1. 数字图像处理实战:从理论到Matlab实现
十年前那个在图书馆熬夜调参数的夏天,我绝不会想到这些数字图像处理的基础算法会成为我职业生涯中最实用的技能之一。本文将带你重温Matlab数字图像处理的十大核心项目,从直方图均衡到边缘检测,每个技术点都配有可运行的代码示例和避坑指南。
1.1 直方图均衡:让旧照片重获新生
直方图均衡是图像增强最基础也最有效的方法之一。它的核心思想是通过重新分配像素灰度值,使输出图像的直方图近似均匀分布。对于256级灰度图像,算法步骤如下:
- 计算原始图像灰度直方图:统计每个灰度级k出现的次数counts(k)
- 计算累积分布函数(CDF):cdf(k) = sum(counts(1:k))/(M×N)
- 灰度映射:new_gray = round(255×cdf)
matlab复制% 完整版直方图均衡函数
function I_eq = my_histeq(I)
if size(I,3)==3
I = rgb2gray(I);
end
[M,N] = size(I);
counts = imhist(I,256);
cdf = cumsum(counts)/(M*N);
lut = uint8(255*cdf); % 创建查找表
I_eq = lut(double(I)+1); % 应用映射
end
关键细节:Matlab数组索引从1开始,而灰度值从0开始,因此需要I+1作为索引。这是新手最容易出错的地方之一。
1.2 空间滤波:揭开PS滤镜的神秘面纱
空间滤波通过在图像上滑动核窗口进行卷积运算实现各种效果。常用的3×3滤波核包括:
- 均值滤波:ones(3)/9
- 高斯滤波:fspecial('gaussian',[3 3],0.5)
- Sobel边缘检测:fspecial('sobel')
matlab复制% 自定义空间滤波函数
function I_filtered = my_imfilter(I, kernel)
[M,N] = size(I);
[kM,kN] = size(kernel);
pad = floor([kM,kN]/2);
I_pad = padarray(I,pad,'replicate');
I_filtered = zeros(M,N);
for i = 1:M
for j = 1:N
region = I_pad(i:i+kM-1,j:j+kN-1);
I_filtered(i,j) = sum(sum(double(region).*kernel));
end
end
I_filtered = uint8(I_filtered);
end
性能优化:实际应用中应使用imfilter函数,它采用C语言加速。教学示例中手动实现有助于理解原理。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 频域处理:傅里叶变换的魔法
2.1 傅里叶变换与频域滤波
图像经FFT变换后,低频
