利用矩阵运算处理图像
opencv仿射变换和逆变换
opencv仿射变换和逆变换
OpenCV中的仿射变换和逆变换是图像处理中常用的技术，可以
用于图像的旋转、缩放、平移和倾斜等操作。
首先，让我们来谈谈
仿射变换。
仿射变换是一种线性变换，可以通过矩阵运算来实现。
在OpenCV中，可以使用`warpAffine`函数来进行仿射变换。
该函数接
受输入图像、仿射变换矩阵以及输出图像的大小作为参数。
仿射变
换矩阵是一个2x3的矩阵，其中包含了旋转、缩放和平移的参数。
通过调整这些参数，可以实现对图像的各种变换操作。
接下来是逆变换。
在图像处理中，有时候我们需要对图像进行
逆变换，即将已经进行过变换的图像恢复到原始状态。
在OpenCV中，可以使用`invertAffineTransform`函数来实现仿射变换的逆变换。
这个函数接受一个2x3的仿射变换矩阵作为输入，并返回其逆矩阵。
通过将逆矩阵应用到已经变换过的图像上，可以实现对图像的逆变
换操作。
需要注意的是，仿射变换和逆变换是基于几何变换的，因此在
进行变换操作时需要考虑图像的边界处理、插值方法等问题，以确
保变换后的图像质量和准确性。
总的来说，OpenCV中的仿射变换和逆变换是非常实用的图像处理技术，可以帮助我们实现图像的各种几何变换操作，并且通过逆变换可以实现对图像的恢复操作。
在实际应用中，可以根据具体的需求和场景，灵活运用这些技术来实现图像处理和分析任务。
线性代数的应用(矩阵运算问题)
线性代数的应用(矩阵运算问题)线性代数是数学的一个分支，广泛应用于各个领域，其中矩阵运算是线性代数的核心内容之一。
本文将介绍一些矩阵运算的常见应用。
矩阵的加法和乘法矩阵加法与乘法是矩阵运算中最基本的操作。
在实际应用中，矩阵的加法和乘法可以用来解决多个问题，比如线性方程组的求解、图像处理和数据分析等。
线性方程组的求解线性方程组可以用矩阵形式表示。
通过矩阵的加法和乘法，可以将线性方程组转化为矩阵的运算问题，从而求解未知数的取值。
这在工程、物理学和经济学等领域中非常常见。
图像处理在图像处理中，图像可以表示为矩阵。
利用矩阵的加法和乘法，可以实现图像的平移、旋转、缩放等操作。
例如，通过对图像矩阵进行乘法操作，可以实现图像的卷积和滤波，从而提取图像特征或者实现图像增强。
数据分析在数据分析中，矩阵可以表示数据集。
通过矩阵的乘法操作，可以计算数据的相关性、相似性或者进行数据降维。
这对于机器研究、统计分析和数据挖掘等领域具有重要意义。
矩阵的逆、转置和特征值除了加法和乘法，矩阵还具有其他常见的运算操作，如逆矩阵、转置和特征值求解。
逆矩阵逆矩阵是指一个矩阵与其逆矩阵相乘，得到的结果是单位矩阵。
逆矩阵在求解线性方程组、解析几何和优化问题中经常使用。
转置矩阵的转置是指将矩阵的行和列交换位置，得到的新矩阵称为原矩阵的转置。
矩阵的转置在矩阵的运算和变换中经常使用。
特征值求解特征值是矩阵运算中的一个重要概念，表示矩阵对某个向量的特殊作用。
通过求解矩阵的特征值和特征向量，可以得到矩阵的一些重要性质，如对称性、正定性等。
总结矩阵运算是线性代数的核心内容之一，广泛应用于各个领域。
矩阵的加法和乘法可以用来解决线性方程组、图像处理和数据分析等问题。
而矩阵的逆、转置和特征值求解则可用于求解逆问题、进行变换和分析矩阵的性质。
通过研究和应用矩阵运算，我们可以更好地理解和应用线性代数的知识。
以上是关于线性代数中矩阵运算的应用的介绍。
希望本文能够对读者在研究和应用中有所帮助。
矩阵的运算与应用
矩阵的运算与应用矩阵作为数学中的重要概念，在现代科学与工程领域中有着广泛的应用。
矩阵不仅仅是一种数学工具，更是一种思维方式，通过矩阵的运算，我们可以更好地理解和解决现实世界中的问题。
本文将从矩阵的基本运算开始，探讨矩阵的应用领域，并介绍一些常见的矩阵应用案例。
一、矩阵的基本运算矩阵的基本运算包括加法、减法、数乘和乘法。
矩阵的加法和减法是按元素进行的，即对应位置的元素相加或相减。
数乘是指将矩阵的每个元素都乘以一个常数。
