数字图像处理(基于Matlab)图像复原
南京大学电子科学与工程学院 第1页 共16 页 《数字图像处理》
实验报告 撰写新的报告 输入个人信息 姓名 陈一尧 学号 111180024 专业 电子信息科学与技术 实验 ４
报告正文 一、实验目的（不少于200字）
撰写/修改实验目的 本次实验进行的主要是对图像复原进行有关讨论。在图像形成过程中，由于成像系统等各种外部因素的影响，可能导致图像的质量下降，发生所谓的“图像退化”。与图像增强相类似，图像复原的目的是改善图像的质量，便于人眼辨识，增强表达效果。在进行图像复原的过程中，必要的先验知识十分重要，可以非常方便的将已退化的图像恢复本来的面目，但是有些时候图像的先验知识我们并不容易获取，所以与此相对应有盲卷积等方法来帮助我们进行图像复原。引起图像退化的因素很多，包括有光学系统、运动等造成的图像模糊，电路传递中、光学因素的影响噪声等等。掌握了解相关的数学模型对于图像复原至关重要，许多复原的方法也是建立在比较严格的数学推导上的。通过本次实验，主要期望达到以下目的：
１、熟练掌握数字图像复原的基本概念和基本理论原理２、深入理解图像退化的影响原因和对应的处理方法，加强综合分析问题、解决实际问题的能力３、掌握各种使用的图像复原的相关技术，使经处理后的图像更加适应人眼的视觉与心理４、巩固使用 matlab 软件处理数字图像问题的能力，加强巩固编程能力
通过实验，了解到图像恢复和图像增强的区别还在于图像增强不考虑图像时如何退化的，而是试图采用各种技术来增强图像的视觉效果，因此图像增强可以不顾增强后的图像是否失真，只要看着舒服就基本可以满足要求，而图像复原则对图像退化的机制和过程邓先验知识要求较为必要，很多情况下先验知识如果全面准确，甚至可以完全恢复原始图像，达到非常好的效果，据此找出相应的你处理方法，从而得到恢复的图像。对于一幅图像，可以先进行复原处理，在进行图像增强处理，两者相互结合，图像的效果可以达到更为理想的效果。
【2013年11月16日10:53:24】
二、核心代码及运行后截图（截图方法：先按下Alt再按下PrtScr，然后粘贴进文档） 1. 频谱噪声分析
在进行图像复原之前，首先对各个图像做傅里叶变换在频谱中观察分布情况，由此判断噪声或模糊类型。 代码如下： i1=imread('statBlur.png'); i2=imread('s1.bmp'); i3=imread('picassoBlurImage.png'); i4=imread('nvblurImage.png'); o1=fftshift(fft2(rgb2gray(i1)));o2=fftshift(fft2(rgb2gray(i2))); o3=fftshift(fft2(rgb2gray(i3)));o4=fftshift(fft2(rgb2gray(i4))); figure,subplot(221),imshow(i1),subplot(222),imshow(o1),subplot(223),imshow(i2),... subplot(224),imshow(o2); figure,subplot(221),imshow(i3),subplot(222),imshow(o3),subplot(223),imshow(i4),... subplot(224),imshow(o4); 结果如下： 南京大学电子科学与工程学院 第2页 共16 页 分析说明：有傅里叶频谱可以看到，在毕加索频谱的数值中心轴线处出现了明显的亮条纹现象，推测可能是原南京大学电子科学与工程学院
第3页 共16 页 图像存在水平方向的运动模糊和竖直方向较少的运动模糊，在汽车的频谱中也可以推测原图像中存在水平方向
的少许运动模糊，在后面的进一步处理中我们可以看到佛像存在着高斯噪声，若要获得较为好的复原图像，可先对图像进行噪声处理，在进行图像复原，可以达到较为理想的效果。
2. 四幅图像分别处理 2.1 佛像复原 2.1.1 噪声分析 首先分析佛像图像是否具有噪声，在图像中较为平坦均匀出选取矩形，做直方图处理，观察直方图的分布来确定是否含有噪声以及噪声的类型。 代码如下： im=imread('statBlur.png');[m,n,h]=size(im); f11=ones(190,162,3);f22=ones(130,130,3);f33=ones(100,100,3);f44=ones(70,70,3); for i=1:190 for j=1:162 for k=1:3 f11(i,j,k)=im(i,j,k); end end end for i=1:130 for j=501:630 for k=1:3 f22(i,j-500,k)=im(i,j,k); end end end for i=721:870 for j=11:170 for k=1:3 f33(i-720,j-10,k)=im(i,j,k); end end end for i=761:830 for j=561:630 for k=1:3 f44(i-760,j-560,k)=im(i,j,k); 南京大学电子科学与工程学院 第4页 共16 页 end end end figure,subplot(221),hist(f11,100),subplot(222),hist(f22,100),subplot(223),... hist(f33,100),subplot(224),hist(f44,100); 运行结果：
