基于MATLAB的图像研究
基于MATLAB的医学图像处理技术研究
基于MATLAB的医学图像处理技术研究一、引言随着科学技术的高速发展，医学图像处理技术被广泛应用于医疗卫生领域，为医学研究和诊断提供了新的手段和方法。
其中，基于MATLAB的医学图像处理技术尤为得到重视和应用。
本文将针对这一主题进行深入的探讨和研究。
二、MATLAB在医学图像处理中的应用1. MATLAB的基本概念MATLAB是一种高级计算机语言和集成环境，具有高效的数值计算功能、优秀的图形处理功能和方便的编程接口。
它可以用于各种工程和科学计算领域，尤其是医学图像处理领域。
MATLAB中的图象处理函数涵盖了许多基本的图形处理方法，如图像增强、卷积、滤波、边缘检测、分割和特征提取等。
2. MATLAB在医学图像处理中的应用MATLAB在医学图像处理中广泛应用于各种领域，如放射学、心脏病学、神经病学、眼科学、肺病学等等。
其中，医学图像处理的主要应用包括以下方面：(1) 医学图像增强医学图像增强是医学图像处理中的一个基本问题，主要是对所采集图像的质量进行提高，以便于医生对所处理图像进行更加清晰的诊断。
医学图像增强的方法较多，其中MATLAB主要通过调整图像的亮度、对比度、直方图、噪声等来达到图像增强的效果。
(2) 医学图像分割医学图像分割是一种将图像中的目标部分从图像中分离出来的过程，这是各种图像处理任务的基础之一。
在医学图像处理中，图像分割可以用来检测病变、分割组织区域等。
MATLAB采用各种分割算法实现医学图像分割，如区域生长法、阈值分割法、边缘检测法等。
(3) 医学图像检测医学图像检测主要用来检测图像中的各种病变，如肿瘤、斑块、动脉硬化等。
MATLAB可以实现图像检测的目的，如脚低压病变的检测、眼底图像中的病变检测等。
(4) 医学图像配准医学图像配准主要用来匹配不同的医学图像，解决不同时期、不同影像仪器拍摄的医学图像间的不匹配问题，从而实现对医学图像的比较和分析。
MATLAB采用点匹配、特征匹配、区域匹配等方法实现图像配准。
基于MATLAB的图像处理研究
基于MATLAB的图像处理研究姓名：***学号：*******导师：***指导老师：***基于MATLAB的图像处理研究1研究目的由于现阶段，随着科技的发展，计算机技术的应用已经渗透到社会的方方面面，而与图像有关的通信、网络、传媒、多媒体等已经给人们的生活带来巨大的变化。
放观长远，图像技术将在未来的很长一段时间内，影响着计算机应用的各个领域。
因此，探究图像处理技术对今后计算机图像处理的发展有着很好的前瞻作用，也为图像处理的技术创新在以后提供理论上的支持。
图像平滑和图像锐化作为图像处理中比较基础且尤为重要的基本方式，在今后的数字化的信息时代中仍然会有广泛的用处。
作为基本的图像处理，在数字技术应用的许多方面都有需要的地方，无论是计算机，还是微电子、通信工程、嵌入式系统、传感技术都有着十分重要的地位。
2空域图像处理2.1图像平滑基本概述图像平滑是指用于突出图像的宽大区域、低频成分、主干部分或抑制图像噪声和干扰高频成分，使图像亮度平缓渐变，减小突变梯度，改善图像质量的图像处理方法。
2.1.1 线性滤波（均值滤波）对一些图像进行线性滤波可以去除图像中某些类型的噪声。
领域平均法就是一种非常适合去除通过扫描得到的图像中的噪声颗粒的线性滤波。
领域平均法是空间域平滑噪声技术。
对于给定的图像()j i f,中的每个像素点()nm,，取其领域S。
设S含有M个像素，取其平均值作为处理后所得图像像素点()nm,处的灰度。
用一像素领域内各像素灰度平均值来代替该像素原来的灰度，即领域平均技术。
领域S的形状和大小根据图像特点确定。
一般取的形状是正方形、矩形及十字形等，S的形状和大小可以在全图处理过程中保持不变，也可以根据图像的局部统计特性而变化，点(m,n)一般位于S 的中心。
如S 为3×3领域，点(m,n)位于S 中心，则()()∑∑-=-=++=1111,91,i j j n i m f n m f (2.1) 假设噪声n 是加性噪声，在空间各点互不相关，且期望为0，方差为2σ，图像g 是未受污染的图像，含有噪声图像f 经过加权平均后为 ()()()()∑∑∑+==j i n M j i g M j i f M n m f ,1,1,1, (2.2) 由上式可知，经过平均后，噪声的均值不变，方差221σσM =，即方差变小，说明噪声强度减弱了，抑制了噪声。