而矩阵的乘法是一种更为复杂的运算，它不同于数的乘法，而是通过行与列的组合来计算。
矩阵的乘法有两种形式，分别是左乘和右乘。
左乘指的是将一个矩阵乘以另一个矩阵的过程，结果矩阵的行数与左矩阵相同，列数与右矩阵相同。
右乘则是将一个矩阵乘以另一个矩阵的过程，结果矩阵的行数与右矩阵相同，列数与左矩阵相同。
矩阵的乘法满足结合律，但不满足交换律，即A*B不一定等于B*A。
二、矩阵的应用领域矩阵的应用领域非常广泛，几乎涵盖了所有科学与工程领域。
以下是一些常见的矩阵应用领域：1. 线性代数：矩阵在线性代数中有着重要的地位，它是线性方程组的基本工具。
通过矩阵的运算，我们可以求解线性方程组的解，进而解决实际问题。
2. 图像处理：图像处理中常用到矩阵的运算。
例如，将一幅图像表示为一个矩阵，可以通过矩阵的变换来实现图像的旋转、缩放、平移等操作。
3. 机器学习：机器学习中的很多算法都基于矩阵的运算。
例如，通过矩阵的特征分解可以实现主成分分析（PCA）算法，通过矩阵的奇异值分解可以实现推荐系统等。
4. 信号处理：信号处理中的很多算法也离不开矩阵的运算。
例如，通过矩阵的傅里叶变换可以实现信号的频域分析和滤波。
5. 优化问题：优化问题中常用到矩阵的运算。
例如，通过矩阵的求逆可以求解最小二乘问题，通过矩阵的特征值分解可以求解特征值问题。
三、矩阵应用案例1. 图像压缩：在图像压缩中，可以利用矩阵的奇异值分解来实现图像的压缩。
卷积 矩阵相乘
卷积矩阵相乘
卷积矩阵相乘是一种特殊的矩阵乘法运算，常用于计算图像处理中的卷积运算。
其基本思想是将一个卷积核矩阵与一个数据矩阵进行相乘，从而得到卷积后的结果矩阵。
卷积核矩阵通常是一个小的方阵，其值根据卷积运算的需要而定。
数据矩阵则是需要进行卷积运算的图像或信号，可以被分割成若干个小的子矩阵，每个子矩阵与卷积核矩阵进行相乘，最终得到卷积后的结果矩阵。
在计算卷积矩阵相乘时，常使用快速傅里叶变换(FFT)算法，该
算法可以大幅提高计算速度。
此外，还有一些其他的优化技巧，如使用卷积定理等。
卷积矩阵相乘在图像处理中广泛应用，如图像去噪、边缘检测、图像增强等。
其在神经网络中也有很多应用，如卷积神经网络(CNN)
中的卷积运算和池化操作。
总之，卷积矩阵相乘是一种重要的矩阵运算，有着广泛的应用和研究价值。
- 1 -。
线性代数在工程技术中的应用 案例解析
线性代数在工程技术中的应用案例解析一、简介线性代数是数学中的一个重要分支，它的应用十分广泛，尤其在工程技术领域中发挥着重要的作用。
本文将通过几个具体的案例，探讨线性代数在工程技术中的应用，并进行详细的解析。
二、案例一：图像处理中的矩阵变换在图像处理领域，矩阵变换是一项常用的技术。
例如，通过线性代数中的矩阵乘法运算，可以实现图像的旋转、平移、缩放等操作。
假设我们有一张图片，我们可以将其表示为一个二维矩阵，每个像素点对应矩阵中的一个元素。
通过对这个二维矩阵进行线性代数运算，我们可以实现对图像的各种变换操作。
以旋转为例，我们可以通过构造旋转矩阵，将原始图像进行旋转，从而得到新的图像。
这样的应用不仅可以用于图像处理软件，还可以应用于计算机游戏、计算机图形学等领域。
三、案例二：机器学习中的线性回归在机器学习中，线性回归是一个重要的算法。
线性回归可以用于建立输入变量与输出变量之间的线性关系模型。
这个模型可以通过线性方程来表示，其中输入变量和输出变量都可以表示为向量形式。
线性回归的目标是找到最佳拟合的线性方程，从而实现对未知数据的预测。
在实际应用中，线性回归可以用于预测房价、股票价格、销售额等各种实际问题。
线性回归利用线性代数中的矩阵运算方法，通过求解最小二乘法问题，得到最佳的回归参数。
四、案例三：控制系统中的状态空间法在控制系统中，状态空间法是一种常用的分析与设计方法。
状态空间模型可以用线性代数中的矩阵形式来表示。
通过将系统的状态、输入、输出表示为向量形式，并通过状态方程和输出方程来描述系统的动态行为，可以利用线性代数方法分析系统的稳定性、可控性、可观测性等特性，并进行系统控制器的设计与优化。
