超全面!Matlab图像处理基本操作 如何用matlab进行图像处理


超全面!Matlab图像处理基本操作 如何用matlab进行图像处理

文章插图
大家好,综合小编来为大家讲解下如何用matlab进行图像处理,超全面!Matlab图像处理基本操作这个很多人还不知道,现在让我们一起来看看吧!
一、图像的基本操作
(资料图)
1.读取图像并显示出来:
》明确;关闭所有%清除Matlab工作平台的所有变量(准备工作)
》I=imread(' pout . TIF ');%此图像是Matlab图形工具箱(\toolbox\images\imdemos)附带的图像 。
》imshow(一)
2.检查内存中的图像(数组):
》whos
名称大小字节类
I 291x240 69840 uint8阵列
总计为69840个元素,使用69840个字节
意味着图像以8位存储,占用69840B存储空间 。
3、实现图像直方图均衡化:
图imhist(I)%显示了新图表中图像I的直方图 。
》I2=histeq(I);%均衡后的图像存储在I2数组中(图像的灰度值扩展到整个灰度范围,对比度提高)
图中,imshow(I2)%显示了均衡后的图像 。
图,imhist(I2)%显示了均衡后的灰度值分布 。
8位图像的取值范围:[0,255],16位图像:[0 , 655 , 351],双精度图像:[0,1] 。
4.保存图像:
》imwrite(I2,' pout 2 . png ');%将图像从原始tif格式保存为png格式 。
5.检查新生成文件的信息:
" IMF Info ('pout2.png')%观察保存图像的文件信息 。
ans=
文件名:' pout2.png'%文件名
filemoddate:' 2009年4月11日21: 55: 35'%文件修改日期
文件大?。?6938%文件大小
格式:“png”文件格式
格式版本:[]%格式
宽度:文件宽度的240%
高度:文件高度的291%
位深度:8%文件位深度
颜色类型:“灰度”%颜色类型
……
二、Matlab图像处理的应用:
示例:剔除rice.png图像中亮度不一致的背景,使用阈值将修改后的图像转换为二值图像,使用成员标签返回图像中物体的数量和统计特征 。按照以下步骤进行:
1.阅读和显示图像
》明确;全部关闭
》I=imread(' rice . png ');
》imshow(一)
【超全面!Matlab图像处理基本操作 如何用matlab进行图像处理】2、估计图像背景:
图像中心的背景亮度比其他部分的亮度强 。利用imopen函数和半径为15的圆盘结构元素对输入图像I进行形态学打开,去除圆盘中未完全包含的物体 , 从而估计背景亮度 。
》明确;全部关闭
》I=imread(' rice . png ');
》imshow(一)
》background=imopen(I , strel('disk '15));
》imshow(背景)
》图 , surf(double(背景(1:8:end,1:8:end))、zlim([0,255]);
》集(gca,' ydir ''反向');
显示了背景图像(左)和背景表面图像(右) 。
3.从原始图像中减去背景图像(原始图像I减去背景图像,得到背景相对一致的图像):
》I2=imsubtract(I,背景);
》图,imshow(I2)
4.调整图像的对比度(图像较暗,可以使用imadjust函数的命令调整图像的对比度) 。
》I3=imadjust(I2,stretchlim(I2),[0 1]);
》图,imshow(I3);
5.使用threshold操作将图像转换为二进制图像(bw),并调用whos命令查看图像的存储信息 。
》level=gray thresh(I3);%图像灰度处理
》bw=im2bw(I3,水平);%图像的二进制处理
图,imshow(bw)%显示处理后的图片 。
》whos
名称大小字节类
I 256x256 65536 uint8阵列
I2 256x256 65536 uint8阵列
I3 256x256 65536 uint8阵列
背景256x256 65536 uint8阵列
bw 256x256 65536逻辑阵列
1x1 8级双阵列
总计为327681个元素 , 使用327688个字节
6.检查图像中的对象数量(bwlabel函数表示二进制图像中的所有相关组件,并返回在图像中找到的对象数量) 。
》[labeled,numObjects]=bwlabel(bw , 4);
》numObjects
numObjects=
101
图像中大米对象的数量是101 。
7.检查标记矩阵:(imcrop命令执行交互操作,在图像中拉出一个较小的矩形,在背景中显示被标记的对象和一些像素) 。
》grain=imcrop(已标注)
谷物=
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.观察标记矩阵(显示为标签为2rgb的伪彩色索引图像):
》RGB_label=label2rgb(标签,@spring,' c '' shuffle ');
》imshow(RGB _ label);
9.测量图像对象或区域的属性(返回结构数据) 。
》graindata=http://www.baikeg.com/ng/regionprops(标签为,'基本')
颗粒数据=
带字段的101x1结构数组:
面积
图心
边界框
”graindata(40) 。Area%显示矩阵中第40个元素的属性 。
ans=
197
Graindata(40) 。BoundingBox , graindata(40) 。质心%找到最近的边和中心点 。
ans=
82.5000 59.5000 24.0000 20.0000
ans=
95.4213 70.4924
》allgrains=[graindata 。area];%创建一个新的矢量allgrains,它包含每个米粒的范围 。
》谁是全谷物
名称大小字节类
全谷物1x101 808双阵列
总计是使用808字节的101个元素
“allgrains(51)%相当于51的整个矩阵的索引,和原来的结果一样 。
ans=
140
Max(allgrains)%,以获得最大的粒度 。
ans=
404
" biggrain=find(allgrains==404)%使用find命令返回这个最大尺寸米粒的标签号 。
biggrain=
59
Mean(allgrains)%,以获得米粒的平均大小 。
ans=
175.0396
10.画一个包含30列的直方图来说明米粒大小的分布 。
》hist(allgrains,30)
大米粒度分布直方图
本文[高级伪原创标题]到此分享完毕,希望对大家有所帮助 。

    推荐阅读