matlab圖像處理各種程序代碼

1、圖像變換(傅立葉變換), 圖像增強, 邊緣檢測, 濾波, 圖像壓縮等.實驗工具:MATLAB軟件課程設(shè)計時間:2008年12月實驗部分1.     圖像變換程序代碼及說明clear allN=100;f=zeros(50,50);          %產(chǎn)生一個50*50的全0數(shù)組f(15:35,23:28)=1;        %定義圖像數(shù)組，從15行到35行，23列到28列附值為1，為

2、白色，其他區(qū)域為黑色figure(1)                %創(chuàng)建窗口的圖形對象，句柄為1imshow(f,'notruesize')     %顯示圖像fF=fft2(f,N,N);           %在二維傅立葉變換前把f截斷或者添加0，使其成為N*N的數(shù)組F2=fftshi

3、ft(abs(F);       %把傅立葉變換的零頻率部分移到頻譜的中間figure(2)x=1:N;y=1:N;           %定義x和y的范圍mesh(x,y,F2(x,y);colormap(gray);colorbar %繪制立體網(wǎng)狀圖，將圖形對象的色度改為灰度圖像，colorbar給坐標(biāo)軸添加色彩條 %構(gòu)建一個類似于figure(1)的矩形函數(shù) N=200;f=zeros(100,100

4、);f(30:70,45:55)=1;      %定義圖像數(shù)組，從30行到70行，45列到55列附值為1，為白色，其他區(qū)域為黑色imshow(f,'notruesize'); %然后對f進行二維快速傅立葉變換：以下列出你自己編寫的代碼N=200;f=zeros(100,100);f(30:70,45:55)=1;imshow(f,'notruesize');title('原始圖像');F=fft2(f,N,N);      &

5、#160;          %對圖像f進行二維快速傅立葉變換grid on                       %打開網(wǎng)格線axis on            

6、;           %打開坐標(biāo)軸imshow(F,-1,5,'notruesize');     %顯示傅立葉變換后的圖像，圖像數(shù)據(jù)的值域為-1,5x=1:N;y=1:N;title('二維快速傅立葉變換后的圖像');mesh(abs(F);               &

7、#160; %繪制F的頻譜圖title('傅立葉變換后的頻譜圖');%然后對上述二維快速傅立葉變換提高分辨率：    要提高二維快速傅立葉變換的分辨率，在采樣率一定的情況下，增大采樣點數(shù)N即可。對應(yīng)的頻譜圖見測試結(jié)果。 N=300;f=zeros(100,100);f(30:70,45:55)=1;figure(1)imshow(f,'notruesize');title('原始圖像');F=fft2(f,N,N);axis onfigure(2)imshow(F,-1,5,'notrue

8、size');title('二維快速傅立葉變換后的圖像');x=1:N;y=1:N;figure(3)mesh(abs(F);title('傅立葉變換后的頻譜圖'); N=400;f=zeros(100,100);f(30:70,45:55)=1;figure(1)imshow(f,'notruesize');title('原始圖像');F=fft2(f,N,N);axis onfigure(2)imshow(F,-1,5,'notruesize');title('二維快速傅立葉變換后的圖

9、像');x=1:N;y=1:N;figure(3)mesh(abs(F);title('傅立葉變換后的頻譜圖');系數(shù)移動（使用函數(shù)fftshift）   N=200;f=zeros(100,100);f(30:70,45:55)=1;figure(1)imshow(f,'notruesize');title('原始圖像');F=fft2(f,N,N);axis onfigure(2)imshow(F,-1,5,'notruesize');title('二維快速傅立葉變換后的圖像');x

10、=1:N;y=1:N;figure(3)mesh(fftshift(abs(F); %把零頻率部分移到頻譜的中間title('傅立葉變換后的頻譜圖');%濾波器頻率響應(yīng)x=1:N;y=1:N;         mesh(x,y,F2(x,y);colormap(gray);colorbar    %繪制立體網(wǎng)狀圖，將圖形對象的色度改為灰度圖像，colorbar給坐標(biāo)軸添加色彩條  測試結(jié)果圖： 1對f進行二維快

11、速傅立葉變換（請自己運行查看）   2對上述二維快速傅立葉變換提高分辨率N=300時：                         N=400時：N=800時：              

