数字图像处理读书笔记

数字图像处理读书笔记第一篇：数字图像处理读书笔记数字图像处理读书笔记本学期的数字图像处理课程已经进行了3周了，通过这3周的学习让我对数字图像处理有了一定的认知和理解。数字图像处理又称为计算机图像处理，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。这门课程的前三章主要讲解了数字图像的目的、特点、应用和发展，图像的数字化显示与图像变换。数字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。数字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。数字图像处理是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。数字图像处理的产生和迅速发展主要受三个因素的影响：一是计算机的发展；二是数学的发展（特别是离散数学理论的创立和完善）;三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的增长。一般来讲，对图像进行处理（或加工、分析）的主要目的有三个方面：（1）提高图像的视感质量，如进行图像的亮度、彩色变换，增强、抑制某些成分，对图像进行几何变换等，以改善图像的质量。（2）提取图像中所包含的某些特征或特殊信息，这些被提取的特征或信息往往为计算机分析图像提供便利。提取特征或信息的过程是模式识别或计算机视觉的预处理。提取的特征可以包括很多方面，如频域特征、灰度或颜色特征、边界特征、区域特征、纹理特征、形状特征、拓扑特征和关系结构等。（3）图像数据的变换、编码和压缩，以便于图像的存储和传输。不管是何种目的的图像处理，都需要由计算机和图像专用设备组成的图像处理系统对图像数据进行输入、加工和输出。数字图像处理有以下几点基本特点：（1）目前，数字图像处理的信息大多是二维信息，处理信息量很大。如一幅256×256低分辨率黑白图像，要求约64kbit的数据量；对高分辨率彩色512×512图像，则要求768kbit数据量；如果要处理30帧/秒的电视图像序列，则每秒要求500kbit～22.5Mbit数据量。因此对计算机的计算速度、存储容量等要求较高。（2）数字图像处理占用的频带较宽。与语言信息相比，占用的频带要大几个数量级。如电视图像的带宽约5.6MHz，而语音带宽仅为4kHz左右。所以在成像、传输、存储、处理、显示等各个环节的实现上，技术难度较大，成本亦高，这就对频带压缩技术提出了更高的要求。（3）数字图像中各个像素是不独立的，其相关性大。在图像画面上，经常有很多像素有相同或接近的灰度。就电视画面而言，同一行中相邻两个像素或相邻两行间的像素，其相关系数可达0.9以上，而相邻两帧之间的相关性比帧内相关性一般说还要大些。因此，图像处理中信息压缩的潜力很大。（4）由于图像是三维景物的二维投影，一幅图象本身不具备复现三维景物的全部几何信息的能力，很显然三维景物背后部分信息在二维图像画面上是反映不出来的。因此，要分析和理解三维景物必须作合适的假定或附加新的测量，例如双目图像或多视点图像。在理解三维景物时需要知识导引，这也是人工智能中正在致力解决的知识工程问题。（5）数字图像处理后的图像一般是给人观察和评价的，因此受人的因素影响较大。由于人的视觉系统很复杂，受环境条件、视觉性能、人的情绪爱好以及知识状况影响很大，作为图像质量的评价还有待进一步深入的研究。另一方面，计算机视觉是模仿人的视觉，人的感知机理必然影响着计算机视觉的研究。例如，什么是感知的初始基元，基元是如何组成的，局部与全局感知的关系，优先敏感的结构、属性和时间特征等，这些都是心理学和神经心理学正在着力研究的课题。在数字图像处理中图像的数字化显示是基础。将模拟图像转化成数字图像的过程就是图形、图像的数字化过程。这个过程主要包含采样、量化和编码三个步骤。1．采样采样的实质就是要用多少点来描述一幅图像，采样结果质量的高低就是用前面所说的图像分辨率来衡量。简单来讲，对二维空间上连续的图像在水平和垂直方向上等间距地分割成矩形网状结构，所形成的微小方格称为像素点。一副图像就被采样成有限个像素点构成的集合。采样频率是指一秒钟内采样的次数，它反映了采样点之间的间隔大小。采样频率越高，得到的图像样本越逼真，图像的质量越高，但要求的存储量也越大。