數(shù)學(xué)軟件Matlab R2016a 64位 完全特別版(附破解文件+密鑰+安裝教程)

一、圖像基本操作

1、讀取圖像并顯示：

》》 clear;close all %清空Matlab工作平臺所有變量（準(zhǔn)備工作）

》》 I=imread（‘pout.tif’）; % 該圖像是Matlab圖形工具箱中自帶的圖像（\toolbox\images\imdemos）

》》 imshow（I）

2、檢查內(nèi)存（數(shù)組）中的圖像：

》》 whos

Name Size Bytes Class

I 291x240 69840 uint8 array

Grand total is 69840 elements using 69840 bytes

表示該圖像采用8位存儲方式并占用了69840B的存儲空間。

3、實現(xiàn)圖像直方圖均衡化：

》》 figure，imhist（I） % 在新圖中顯示圖像I的直方圖

》》 I2=histeq（I）; % 均衡化以后的圖像存在I2數(shù)組中（圖像灰度值擴(kuò)展到整個灰度范圍，對比度提高）

》》 figure，imshow（I2） % 顯示均衡化后的圖像

》》 figure，imhist（I2） % 顯示均衡后的灰度值分布情況

8位圖像取值范圍：［0，255］，16位圖像取值范圍：［0，655351］，雙精度圖像取值范圍：［0，1］

4、保存圖像：

》》 imwrite（I2，‘pout2.png’）; % 將圖像由原先的tif格式另存為png格式

5、檢查新生成文件的信息：

》》 imfinfo（‘pout2.png’） % 觀察保存圖像的文件信息

ans =

Filename： ‘pout2.png’ % 文件名

FileModDate： ‘11-Apr-2009 21:55:35’ % 文件修改日期

FileSize： 36938 % 文件大小

Format： ‘png’ % 文件格式

FormatVersion： ［］ % 格式

Width： 240 % 文件寬度

Height： 291 % 文件高度

BitDepth： 8 % 文件位深度

ColorType： ‘grayscale’ % 顏色類型

……

二、圖像處理Matlab的應(yīng)用：

實例：消除rice.png圖像中亮度不一致的背景，并使用閾值將修改后的圖像轉(zhuǎn)換為二值圖像，使用成員標(biāo)記返回圖像中對象的個數(shù)以及統(tǒng)計特性。按照如下步驟進(jìn)行：

1、讀取和顯示圖像

》》 clear;close all

》》 I=imread（‘rice.png’）;

》》 imshow（I）

2、估計圖像背景：

圖像中心位置背景亮度強(qiáng)于其他部分亮度，用imopen函數(shù)和一個半徑為15的圓盤結(jié)構(gòu)元素對輸入的圖像I進(jìn)行形態(tài)學(xué)開操作，去掉那些不完全包括在圓盤中的對象，從而實現(xiàn)對背景亮度的估計。

》》 clear;close all

》》 I=imread（‘rice.png’）;

》》 imshow（I）

》》 background=imopen（I，strel（‘disk’，15））;

》》 imshow（background）

》》 figure，surf（double（background（1:8：end，1:8：end））），zlim（［0，255］）;

》》 set（gca，‘ydir’，‘reverse’）;

顯示了背景圖（左）和背景表面圖（右）

3、從原始圖像中減去背景圖像（原始圖像I減去背景圖像得到背景較為一致的圖像）：

》》 I2=imsubtract（I，background）;

》》 figure，imshow（I2）

4、調(diào)節(jié)圖像的對比度 （圖像較暗，可用imadjust函數(shù)命令來調(diào)節(jié)圖像的對比度）

》》 I3=imadjust（I2，stretchlim（I2），［0 1］）;

》》 figure，imshow（I3）;

5、使用閾值操作將圖像轉(zhuǎn)換為二進(jìn)制（二值）圖像（bw），調(diào)用whos命令查看圖像的存儲信息。

》》 level=graythresh（I3）; % 圖像灰度處理

》》 bw=im2bw（I3，level）; % 圖像二值化處理

》》 figure，imshow（bw） % 顯示處理后的圖片

》》 whos

Name Size Bytes Class

I 256x256 65536 uint8 array

I2 256x256 65536 uint8 array

I3 256x256 65536 uint8 array

background 256x256 65536 uint8 array

bw 256x256 65536 logical array

level 1x1 8 double array

Grand total is 327681 elements using 327688 bytes

6、檢查圖像中對象個數(shù)（bwlabel函數(shù)表示了二值圖像中的所有相關(guān)成分并返回在圖像中找到的對象個數(shù)）

》》 ［labeled，numObjects］=bwlabel（bw，4）;

》》 numObjects

numObjects =

101

表示圖像中的米粒對象個數(shù)是101.

7、檢查標(biāo)記矩陣：（imcrop命令進(jìn)行交互式操作，圖像內(nèi)拉出較小矩形并顯示已標(biāo)記的對象和部分背景內(nèi)的像素）

》》 grain=imcrop（labeled）

grain =

0 0 42 42 42 42 42 42 42 0

0 0 42 42 42 42 42 42 42 42

0 0 42 42 42 42 42 42 42 42

0 0 42 42 42 42 42 42 42 42

0 0 42 42 42 42 42 42 42 42

0 0 42 42 42 42 42 42 42 42

0 42 42 42 42 42 42 42 42 42

0 42 42 42 42 42 42 42 42 42

8、觀察標(biāo)記矩陣（用label2rgb將其顯示為一副偽彩色的索引圖像）：

》》 RGB_label=label2rgb（labeled，@spring，‘c’，‘shuffle’）;

》》 imshow（RGB_label）;

9、測量圖像對象或區(qū)域的屬性（Regionprops，返回一個結(jié)構(gòu)數(shù)據(jù)）

》》 graindata=regionprops（labeled，‘basic’）

graindata =

101x1 struct array with fields：

Area

Centroid

BoundingBox

》》 graindata（40）.Area % 顯示矩陣中第40個元素的屬性

ans =

197

》》 graindata（40）.BoundingBox，graindata（40）.Centroid % 尋找最近的邊緣和中心點

ans =

82.5000 59.5000 24.0000 20.0000

ans =

95.4213 70.4924

》》 allgrains=［graindata.Area］; % 創(chuàng)建一個新的向量allgrains，其包含每個米粒的范圍

》》 whos allgrains

Name Size Bytes Class

allgrains 1x101 808 double array

Grand total is 101 elements using 808 bytes

》》 allgrains（51） % 相當(dāng)于整個矩陣的索引為51的屬性是多少，可見與原來得到的結(jié)果相同

ans =

140

》》 max（allgrains） % 獲取最大的米粒大小

ans =

404

》》 biggrain=find（allgrains==404） % 使用find命令返回這個最大尺寸米粒的標(biāo)記號

biggrain =

59

》》 mean（allgrains） % 獲取米粒的平均大小

ans =

175.0396

10、繪制包含30個柱的直方圖來說明米粒大小的分布情況

》》 hist（allgrains，30）

米粒大小分布柱狀圖

以上就是小編為大家?guī)淼年P(guān)于Matlab圖像處理的基本操作，多次使用后你會發(fā)現(xiàn)這些方法在使用Matlab的過程中很實用，并且使用起來非常簡單。希望對大家會有幫助！

關(guān)鍵詞： Matlab 圖像處理