这种方法广泛应用于电力系统、机械系统、飞行器控制等领域。
五、案例四：密码学中的线性代数在密码学中，线性代数常常用来构造密码算法。
例如，RSA加密算法中，使用了大数的乘法和模运算，这是线性代数中的矩阵乘法与模运算的扩展。
矩阵论在信号处理中的应用研究
矩阵论在信号处理中的应用研究信号处理是指通过对信号的采集、分析、处理和传输，从中提取有用信息的科学技术。
而矩阵论作为数学上一种重要的工具和方法，也在信号处理领域中发挥着重要作用。
本文将从矩阵的表示与运算、信号处理中的矩阵模型、矩阵分解技术以及矩阵在信号降噪、图像处理以及通信领域的应用等方面进行探讨。
一、矩阵的表示与运算在信号处理中，矩阵是一种常用的数据结构，用于表示信号的特征向量、系数矩阵等。
矩阵的基本运算包括矩阵加法、乘法、转置等。
通过对矩阵的运算，可以实现信号的线性变换、滤波、降维等操作，进而提取出信号中的有用信息。
二、信号处理中的矩阵模型在信号处理领域中，矩阵模型广泛应用于信号的建模和分析。
例如，通过将信号转化成矩阵，可以使用矩阵的特征值和特征向量来描述信号的频谱特性和时间特性。
此外，矩阵模型还广泛应用于语音识别、图像处理、无线通信等领域。
三、矩阵分解技术矩阵分解是将一个矩阵分解为多个矩阵乘积的过程，常见的矩阵分解技术包括奇异值分解（SVD）、QR分解、LU分解等。
这些分解技术在信号处理中被广泛应用于信号降噪、信号压缩、信号重构等方面。
通过矩阵分解，可以提取信号的主要成分，并对信号进行降维处理，从而减小信号处理的复杂度，并提高信号处理的效果。
四、矩阵在信号降噪中的应用信号降噪是信号处理中的一个重要任务，可以通过滤波的方法来实现。
而基于矩阵的降噪方法在信号处理中得到了广泛应用。
例如，通过计算信号的协方差矩阵，可以利用矩阵分解技术来提取信号的主要成分，并对信号进行降噪处理。
此外，矩阵的低秩特性也被广泛应用于信号降噪领域，通过对信号矩阵进行低秩分解，可以高效地提取信号的有用信息，从而实现信号的降噪处理。
五、矩阵在图像处理中的应用图像处理是信号处理领域中的一个重要分支，而矩阵在图像处理中的应用也是不可忽视的。
例如，通过将图像转化成矩阵，可以利用矩阵运算来实现图像的平移、旋转、缩放等操作。
此外，矩阵分解技术也在图像处理中得到广泛应用，例如，利用奇异值分解可以对图像进行压缩，从而减小图像的存储空间。
halcon中的仿射变换逆变换
一、简介Halcon是一种功能强大的机器视觉软件，广泛应用于工业自动化、医疗影像、安防监控等领域。
在Halcon中，仿射变换是一种常见的图像处理技术，用于实现图像的旋转、缩放、平移等操作。
二、仿射变换的基本原理1. 仿射变换是一种线性变换，可以通过矩阵运算来描述。
给定一个二维坐标系下的点P(x, y)，经过仿射变换后，其坐标变为P'(x', y')，可以表示为：x' = a*x + b*y + cy' = d*x + e*y + f其中a、b、d、e为线性变换矩阵的元素，c、f为平移向量的偏移量。
2. 仿射变换可以实现图像的平移、旋转、缩放、错切等操作，是图像处理中常用的技术之一。
三、 Halcon中的仿射变换1. 在Halcon中，可以通过使用affine_trans_image函数来实现图像的仿射变换。
该函数接受输入图像、变换矩阵以及插值方式等参数，可以对图像进行指定的仿射变换操作。
2. 通过设置不同的变换矩阵，可以实现图像的不同变换效果。
通过调整平移向量的偏移量，可以实现图像的平移操作；通过调整线性变换矩阵的元素，可以实现图像的旋转、缩放等操作。
3. Halcon还提供了inverse_affine_trans_image函数，用于实现仿射变换的逆变换操作。
通过逆变换，可以将经过仿射变换后的图像还原到原始状态，实现图像的修正和恢复。
四、仿射变换在机器视觉中的应用1. 仿射变换在机器视觉中具有重要的应用价值。
在工业自动化领域，通过对图像进行仿射变换，可以实现对产品进行检测、定位和识别；在医疗影像领域，可以通过仿射变换对医学图像进行修正和分析；在安防监控领域，可以实现对监控图像的处理和分析等。