在进行采样时，采样点间隔大小的选取很重要，它决定了采样后的图像能真实地反映原图像的程度。一般来说，原图像中的画面越复杂，色彩越丰富，则采样间隔应越小。由于二维图像的采样是一维的推广，根据信号的采样定理，要从取样样本中精确地复原图像，可得到图像采样的奈奎斯特（Nyquist）定理：图像采样的频率必须大于或等于源图像最高频率分量的两倍。2．量化量化是指要使用多大范围的数值来表示图像采样之后的每一个点。量化的结果是图像能够容纳的颜色总数，它反映了采样的质量。例如：如果以4位存储一个点，就表示图像只能有16种颜色；若采用16位存储一个点，则有216=65536种颜色。所以，量化位数越来越大，表示图像可以拥有更多的颜色，自然可以产生更为细致的图像效果。但是，也会占用更大的存储空间。两者的基本问题都是视觉效果和存储空间的取舍。假设有一幅黑白灰度的照片，因为它在水平于垂直方向上的灰度变化都是连续的，都可认为有无数个像素，而且任一点上灰度的取值都是从黑到白可以有无限个可能值。通过沿水平和垂直方向的等间隔采样可将这幅模拟图像分解为近似的有限个像素，每个像素的取值代表该像素的灰度（亮度）。对灰度进行量化，使其取值变为有限个可能值。经过这样采样和量化得到的一幅空间上表现为离散分布的有限个像素，灰度取值上表现为有限个离散的可能值的图像称为数字图像。只要水平和垂直方向采样点数足够多，量化比特数足够大，数字图像的质量就比原始模拟图像毫不逊色。在量化时所确定的离散取值个数称为量化级数。为表示量化的色彩值（或亮度值）所需的二进制位数称为量化字长，一般可用8位、16位、24位或更高的量化字长来表示图像的颜色；量化字长越大，则越能真实第反映原有的图像的颜色，但得到的数字图像的容量也越大。3．压缩编码数字化后得到的图像数据量十分巨大，必须采用编码技术来压缩其信息量。在一定意义上讲，编码压缩技术是实现图像传输与储存的关键。数学里的变换，指一个图形（或表达式）到另一个图形（或表达式）的演变。图象变换是函数的一种作图方法。已知一个函数的图象，通过某种或多种连续方式变换，得到另一个与之相关的函数的图象，这样的作图方法叫做图象变换。在图像变换中傅立叶变换就是应用最广泛的一种变换。数字图像经二维离散傅立叶变换后，其空间域处理可变换为变换域处理，它具有很多明显的优点，最突出的是算法运算次数将大大减少，并可采用二维数字滤波技术进行所需要的各种图像处理。二位离散余弦变换其去相关性近似于K-L(Karhunen-Loeve)最佳变换,算法复杂度适中,易于硬件实现,且具有抗干扰能力强等优点,因此,DCT及IDCT被广泛应用于H.261、H.263、H.264、JPEG、MPEG等视频压缩标准中。小波分解可以覆盖整个频域(提供了一个数学上完备的描述)；小波变换通过选取合适的滤波器，可以极大的减小或去除所提取得不同特征之间的相关性；小波变换具有“变焦”特性，在低频段可用高频率分辨率和低时间分辨率(宽分析窗口)，在高频段，可用低频率分辨率和高时间分辨率(窄分析窗口)；小波变换实现上有快速算法(Mallat小波分解算法)。小波变换是一种信号的时间——尺度分析方法，他具有多分辨率分析的特点，而且在时频两域都具有表征信号局部特征的能力，是一种窗口大小固定不变但其形状可变，时间窗和频率窗都可变的时频局部化分析方法。即再低频部分具有较高的频率分辨率和时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，很适合探测正常信号中夹带的瞬态反常现象并展示其成分，所以被誉为分析信号的显微镜。小波变换是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的时间一频率窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，因此，小波变换在许多领域都得到了成功的应用，特别是小波变换的离散数字算法已被广泛用于许多问题的变换研究中。从此，小波变换越来越引起人们的重视，其应用领域来越来越广泛。第二篇：数字图像处理读书笔记《数字图象处理》学士论文读书笔记运动对象检测是数字图像处理技术的一个重要部分，它是计算机视觉、目标识别与跟踪、运动图像编码、基于内容的检索、安全监控等视频分析和处理应用的关键步骤。解决跟踪算法的计算量与实时性这对矛盾，是提高系统跟踪精度和跟踪稳定性的关键，此即为本文的关键所在。