基于Matlab的遥感数据处理与图像分析技术研究
基于Matlab的遥感数据处理与图像分析技术研究遥感技术是一种通过传感器获取地面、大气和水体等目标信息的技术，广泛应用于农业、林业、地质勘探、城市规划等领域。
而Matlab作为一种功能强大的科学计算软件，被广泛应用于遥感数据处理和图像分析中。
本文将探讨基于Matlab的遥感数据处理与图像分析技术研究。
1. 遥感数据处理遥感数据处理是指对通过遥感传感器获取的数据进行预处理、特征提取和信息提取的过程。
在Matlab中，可以利用各种工具箱和函数对遥感数据进行处理，包括但不限于：数据读取与显示：Matlab提供了丰富的函数用于读取各种格式的遥感数据，并可以通过图像显示函数展示数据。
数据预处理：包括去噪、辐射校正、几何校正等预处理步骤，可以有效提高后续分析的准确性。
特征提取：利用Matlab中的图像处理工具箱，可以提取各种地物特征，如植被指数、土地覆盖类型等。
分类与识别：通过机器学习算法，在Matlab环境下进行遥感影像分类与目标识别，实现自动化信息提取。
2. 图像分析技术图像分析技术是指对图像进行数字化处理和分析，从中获取有用信息的过程。
在遥感领域，图像分析技术可以帮助解译遥感影像，提取地物信息，进行环境监测等。
在Matlab中，可以结合图像处理工具箱和深度学习工具箱进行图像分析，包括但不限于：图像增强：通过直方图均衡化、滤波等方法增强遥感影像的对比度和清晰度。
目标检测：利用目标检测算法，在遥感影像中自动识别并标记出目标物体。
变化检测：通过对多时相遥感影像进行比对分析，检测地表变化情况，如城市扩张、植被覆盖变化等。
三维重建：基于多角度或多时相影像，使用立体视觉技术实现地形三维重建。
3. Matlab在遥感领域的应用案例3.1 遥感影像分类利用Matlab中的支持向量机（SVM）算法对高光谱遥感影像进行分类，实现土地覆盖类型的自动识别。
通过构建合适的特征空间和选择适当的核函数，提高分类精度和效率。
3.2 遥感变化检测结合Matlab中的差异图像分析方法和变化检测算法，对城市扩张、湖泊面积变化等进行监测与分析。
基于matlab的图像对比度增强处理的算法的研究与实现
基于matlab的图像对比度增强处理的算法的研究与实现1. 引言1.1 研究背景图像对比度增强是数字图像处理中的一个重要领域，它能够提高图像的视觉质量，使图像更加清晰、鲜明。
随着现代科技的快速发展，图像在各个领域的应用越来越广泛，因此对图像进行对比度增强处理的需求也越来越迫切。
在数字图像处理领域，图像对比度增强处理是一种经典的技术，通过调整图像的灰度级范围，提高图像的对比度，使图像更加清晰和易于观察。
对比度增强处理可以应用于医学影像、卫星图像、照片修复等领域，有效提升图像质量和信息量。
随着数字图像处理算法的不断发展和完善，基于matlab的图像对比度增强处理算法也得到了广泛研究和应用。
通过matlab编程实现图像对比度增强处理算法，可以快速、高效地对图像进行处理，并进行实验验证和效果分析。
研究基于matlab的图像对比度增强处理算法的研究与实现具有重要的理论意义和实际应用价值。
1.2 研究目的研究目的是探索基于matlab的图像对比度增强处理算法，通过对比不同算法的效果和性能进行分析，进一步提高图像的清晰度和质量。
具体目的包括：1. 深入理解图像对比度增强处理的基本原理，掌握常用的算法和技术；2. 研究基于matlab的图像对比度增强处理算法实现的方法和步骤，探究其在实际应用中的优劣势；3. 通过实验结果与分析，评估不同算法在提升图像对比度方面的效果和效率；4. 对现有算法进行优化与改进，提出更加有效的图像对比度增强处理方法；5.总结研究成果，为今后进一步完善图像处理技术提供参考和借鉴。
通过对图像对比度增强处理算法的研究与实现，旨在提高图像处理的效率和质量，满足不同应用领域对图像处理的需求，促进图像处理技术的发展和应用。
1.3 研究意义对比度增强处理是图像处理领域中一项重要的技术，在实际应用中有着广泛的使用。
通过增强图像的对比度，可以使图像更加清晰、鲜明，提高图像的质量和观感效果。
对比度增强处理在医学影像分析、卫星图像处理、数字摄影等领域都有着重要的应用。
