；而神经网络算法可以在不同的复杂环境下、不明确推理规则等识别问题，具有自适应性好、识别率高的自学习和自调整能力，但在识别前需要进行网络训练，速度慢，依赖大量的学习样本。
关键词：识别算法；模板匹配；BP神经网络中图分类号：TP181文献标识码：A文章编号：1009-3044(2020)34-0187-04开放科学（资源服务）标识码（OSID）：Character Recognition Algorithm Based on Template Matching and Character Recognition Algorithm based on Neural Network Comparison and MATLAB ImplementationTAO Peng，ZHU Hua（School of Mathematics and Computer,Panzhihua University,Panzhihua617000,China）Abstract:Existing license plate recognition(LPR)system has created the key technology of many key techniques are commonly used are:car license plate based on mathematical morphology on the license plate image tilt correction algorithm based on Hough transform and the recognition algorithm,there are mainly template matching template matching algorithm and the BP neural net⁃work algorithm is one of an important part of digital image processing of the different sensors in different time and imaging condi⁃tion of scenery get image alignment on the space,or in the model to a figure in search the corresponding treatment method the BP neural network training algorithm is a kind of error back propagation algorithm:using the output error of the estimation error of the previous layer,and so on,for all levels estimated error this experiment by comparing the recognition algorithm of two kinds of key technology in the following conclusions:template matching process is simple,fast,character is neat,and the license plate image quality requirement is high,the image interference by other factors,such as the light of clarity,leads to the recognition rate is low; However,neural network algorithm can identify problems such as unclear inference rules in different complex environments,and has self-learning and self-adjustment abilities with good adaptability and high recognition rate.However,network training is need⁃ed before recognition,which is slow and relies on a large number of learning samples.Key words:Recognition algorithm;Template matching;The neural network随着我国经济水平的不断提升，人们对生活质量的要求也源源不断提高。
智能控制系统中的图像识别技术研究
智能控制系统中的图像识别技术研究一、引言随着现代科技的快速发展，智能控制系统逐渐成为各行各业的热门领域。
而在这个领域中，图像识别技术则是其中不可或缺的一部分。
图像识别技术是指将数字图像中的信息转化为计算的过程，它在智能控制系统中具有广泛的应用，如人工智能、自动驾驶、医学影像等领域。