对于变化很慢的背景图像而言，可把动目标看作目标对背景的扰乱，可以看作Kalman滤波器在零均值白噪声时的退化公式：WT[IWP(k)WT]K(k1)P(k1)若认为图像每一个时空点在空间独立，则以上变量均为标量。即：B(k)P(k1)P(k),P(1)1B(k1)这就是说估值的方差随着测量次数的增加而逐渐减小，结果是收敛的，对于图像，只要系统采样频率足够快，则可以认为背景静止，所以当图像序列通过这个低通滤波器时，图像序列中遂时间缓变的部分就可以分离出来。接着利用图像和背景进行差分运算，即可从图像中提取出变化的目标式中的D(k+1)是去除背景后的当前帧目标图像。而后，考虑到空间邻接像素之ˆ(k1)D(k1)(k1)ˆ(k1)ˆ(k)K(k1)ˆ(k)(k1)WP(k_1)1[IK(k1)W]P(k)间的相关性，需要进一步对差分图像数据进行4x4的空间滑动平均滤波以消除输入图像中的噪声影响，然后将以上得到的目标图的D(k+1))中每个像素的灰度数据向行和列方向分别投影并且求和，据此计算目标的质心，得到相对饱满的目标图像。该文探讨了渐消记忆递归最小二乘法在图像背景重建中的应用，使用简捷有效的算法结构在复杂背景的条件下分离出了背景和动目标；对图像在空间域做4~4的滑动平均滤波有效地抑制了于扰噪声；在求目标的质心时采用等效灰度投影算法，简化了求质心运算，整体上说算法简洁，操作方便，基本上解决了引文提出的矛盾。文章研究的运动对象检测可应用在计算机视觉、目标识别与跟踪、运动图像编码、基于内容的检索、安全监控等视频分析和处理应用的关键步骤上，如若这种算法得到进一步优化和更新，一定会运用到更多更广的地方。通信二班陈阳（10950229）本文由芬乐网提供参考文献1.刘永信等《复杂背景图像中检测动目标的一种方法》摘自《计算机工程与应用》2002.032.曹炬等《从移动背景红外序列图像中检测运动目标》摘自《电子信息学报》2005.013.何卫华等《复杂背景下基于图像融合的运动目标轮廓提取算法》摘自《计算机应用》2006.01第三篇：《数字图像处理》实验五图像的几何变换一．实验目的及要求掌握图像几何变换的基本原理，熟练掌握数字图像的缩放、旋转、平移、镜像和转置的基本原理及其MATLAB编程实现方法。二、实验内容（一）研究以下程序，分析程序功能；输入执行各命令行，认真观察命令执行的结果。熟悉程序中所使用函数的调用方法，改变有关参数，观察试验结果。1.图像缩放clearall,closeallI=imread('cameraman.tif');Scale=1.35;%将图像放大1.35倍J1=imresize(I,Scale,'nearest');%usingthenearestneighborinterpolationJ2=imresize(I,Scale,'bilinear');%usingthebilinearinterpolationimshow(I),title('OriginalImage');figure,imshow(J1),title('ResizedImage--usingthenearestneighborinterpolation');figure,imshow(J2),title('ResizedImage--usingthebilinearinterpolation');helpimresize%查看imresize使用帮助1.95倍I=imread('cameraman.tif');Scale=1.96;%将图像放大1.96倍J1=imresize(I,Scale,'nearest');%usingthenearestneighborinterpolationJ2=imresize(I,Scale,'bilinear');%usingthebilinearinterpolationimshow(I),title('OriginalImage');figure,imshow(J1),title('ResizedImage--usingthenearestneighborinterpolation');figure,imshow(J2),title('ResizedImage--usingthebilinearinterpolation');说明：注意观察不同插值方法的图像表现；改变图像缩放因子Scale，重做上述实验。2.