基于MATLAB的医学图像处理算法研究与实现
基于MATLAB的医学图像处理算法研究与实现一、引言医学图像处理是医学影像学领域的重要组成部分，随着计算机技术的不断发展，基于MATLAB的医学图像处理算法在临床诊断、医学研究等方面发挥着越来越重要的作用。
本文将探讨基于MATLAB的医学图像处理算法的研究与实现。
二、MATLAB在医学图像处理中的应用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箱，包括图像滤波、分割、配准、重建等功能。
在医学图像处理中，MATLAB可以用于对医学影像进行预处理、特征提取、分析和诊断等方面。
三、医学图像处理算法研究1. 图像预处理图像预处理是医学图像处理中的重要步骤，旨在去除噪声、增强对比度、平滑图像等。
常用的预处理方法包括均值滤波、中值滤波、高斯滤波等，在MATLAB中可以通过调用相应函数实现。
2. 图像分割图像分割是将医学影像中感兴趣的目标从背景中分离出来的过程，常用方法有阈值分割、区域生长、边缘检测等。
MATLAB提供了各种分割算法的实现，如基于阈值的全局分割函数imbinarize等。
3. 特征提取特征提取是从医学影像中提取出有助于诊断和分析的特征信息，如纹理特征、形状特征等。
在MATLAB中，可以通过灰度共生矩阵（GLCM）、Gabor滤波器等方法进行特征提取。
4. 图像配准图像配准是将不同时间点或不同模态下的医学影像进行对齐和注册，以便进行定量分析和比较。
MATLAB提供了多种配准算法，如互信息配准、归一化互相关配准等。
5. 图像重建图像重建是指根据已有的投影数据或采样数据恢复出高质量的医学影像，常见方法有逆向投影重建、迭代重建等。
MATLAB中可以使用Radon变换和滤波反投影算法进行CT图像重建。
四、基于MATLAB的医学图像处理算法实现1. 实验环境搭建在MATLAB环境下导入医学影像数据，并加载相应的图像处理工具箱。
2. 图像预处理实现利用MATLAB内置函数对医学影像进行去噪、增强等预处理操作。
基于MATLAB的图像识别与处理系统设计
基于MATLAB的图像识别与处理系统设计图像识别与处理是计算机视觉领域的重要研究方向，随着人工智能技术的不断发展，基于MATLAB的图像识别与处理系统设计变得越来越受到关注。
本文将介绍如何利用MATLAB进行图像识别与处理系统设计，包括系统架构、算法选择、性能优化等方面的内容。
一、系统架构设计在设计基于MATLAB的图像识别与处理系统时，首先需要考虑系统的整体架构。
一个典型的系统架构包括以下几个模块：图像采集模块：负责从各种来源获取原始图像数据，可以是摄像头、传感器等设备。
预处理模块：对采集到的图像数据进行预处理，包括去噪、灰度化、尺寸调整等操作，以便后续的处理。
特征提取模块：从预处理后的图像中提取出有用的特征信息，这些特征将用于后续的分类和识别。
分类器模块：采用机器学习或深度学习算法对提取到的特征进行分类和识别，输出最终的结果。
结果展示模块：将分类和识别结果展示给用户，可以是文字描述、可视化界面等形式。
二、算法选择与优化在基于MATLAB进行图像识别与处理系统设计时，算法选择和优化是至关重要的环节。
以下是一些常用的算法和优化技巧：图像处理算法：MATLAB提供了丰富的图像处理工具箱，包括滤波、边缘检测、形态学操作等功能，可以根据具体需求选择合适的算法。
特征提取算法：常用的特征提取算法包括HOG（Histogram of Oriented Gradients）、SIFT（Scale-Invariant Feature Transform）等，选择合适的算法可以提高系统性能。
分类器算法：MATLAB中集成了多种机器学习和深度学习算法，如SVM（Support Vector Machine）、CNN（Convolutional Neural Network）等，可以根据数据特点选择最适合的分类器。
性能优化：在实际应用中，为了提高系统性能和响应速度，可以采用并行计算、GPU加速等技术对算法进行优化。
三、实例分析为了更好地理解基于MATLAB的图像识别与处理系统设计过程，我们以一个实例进行分析：假设我们需要设计一个人脸识别系统，首先我们需要收集大量人脸图像数据，并对这些数据进行预处理和特征提取。