分析说明：可以发现在第一幅图中，R、G、B三个分量均呈现钟形分布，这是高斯噪声的特点，所以初步判断原始图像中含有高斯噪声，所以对图像进行高斯噪声去除处理后再进行图像还原可以得到较为良好的效果。 2.1.2 大气湍流处理 函数代码如下： function output=daqituan( image ,k )% k=0.00011 %函数daqituan 对输入的图像进行大气湍流处理 %参数image 输入的待处理图像 %参数k 大气湍流模型常数i=fft2(double(image)); G=fftshift(i);[m, n, h] = size(i); H=zeros(m,n); 南京大学电子科学与工程学院 第5页 共16 页 for i=1:m for j=1:n if sqrt((i-m/2)^2+(j-n/2)^2)<100 H(i,j)=exp(-k*(i^2+j^2)^(5/6)); end end end for i=1:3 out(:,:,i) = G(:,:,i).*H; end out = real(ifft2(ifftshift(out))); figure,subplot(121),imshow(image),title('原始图像'),subplot(122),... imshow(out,[]),title('大气湍流复原图像'); end 运行结果：
分析说明：有运行结果可知，复原的效果较为理想。 2.2 路灯复原 2.2.1 选取部分进行噪声分析 代码如下： im=imread('nvblurImage.png'); figure,imshow(im),title('原始图像'); PSF = fspecial('motion',9,0); fr1 = double(deconvwnr(im,PSF,0.3)); [m,n,h]=size(fr1); for i=1:m for j=1:n 南京大学电子科学与工程学院 第6页 共16 页 for k=1:3 fr1(i,j,k)=(fr1(i,j,k))^1.06; end end end figure,imshow(uint8(fr1)),title('估计PSF运动复原'); k=0.000135; i=fft2(double(im)); G=fftshift(i); [m, n, h] = size(i); H=zeros(m,n); for i=1:m for j=1:n if sqrt((i-m/2)^2+(j-n/2)^2)<65 H(i,j)=exp(-k*(i^2+j^2)^(5/6)); end end end for i=1:3 out(:,:,i) = G(:,:,i).*H; end out = real(ifft2(ifftshift(out))); figure,imshow(out,[]),title('大气湍流复原'); 运行结果： 南京大学电子科学与工程学院
第7页 共16 页 南京大学电子科学与工程学院
第8页 共16 页 分析说明：在原图像中，从路灯的杆子中可以明显看到有“重影”现象，推测是运动模糊或大气湍流模糊，实
验中也是对此进行探讨的，本例中所使用的PSF的值由于缺少先验知识，是在实验中不断试出来的效果较为好的PSF，所以和真实的PSF值一定有一些偏差，不过也可以明显看到杆子的重影效果减少了，图像变清晰了一些，经过大气湍流处理的图像中，同样可以看到杆子及背景的树枝的“重影”明显减少，基本上达到预期的效果。
2.3 汽车复原 同样也是先分析原始图像中有无噪声的存在。 代码如下： im = imread('s1.bmp'); [m,n,h]=size(im); %f1=zeros(m,n);f2=zeros(m,n);f3=zeros(m,n);... f11=ones(40,30,3);f22=ones(20,16,3);f33=ones(46,31,3);f44=ones(30,27,3); for i=61:100 for j=21:50 for k=1:3 f11(i-60,j-20,k)=im(i,j,k); end end end for i=71:90 for j=121:136 for k=1:3 f22(i-70,j-120,k)=im(i,j,k); end end end for i=211:256 for j=25:55 for k=1:3 f33(i-210,j-24,k)=im(i,j,k); end end end for i=201:230 for j=145:171 for k=1:3 f44(i-200,j-144,k)=im(i,j,k); end
