Matlab圖像處理教程及方法

1、Matlab 數(shù)字圖像處理數(shù)字圖像處理/1、圖像的讀取和顯示、圖像的讀取和顯示/2、圖像的點運算、圖像的點運算/4、空間域圖像增強、空間域圖像增強/5、頻率域圖像增強、頻率域圖像增強/6、彩色圖像處理、彩色圖像處理/7、形態(tài)學圖像處理、形態(tài)學圖像處理/8、圖像分割、圖像分割/9、特征提取、特征提取/3、圖像的幾何變換、圖像的幾何變換/1、圖像的讀取和顯示、圖像的讀取和顯示一、圖像的讀取一、圖像的讀取A=imread(FILENAME,FMT)FILENAME 指定圖像文件的完整路徑和文件名。如果在指定圖像文件的完整路徑和文件名。如果在work工作目錄下工作目錄下只需提供文件名。只需提供文件名。

2、FMT為圖像文件的格式對應的標準擴展名。為圖像文件的格式對應的標準擴展名。I_1=imread(D:nir10377.BMP);%讀入圖像讀入圖像二、圖像的寫入二、圖像的寫入imwrite(A，F(xiàn)ILENAME,FMT)FILENAME參數(shù)指定文件名。參數(shù)指定文件名。FMT為保存文件采用的格式。為保存文件采用的格式。imwrite(I6,10373.bmp);/1、圖像的讀取和顯示、圖像的讀取和顯示三、圖像的顯示三、圖像的顯示imshow(I,low high)I為要顯示的圖像矩陣。為要顯示的圖像矩陣。low high為指定顯示灰度圖像的灰度范圍。為指定顯示灰度圖像的灰度范圍。高于高于high

3、的像素被顯示成白色；低于的像素被顯示成白色；低于low的像素被顯示成黑色；介于的像素被顯示成黑色；介于High和和low之間的像素被按比例拉伸后顯示為各種等級的灰色。之間的像素被按比例拉伸后顯示為各種等級的灰色。figure；imshow(I6);title(The Main Pass Part of TTC10373);figure；%創(chuàng)建一個新的窗口創(chuàng)建一個新的窗口figure；subplot（m,n,p）；）；imshow（I）；）；Subplot(m,n,p)含義為：打開一個有含義為：打開一個有m行行n列圖像位置的窗口，列圖像位置的窗口，并將焦點位于第并將焦點位于第p個位置上。個位置上

4、。/1、圖像的讀取和顯示、圖像的讀取和顯示四、圖像的格式轉(zhuǎn)換四、圖像的格式轉(zhuǎn)換im2bw(I,LEVEL);rgb2gray;從從RGB圖創(chuàng)建灰度圖，存儲類型不變。圖創(chuàng)建灰度圖，存儲類型不變。im2uint8 將圖像轉(zhuǎn)換成將圖像轉(zhuǎn)換成uint8類型類型閾值法從灰度圖、閾值法從灰度圖、RGB圖創(chuàng)建二值圖。圖創(chuàng)建二值圖。LEVEL為指定的閾值；（為指定的閾值；（0,1）。）。im2double 將圖像轉(zhuǎn)換成將圖像轉(zhuǎn)換成double類型類型/2、圖像的點運算、圖像的點運算 灰度直方圖描述了一副圖像的灰度級統(tǒng)計信息，主要應用于圖像分灰度直方圖描述了一副圖像的灰度級統(tǒng)計信息，主要應用于圖像分割和圖像灰度

5、變換等處理過程中。從數(shù)學角度來說，圖像直方圖描述圖割和圖像灰度變換等處理過程中。從數(shù)學角度來說，圖像直方圖描述圖像各個灰度級的統(tǒng)計特性，它是圖像灰度值的函數(shù)，統(tǒng)計一幅圖像中各像各個灰度級的統(tǒng)計特性，它是圖像灰度值的函數(shù)，統(tǒng)計一幅圖像中各個灰度級出現(xiàn)的次數(shù)或概率。歸一化直方圖可以直接反映不同灰度級出個灰度級出現(xiàn)的次數(shù)或概率。歸一化直方圖可以直接反映不同灰度級出現(xiàn)的比率。橫坐標為圖像中各個像素點的灰度級別，縱坐標表示具有各現(xiàn)的比率。橫坐標為圖像中各個像素點的灰度級別，縱坐標表示具有各個灰度級別的像素在圖像中出現(xiàn)的次數(shù)或概率。個灰度級別的像素在圖像中出現(xiàn)的次數(shù)或概率。imhist(I);%灰度直方圖

6、灰度直方圖I=imread(red.bmp);%讀入圖像讀入圖像figure;%打開新窗口打開新窗口M,N=size(I);%計算圖像大小計算圖像大小counts,x=imhist(I,32);%計算有計算有32個小區(qū)間的灰度直方圖個小區(qū)間的灰度直方圖counts=counts/M/N;%計算歸一化灰度直方圖各區(qū)間的值計算歸一化灰度直方圖各區(qū)間的值stem(x,counts);%繪制歸一化直方圖繪制歸一化直方圖一、圖像直方圖一、圖像直方圖圖像直方圖歸一化圖像直方圖歸一化/2、圖像的點運算、圖像的點運算二、灰度的線性變換二、灰度的線性變換BAAABfDfDfDFa1時，輸出圖像的對比度將增大；時