本文将探讨图像识别技术在智能控制系统中的应用，以及当前科技水平和未来发展方向。
二、图像识别技术的基本原理图像识别技术是指将数字图像转化为可计算的信息，常用的图像识别方法有三种：特征提取法、模板匹配法和神经网络法。
1. 特征提取法该方法通过对图像中的特定信息进行提取和比较来识别图像。
特征提取法主要包括：颜色、形状、纹理等方面的特征提取。
2. 模板匹配法该方法先提前制作出一个标准模板，在进行图像匹配时搜索图像中的与模板最匹配的部分，可以用于目标的定位和边缘检测。
3. 神经网络法该方法利用计算机的神经网络模拟人类的大脑进行图像的处理和识别。
神经网络法需要大量的数据用于训练，其准确度较高，在实际应用中也有很广泛的应用。
三、智能控制系统中的图像识别技术在智能控制系统中，图像识别技术常用于以下几个方面。
1. 机器视觉在工业生产中，处理质检、零部件配对、辅助操作、物流自动化等流程，对视觉工业的需求越来越高。
通过机器视觉技术，可以进行零件的分类、质检以及识别等操作。
2. 智能交通图像识别技术在智能交通领域中有很广泛的应用，在车牌识别、智能停车场系统、道路拥堵监测等方面都有应用。
通过图像识别技术，可以实现车的自动驾驶、自动泊车等操作。
3. 医疗影像在医疗领域中，图像识别技术可以用于医疗影像的处理和分析。
图像识别技术可以对医疗影像进行分割、量化、减噪等操作，从而实现对病情的准确诊断和治疗。
4. 家庭安防在家庭安防领域中，图像识别技术可以用于人脸识别、动态监测、智能报警等方面，可以让家庭更加安全可靠。
四、当前技术水平和未来发展方向当前，在图像识别技术领域已经取得了较大的发展。
数码管数字识别模板匹配
数码管数字识别模板匹配
数字数码管识别是一种比较常见的计算机视觉问题，在数字数码管识别中，模板匹配是一种常用的方法。
下面介绍一种基于模板匹配的数字数码管识别流程：
1. 收集数码管样本：收集一系列数字数码管的图像样本，包括不同的数字、不同的尺寸和不同的字体等。
2. 预处理：将图像样本进行预处理，包括灰度化、二值化、去噪等操作，以便于后续模板匹配操作。
3. 提取数字数码管中的数字模板：从预处理后的数码管样本中提取出每个数字的数字模板。
可以使用如轮廓检测、边缘检测等方法进行数字模板的提取。
4. 构建数字模板库：将提取出的数字模板保存在一个数字模板库中，每个数字模板与对应的数字进行关联。
5. 数码管数字识别：对待识别的数字数码管图像进行预处理，提取出每个数字的候选区域。
6. 数字模板匹配：将候选区域与数字模板库中的每个数字模板进行匹配，计算匹配程度。
7. 数字匹配结果选择：选择与候选区域匹配度最高的数字作为数码管的识别结果。
需要注意的是，模板匹配方法对数字数码管样本的要求比较高，包括光照、噪声、尺寸和形变等方面都会对匹配效果产生影响。
因此，在实际应用中，可能需要根据具体情况进行一些优化和改进，如使用多尺度模板匹配、边缘增强、图像校正等方法来提高数字数码管的识别效果。
数字图像处理[图像锐化]
![数字图像处理[图像锐化]](https://img.taocdn.com/s3/m/e9eb2348df80d4d8d15abe23482fb4daa48d1d54.png)
上机参考程序2
I=imread('cameraman.tif'); subplot(2,2,1);imshow(I);title('original'); K=fspecial('laplacian',0.7);K1=filter2(K,I)/100; subplot(2,2,2);imshow(K1);title('laplacian'); L=fspecial('sobel');L1=filter2(L,I)/200; subplot(2,2,3);imshow(L1);title('sobel'); M=fspecial('prewitt');M1=filter2(M,I)/200; subplot(2,2,4);imshow(L1);title('prewitt');
灰度截面 一阶微分
二阶微分
(a) 阶跃形
(b) 细线形
(c) 斜坡渐变形
二阶微分锐化
—— 景物细节对应关系
1）对于突变形的细节，通过一阶微分的极大 值点，二阶微分的过0点均可以检测出来。
二阶微分锐化
—— 景物细节对应关系
2）对于细线形的细节，通过一阶微分的过0 点，二阶微分的极小值点均可以检测出来。
0
0
1 2 1
1*1+2*2+1*3-1*3-2*0-1*8=-3
12321 21262 30876 12786 23269
00 0 0 0 0 -3 -13 -20 0 0 -6 -13 -13 0 0 1 12 5 0 00 0 00
问题：计算结果中出现了小于零的像素值
- 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)。
摘要模板匹配就是把不同传感器或同一传感器在不同时间、不同成像条件下对同一景物获取的两幅或多幅图像在空间上对准,或根据已知模式到另一幅图中寻找相应模式的处理方法。
模板匹配是数字图像处理的重要组成部分之一。
简单而言，模板就是一幅已知的小图像。