matlab数字图像处理实验报告
《数字图像处理实验报告》实验一图像的增强一.实验目的1.熟悉图像在MATLAB下的读写、输出；2.熟悉直方图；3.熟悉图像的线性指数等；4.熟悉图像的算术运算和几何变换。
二.实验仪器计算机、MATLAB软件三.实验原理图像增强是指根据特定的需要突出图像中的重要信息，同时减弱或去除不需要的信息。
从不同的途径获取的图像，通过进行适当的增强处理，可以将原本模糊不清甚至根本无法分辨的原始图像处理成清晰的富含大量有用信息的可使用图像。
其基本原理是：对一幅图像的灰度直方图，经过一定的变换之后，使其成为均匀或基本均匀的，即使得分布在每一个灰度等级上的像素个数．f=H等或基本相等。
此方法是典刑的图像空间域技术处理，但是由于灰度直方图只是近似的概率密度函数，因此，当用离散的灰度等级做变换时，很难得到完全平坦均匀的结果。
频率域增强技术频率域增强是首先将图像从空间与变换到频域，然后进行各种各样的处理，再将所得到的结果进行反变换，从而达到图像处理的目的。
常用的变换方法有傅里叶变换、DCT变换、沃尔什-哈达玛变换、小波变换等。
假定原图像为f(x，y)，经傅立叶变换为F(u，v)。
频率域增强就是选择合适的滤波器H(u,v)对F(u,v)的频谱成分进行处理，然后经逆傅立叶变换得到增强的图像。
四.实验内容及步骤1.图像在MATLAB下的读写、输出；实验过程：>> I = imread('F:\image\');figure;imshow(I);title('Original Image');text(size(I,2),size(I,1)+15, ...'', ...'FontSize',7,'HorizontalAlignment','right');Warning: Image is too big to fit on screen; displaying at 25% > In imuitools\private\initSize at 86In imshow at 1962.给定函数的累积直方图。
MATLAB实现图像恢复设计报告
MATLAB实现图像恢复设计报告一、设计目标及需求分析设计目标：希望通过matlab设计一个软件来实现对CT图像的模糊再恢复的过程，是对现实中CT图像复原的一个简单仿真。
需求分析：随着网络和通信技术的发展，数字图像处理与分析技术已经在科学研究、工业生产、医疗卫生、教育等领域得到了广泛应用，对推动社会的发展和提高人们的生活水平都起到了重要作用[1]。
而在医学CT影像中，CT图像的影响因素众多，包括部分容积效应，空间分辨力，密度分辨力，相机条件设定和噪声等[2]。
这些因素会造成CT 图像模糊失真，需要对图像进行恢复，才能满足对临床诊断的要求。
二、设计概要图像退化三、详细设计在GUI界面设计中选取三个静态文本分别叫“原始图像”、“模糊加噪图像”、“恢复图像”，添加三个坐标轴，三个按钮分别用于“读入原始图像”、“模糊和加噪”、“恢复”。
图一 GUI界面设计①点击按钮“读入图像”，将选取的原始肺部CT图像导入第一个坐标轴中。
②点击按钮“模糊和加噪”，对原始CT图像进行运动模糊，加入高斯噪声，生成的图像显示在第二个坐标轴中。
图二模糊和加噪在这里用MATLAB图像处理工具函数fspecial生成了一个运动模糊的点扩展函数PSF，PSF 再与原图卷积得到模糊图像，这一步操作是为了模拟现实CT图像中由于病人身体的移动，心脏搏动和胃肠蠕动这些不自主的运动造成的伪影。
在CT图像中的噪声有多种类型，有高斯噪声，椒盐噪声，泊松噪声，斑点噪声等。
这里只引入了高斯噪声是由于通过查阅文献得知，CT图像中的噪声主要是高斯噪声[3]，是一个抽象简化的退化模型。
③点击按钮“恢复”，对模糊和加噪的图像进行图像复原，将复原后的图像显示在第三个坐标轴上。
图三约束最小二乘滤波恢复在这里使用的图像恢复方法为约束最小二乘滤波恢复，利用deconvreg函数实现约束最小均方误差恢复。
在使用deconvreg时，通过对输出图像采取某些约束，如默认光滑性约束等，实现对模糊图像的约束最小二乘滤波恢复。
基于MATLAB实现数字图像恢复
基于MATLAB实现数字图像恢复
孟永定;马佳
【期刊名称】《智能计算机与应用》
【年(卷),期】2007(000)001
【摘要】介绍了基于MATLAB实现图像恢复的一些基本方法,及其相关的工具箱函数deconvwnr函数、deconvreg函数、deconvlucy函数、deconvblind函数的用法指南.
