【图像处理】使用MATLAB的图像处理示例（Matlab实现）

最新推荐文章于 2025-05-28 19:01:50 发布

原创最新推荐文章于 2025-05-28 19:01:50 发布 · 1.8k 阅读

30 ·

CC 4.0 BY-SA版权

文章标签：

#图像处理 #matlab #人工智能

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

💥1 概述

一、图像增强示例

灰度变换增强：利用 MATLAB 的内置函数，如 imadjust，可以轻松实现对图像灰度范围的调整。对于曝光过度或不足的照片，通过拉伸或压缩灰度区间，突出图像细节。例如，将一幅光线昏暗的医学 X 光片，经灰度变换后，骨骼结构等关键细节清晰可见，有助于医生更精准地诊断病情。
滤波增强：MATLAB 支持多种滤波算法，像高斯滤波（imgaussfilt）用于去除高斯噪声，使图像变得平滑；中值滤波（medfilt2）对椒盐噪声有出色的抑制效果。以监控摄像头采集的图像为例，由于环境干扰常带有噪声，经滤波处理后，画面质量显著提高，人物或物体边缘更加锐利，便于安防人员识别潜在风险。

二、图像分割示例

阈值分割：借助 graythresh 函数结合 im2bw，可根据图像灰度直方图自动确定阈值，将图像分为前景与背景两部分。在工业检测领域，对于零件的表面缺陷检测，阈值分割能快速提取出有缺陷的区域，与正常区域形成鲜明对比，后续便于量化分析缺陷特征，如面积、周长等，判断产品质量是否合格。
基于区域生长的分割：利用 regiongrow 函数，从图像中的种子点开始，依据像素相似度准则逐步向外 “生长”，吞并相邻的相似像素，形成完整的区域。在医学图像处理中，针对肿瘤影像，通过选择合适的种子点，区域生长算法可以精准地将肿瘤组织从周围正常组织中分离出来，辅助医生制定治疗方案。

三、图像特征提取示例

边缘提取：MATLAB 中的 edge 函数集成了多种经典边缘检测算法，如 Sobel、Canny 等。以遥感图像为例，运用 Canny 边缘检测，能够清晰地勾勒出山川、河流、城市建筑等地物的轮廓，这些边缘信息为后续的地理信息分析、地图绘制提供关键基础，助力资源勘探、城市规划等工作。
纹理特征提取：通过 graycomatrix 和 graycoprops 函数构建灰度共生矩阵并提取纹理特征，如对比度、相关性、能量等。在农产品质量检测中，对水果表皮纹理进行特征提取，依据不同纹理特征值可区分水果的成熟度、是否有病虫害，实现无损检测，保障农产品供应链质量。

四、图像变换示例

傅里叶变换：使用 fft2 函数对图像进行二维傅里叶变换，将图像从空域转换到频域。在光学图像处理中，对于有周期性噪声干扰的图像，在频域利用滤波器（如理想低通、高通滤波器，由 fftshift 和 ifftshift 等函数辅助构建）去除噪声对应的频率成分，再经逆傅里叶变换还原图像，可有效消除干扰条纹，还原清晰画面。
离散余弦变换：MATLAB 中的 dct2 函数实现图像的离散余弦变换，广泛应用于图像压缩领域。如 JPEG 图像压缩标准就部分基于离散余弦变换原理，通过对变换后的系数进行量化、编码，大幅减小图像存储数据量，同时在解压缩时能基本还原图像原貌，方便图像传输与存储。

五、基于 MATLAB 的图像处理综合应用示例

车牌识别系统：综合运用上述多种图像处理技术，首先通过图像采集获取包含车牌的车辆图像，经灰度变换、滤波等预处理提升图像质量；接着利用阈值分割、边缘提取等方法定位车牌区域；再对车牌字符进行分割、特征提取，最后结合字符识别算法识别车牌号码。此系统在智能交通管理中起着关键作用，可实现自动计费、违规监测等功能。
医学影像诊断辅助系统：在医学领域，MATLAB 图像处理助力医生从海量影像数据中提取有价值信息。从 CT、MRI 等影像的预处理、分割肿瘤组织，到提取病灶特征，再到对比不同阶段影像特征变化，MATLAB 为医学影像诊断提供了强大的量化分析手段，提高诊断准确性与效率，推动精准医疗发展。

📚2 运行结果

主函数部分代码：



%% Initializing
close all; clear all; clc;

%% Create black and white blob
a = zeros(30,50);
a(10:20, 6:40) = 1;
a(10:14, 20:25) = 0;
a(16:20, 20:25) = 0;
a(12:19, 36:40) = 0;
a(15, 40) = 1;
a(15, 30) = 0;
a(14:16, 6:14) = 0;
a(9,  8) = 1;
a(9,  10) = 1;
a(10, 12) = 0;
a(10, 16) = 0;
figure, subplot(4,1,1), imshow(a, 'InitialMagnification', 'fit');
title('Original', 'FontSize', 12, 'color', 'red')

%% Create Morphological strel structure
se = strel('square', 3); %creates 3x3 structure

% Following code is just to show the structure visually.
se_image = padarray(ones(3), [13 23]);
subplot(4,1,2), imshow(se_image, 'InitialMagnification','fit')
title('Morphological Structure', 'FontSize', 12, 'color', 'red')

%% Dilation
b = imdilate(a, se);
subplot(4,1,3), imshow(b,'InitialMagnification', 'fit')
title('Original->Dilation', 'FontSize', 12, 'color', 'red')

%% Erosion
c = imerode(b, se);
subplot(4,1,4), imshow(c,  'InitialMagnification', 'fit')
title('Dilation->Erosion', 'FontSize', 12, 'color', 'red')

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

[1]孙华东.基于Matlab的数字图像处理[M].电子工业出版社:202012.255.

[2]ALI A E .基于MATLAB的图像图像处理与数据提取研究[D].湖南大学,2019.DOI:10.27135/d.cnki.ghudu.2019.004792.