基于MATLAB图像处理的火焰特征识别方法研究
基于MATLAB图像处理的火焰特征识别方法研究火焰特征识别在许多领域都有着重要的应用价值，比如火灾监测、火灾预警以及工业生产中的火焰检测等。
对火焰特征进行准确地识别和提取是非常重要的。
随着图像处理技术的不断发展，基于MATLAB图像处理的火焰特征识别方法成为了一种可能的解决方案。
本文将对基于MATLAB图像处理的火焰特征识别方法进行研究，探讨其在火灾监测等领域的应用前景。
一、火焰特征识别的意义和现状火灾是一种严重的自然灾害，给人们的生命和财产带来了极大的损失。
而火灾的发生大多数情况下都是突然且瞬间的，因此需要在火灾发生前及时地识别出火灾的迹象，进行提前的预警和处理。
在一些工业生产过程中，火焰的产生也需要进行实时的监测和识别，以确保生产过程的安全和稳定。
目前，火焰特征识别主要通过传感器和图像处理技术来实现。
传感器可以通过测量火焰的温度、光谱等参数来进行火焰特征的识别，而图像处理技术则可以通过对火焰的图像进行分析和处理来识别火焰的特征。
传统的火焰特征识别方法主要是基于传感器的，其准确性和效率往往较低。
目前，国内外学者已经针对基于MATLAB图像处理的火焰特征识别方法进行了大量的研究。
在图像处理方面，研究者们通常采用滤波、分割和特征提取等方法，对火焰图像进行处理，从而实现对火焰特征的识别和提取。
在滤波方面，研究者们通常采用高斯滤波、中值滤波等方法，对火焰图像进行去噪处理，以增强火焰图像的特征。
在分割方面，研究者们通常采用阈值分割、边缘检测等方法，对火焰图像进行分割，从而识别出火焰的区域。
在特征提取方面，研究者们通常采用纹理特征、颜色特征等方法，对火焰图像进行特征提取，从而实现对火焰特征的识别和提取。
研究者们还通过建立火焰特征的数学模型，实现对火焰特征的定量分析和识别。
在火焰的识别和提取方面，研究者们通常通过使用MATLAB提供的图像处理工具箱中的函数和工具，例如imfilter、imsegment等函数和工具，来实现对火焰特征的识别和提取。
基于MATLAB图像处理的火焰特征识别方法研究
基于MATLAB图像处理的火焰特征识别方法研究一、引言火灾是一种十分危险的自然灾害，往往会给人们的生命和财产带来不可估量的损失。
及时准确地识别和监测火灾事件显得尤为重要。
火焰识别不仅仅是简单的颜色和形状的识别，还需要结合实际场景对火焰的特征进行深入的分析和研究。
利用图像处理技术来进行火焰特征的识别和监测，已成为一种常见的方法。
二、相关工作近年来，越来越多的研究人员将图像处理技术应用于火焰特征的识别和监测中。
A. Bhowmik等人提出了一种基于颜色空间转换和特征提取的方法，用于识别视频中的火灾事件。
通过颜色空间转换，将图像从RGB色彩空间转换到HSV色彩空间，在新的色彩空间中提取火灾的特征，通过一系列的实验验证了该方法的有效性。
M. S. Munir等人提出了一种改进的边缘检测算法，用于火焰特征的提取和识别。
该方法在边缘检测方面取得了较好的效果，并且对于实时火焰特征的识别也具有一定的实用性。
C. Li等人采用深度学习技术，结合卷积神经网络对火焰特征进行识别和监测，取得了较好的效果。
这些研究成果为本文的研究提供了一定的借鉴和参考。
三、MATLAB图像处理技术概述MATLAB是一种强大的科学计算软件，拥有丰富的图像处理工具包。
针对图像处理的工具箱包括图像增强、图像分割、形态学处理等多个方面。
这些功能的强大性使得MATLAB成为火焰特征识别研究的理想工具。
1.图像采集与预处理我们需要采集相应的火焰图像，并进行预处理操作。
MATLAB提供了丰富的图像采集和读取工具，可以很方便地导入需要处理的火焰图像。
然后，对图像进行预处理，包括灰度化、去噪、边缘检测等操作，使得图像更加适合于后续的处理和分析。
2.图像分割与特征提取图像分割是图像处理中的重要一环，可以将图像分割成多个具有相似特征的区域，便于进一步的分析和处理。
在火焰特征识别中，我们可以采用基于颜色、形状等特征进行图像分割。
然后，通过提取这些区域的特征，如面积、周长、形状等，来进行火焰的特征提取。
- 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)。