【总页数】2页(P31-32)
【作者】孟永定;马佳
【作者单位】不详;甘肃天水师范学院数理与信息科学学院助教,741001
【正文语种】中文
【中图分类】TP317.4
【相关文献】
1.基于matlab的数字图像处理方法与实现探讨 [J], 安娜;谭镔;吕尤
2.基于MATLAB数字图像GLCM纹理分析软件实现 [J], 王辉; 丛榆坤; 陈金阳; 王敏
3.基于MATLAB实现数字图像边缘检测 [J], 曹洋
4.基于MATLAB数字图像GLCM纹理分析软件实现 [J], 王辉;丛榆坤;陈金阳;王敏
5.基于Matlab的数字图像信息的伪装与恢复实验 [J], 宿维军
因版权原因，仅展示原文概要，查看原文内容请购买。
图像的复原处理 数字图像处理南昌大学
实验报告七姓名：胡文松学号： 6103413007 班级：生物医学工程131实验日期： 2016.05.18实验成绩：实验题目：图像的复原处理一．实验目的（1）熟悉常见的噪声及其概率密度函数。
（2）熟悉在实际应用中比较重要的图像复原技术，学会用MATLAB复原函数对退化图像进行复原处理。
二．实验原理运动模糊的产生景物与相机之间的相对运动通常会使相机所成的像存在运动模糊。
对于线性移不变模糊，退化图像u0可以写成，u0=h*u+n，其中h为模糊核，*表示卷积，n为加性噪声。
维纳滤波图像复原用于复原由于PSF以及可能的加性噪声卷积退化的图像I，该算法利用图像和噪声的相关矩阵，从估计图像与真实图像之间的最小均方误差意义上来说是最佳的。
在没有噪声的情况下，维纳滤波器退化成理想的逆滤波器。
约束最小二乘方滤波复原用于复原由于PSF以及可能的加性噪声退化的图像，在保持图像平滑的条件下，该算法在估计图像和实际图像间的最小二乘方误差的意义上来说是最佳的。
三．实验内容及结果（1）选择图像fig606a.jpg，对其分别加入高斯噪声，均匀噪声和椒盐噪声，显示原始图像和噪声图像，及每个图片相对应的直方图。
（2）选择图像i_camera.bmp，对其使用运动模糊处理，再在模糊图像中加入高斯噪声，使用winner滤波和约束最小二乘方滤波对其进行去退化处理，比较效果，显示原始图像和复原图像。
源程序和结果：I=imread('fig606a.jpg');I=rgb2gray(I);subplot(2,4,1);imshow(I);title('灰度图像');I2=imnoise(I,'salt & pepper',0.05);I3=imnoise(I,'gaussian',0.1);%I4=I+(rand(1,length(256))-0.5)*0.2;noise=0.1*randn(size(I));I4=imadd(I,im2uint8(noise));I4=imnoise(I,'speckle',0.05);%均匀噪声subplot(2,4,2);imshow(I2);title('加入椒盐噪声：');subplot(2,4,3);imshow(I3);title('加入高斯噪声：');subplot(2,4,4);imshow(I4);title('加入均匀噪声：');subplot(2,4,5);imhist(I);title('原图直方图');subplot(2,4,6);imhist(I2);title('椒盐噪声直方图');subplot(2,4,7);imhist(I3);title('高斯噪声直方图');subplot(2,4,8);imhist(I4);title('均匀噪声直方图');四．结果分析从实验结果可知：1）对图像进行不同的加噪，图像的直方图有所改变，其中高斯噪声的加入改变最大，均匀噪声的影响最小。
数字图像处理之图像复原
实验五、图象复原一、实验目的1．了解图象退化的几种原因；2．掌握对相应退化原因的复原方法。
二、实验内容1．使用函数fspecial( )和imfilter( )模拟产生退化图象；2．对于不同的噪声引起图像的退化，采用不同的滤波方法复原图象。