12、0;               N=1000時：（請自己運行查看）從傅立葉變換的頻譜圖中可以看出，提高分辨率以后，其邊緣更加平滑，鋸齒狀明顯減弱。但其傅立葉變換后的圖像沒有明顯改變。 3DC系數(shù)移動其系數(shù)移動以后，頻譜分量都集中到了頻譜的中間。4濾波器頻率響應(yīng)（請自己運行查看） 2. 圖像增強圖像增強是指按特定的需要突出一幅圖像中的某些信息，同時，消弱或去除某些不需要的信息的處理方法。其主要目的是使處理后的圖像對某些特定的應(yīng)用比原來的

13、圖像更加有效。圖像增強技術(shù)主要包含直方圖修改處理、圖像平滑化處理、圖像尖銳化處理、和彩色處理技術(shù)等。圖像增強有圖像對比度增強、亮度增強，輪廓增強等等。下面利用直方圖統(tǒng)計算法對灰度圖像進行增強：程序代碼：I=imread('cameraman.tif');subplot(121)imshow(I);title('原始圖像');subplot(122)imhist(I,64)       %繪制圖像的直方圖，n=64為灰度圖像灰度級，若I為灰度圖像，默認(rèn)n=256；若I為二值圖像，默認(rèn)n=2。title(&

14、#39;圖像的直方圖');（請自己運行查看） n=256時：（請自己運行查看）下面利用直方圖均衡化增強圖像的對比度：I=imread('cameraman.tif');J=histeq(I);                    %將灰度圖像轉(zhuǎn)換成具有64（默認(rèn)）個離散灰度級的灰度圖像imshow(I)title('原始圖像')figure,imshow(

15、J)title('直方圖均衡化后的圖像')figure(1)subplot(121);imhist(I,64)title('原始圖像的直方圖')subplot(122);imhist(J,64)title('均衡化的直方圖')             （請自己運行查看） 分析：從上圖中可以看出，用直方圖均衡化后，圖像的直方圖的灰度間隔被拉大了，均衡化的圖像的一些細(xì)節(jié)顯示了出來，這有利于圖像的分析和識別。直方圖均衡化就是

16、通過變換函數(shù)histeq將原圖的直方圖調(diào)整為具有“平坦”傾向的直方圖，然后用均衡直方圖校正圖像。 下面利用直方圖規(guī)定化對圖像進行增強：I=imread('cameraman.tif');figure,imshow(I);title('原始圖像');hgram=50:2:250;       %規(guī)定化函數(shù)J=histeq(I,hgram);figure,imshow(J);title('直方圖規(guī)定化后的圖像');figure,imhist(I,64);title('原始圖

17、像的直方圖');figure,imhist(J,64);title('直方圖規(guī)定化后的直方圖');運行結(jié)果：（請自己運行查看） 變換灰度間隔后的圖像和直方圖：hgram=50:1:250;                    hgram=50:5:250;  3. 圖像重建圖像重建的最典型的應(yīng)用是醫(yī)學(xué)上的計算機斷層攝影技術(shù)（CT技術(shù)）。它用于人體頭部、

18、腹部等內(nèi)部器官的無損傷診斷，其基本方法就是根據(jù)人體截面投影，經(jīng)過計算機處理來重建截面圖像。在人體中把需要掃描的部分取出一定厚度的斷層面，再把斷層面分成許多小的方塊。當(dāng)一束較窄的射線通過每個方塊后強度就有一定程度的衰減，衰減的量由此方塊的分子構(gòu)成和組織密度決定。如果通過各種角度重復(fù)上述過程以獲得一系列強度分布曲線，就有可能從這些數(shù)據(jù)中計算每一方塊的衰減量。這樣就能夠重建斷層或三維圖像。目前提出的圖像重建方法有以下五種：（1）聯(lián)立方程法（也稱矩陣法）；（2）逆投影法；（3）付立葉變換法；（4）濾波逆投影法（也稱卷積法）；（5）逐次逼近法。濾波逆投影法是當(dāng)前用得較多的一種圖像重建方法，在當(dāng)代射線CT