基于MATLAB 的图像研究直方图均衡化处理基本原理在实际应用中，希望能够有目的地增强某个灰度区间的图像， 即能够人为地修正直方图的形状， 使之与期望的形状相匹配，这就是直方图规定化的基本思想。
换句话说，希望可以人为地改变直方图形状，使之成为某个特定的形状，直方图规定化就是针对上述要求提出来的一种增强技术，它可以按照预先设定的某个形状来调整图像的直方图。
每一可能的灰度层次所占的像素个数尽量均等，每个像素具有同样的显示机会，从而使图像细节清晰，改善图像的整体对比度。
直方图及其均衡化结果0.0050.010.0150.020.02500.0050.010.0150.020.025图1 直方图及其均衡化空域图像处理均值滤波对一些图像进行线性滤波可以去除图像中某些类型的噪声。
领域平均法就是一种非常适合去除通过扫描得到的图像中的噪声颗粒的线性滤波。
领域平均法是空间域平滑噪声技术。
对于给定的图像()j i f ,中的每个像素点()n m ,，取其领域S 。
设S 含有M 个像素，取其平均值作为处理后所得图像像素点()n m ,处的灰度。
用一像素领域内各像素灰度平均值来代替该像素原来的灰度，即领域平均技术。
领域S 的形状和大小根据图像特点确定。
一般取的形状是正方形、矩形及十字形等，S 的形状和大小可以在全图处理过程中保持不变，也可以根据图像的局部统计特性而变化，点(m,n)一般位于S 的中心。
如S 为3×3领域，点(m,n)位于S 中心，则()()∑∑-=-=++=1111,91,i j j n i m f n m f中值滤波中值滤波是一种非线性滤波，由于它在实际运算过程中并不需要图像的统计特性，所以比较方便。
但是对一些细节多，特别是点、线、尖顶细节多的图像不宜采用中值滤波的方法。
中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替。
设有一个一维序列1f ，，…，n f ，取窗口长度为m(m 为奇数)，对此序列进行中值滤波，就是从输入序列中2f 相继抽出m 个数，v i f -，…，1-i f ，…，1f ，…，1+i f ，…，v i f +，其中i 为窗口的中心位置，21-=m v ，再将这m 个点按其数值大小排列，取其序号为正中间的那作为输出。
用数学公式表示为：{}v i i v i i f f f Med Y +-=,,,,ΛΛ21,-=∈m v Z i在进行滤波前，首先给图像添加噪声，在此，给图像添加高斯噪声和椒盐噪声，并进行均值滤波和中值滤波得到图像如下：加入高斯噪声后图像加入椒盐噪声后图像高斯噪声下均值滤波椒盐噪声下均值滤波高斯噪声下中值滤波椒盐噪声下中值滤波图2高斯噪声与椒盐噪声下的均值滤波与中值滤波结果分析中值滤波和均值滤波后，都残留一些噪点，但是均值滤波残留的噪点量要明显小于中值滤波。
说明均值滤波对于线性的高斯噪声的滤波效果要优于中值滤波。
图像锐化图像锐化的基本概述图像在传输过程中，通常质量都要降低，除了噪声因素外，图像一般都要变得模糊。
这主要是因为图像的传输或转换系统的传递函数对高频成分的衰减作用，造成图像的细节轮廓不清晰。
图像锐化就是使灰度反差增强，从而增强图像中边缘信息，有利于轮廓抽取。
因为轮廓或边缘就是图像中灰度变化率最大的地方。
因此，为了把轮廓抽取出来，就是要找一种方法把图像的最大灰度变化处找出来。
在拉普拉斯算子下的空域锐化结果如下：拉普拉斯滤波图像（ui nt8）拉普拉斯滤波图像（doubl e）原始图像中减去ui nt8原始图像中减去doubl e图3 拉普拉斯算子下的空域锐化结果频域图像处理频率域平滑处理就是选择合适的低通滤波器对其频谱成分进行调整，然后经逆傅立叶变换得到平滑图像。
其中常用的频率域平滑处理方法一般为频率域低通滤波法。
频率域低通滤波是在分析图像信号的频率特征性时,一幅图像中的边缘、跳跃部分以及颗粒噪声代表图像信号的高频分量，而大面积的背景区则代表图像信号的低频分量。
用滤波的方法滤除其高频部分就能去除噪声，使图像得到平滑。