3．学会使用维纳滤波器deconvwnr()函数对图像进行复原的方法。
三、实验步骤1．加性噪声退化图象用imnoise( )函数给图象加噪声，如增加高斯白噪声。
使用平滑滤波器对其进行滤波，可达到复原图像的效果x=imread(‘cameraman.tif’);x=imnoise(x,’gaussian’)imshow(x)h=fspecial(‘average’)y=imfilter(x,h);figureimshow(y)2、周期噪声退化图像对于周期噪声可以通过频域滤波来减弱或消除，实现复原图像。
实验五文件夹中有被正弦周期噪声污染退化的图像'pout_g_64.bmp'，使用理想带阻滤波器对其频域滤波，复原图像。
(1) pout_g_64.bmp图像及其傅立叶谱见下图。
(2) 构造理想带阻滤波器close allx=imread('pout_g_64.bmp');xm=size(x,1); xn=size(x,2);M2=floor(xm/2); N2=floor(xn/2);u=-M2:1:M2-1; v=-N2:1:N2-1;[U,V]=meshgrid(u,v);D=sqrt(U.^2+V.^2);D0=64;W=4;H=double(D<(D0-W/2)|D>(D0+W/2));figureMesh(U,V,H) ;title('D0=64,W=4,理想带阻滤波器')思考：使用上述理想带阻滤波器对’pout_g_64.bmp’图像进行频域滤波，得到复原图像，结果类似下图。
close allx=imread('pout_g_64.bmp');xm=size(x,1); xn=size(x,2);M2=floor(xm/2); N2=floor(xn/2);u=-M2:1:M2-1; v=-N2:1:N2-1;[U,V]=meshgrid(u,v);D=sqrt(U.^2+V.^2);D0=64;W=4;H=double(D<(D0-W/2)|D>(D0+W/2));F=fft2(x);f=fftshiFt(F);G=f.*H;subplot(121)imshow(real(G));title('频域滤波')GG=fftshift(G);I=ifft2(GG);subplot(122)imshow(uint8(I))title('复原后图像')3、运动模糊退化图像给图像添加运动模糊，使用deconvwnr（）维纳滤波器进行图像复原。
基于Matlab的图像预处理讲解
基于Matlab的图像预处理算法实现目录第一章绪论 (1)1.1何谓数字图像处理 (1)1.2数字图像处理的特点及其应用 (1)1.2.1 数字图像处理的特点 (1)1.2.2图像预处理的内容 (2)1.2.3 数字图像处理的应用 (3)1.3MATLAB (4)1.3.1 matlab简述 (4)1.3.2 matlab处理图像的特点 (5)第二章数字图像处理的灰度直方图 (6)2.1灰度的定义 (6)2.2直方图定义 (6)2.2.1直方图的典型用途 (6)2.2.2灰度直方图的计算 (7)2.2.3图像直方图实现代码 (7)2.3直方图均衡 (8)2.3.1 直方图均衡原理 (8)2.3.2直方图均衡的实现 (8)第三章图像平滑与图像锐化 (12)3.1图像的平滑 (12)3.1.1领域平均法基础理论 (12)3.1.2算法实现 (13)3.2图像锐化 (15)3.2.1图像锐化的目的和意义 (15)3.2.2图像锐化算法 (16)3.2.3图像锐化的实现代码 (16)第四章图像噪声与噪声的处理 (19)4.1噪声的概念 (19)4.2图像噪声对图像的影响 (19)4.3噪声来源 (19)4.4噪声图像模型及噪声特性 (20)4.4.1 含噪模型 (20)4.4.2 噪声特性 (21)4.5图像二值化 (21)4.5.1理论基础 (21)4.5.2图像二值化的实现代码 (21)4.6二值图像的去噪 (22)4.6.1理论基础 (23)4.6.2二值图像去噪的实现代码 (23)第五章结论 (25)参考文献 (26)第一章绪论1.1何谓数字图像处理数字图像处理（Digital Image Processing），就是利用数字计算机或则其他数字硬件，对从图像信息转换而得到的电信号进行某些数学运算，以提高图像的实用性。