图像旋转clearall,closeallI=imread('cameraman.tif');Theta=45;%将图像逆时针旋转45。J1=imrotate(I,Theta,'nearest');%usingthenearestneighborinterpolationTheta=-45;%将图像顺时针旋转45。J2=imrotate(I,Theta,'bilinear','crop');%usingbilinearinterpolationandcropstheoutputimageimshow(I),title('OriginalImage');figure,imshow(J1),title('RotatedImage--usingthenearestneighborinterpolation');figure,imshow(J2),title('RotatedImage--usingthebilinearinterpolation');%查看imrotate使用帮助helpimrotate%-------图像旋转30顺时针逆时针clearall,closeallI=imread('cameraman.tif');Theta=30;%将图像逆时针旋转30。J1=imrotate(I,Theta,'nearest');%usingthenearestneighborinterpolationTheta=-30;%将图像顺时针旋转30。J2=imrotate(I,Theta,'bilinear','crop');%usingbilinearinterpolationandcropstheoutputimageimshow(I),title('OriginalImage');figure,imshow(J1),title('RotatedImage--usingthenearestneighborinterpolation');figure,imshow(J2),title('RotatedImage--usingthebilinearinterpolation');7说明：注意观察不同插值方法和输出图像后处理方法的图像表现；改变旋转角度大小和方向，重做上述实验。3．图像水平镜象clearall,closeallI=imread('cameraman.tif');I1=flipdim(I,2);I2=flipdim(I,1);figure(1),subplot(1,2,1),imshow(I);subplot(1,2,2),imshow(I1);figure(2),subplot(2,1,1),imshow(I);subplot(2,1,2),imshow(I2);%----(二)用MATLAB编程实现以下图像几何变换（参考自编讲义相关章节）1．图像扭曲变换2．球面变换三、实验设备1．PIII以上微机；2．MATLAB6.5；四、预习与思考1．预习实验内容，阅读教材熟悉实验原理；2．查阅资料，熟悉实验中涉及的有关MATLAB函数；3．利用课余时间，采用MATLAB底层函数编程实现实验内容（二）中的图像平移、图像转置等几何变换。五、实验报告要求1．简述试验的目的和试验原理；2．叙述各段程序功能，改变有关函数的参数，分析比较实验结果；3．打印出所编写的实验程序。4．写出本实验的心得体会及意见。实验六数字图像处理应用一．实验目的及要求1．利用MATLAB提供的图像处理函数实现图像中物体属性的测量；2．训练综合运用MATLAB图像处理函数的能力；3．了解数字图像处理基本应用。二、实验内容以大米粒特性测量为例，综合应用课程中图像分割、形态学滤波、图像增强、图像特征提取等图像处理方法，实现大米粒特性自动测量。实验过程简述：1．读取和显示图像2．估计图像背景3．获取背景均匀的图像4．图像增强5．图像二值化分割6．区域标记及为彩色处理7．测量图像中的区域特性（面积、质心等）8．统计大米粒的特性分布规律。（一）研究以下程序，分析程序功能；输入执行各命令行，认真观察命令执行的结果。熟悉程序中所使用函数的调用方法，改变有关参数，观察试验结果。