模板匹配就是在一幅大图像中搜寻目标，已知该图中有要找的目标，且该目标同模板有相同的尺寸、方向和图像，通过一定的算法可以在图中找到目标，确定其坐标位置。
当以两块区域像素点灰度值的差别作为判别标准时，最简单的一种方法是直接把各点灰度的差值累计起来。
另一种方法是计算两块区域的对应像素点灰度值的相关系数，相关系数越大，则两块图像的匹配程度越高。
该方法的匹配效果要更好，匹配成功率有所提高。
关键词：图像匹配；MATLAB；灰度相关；模板匹配目录1设计目的与要求 (1)1.1设计目的 (1)1.2设计要求 (1)2 系统设计原理 (1)2.1 数字图像模板匹配及原理 (1)3设计方案 (2)3.1 设计思想 (2)3.2 设计流程 (2)3.3 算法设计 (3)4代码实现 (4)4.1 相关函数说明 (4)4.2 模版匹配源代码 (7)5 系统仿真结果与分析 (9)结论 (11)参考文献 (12)1设计目的与要求1.1设计目的数字图像出技术的迅猛发展，使其应用前景的得到了不可限量的扩展。
如今各行各业都在积极发展与图像相关的技术，数字图像处理逐渐凸显出其魅力。
其应用如医学影像，航天航空，无人驾驶，自动导航，工业控制，导弹制导，文化艺术等。
边缘检测技术在图像处理和计算机视觉等领域起着重要的作用，是图像分析，模式识别，目标检测与分割等的前期处理。
前期边缘检测的好坏，直接影响后期更高级处理的精度。
在实际图像边缘检测问题中，图像的边缘作为图像的一种基本特征，经常被应用到较高层次的图像应用中去。
它在图像识别，图像分割，图像增强以及图像压缩等的领域中有较为广泛的应用，也是它们的基础。
1.2设计要求通过分析题目的基本要求，我将此使用两种方法实现匹配:一个是基于灰度的模板匹配，另一个是基于灰度的快速匹配。
在以上两种方法中，用户可以对两张图像进行匹配并显示匹配结果。
2 系统设计原理2.1 数字图像模板匹配及原理计算机模式识别所要解决的问题，就是用计算机代替人去认识图像和找出一幅图像中人们感兴趣的目标物。
在机器识别物体的过程，常需把不同传感器或同一传感器在不同时间，不同成像条件下对同一景物获取的两幅或多幅图像在空间上对准，或根据已知模式到另一幅图中寻找相应的模式，这就叫做匹配。
模板匹配是一种最原始、最基本的模式识别方法。
研究某一特定对象物位于图像的位置，进而识别对象，这就是匹配的问题。
利用模板匹配可以在一幅图像中找到已知的物体。
这里的模板指的是一幅待匹配的图像，相当于模式识别的模式。
基本要求如下:(1).进行匹配的两幅图像为JPG格式或BMP格式。
(2).能够进行对两幅数字图像的匹配。
(3).采用交互式程序对图像进行匹配。
3设计方案3.1 设计思想由于各种各样的原因如(成象条件的差异)图象预处理，引入的误差等，参与图象匹配的模板与潜在的匹配子图象间通常存在着程度不同的不一致，因此根据模板在一幅陌生图象中检测出潜在的匹配对象并得出它在图象中的位置是一件复杂的工作。
模板匹配是指用一个较小的图像，即模板与源图像进行比较，以确定在源图像中是否存在与该模板相同或相似的区域，若该区域存在，还可确定其位置并提取该区域。
3.2 设计流程①数字图像:数字图像是由被称做像素的小块区域组成的二维像素矩阵。
一般把图像分成3种形式：单色图像，灰度图像和彩色图像。
②像素：表示图像颜色的最小单位③灰度图像：灰度图是指只含亮度信息，不含色彩信息的图像，就像平时看到的黑白照片：亮度由暗到明，变化是连续的。
灰度图的每个像素的亮度用一个数值来表示，通常数值范围在0—255之间，即可用一个字节来表示，0表示黑，255表示白，而其他表示灰度。
④点阵图:显示器的屏幕由可以发光的像素点组成. 并且从几何位置看, 所用这些像素点构成一个矩形的阵列.利用计算机控制各像素点按我们指定的要求发光,就构成了我们需要的图形.这种方式构成的图形我们可称之为点阵图形.⑤点阵图形的坐标系统：各像素点有一个坐标唯一指定了它的位置.如果点阵图形的大小是N×M, 那么它的点阵共有M行N 列, 每个像素点的位置就由它所在的行和列的位置所唯一确定. 这个行和列的位置就给出了点阵图形的坐标系统. 按照前面的顺序, 第m行, 第n列的像素点顺序数就是m+(n-1)N.反之, 顺序数为s的像素点在第s Mod N 行, 第Int(s/N ) + 1列, 这里的s Mod N是s除以N后的余数, Int( s/N ) 是s/N的整数部分.需要注意的是第m 行, 第n 列的像素点的坐标可能不是(m; n), 而是(m-1; n-1). 这是因为有时为了在计算机中处理的方便, 像素点的行列的排序不是从1, 而是从0开始的。
我们常用的显3.3 算法设计由于各种各样的原因如(成象条件的差异)图象预处理，引入的误差等，参与图象匹配的模板与潜在的匹配子图象间通常存在着程度不同的不一致，因此根据模板在一幅陌生图象中检测出潜在的匹配对象并得出它在图象中的位置是一件复杂的工作。
模板匹配是指用一个较小的图像，即模板与源图像进行比较，以确定在源图像中是否存在与该模板相同或相似的区域，若该区域存在，还可确定其位置并提取该区域。
模板匹配常用的一种测度为模手术台与源图像对应区域的误差平方和。