例如从卫星图片中提取目标物的特征参数，三维立体断层图像的重建等。
总的来说，数字图像处理包括点运算、几何处理、图像增强、图像复原、图像形态学处理、图像编码、图像重建、模式识别等。
数字图像处理图像复原PPT课件
第
五 章
4. 中点滤波器
-
图 像 复 原 简 介
36
-
5.4.2 顺序统计滤波器
第
五 5. 修正后的阿尔法均值滤波器
章 图 像 复 原 简 介
mn-1，
37
-
5.4.3 自适应滤波器
第
五 • 自适应滤波器
章 图 像 复 原 简 介
38
5.4.3 自适应滤波器
第
五 章
1. 自适应、局部噪声消除滤波器
介 复原始图像的最优估值。
√图像复原技术可以使用空间域或频率域滤波器
实现。
7
5.2 图像退化/复原过程的模型
第 五 章
图
-
像
复
原 √ f(x,y)表示一幅输入图像
简 介
√ g(x,y)是f(x,y)产生的一幅退化图像 √ H表示退化函数
√ η(x,y )表示外加噪声
√给定g(x,y)，关于退化函数H的一些知识和外加噪声项
g(x, y)
复
原
由于冲激的傅立叶变换为常数A,可得:
简
介
H(u,v) G(u,v)
A
64
第5章图像复原
退化函数
第 五 章
图
-
像
复
原
简
介
冲激特性的退化估计
(a) 一个亮脉冲
(b) 图像化的(退化的)冲激
65
第5章图像复原
5.6.2 退化函数
(3) 模型估计法 第
五 章
建立退化模型,模型要把引起退化的环境因素考虑在内.
15
-
5.3.1一些重要噪声的概率密度函数 (PDF)
第
五 4. 指数分布噪声
Matlab技术在图像恢复与重建中的应用案例
Matlab技术在图像恢复与重建中的应用案例图像恢复与重建是数字图像处理领域的一个重要研究方向，其在许多领域中发挥着重要作用，如医学影像、视频传输和无损压缩等。
而Matlab作为一种强大的科学计算和图像处理工具，在图像恢复与重建中有着广泛的应用。
本文将介绍一些Matlab技术在图像恢复与重建中的应用案例，并探讨其优势和局限性。
一、图像去噪图像去噪是图像恢复的一个基本问题，目的是去除图像中的噪声，使图像更加清晰。
在Matlab中，可以利用各种滤波算法来实现图像去噪。
其中，最常用的是线性滤波算法和非线性滤波算法。
线性滤波算法根据图像像素的线性组合来实现去噪。
常见的线性滤波算法有均值滤波、中值滤波和高斯滤波等。
例如，可以使用Matlab中的imfilter函数结合适当的滤波模板来进行图像去噪。
这些线性滤波算法简单易懂，计算速度快，但对于复杂噪声或者噪声与图像信号相似的情况下，效果可能不理想。
非线性滤波算法则根据局部像素之间的相似性来实现去噪。
常见的非线性滤波算法有中值滤波、双边滤波和小波去噪等。
例如，可以利用Matlab中的medfilt2函数来进行中值滤波去噪。
这些非线性滤波算法对于保持图像边缘和纹理等细节信息有较好的效果，但计算复杂度较高。
二、图像修复图像修复是指在图像中恢复缺失、损坏或受到干扰的部分，以还原原始图像的过程。
在Matlab中，可以利用各种图像恢复技术来实现图像修复。
其中，最常用的是基于插值的图像修复算法和基于变分的图像修复算法。
基于插值的图像修复算法是指根据已知像素的值，通过插值方法来估计未知像素的值。
常见的插值方法有最近邻插值、双线性插值和双立方插值等。
例如，可以利用Matlab中的interp2函数来进行图像的插值修复。
这些插值算法简单方便，计算速度快，但对于复杂图像结构和纹理等细节的恢复效果可能不理想。
基于变分的图像修复算法则是通过最小化能量函数来实现图像修复。