%ReadandDisplayanImageclear,closeall,closeall;I=imread('rice.png');figure,imshow(I)%UseMorphologicalOpeningtoEstimatetheBackgroundbackground=imopen(I,strel('disk',15));figure,imshow(background);%DisplaytheBackgroundApproximationasaSurfacefigure,surf(double(background(1:8:end,1:8:end))),zlim([0255]);set(gca,'ydir','reverse');%SubtracttheBackgroundImagefromtheOriginalImageI2=imsubtract(I,background);figure,imshow(I2)%AdjusttheImageContrastI3=imadjust(I2,stretchlim(I2),[01]);figure,imshow(I3);%ApplyThresholdingtotheImagelevel=graythresh(I3);bw=im2bw(I3,level);figure,imshow(bw)%DeterminetheNumberofObjectsintheImage[labeled,numObjects]=bwlabel(bw,4);%Labelcomponents.numObjects%ExaminetheLabelMatrixRGB_label=label2rgb(labeled,@spring,'c','shuffle');figure,imshow(RGB_label);%MeasureObjectPropertiesintheImagegraindata=regionprops(labeled,'basic')allgrains=[graindata.Area];%ComputeStatisticalPropertiesofObjectsintheImagemax(allgrains);biggrain=find(allgrains==695)mean(allgrains);figure,hist(allgrains,20);12(详见MATLABIPT的帮助文档demo中的CorrectingNonuniformIllumination)（二）查看MATLABIPT帮助文档，研究其它应用演示三、实验设备1．PIII以上微机；2．MATLAB6.5；四、预习与思考1．预习实验内容，阅读教材熟悉实验原理；2．查阅资料，熟悉实验中涉及的有关函数。3．利用课余时间，采用MATLAB函数编程实现实验内容（二）。五、实验报告要求1．简述试验的目的和试验原理；2．叙述各段程序功能，改变有关函数的参数，分析比较实验结果；3．打印出所编写的实验程序。4．写出本实验的心得体会及意见。第四篇：数字图像处理中南大学数字图像处理实验实验名称：空间滤波和频域滤波班级：电子信息0802班姓名：李哲学号：0909080609实验日期：2010年12月22日目录一，实验目的„„„„„„„„„„„„„„„„„„„„„„„3二，给图像添加噪声„„„„„„„„„„„„„„„„„„„„4三，对被噪声污染的图像进行中值滤波和均值滤波„„„„„„„5四，对图像进行空间域的锐化„„„„„„„„„„„„„„„„6五，MATLAB以外函数空间滤波和图像锐化„„„„„„„„„„7六，自带函数傅立叶变换和反变换„„„„„„„„„„„„„„8七，低通滤波器程序„„„„„„„„„„„„„„„„„„„„9八，心得体会„„„„„„„„„„„„„„„„„„„„„„10九，参考文献„„„„„„„„„„„„„„„„„„„„„„10一、实验目的1，空间滤波：图像平滑主要目的是减少噪声。噪声有很多种类，不同的噪声有不同的抑制措施。本实验要求用平滑线性滤波和中值滤波2种最典型、最常用的处理算法进行程序设计，学习如何对已被噪声污染的图像进行“净化”。通过平滑处理，对结果图像加以比较，得出自己的实验结论。学习如何用锐化处理技术来加强图像的目标边界和图像细节，对图像进行梯度算子、拉普拉斯算子，使图像的某些特征（如边缘、轮廓等）得以进一步的增强及突出。