2. 通过使用Halcon中的仿射变换技术，可以实现对图像的精准操作和处理，为机器视觉系统的性能和效果提供有力支持。
五、总结1. 仿射变换是图像处理领域常用的技术之一，通过线性变换和平移操作，可以实现图像的平移、旋转、缩放等操作。
线性代数应用案例
线性代数应用案例线性代数是数学中的一个重要分支，它的应用涵盖了各个领域，如物理、工程、计算机科学等。
在现实生活中，我们经常会遇到很多与线性代数相关的问题，下面将介绍一些线性代数在实际应用中的案例。
1. 图像处理。
图像处理是线性代数的一个重要应用领域。
在图像处理中，我们常常需要对图像进行旋转、缩放、平移等操作。
这些操作都可以通过矩阵运算来实现。
例如，对一个二维图像进行旋转操作，可以通过矩阵乘法来实现。
另外，图像的压缩和解压缩也离不开线性代数的知识，通过矩阵的奇异值分解等方法可以实现图像的压缩和还原。
2. 机器学习。
机器学习是近年来发展迅猛的领域，而线性代数在机器学习中起着至关重要的作用。
在机器学习中，我们通常会遇到大量的数据，而这些数据往往可以表示为矩阵的形式。
通过对这些矩阵进行运算，可以实现对数据的分析、分类、预测等操作。
例如，在线性回归模型中，我们通常会使用矩阵的转置、逆等运算来求解模型的参数。
3. 电路分析。
在电路分析中，线性代数也有着重要的应用。
电路可以表示为一个由电阻、电容、电感等元件组成的网络，而这些元件之间的关系可以通过线性方程组来描述。
通过对这些线性方程组进行求解，可以得到电路中电流、电压等参数的值，从而实现对电路的分析和设计。
4. 三维动画。
在三维动画的制作过程中，线性代数也扮演着重要的角色。
在三维空间中，我们需要对物体进行平移、旋转、缩放等操作，而这些操作都可以通过矩阵来实现。
另外，在三维动画中，我们还需要对光照、阴影等效果进行处理，而这些效果的计算也离不开线性代数的知识。
5. 数据压缩。
数据压缩是线性代数的又一重要应用领域。
在现实生活中，我们经常会遇到大量的数据，而这些数据往往会占用大量的存储空间。
通过线性代数的方法，我们可以对这些数据进行压缩，从而节省存储空间。
例如，通过矩阵的奇异值分解等方法，可以实现对数据的压缩和还原，从而达到节省存储空间的目的。
总之，线性代数在各个领域都有着重要的应用，它不仅为我们解决了许多实际问题，也为我们提供了丰富的数学工具和方法。
- 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)。
东北大学秦皇岛分校 数学软件认识实习报告
利用矩阵运算处理图像
学 院 数学与统计学院 专 业 信息与计算科学 学 号 ******* 姓 名 **** 指导教师 **** ****
成 绩 教师评语：
指导教师签字： 2014年1月14日 数学与统计学院认识实习报告 第 1 页 1 绪 论 1.1关于MATLAB的介绍 MATLAB是MATRIX和LABORATORY两个词的组合，意为矩阵工厂（矩阵实验室）。是由美国mathworks公司发布的主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言（如C、Fortran）的编辑模式，代表了当今国际科学计算软件的先进水平。 MATLAB和Mathematica、Maple并称为三大数学软件。它在数学类科技应用软件中在数值计算方面首屈一指。MATLAB可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等，主要应用于工程计算、控制设计、信号处理与通讯、图像处理、信号检测、金融建模设计与分析等领域。 MATLAB的基本数据单位是矩阵，它的指令表达式与数学、工程中常用的形式十分相似，故用MATLAB来解算问题要比用C，FORTRAN等语言完成相同的事情简捷得多，并且MATLAB也吸收了像Maple等软件的优点，使MATLAB成为一个强大的数学软件。在新的版本中也加入了对C，FORTRAN，C++，JAVA的支持。可以直接调用,用户也可以将自己编写的实用程序导入到MATLAB函数库中方便自己以后调用。