设f(x,y)为M×N 的源图像，t(j,k)为J×K(J≤M,K≤N)的模板图像,则误差平方和测度定义为:11200(,)[(,)(,)]J K j k D x y f x j y k t j k --===++-∑∑ （2.1） 由上式展开可得: 111111220000(,)[(,)]2(,)(,)[(,)]J K J K J K j k j k j k D x y f x j y k t j k f x j y k t j k ------=====++-⋅+++∑∑∑∑∑∑ （2.2） 令11200(,)[(,)]J K j k DS x y f x j y k --===++∑∑ （2.3）1100(,)2[(,)(,)]J K j k DST x y t j k f x j y k --===⋅++∑∑ （2.4）11200(,)[(,)]J K j k DT x y t j k --===∑∑ （2.5）DS(x,y)称为源图像中与模板对应区域的能量，它与像素位置（x,y ）有关，但随像素位置（x,y ）的变化，DS(x,y)变化缓慢。
DST(x,y)模板与源图像对应区域的互相关，它随像素位置（x,y ）的变化而变化，当模板t(j,k)和源图像中对应区域相匹配时取最大值。
DT(x,y)称为模板的能量，它与图像像素位置(x,y)无关，只用一次计算便可。
显然，计算误差平方和测度可以减少计算量。
基于上述分析，若设DS(x,y)也为常数，则用DST(x,y)便可进行图像匹配，当DST(x,y)取最大值时，便可认为模板与图像是匹配的。
但假设DS(x,y)为常数会产生误差，严重时将无法下确匹配，因此可用归一化互相关作为误差平方和测度，其定义为：1100111120000(,)(,)(,)[(,)][(,)]J K j k J K J K j k j k t j k f x j y k R x y f x j y k t j k --==----====⋅++=++⋅∑∑∑∑∑∑ （2.6） 模板匹配的示意图如图图2.1所示，其中假设源图像f(x,y)和模板图像t(k,l)的原点都在左上角。
对任何一个f(x,y)中的(x,y),根据上式都可以算得一个R(x,y).当x 和y 变化时，t(j,k)在源图像区域中移动并得出R(x,y)所有值。
R(x,y)的最大值指出了与t(j,k)匹配的最佳位置，若从该位置开始在源图像中取出与模板大小相同的一个区域，便可得到匹配图像。
图2.1 模板匹配示意图4代码实现4.1 相关函数说明1、imread 函数功能：从图像文件(BMP,HDF,JPEG ,PCX,TIFF,XWD 等格式)中读入图像数据。
格式：A=imread(文件名，’图像文件格式’)说明:文件名为指定图像文件名称的字符串。
’图像文件格式’为图像文件格式的字符串。
文件名必须在当前目录或MATLAB路径中，如果找不到则录找’文件名.图像文件格式’.A为无符号8位整数(uint8)。
如果文件灰度图像(详细解释见“算法设计”中的“概念解释”)，则A为一个二维数组；如果文件是一个真彩色RGB图像，则A是一个三维数组（m×n×3）。
举例：A=imread(‘E:\temp_picture.jpg’);%读取存放在E盘下的名为temp_picture.jpg 的图像，并将其整个点阵数据传给A。
注：在MATLAB中申请一个变量时不需要指定类型，其具体类型由系统自动判别。
2、imwrite函数功能：交图像写入图像文件（以BMP,HDF,JPEG,PCX,TIFF,XWD等格式）。
格式：imwrite(A,文件名，‘图像文件格式’)说明：文件名为指定图像文件名称的字符串。
‘图像文件格式’是指定图像文件的保存格式的字符串。
如果A是一个无符号8位整数表示的灰度图像或真彩色图像，imwrite 直接交数组A中的值写入文件。
如果A为双精度浮点数，imwrite首先使用uint8(round(255*A))自动将数组中的值变换为无符号8位整数，即交[0，1]范围内的浮点数变换为[0，255]范围内8位整数，然后写入文件。
3、imshow函数功能：图像显示。
格式：imshow(I)说明：在图形窗口显示I，其中I为用imread函数赋值的变量,是一个图形矩阵。
4、rgb2gray函数功能：转换RGB图像或颜色映像表为灰度图像。
格式：I = rgb2gray(RGB)说明：RGB为用imread函数赋值的变量,是一个图形矩阵；I为一个表示灰度图像的二维数组。
5、imcrop函数功能：图像剪裁。
格式：Ⅰ:I2=imcrop(I)Ⅱ:I2=imcrop(I,RECT)说明：格式Ⅰ为交互方式，imcrop 显示输入图像，等待用户用鼠标定义要剪裁的矩形。
格式Ⅱ为非交互方式，对灰度图像进行非交互方式的剪裁操作，通过四元素向量RECT=[xmin ymin width height]指定剪裁矩阵，这些值是定义在坐标系中的，xmin 和ymin 是图像矩阵I 的一处坐标，width 是以此坐标为准向右的延伸的长度，height 是以此坐标为准向下延伸的长度，由此构成要剪裁的矩形区域。