19、系統(tǒng)中幾乎都用這種方法構(gòu)成系統(tǒng)。它的特點是精度高，能快速實現(xiàn)。在圖像處理的工具箱中，MATLAB提供了一個計算圖像沿著指定方向上的投影的函數(shù)radon函數(shù)。iradon函數(shù)可以實現(xiàn)radon逆變換，radon逆變換通常應(yīng)用于X線斷層攝影術(shù)中，可以從投影數(shù)據(jù)中重構(gòu)圖像。下面利用radon函數(shù)和iradon函數(shù)計算圖像的投影并從投影中重建圖像，將Shepp-Logan的大腦圖作為測試圖。 函數(shù)radon和函數(shù)iradon的調(diào)用格式：R,xp=radon(I,theta)   計算圖像I在theta向量所指定的方向上的radon變換，I表示待處理的圖像，theta表示r

20、adon變換的方向角度，可以是標(biāo)量或向量值，返回值 R的每一列對應(yīng)圖像I在theta某一角度的radon變換值，xp向量表示沿著x'軸對應(yīng)的坐標(biāo)值。IR=iradon(R,theta)     利用R各列中投影值來構(gòu)造圖像I的近似值。投影數(shù)越多，獲得的圖像越接近原始圖像，角度theta必須是固定增量的均勻向量。 程序代碼： P=phantom(256);   %用phantom函數(shù)產(chǎn)生Sheep-Logan的大腦圖，n為圖像p中的行列數(shù)，默認(rèn)為256imshow(P)title('原始圖像'

21、)%以下為三種不同角度的投影模式theta1=0:10:170;R1,xp=radon(P,theta1);   %存在18個角度投影theta2=0:5:175;R2,xp=radon(P,theta2);    %存在36個角度投影theta3=0:2:178;R3,xp=radon(P,theta3);    %存在90個角度投影figure,imagesc(theta3,xp,R3);colormap(hot);colorbar;%顯示圖像Sheep-Logan的radon變換title('經(jīng)rad

22、on變換后的圖像')xlabel('theta');ylabel('xprime');     %定義坐標(biāo)軸%用三種情況的逆radon變換來重建圖像I1=iradon(R1,10);I2=iradon(R2,5);I3=iradon(R3,2);figure,imshow(I1)title('角度增值為10時的iradon變換圖像')figure,imshow(I2)title('角度增值為5時的iradon變換圖像')figure,imshow(I3)title('角度增值

23、為2時的iradon變換圖像') 運行結(jié)果圖：           （請自己運行查看） 由上面重建的圖像中可以看出，只用18個投影來重建圖像效果很差，而36個投影來重建的圖像要好的多，90個投影來重建的圖像質(zhì)量更好，失真也很小，由于R1重建圖像的投影太少，所以存在許多虛假點，重建的效果與投影數(shù)目相關(guān)，投影數(shù)目越多圖像重建的效果越好，所以要提高重建圖像的質(zhì)量，就需要增加投影角度的數(shù)目。除此之外，還可以在Fan-Beam變換數(shù)據(jù)中用ifaanbeam函數(shù)重建圖像。

24、0;4. 濾波4.1 目的運用中值濾波克服線性濾波器所帶來的圖像細(xì)節(jié)模糊。4.2 使用設(shè)備PC兼容機一臺，操作系統(tǒng)為Windows2000（或Windows98，WindowsXP，以下默認(rèn)為Windows2000）4.3 使用濾波對圖像進行增強    4.3.1 線性濾波（鄰域平均）線性低通濾波器最常用的是線性平滑濾波器，這種濾波器的所有系數(shù)都是正的，也稱鄰域平均。鄰域平均減弱或消除了傅立葉變換的高頻分量，對噪聲的消除有所增強，但是由于平均而使圖像變得更為模糊，細(xì)節(jié)的銳化程度逐漸減弱。下面使用不同的平滑模板對圖像進行濾波：（二維線性濾波fliter2）程序代碼：

25、I=imread('cameraman.tif');imshow(I)title('原始圖像')J=imnoise(I,'salt & pepper');    %添加鹽椒噪聲，噪聲密度為默認(rèn)值0.05figure,imshow(J)title('添加鹽椒噪聲后的圖像')K1=filter2(fspecial('average',3),J)/255;   %應(yīng)用3×3鄰域窗口法figure,imshow(K1)title('3×3

26、窗的鄰域平均濾波圖像')K2=filter2(fspecial('average',7),J)/255;   %應(yīng)用7×7鄰域窗口法figure,imshow(K2)title('7×7窗的鄰域平均濾波圖像')K3=filter2(fspecial('average',9),J)/255;   %應(yīng)用9×9鄰域窗口法figure,imshow(K3)title('9×9窗的鄰域平均濾波圖像')K4=filter2(fspecial('a