1.2课题的背景 MATLAB中的图像处理工具箱几乎包括了经典图像处理的所有方面，从基本的图像增强到图像分割，MATLAB都提供了简便的函数调用来实现许多经典的图像处理方法。数字图像处理工具箱函数包括12类：(1)图像文件操作和显示函数；(2)图像的矩阵表示及运算函数；(3)图像增强函数；(4)图像变换函数(5)图像的空间变换函数；(6)二值形态学操作函数；(7)图像分析和理解函数；(8)其它的一些图像处理函数。另外MATLAB提供了对多种图像文件格式的读写和显示，这使得MATLAB在集成环境中进行图像处理的实验模拟非常方便。 MATLAB图像处理的前景广阔。主要在以下几个方面应用比较广泛，①搜索方向：基于内容的图像或视频搜索是很多搜索公司研究的热点。要想进入这个领域，必须有很强的 数学与统计学院认识实习报告 第 2 页 编程能力，很好的图像处理和模式识别的背景。②医学图像方向：由于医疗器械的主要功
能是成像，必然涉及到对图像的处理，做图像处理的很有机会进入这些公司。③计算机视觉和模式识别方向：目前视频监控是一个热点问题，做跟踪和识别的可以在这个方向找到一席之地。④视频方向：一般的高校或者研究所侧重在标准的制定和修改以及技术创新方面，而公司则侧重在编码解码的硬件实现方面。其实一般来说，只要涉及到成像或者图像的基本都要图像处理方面的人。比方说一个成像设备，在输出图像之前需要对原始图像进行增强或者去噪处理，存储时需要对图像进行压缩，成像之后需要对图像内容进行自动分析，这些内容都是图像处理的范畴。本文从实际应用的角度介绍了如何利用MATLAB通过矩阵运算进行图像的简单处理。 2 MATLAB图像处理工具箱简介
2.1实验原理： 理论上讲，图像时一种二维的连续函数，然而在计算机上对图像进行数字处理的时候，首先必须对其在空间和亮度上进行数字化，这就是图像的采样和量化的过程，二维图像进行均匀采样，就可以得到一副离散化成M×N样本的数字图像，该数字图像是一个整数阵列，因而用矩阵来描述该数字图像是最直观、最便捷的，而MATLAB得长处就是处理矩阵的运算，因此用MATLAB处理数字图像非常方便。 MATLAB支持五种图像类型，即索引图像、灰度图像、二值图像、RGB图像和多帧图像阵列；支持BMP、HDF、JPEG、PCX、PNG、TIFF、XWD、CUR、ICO等图像文件格式的读、写和显示。MATLAB对图像的处理功能主要集中在它的图像处理工具箱中。图像处理工具箱由一系列支持图像处理操作的函数组成，可以进行诸如几何操作、线性滤波和滤波器设计、图像变换、图像分析与图像增强、二值图像操作以及形态学处理等图像处理操作。
2.2图像处理工具函数简介： ·imread Imread函数用于读入各种图像文件，其一般用法为[I,map]=imread(‘filename’)。 其中I为读出的图像数据矩阵，map为读出的颜色表数据，filename为读取的图像文件。 ·imwrite 数学与统计学院认识实习报告 第 3 页 Imwrite函数用于输出图像，其语法格式为Imwrite(I,filename)，其作用是将图像数据
矩阵写入文件filename中。 ·imshow Imshow函数式最常用的显示各种图像的函数，其语法格式为Imshow(I,map)。 当需要显示多幅图像时，可以使用figure语句，它的功能就是重新打开一个图像显示窗口。例如：[I,map]=imread(‘face.gif’) Imshow(I,map) [J,map]=imread(‘flowers.gif’); Figure,imshow(J，map); ·size Size函数用来查看图像的大小。 ·subplot Subplot函数的作用是将多幅图像显示在同一个图像显示对话框中，其语法格式为 Subplot(m,n,p) 其作用就是将一个图像显示对话框分成m行n列，并显示第p副图像。