本实验锐化处理主要在空间域中进行2，频域滤波：掌握傅里叶变换的基本性质；掌握傅里叶正变换和反变换；通过实验了解二维频谱的分布特点；掌握怎样利用傅立叶变换进行频域滤波利用MATLAB程序数字图像的傅立叶变换并且进行频域滤波二，给图像添加椒盐噪声或者高斯噪声：原理：利用MATLAB自带函数添加噪声程序代码：A=imread('onion.png');I=rgb2gray(A);imshow(I);J=imnoise(I,'salt&pepper',0.05);figure,imshow(J),title('椒盐噪声');%添加椒盐噪声K=imnoise(I,'gaussian',0,0.03);figure,imshow(K),title('高斯噪声');%添加高斯噪声三，对被噪声污染的图像进行中值滤波和均值滤波：原理：自带函数进行中值滤波和均值滤波源程序：A=imread('onion.png');I=rgb2gray(A);J=imnoise(I,'salt&pepper',0.05);k2=medfilt2(J,[55]);k3=medfilt2(J,[77]);imshow(J),title('原图');figure,imshow(k2),title('中值滤波5*5模板');figure,imshow(k3),title('中值滤波7*7模板');四，对图像进行空间域的锐化：原理：自带函数进行空间锐化。源程序：I=imread('coins.png');subplot(121),imshow(I),title('原图像');H=fspecial('sobel');I2=filter2(H,I);subplot(122),imshow(I2),title('sobel算子锐化图像');五，MATLAB以外函数空间滤波和图像锐化：源程序：I=imread('eight.tif');J=imnoise(I,'salt&pepper',0.02);K=medfilt2(J);imshow(J);title('噪声干扰图像')figure,imshow(K);title('medfilt2滤波图像')X=J;a=2;b=2;k=floor(a*b/2)+1;[M,N]=size(X);uint8Y=zeros(M,N);funBox=zeros(a,b);temp=zeros(a*b);fori=1:M-aforj=1:N-bfunBox=X(i:i+a,j:j+b);temp=funBox(:);tempSort=sort(temp);Y(i,j)=tempSort(k);end;end;figure,imshow(Y);title('滤波图像')六，利用Matlab的图像处理工具箱中提供的函数实现图像的傅立叶变换和反变换：源程序：A=imread('onion.png');f=rgb2gray(A);subplot(131),imshow(f),title('原图');F=fft2(f);%快速傅立叶变换subplot(132),imshow(F),title('傅里叶变换')Fabs=abs(F);%求幅频绝对值Fc=fftshift(Fabs);%中心移位SFc=log(1+Fc);%对数变换iFc1=ifftshift(Fc);%中心移位的逆变换，绝对值iF2=ifft2(iFc1);%快速傅立叶变换的逆变换subplot(133),imshow(iF2),title('快速傅立叶变换的逆变换')七，低通滤波器程序：I=imread('testpat1.png');subplot(221),imshow(I);title('原始图像')J1=imnoise(I,'gaussian',0.02);%叠加高斯白噪声subplot(222),imshow(J1);title('添加高斯白噪声的图像')f=double(J1);%数据类型转换g=fft2(f);%傅立叶变换g=fftshift(g);[M,N]=size(g);nn=2;%二阶巴特沃斯(Butterworth)低通滤波器d0=50;%设置截止频率m=fix(M/2);n=fix(N/2);fori=1:Mforj=1:Nd=sqrt((i-m)^2+(j-n)^2);h=1/(1+0.414*(d/d0)^(2*nn));%计算低通滤波器传递函数result(i,j)=h*g(i,j);endendresult=ifftshift(result);J2=ifft2(result);J3=uint8(real(J2));subplot(223),imshow(J3);title('低通滤波后图像')心得体会1，进一步熟悉了Matlab软件、编程以及图像处理工具箱2，学会利用自带函数对图像做简单的处理，例如：均值化等。