Butterworth 滤波器下的平滑锐化处理0.20.40.60.81图4 频域低通滤波（平滑）0.20.40.60.8图5 频域高通滤波（锐化）附录%%%%%%%%%直方图及其均衡化clear;I=imread('peng.jpg');I=rgb2gray(I);I2=I;add=[];add1=[];tab1=zeros(1,256);tab2=zeros(1,256);for n=0:255X=I==n;add=[add;sum(sum(X))];end;[a,b]=size(I);final=add/(a*b);for n=1:256for i=1:ntab1(n)=tab1(n)+final(i);end;end;tab1=tab1*255;tab2=round(tab1);for n=1:afor m=1:bfor t=0:255if I(n,m)==tI2(n,m)=tab2(t+1);end;end;end;end;for n=0:255X1=I2==n;add1=[add1;sum(sum(X1))];end;[a1,b1]=size(I2);final1=add1/(a1*b1);figure;subplot(211);stem(final,'Marker','none'); title('直方图') subplot(212);stem(final1,'Marker','none') ;title('直方图均衡化')空域锐化滤波clear all; close allI = imread('peng.jpg');w=fspecial('laplacian',0.2)w8=[1,1,1;1,-8,1;1,1,1]I1= imfilter(I,w, 'replicate');figure(1)subplot(2,2,1),imshow(I1), title('拉普拉斯滤波图像（uint8）');f = im2double(I);f1= imfilter(f,w, 'replicate');subplot(2,2,2), imshow(f1,[]), title('拉普拉斯滤波图像（double）'); f2= imfilter(f,w8, 'replicate');f4 = f-f1;f8 = f-f2;subplot(2,2,3), imshow(f4);title('原始图像中减去 uint8');subplot(2,2,4), imshow(f8);title('原始图像中减去double');频域图像平滑和锐化clc;clear all;close all;f=imread ('peng.jpg');[row,col]=size(f);g=fft2(f);%二维离散傅里叶变换gls1=fftshift(g);gls2=fftshift(g);H=zeros(row,col);x0=floor(row/2);y0=floor(col/2);u0=x0;v0=y0;D0=50;%截止频率n=0.2;%滤波器阶数for u=1:rowfor v=1:colD=(u-u0)^2+(v-v0)^2;H1(u,v)=1/(1+(D/D0)^(2*n));H2(u,v)=1/(1+(D0/D)^(2*n));gls1(u,v) = gls1(u,v)*H1(u,v);%%% 低通滤波（平滑） gls2(u,v) = gls2(u,v)*H2(u,v);%%% 高通滤波（锐化）endend%%%%%%%%%%%%%% 频域图像平滑figure(1)rs1=ifftshift(gls1); %% 反频移r1=real(ifft2(rs1)); %% 反变换subplot (2,2,1);imshow(f);subplot (2,2,2);imshow(uint8(r1));subplot (2,2,3);imshow(f+uint8(r1));subplot (2,2,4);H3=H1(x0,y0:col);plot(H3);axis([0 y0 min(H3) max(H3)]);频域图像锐化figure(2)rs2=ifftshift(gls2); %% 反频移r2=real(ifft2(rs2)); %% 反变换subplot (2,2,1);imshow(f);subplot (2,2,2);imshow(uint8(r2)); subplot (2,2,3);imshow(f+uint8(r2)); subplot (2,2,4);H4=H2(x0,y0:col);plot(H4);axis([0 y0 min(H4) max(H4)]);。