27、verage',11),J)/255;   %應(yīng)用11×11鄰域窗口法figure,imshow(K4)title('11×11窗的鄰域平均濾波圖像')運行結(jié)果圖：                 （請自己運行查看） 4.3.2 中值濾波中值濾波可以保留目標(biāo)邊緣，這是中值濾波器相對于均值濾波器的最大優(yōu)勢。中值濾波具有去噪的性能，可以消除孤立的噪聲點，可以用來減弱隨

28、機干擾和脈沖干擾，但是邊緣不模糊。程序代碼：I=imread('cameraman.tif');imshow(I)title('原始圖像')J=imnoise(I,'salt & pepper',0.02);  %添加鹽椒噪聲，噪聲密度為0.02figure,imshow(J)title('添加鹽椒噪聲后的圖像')K1=medfilt2(J);               %

29、在默認(rèn)的3×3的鄰域窗中進行中值濾波figure,imshow(K1)title('默認(rèn)的3×3的鄰域窗的中值濾波圖像')K2=medfilt2(J,5 5);           %在5×5的鄰域窗中進行中值濾波figure,imshow(K2)title('5×5的鄰域窗的中值濾波圖像')運行結(jié)果圖：（請自己運行查看） 從上可見，中值濾波的效果要比鄰域平均的低通濾波效果好，中值濾波以后的圖像的輪廓比較清晰，而且

30、使用較小的模板得到的視覺效果反而好一些。 4.3.3 銳化濾波圖像銳化處理的目的是使模糊圖像變得清晰，銳化濾波器減弱或消除了傅立葉空間的低頻分量，保留高頻分量，從而加強了圖像的輪廓，使圖像看起來比較清晰。下面應(yīng)用Laplacian算子對圖像進行銳化處理：Laplacian算子是線性二次微分算子，其格式為：h = fspecial('laplacian', alpha)，返回一個3×3的濾波器來近似二維Laplacian算子的形狀，參數(shù)alpha決定了Laplacian算子的形狀，alpha的取值范圍為0.01.0，默認(rèn)的值為0.2。 程序代碼：%應(yīng)

31、用Laplacian算子對圖像進行銳化I=imread('cameraman.tif');imshow(I)title('原始圖像')H=fspecial('laplacian');    %應(yīng)用laplacian算子濾波銳化圖像laplacianH=filter2(H,I);figure,imshow(laplacianH)title('laplacian算子銳化后的圖像') 運行結(jié)果圖：（請自己運行查看） 分析：由圖可以看出，應(yīng)用了Laplacian算子對圖像銳化以后

32、，將圖像區(qū)域的邊緣輪廓勾劃了出來，因此Laplacian算子對于邊緣檢測也具有很好的功效。  5. 邊緣檢測下面利用sobel算子對圖像進行邊緣檢測：使用edge函數(shù)實現(xiàn)圖像的邊緣檢測，其調(diào)用格式為：BW=edge(I,'sobel',thresh,direction)   根據(jù)指定的敏感閾值thresh用Sobel算子對圖像進行邊緣檢測，edge函數(shù)忽略了所有小于閾值的邊緣，如果沒有指定閾值thresh或為空，函數(shù)自動選擇參數(shù)值，direction指定Sobel算子邊緣檢測的方向，其參數(shù)值為'horizontal'，&#

33、39;vertical'或'both'（默認(rèn)）。 程序代碼：I=imread('cameraman.tif');imshow(I)title('原始圖像')BW=edge(I,'sobel');  %以自動域值選擇法對圖像進行Sobel算子邊緣檢測figure,imshow(BW);title('自動域值的Sobel算子邊緣檢測')BW,thresh=edge(I,'sobel');  %返回當(dāng)前Sobel算子邊緣檢測的閾值disp('

34、;sobel算子自動選擇的閾值為：')disp(thresh)BW1=edge(I,'sobel',0.02,'horizontal');  %以域值為0.02水平方向?qū)D像進行Sobel算子邊緣檢測figure,imshow(BW1)title('域值為0.02的水平方向的sobel算子檢測')BW2=edge(I,'sobel',0.02,'vertical');%以域值為0.02垂直方向?qū)D像進行Sobel算子邊緣檢測figure,imshow(BW2)title('域值為