3，熟练了一些基本函数的运用，例如fspecial，imfilter等。4，加深了对MATLAB编程的理解。5，对于试验中的出现的一些问题，懂得怎样去处理。6，通过实际操作，增强了自己的动手能力，把理论用于实践。参考文献：数字图像处理第二版MATLAB教程第五篇：数字图像处理实验报告数字图像处理实验报告目录1.数字图像处理简介2.实验目的3.实验内容4.实验结果及代码展示5.算法综述6.Matlab优势7.总结8.存在问题一、数字图像处理简介图像处理，是对图像进行分析、加工、和处理，使其满足视觉、心理以及其他要求的技术。图像处理是信号处理在图像域上的一个应用。目前大多数的图像是以数字形式存储，因而图像处理很多情况下指数字图像处理。此外，基于光学理论的处理方法依然占有重要的地位。图像处理是信号处理的子类，另外与计算机科学、人工智能等领域也有密切的关系。传统的一维信号处理的方法和概念很多仍然可以直接应用在图像处理上，比如降噪、量化等。然而，图像属于二维信号，和一维信号相比，它有自己特殊的一面，处理的方式和角度也有所不同。二、实验目的巩固所学知识，提高所学能力三、实验内容利用matlab的GUI程序设计一个简单的图像处理程序，并含有如下基本功能：1.读入一幅RGB图像，变换为灰度图像和二值图像，并在同一个窗口内分成三个子窗口来分别显示RGB图像和灰度图像，注上文字标题2.对给定图像进行旋转3．对给定的图像添加噪声（椒盐噪声、高斯噪声）四、实验结果及代码展示1.软件设计界面2.各模块功能展示以及程序代码（1）读入一幅RGB图像，变换为灰度图像和二值图像，并在同一个窗口内分成三个子窗口来分别显示RGB图像和灰度图像，注上文字标题效果展示：代码：a=imread('C:DocumentsandSettingsAdministrator桌面数字图像舞美.JPG');i=rgb2gray(a);I=im2bw(a,0.5);subplot(3,1,1);imshow(a);title('源图像')subplot(3,1,2);imshow(i);title('灰度图像')subplot(3,1,3);imshow(I);title('二值图像')（2）图像旋转原图效果展示：代码：clc;clearall;closeall;Img=imread('D:MyDocumentsMyPictures5.JPG');Img=double(Img);[hw]=size(Img);alpha=pi/4;wnew=w*cos(alpha)+h*sin(alpha);hnew=w*sin(alpha)+h*cos(alpha);wnew=ceil(wnew);hnew=ceil(hnew);u0=w*sin(alpha);T=[cos(alpha),sin(alpha);-sin(alpha),cos(alpha)];Imgnew2=zeros(hnew,wnew);Imgnew1=zeros(hnew,wnew);foru=1:hnewforv=1:wnewtem=T*([u;v]-[u0;0]);x=tem(1);y=tem(2);ifx>=1&&x<=h&&y>=1&&y<=wx_low=floor(x);x_up=ceil(x);y_low=floor(y);y_up=ceil(y);if(x-x_low)<=(x_up-x)x=x_low;elsex=x_up;endif(y-y_low)<=(y_up-y)y=y_low;elsey=y_up;endp1=Img(x_low,y_low);p2=Img(x_up,y_low);p3=Img(x_low,y_low);p4=Img(x_up,y_up);s=x-x_low;t=y-y_low;Imgnew1(u,v)=Img(x,y);Imgnew2(u,v)=(1-s)*(1-t)*p1+(1-s)*t*p3+(1-t)*s*p2+s*t*p4;endendendfigure;imshow(Imgnew2,[]);B=imrotate(Img,alpha/pi*180);figure;imshow(B,[]);（3）对给定的图像添加噪声（斑点噪声、高斯噪声）效果展示：代码：I=imread('D:MyDocumentsMyPictures5.JPG');figure,subplot(211);imshow(I);title('原图');J1=imnoise(I,'gaussian',0,0.02);subplot(223);imshow(J);title('添加高斯噪声');J=imnoise(I,'speckle',0.04);subplot(224);imshow(J);title('添加斑点噪声');五、算法综述灰度图像：一幅完整的图像，是由红色、绿色、蓝色三个通道组成的。