常见的变分方法有全变分（TV）正则化、局部全变分（LTV）正则化和总变分（TGV）正则化等。
基于matlab的图像预处理技术研究文献综述
毕业设计文献综述题目： 基于matlab的图像预处理技术研究专业：电子信息工程1前言部分众所周知，MATLAB在数值计算、数据处理、自动控制、图像、信号处理、神经网络 、优化计算 、模糊逻辑 、小波分析等众多领域有着广泛的用途，特别是MATLAB的图像处理和分析工具箱支持索引图像、RGB 图像、灰度图像、二进制图像，并能操作*.bmp、*.jpg、*.tif等多种图像格式文件如。
果能灵活地运用MATLAB提供的图像处理分析函数及工具箱，会大大简化具体的编程工作，充分体现在图像处理和分析中的优越性。
图像就是用各种观测系统观测客观世界获得的且可以直接或间接作用与人眼而产生视觉的实体。
视觉是人类从大自然中获取信息的最主要的手段。
拒统计，在人类获取的信息中，视觉信息约占60%，听觉信息约占20%，其他方式加起来才约占20%。
由此可见，视觉信息对人类非常重要。
同时，图像又是人类获取视觉信息的主要途径，是人类能体验的最重要、最丰富、信息量最大的信息源。
通常，客观事物在空间上都是三维的(3D)的，但是从客观景物获得的图像却是属于二维(2D)平面的。
图像存在方式多种多样，可以是可视的或者非可视的，抽象的或者实际的，适于计算机处理的和不适于计算机处理的。
图像处理它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程 。
图像处理最早出现于20世纪50年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和图像信息。
图像处理作为一门学科大约形成于20世纪60年代初期。
早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。
图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、复原、编码、压缩等。
首次获得实际成功应用的是美国喷气推进实验室（JPL）。
他们对航天探测器徘徊者7号在 1964 年发回的几千张月球照片使用了图像处理技术，如几何校正、灰度变换、去除噪声等方法进行处理，并考虑了太阳位置和月球环境的影响 ，由计算机成功地绘制出月球表面地图，获得了巨大的成功。
数字图像处理图像复原.
复
式中N(u,v)是噪声n(x,y)的傅立叶变换。
原
这种方法要求噪声的类型及表达式为可知，因为噪声是
简 一个随机函数，它的傅立叶变换未知。所以即使知道退化函
介 数，也不能准确地复原未退化的图像（F(u,v)的傅立叶反变
换）。
由上式，如果H(u,v)在u,v平面上取零或很小，就会带来 计算上的困难。另一方面，噪声还会带来更严重的问题， N(u,v)/H(u,v)会使恢复结果与预期的结果有很大差距。
(2)
像
假设h(x,y)为已知的，现在观察到了g(x,y)。在没有噪声
复 的情况下，因以上两式成立，则为了复原出没有退化的图
原 像f(x,y)，只需用
简 介
Fˆ (u, v) G(u, v) H (u, v)
(3)
来计算原始图像的傅立叶变换的估计，并进行傅立叶逆变
换即可。
fˆ ( x, y) 1[F (u, v)] 此方法称为逆滤波方法。
复 原
关于原点对称的形式出现
简 √ 如果陷波滤波器位于原点处，则以它本身形式
介 出现
5.5.3 陷波滤波器
第 五 章 图 像 复 原 简 介
5.5.3 陷波滤波器
第
五 1. 理想陷波带阻滤波器
章 图 像 复 原 简 介
5.5.3 陷波滤波器
第
五 2. 巴特沃思陷波带阻滤波器
章
图
像
复
原
简 介
3. 高斯陷波带阻滤波器
像
复
原 简
√ 周期噪声可以通过频率域滤波显著减少
介
5.4 空间域滤波复原（唯一退化是 噪声）
第 五 章
图 像 复 原 简 介
5.4 空间域滤波复原（唯一退化是