35、0.02的垂直方向的sobel算子檢測')BW3=edge(I,'sobel',0.05,'horizontal');%以域值為0.05水平方向?qū)D像進行Sobel算子邊緣檢測figure,imshow(BW3)title('域值為0.05的水平方向的sobel算子檢測')BW4=edge(I,'sobel',0.05,'vertical');%以域值為0.05垂直方向?qū)D像進行Sobel算子邊緣檢測figure,imshow(BW4)title('域值為0.05的垂直方向的sobel算子檢測

36、9;) 測試結(jié)果圖：           （請自己運行查看）sobel算子自動選擇的閾值為：0.1433由圖可以看出，在采用水平和垂直方向的Sobel算子對圖像進行邊緣檢測時，分別對應(yīng)的水平和垂直方向上的邊緣有較強的響應(yīng)，閾值越小，檢測的圖像的邊緣細(xì)節(jié)數(shù)越多，而增大閾值時，有些輪廓則未能檢測出。 問題與思考：根據(jù)Prewitt算子的定義設(shè)計實現(xiàn)用Prewitt算子進行圖像的邊緣檢測。其用法和Sobel算子類似。其調(diào)用格式為：BW=edge(I,'prewitt'

37、;,thresh,direction) 根據(jù)指定的敏感閾值thresh用Prewitt算子對圖像進行邊緣檢測。 程序代碼： I=imread('cameraman.tif');imshow(I)title('原始圖像')BW=edge(I,'prewitt'); %以自動域值選擇法對圖像進行Prewitt算子邊緣檢測figure,imshow(BW);title('自動域值的prewitt算子邊緣檢測')BW,thresh=edge(I,'prewitt');  %

38、返回當(dāng)前Prewitt算子邊緣檢測的閾值disp('prewitt算子自動選擇的閾值為：')disp(thresh)BW1=edge(I,'prewitt',0.02,'horizontal');  %以域值為0.02水平方向?qū)D像進行Prewitt算子邊緣檢測figure,imshow(BW1)title('域值為0.02的水平方向的prewitt算子檢測')BW2=edge(I,'prewitt',0.02,'vertical');%以域值為0.02垂直方向?qū)D像進行Prew

39、itt算子邊緣檢測figure,imshow(BW2)title('域值為0.02的垂直方向的prewitt算子檢測')BW3=edge(I,'prewitt',0.05,'horizontal');%以域值為0.05水平方向?qū)D像進行Prewitt算子邊緣檢測figure,imshow(BW3)title('域值為0.05的水平方向的prewitt算子檢測')BW4=edge(I,'prewitt',0.05,'vertical');%以域值為0.05垂直方向?qū)D像進行Prewitt算子邊緣檢測f

40、igure,imshow(BW4)title('域值為0.05的垂直方向的prewitt算子檢測') 測試結(jié)果圖：（請自己運行查看） prewitt算子自動選擇的閾值為：0.1399 6. 圖像壓縮圖像壓縮就是就是通過去除這些數(shù)據(jù)冗余來減少表示數(shù)據(jù)所需的比特數(shù)，去除多余數(shù)據(jù)。以數(shù)學(xué)的觀點來看，這一過程實際上就是將二維像素陣列變換為一個在統(tǒng)計上無關(guān)聯(lián)的數(shù)據(jù)集合。圖像壓縮是指以較少的比特有損或無損地表示原來的像素矩陣的技術(shù)，也稱圖像編碼。圖像數(shù)據(jù)之所以能被壓縮，就是因為數(shù)據(jù)中存在著冗余。圖像數(shù)據(jù)的冗余主要表現(xiàn)為：圖像中相鄰像素間的相關(guān)性引起的空間冗余；

41、圖像序列中不同幀之間存在相關(guān)性引起的時間冗余；不同彩色平面或頻譜帶的相關(guān)性引起的頻譜冗余。     從壓縮編碼算法原理上可以分類為：(1)無損壓縮編碼種類：哈夫曼編碼、算術(shù)編碼、行程編碼、Lempel zev編碼(2)有損壓縮編碼種類：預(yù)測編碼：DPCM，運動補償 頻率域方法：正交變換編碼(如DCT)，子帶編碼 空間域方法：統(tǒng)計分塊編碼 模型方法：分形編碼，模型基編碼基于重要性：濾波，子采樣，比特分配，矢量量化(3)混合編碼 ?JBIG，H261，JPEG，MPEG等技術(shù)標(biāo)準(zhǔn) 利用余弦變換實現(xiàn)圖像壓縮：DCT先將整