红色、绿色、蓝色三个通道的缩览图都是以灰度显示的。用不同的灰度色阶来表示“红，绿，蓝”在图像中的比重。通道中的纯白，代表了该色光在此处为最高亮度，亮度级别是255。通道是整个Photoshop显示图像的基础。色彩的变动，实际上就是间接在对通道灰度图进行调整。通道是Photoshop处理图像的核心部分，所有的色彩调整工具都是围绕在这个核心周围使用的。在计算机领域中，灰度数字图像是每个像素只有一个采样颜色的图像。这类图像通常显示为从最暗黑色到最亮的白色的灰度，尽管理论上这个采样可以任何颜色的不同深浅，甚至可以是不同亮度上的不同颜色。灰度图像与黑白图像不同，在计算机图像领域中黑白图像只有黑色与白色两种颜色；灰度图像在黑色与白色之间还有许多级的颜色深度。但是，在数字图像领域之外，“黑白图像”也表示“灰度图像”，例如灰度的照片通常叫做“黑白照片”。在一些关于数字图像的文章中单色图像等同于灰度图像，在另外一些文章中又等同于黑白图像。灰度图像经常是在单个电磁波频谱如可见光内测量每个像素的亮度得到的。用于显示的灰度图像通常用每个采样像素8位的非线性尺度来保存，这样可以有256级灰度。这种精度刚刚能够避免可见的条带失真，并且非常易于编程。在医学图像与遥感图像这些技术应用中经常采用更多的级数以充分利用每个采样10或12位的传感器精度，并且避免计算时的近似误差。在这样的应用领域每个采样16位即65536级得到流行。二值图像：是指每个像素不是黑就是白，其灰度值没有中间过渡的图像。二值图像一般用来描述文字或者图形，其优点是占用空间少，缺点是，当表示人物，风景的图像时，二值图像只能描述其轮廓，不能描述细节。这时候要用更高的灰度级。二值图像是每个像素只有两个可能值的数字图像。人们经常用黑白、B&W、单色图像表示二值图像，但是也可以用来表示每个像素只有一个采样值的任何图像，例如灰度图像等。二值图像中所有的像素只能从0和1这两个值中取，因此在MATLAB中，二值图像用一个由0和1组成的二维矩阵表示。这两个可取的值分别对应于关闭和打开，关闭表征该像素处于背景，而打开表征该像素处于前景。以这种方式来操作图像可以更容易识别出图像的结构特征。二值图像操作只返回与二值图像的形式或结构有关的信息，如果希望对其他类型的图像进行同样的操作，则首先要将其转换为二进制的图像格式，可以通过调用MATLAB提供的im2bw（）来实现。二值图像经常出现在数字图像处理中作为图像掩码或者在图像分割、二值化和dithering的结果中出现。一些输入输出设备，如激光打印机、传真机、单色计算机显示器等都可以处理二值图像。二值图像经常使用位图格式存储。二值图像可以解释为二维整数格Z，图像变形处理领域很大程度上就是受到这个观点启发。图像旋转：图像旋转是指图像以某一点为中心旋转一定的角度,形成一幅新的图像的过程。当然这个点通常就是图像的中心。既然是按照中心旋转,自然会有这样一个属性：旋转前和旋转后的点离中心的位置不变.根据这个属性,我们可以得到旋转后的点的坐标与原坐标的对应关系。由于原图像的坐标是以左上角为原点的,所以我们先把坐标转换为以图像中心为原点。假设原图像的宽为w,高为h,（x0,y0）为原坐标内的一点,转换坐标后的点为（x1,y1）。那么不难得到：x1=x0-w/2;y1=-y0+h/2;在新的坐标系下,假设（x0,y0）距离原点的距离为r,点与原点之间的连线与x轴的夹角为b,旋转的角度为a,旋转后的点为（x1,y1）噪声：是电路或系统中不含信息量的电压或电流。在工业与自然界中，存在着各种干扰源（噪声源），如大功率电力电子器件的接入、大功率用电设备的开启与断开、雷击闪电等都会使空间电场和磁场产生有序或无序的变化，这些都是干扰源（或噪声源）。这些源产生的电磁波或尖峰脉冲通过磁、电耦合或是通过电源线等路径进入放大电路，各种电气设备，形成各种形式的干扰。斑点噪声：斑点噪声是SAR成像系统的一大特色，源自基本分辨