2.3数字图形的基本操作： 1)读取图像xiao.png，MATLAB命令如下： >>[I,map]=imread(‘xiao.png’) 矩阵如图2.1所示 2)查看图像的大小，MATLAB命令如下： >>size(I) Ans= 24 24 3 >>size(map) Ans= 0 0 3)显示图像，MATLAB命令如下： >>imshow(I,map) 结果如图2.2所示 4)修改绿色矩阵数据 >>I(:,:,2)=I(:,:,2)*0 数学与统计学院认识实习报告 第 4 页 >>imshow(I,map)
结果如图2.3所示 数学与统计学院认识实习报告 第 5 页
图2.1 png类型数字图像矩阵 图2.2显示图像的大小和数字图像 数学与统计学院认识实习报告 第 6 页 图2.3 变色后的结果 3 图像运算处理 数字图像一般可以用矩阵来描述，而图像的代数运算是逐像素进行的，是指对两幅图像进行点对点的加减乘除运算而得到输出图像的运算，所以图像的代数运算实际就是矩阵的加减乘除运算。对于相加和相乘的情形，可能不止两幅图像参加运算。在一般情况下，输入值也可能为常数。需要注意的是，在进行算术运算时，如果所操作的图像为两个以上，则需要这些图像的大小应相等。 四种图像处理代数运算的数学表达式如下： y)B(x,y)A(x,y)C(x, y)B(x,-y)A(x,y)C(x, y)B(x,*y)A(x,y)C(x, y)y)/B(x,A(x,y)C(x, 其中x，y表示图像的位置坐标，A(x,y)和B(x,y)为输入图像，而C(x,y)为输出图像。
3.1图像相加 图像相加的一个重要应用是对同一场景的多幅图像求平均值。这个运算被经常用来有效地降低随机噪声的影响。在求平均值的过程中，图像的静止部分不会改变，而对每一幅图像，各不相同的噪声图案则累积很慢，对M幅图像进行平均，使图像中每一点的平方信噪比提高了M倍，因此达到了提高信噪比降低噪声的作用。 为了比较结果，首先人为的给一幅图像中加入噪声，再通过多次相加求平均的方法消除所加入的噪声，在MATLAB中提供了给图像加入噪声的函数imnoise。 Imnoise的语法格式为：J=imnoise(I,type,parameters) 其作用为返回对原始图像I添加典型噪声的有噪图形J，参数type和parameters用于确定噪声的类型和相应的参数。 下面从实际操作中来看一下这些函数的作用： 1)读取原图像，并往原图像中加入噪声，并显示对比效果，结果如图3.1所示。 >>I=imread(‘001.jpg’) %读取原图像 数学与统计学院认识实习报告 第 7 页 >>size(I) %原图像的大小
Ans= 400 600 3 >>J=imnoise(I,’gaussian’,0,0.2) %往原图像中加入均值为0，方差为0.02的高斯噪声 >>subplot(1,2,1),imshow(I),title(‘原图像’); subplot(1,2,2),imshow(J),title(‘加噪声后的图像’);%对比加噪与不加噪
原图像加噪声后的图像
图3.1原图像与加噪声图像的比较 2)利用for循环先将图像相加4次，再求其平均值。Im2double函数的作用是将图像数据变为一个double型数据，这样两图像数据就可以方便的进行相加代数运算。对比图像结果如图3.2所示。 >>K=zeros(400,600,3); %根据原图像的大小设置空矩阵k >>for i=1:4 %将图像相加4次 J=imnoise(I,’gaussian’,0,0.02); %往原图像加入高斯噪声 J1=im2double(J); %将原图像数据变为一个double型的数据，方便代数运算 K=K+J1; end >>K=K/4; Subplot(1,3,1),imshow(I),title(‘原图像’); Subplot(1,3,2),imshow(J),title(‘加噪声后的图像’); Subplot(1,3,3),imshow(K),title(‘相加平均后的图像’);