42、體圖像分成N×N像素塊（一般N=8 ，即64個像素塊），再對N×N塊像素逐一進行DCT變換。由于大多數(shù)圖像高頻分量較小，相應(yīng)于圖像高頻成分的失真不太敏感，可以用更粗的量化，在保證所要求的圖質(zhì)下，舍棄某些次要信息。 程序代碼：I=imread('cameraman.tif');imshow(I);title('原始圖像')disp('原始圖像大?。?#39;)whos('I')I=im2double(I);%圖像類型存儲轉(zhuǎn)換，將圖像矩陣轉(zhuǎn)換成雙精度類型T=dctmtx(8);%離散余弦變換矩陣B=blkproc

43、(I,8 8,'P1*x*P2',T,T');mask=1 1 1 1 0 0 0 0          1 1 1 0 0 0 0 0          1 1 0 0 0 0 0 0          1 0 0 0 0 0 0 0      

44、0;   0 0 0 0 0 0 0 0          0 0 0 0 0 0 0 0          0 0 0 0 0 0 0 0          0 0 0 0 0 0 0 0;B2=blkproc(B,8 8,'P1.*x',mask);I2=blkproc(B2,8

45、 8,'P1*x*P2',T',T);figure,imshow(I2);title('壓縮后的圖像')disp('壓縮圖像的大?。?#39;)whos('I2') 運行結(jié)果：               （請自己運行查看） 原始圖像大?。?#160; Name        Size 

46、0;            Bytes  Class    Attributes  I         256x256            65536  uint8      &

47、#160;      壓縮圖像的大?。?#160; Name        Size              Bytes  Class     Attributes  I2        256x256

48、60;           524288  double 分析：由運行結(jié)果可以看出，經(jīng)過DCT變換以后圖像的大小幾乎沒有改變，我們知道DCT是一種空間變換，DCT變換的最大特點是對于一般的圖像都能夠?qū)⑾駢K的能量集中于少數(shù)低頻DCT系數(shù)上，這樣就可能只編碼和傳輸少數(shù)系數(shù)而不嚴(yán)重影響圖像質(zhì)量。DCT不能直接對圖像產(chǎn)生壓縮作用，但對圖像的能量具有很好的集中效果，為壓縮打下了基礎(chǔ)。例如：一幀圖像內(nèi)容以不同的亮度和色度像素分布體現(xiàn)出來，而這些像素的分布依圖像內(nèi)容而變，毫無規(guī)律可言。但是

49、通過離散余弦變換(DCT)，像素分布就有了規(guī)律。代表低頻成份的量分布于左上角，而越高頻率成份越向右下角分布。然后根據(jù)人眼視覺特性，去掉一些不影響圖像基本內(nèi)容的細(xì)節(jié)(高頻分量)，從而達到壓縮碼率的目的。 利用小波變換實現(xiàn)圖像壓縮： 程序代碼：clear allI=imread('cameraman.tif');imshow(I);                   %顯示圖像tit

50、le('原始圖像')disp('原始圖像I的大小:');whos('I')I=im2double(I);c,s=wavedec2(I,2,'bior3.7');     %對圖像用小波進行層分解cal=appcoef2(c,s,'bior3.7',1);     %提取小波分解結(jié)構(gòu)中的一層的低頻系數(shù)和高頻系數(shù)ch1=detcoef2('h',c,s,1);     

51、60;    %提取二維水平方向細(xì)節(jié)系數(shù)cv1=detcoef2('v',c,s,1);          %提取二維垂直方向細(xì)節(jié)系數(shù)cd1=detcoef2('d',c,s,1);          %提取二維對角線方向細(xì)節(jié)系數(shù)ca1=appcoef2(c,s,'bior3.7',1);     %

52、保留小波分解第一層低頻信息ca1=wcodemat(ca1,440,'mat',0);   %首先對第一層信息進行量化編碼ca1=0.5*ca1;                  %改變圖像高度figure,image(ca1);              %顯示壓縮后的圖象title('第一次壓縮后的圖像')disp('第一次壓縮圖像的大小為：')whos('ca1')ca2=appcoef2(c,s,'bior3.7',2);     %保留小波分解第二層低頻信息進行壓縮ca2=wc