weixin_45855115的博客

算法思想：逆谐波均值滤波器同以上滤波器的实现步骤相同，区别在于滤波处理，根据逆谐波均值滤波器的公式计算中心元素的元素值并存到对应的新矩阵中。逆谐波均值滤波器公式：function inharmeanf = inharmeanfil(I,n,Q)%I为原图，n为滤波器的大小,逆谐波均值滤波器,Q为滤波器的阶数[r,c]=size(I); %图像的行和列dI=double(I);dt=n-1; %边缘需要扩充的距离f=zeros(r+dt,c+dt); %对边缘进行0值处理，根据滤波器的大

算法思想：几何均值滤波器扩大图像进行边缘处理，除了滤波计算部分，几何均值滤波是将滤波器获得的数据累乘，将累乘结果求1/(n*m)次方的值，将最终结果存储到新的矩阵中，最后裁剪为原图的大小。function gavgf = gavgfil(I,n)%几何均值滤波器%I为原图，n为滤波器的大小[r,c]=size(I); %图像的行和列dI=double(I);dt=n-1; %边缘需要扩充的距离f=zeros(r+dt,c+dt); %对边缘进行0值处理，根据滤波器的大小把图像扩大fi

算法思想：最大值滤波器将滤波器获得的值中找到最大值，将最大值存到中心元素位置对应的新矩阵中。最小值滤波是将滤波器获得的值中找到最小值，将最小值存到中心元素位置对应的新矩阵中。最大值滤波器function maxf = maxfil(I,n)%I为原图，n为滤波器的大小,最大值滤波器[r,c]=size(I); %图像的行和列dI=double(I);dt=n-1; %边缘需要扩充的距离f=zeros(r+dt,c+dt); %对边缘进行0值处理，根据滤波器的大小把图像扩大fi=ze

算法思想：首先将图像转换为double型，扩大图像并进行傅里叶变换及中心化处理，获得频域的图像；根据高斯高通滤波器的定理，通过两层循环将高斯高通滤波器的频域矩阵求出，对频域的图像和滤波器矩阵进行点乘，获得处理后的矩阵，将矩阵进行去中心化和反傅里叶并取实部得到空域的图像像素值，最后进行裁剪，得到滤波处理后的图像。高频强调是对频域的滤波器人为的加上一个偏移量a和乘上一个大于1的常数b(H1=a+b*H(u,v)),使图像中一部分低频分量进入高频区域，而在高频滤波后被保留，不仅保持部分光滑区域的灰度，又使边缘得

离散傅里叶变换，并进行中心点平移。在进行中心平移后，以直流分流所在中心为原点，分别获取不同大小的正方形频率子带进行逆傅里叶变换，分析不同大小的正方形频率子带对空域图像。算法思想：将图像进行快速傅里叶变换并将中心点平移，进行中心点平移后，F(0,0)移到了图像的中心，求出中心化F(0,0)的位置，根据尺寸获取相应的正方形频率子带，后将正方形频率子带进行反中心化和转换到空域中。i=imread('lena.bmp');subplot(1,2,1);imshow(i);title('原图');f=dou

自适应中值滤波器算法思想：自适应中值滤波器是根据输入的图片像素矩阵和滤波器窗口的最大和最小值，首先，根据滤波器窗口的最大值申请两个可以处理了边界情况的滤波器，大小为原图加上最大滤波器的尺寸减一，按照边缘处理规则将原图映射到第一个矩阵中。通过两层循环遍历每一个元素值，在循环中，先是按最小的滤波器尺寸选取相应的值，并找到这些值的最大值、最小值和中值。在第一个判断中如果满足“最小值<中值<最大值”，则再判断是否满足“最小值<滤波器的中心元素(x,y)<最大值”，若这个判断满足，将(x,y

自编中值滤波器算法思想：中值滤波器除了滤波处理和均值滤波处理方式不同，其余扩大原图、裁剪等都相同。中值滤波器是在滤波器处理窗口中，将像素值排序，并选取排序后的中值存到第二个扩大的零矩阵中对应滤波器选取的中心元素位置。function mediI = medi_filter(I,n)%I为处理的图像，n为滤波器的大小[r,c]=size(I); %图像的行和列dI=double(I);dt=n-1; %边缘需要扩充的距离f=zeros(r+dt,c+dt); %对边缘进行0值处理，根据滤

判断噪声类型，选择合适的滤波器对图像进行复原 提取图像的一部分进行直方图统计，判断出噪声的类型并选择合适的滤波器对这幅图像进行复原。算法思想通过roipoly函数动态获取图像的局部图像，再通过histroi函数统计选取的局部图像的直方图存储到p向量中，用bar画图函数画出局部图像的直方图，通过直方图的密度函数图形判断为高斯噪声，用谐波均值滤波器处理的图像，谐波均值滤波器适合于处理高斯等随机噪声。谐波均值滤波器根据它的定义实现滤波函数。画直方图函数function [p, npix] = hi

#数字图像处理全局直方图均衡处理和局部直方图均衡化处理算法思想计算直方图函数，申请一个全零长度为256的向量，存储对应减一的像素值个数。通过遍历原图的每一个像素值，将遍历到的像素值在对应的向量中加1，最后按照向量中的值画出茎杆图为直方图。全局直方图均衡化，是先将图像各元素的个数进行统计，再求出各像素值的概率，并进行概率对应的归一化，将归一化的概率乘上灰度值，根据原像素值和归一化后的像素值对应，通过find函数找到原来相应的像素改变为现在归一化后的像素，得到均衡化处理的图像。局部直方图均衡化，分为子

均值滤波器，中值滤波器和自适应中值滤波器算法思想：均值滤波器是通过传入的图像和滤波器的大小，先申请两个大小为原图尺寸各加上滤波器尺寸减一的二维全零矩阵，第一个用来存储扩大后的原图，在这个扩大后的原图进行滤波处理，通过两层循环，将原图的像素值映射到第一个全零矩阵中，边缘扩充后为0；第二个是在进行滤波处理时，通过两层循环，使每一个值都能作为滤波器中心元素进行滤波处理，通过计算滤波器取得的元素的均值，将计算得到的均值存到中心元素对应的第二个全零矩阵的位置上，直到计算完每个元素的相应均值结束。最后裁剪第二个存储