7、，輸出圖像的對比度將增大；Fa1時，輸出圖像對比度將減小。時，輸出圖像對比度將減小。Fa=1且且Fb非零時，所有像素的灰度值上移或下移，使整個圖像更暗或非零時，所有像素的灰度值上移或下移，使整個圖像更暗或更亮。更亮。Fafreq) out(i,j)=0; end endend理想低通理想低通function out = imgaussflpf(I,sigma)%imgaussflpf函數(shù)函數(shù) 構(gòu)造高斯頻域低通濾波器構(gòu)造高斯頻域低通濾波器M,N = size(I);out = ones(M,N);for i=1:M forj=1:N out(i,j) = exp(-(i-M/2)2+(j-N/2

8、)2)/2/sigma2); endend高斯低通高斯低通/6、彩色圖像處理、彩色圖像處理色彩模型：色彩模型：RGB模型、模型、CMY模型、模型、CMYK模型、模型、HIS模型、模型、 HSV模型、模型、YUV模型、模型、YIQ模型。模型。RGB模型模型國際照明委員會（國際照明委員會（CIE）規(guī)定以藍（規(guī)定以藍（435.8nm）、）、綠（綠（546.1nm）和紅）和紅（700nm）作為主原色。）作為主原色。RGB_image=cat(3,PR,PG,PB);%將將PR、PG、PB三個三個矩陣在第矩陣在第3個維度上進行級聯(lián)，進行圖像合成個維度上進行級聯(lián)，進行圖像合成PR=RGB_image(:,

9、:,1);%提取紅色分量提取紅色分量PG=RGB_image(:,:,2);%提取綠色分量提取綠色分量PB=RGB_image(:,:,3);%提取藍色分量提取藍色分量Matlab中一幅中一幅RGB圖像可表示為一個圖像可表示為一個M*N*3的的3維矩陣。其中每一個維矩陣。其中每一個彩色像素都在特定空間位置的彩色圖像中對應紅、綠、藍彩色像素都在特定空間位置的彩色圖像中對應紅、綠、藍3個分量。個分量。CMY模型模型CMY模型是采用（模型是采用（Cyan、Magenta、Yellow）青、品紅、）青、品紅、黃色黃色3中基本原色按一定比例合成顏色。由于色彩的顯中基本原色按一定比例合成顏色。由于色彩的顯

10、示是由光線被物體吸收掉一部分之后反射回來的剩余示是由光線被物體吸收掉一部分之后反射回來的剩余光線產(chǎn)生，故光線產(chǎn)生，故CMY模型又稱為減色法混色模型。當光模型又稱為減色法混色模型。當光都被吸收時成為黑色，都被反射時為白色。都被吸收時成為黑色，都被反射時為白色。CMY模型主要用于彩色打印機和模型主要用于彩色打印機和復印機等。復印機等。CMYK模型模型CMY模型在實際使用中，青、品紅模型在實際使用中，青、品紅和黃色等比例混合后的黑色并不純，和黃色等比例混合后的黑色并不純，為產(chǎn)生真正的黑色，專門加入第四為產(chǎn)生真正的黑色，專門加入第四種顏色種顏色黑色。得到黑色。得到CMYK模型。用模型。用于四色打印。于

11、四色打印。cmy=imcomplement(rgb);%rgb轉(zhuǎn)成轉(zhuǎn)成cmyrgb=imcomplement(cmy);cmy轉(zhuǎn)成轉(zhuǎn)成rgbBGRYMC111YMCBGR111HSI模型模型HIS模型是從人的視覺系統(tǒng)出發(fā)，直接使用顏色三要素色調(diào)模型是從人的視覺系統(tǒng)出發(fā)，直接使用顏色三要素色調(diào)（Hue）、飽和度（）、飽和度（Saturation）和亮度（）和亮度（Intensity）來描述）來描述顏色。顏色。亮度指人眼感覺光的明暗程度。光的能量越大，亮度越大。亮度指人眼感覺光的明暗程度。光的能量越大，亮度越大。色調(diào)由物體反射光線中占優(yōu)勢的波長決定。反映顏色的本質(zhì)。色調(diào)由物體反射光線中占優(yōu)勢的波長

12、決定。反映顏色的本質(zhì)。飽和度指顏色的深淺和濃淡程度，飽和度越高，顏色越深。飽和度指顏色的深淺和濃淡程度，飽和度越高，顏色越深。HIS色彩空間比色彩空間比RGB彩色空間更符合人的視覺特性。亮度和色彩色空間更符合人的視覺特性。亮度和色度具有可分離特性，使得圖像處理和機器視覺中大量灰度處度具有可分離特性，使得圖像處理和機器視覺中大量灰度處理算法都可在理算法都可在HIS彩色空間中方便使用。彩色空間中方便使用。GBGBH,360,2/1221arccosBGGRGRBRGR),min()(31BGRBGRS)(31BGRI色調(diào)色調(diào)強度強度飽和度飽和度其中其中/7、形態(tài)學圖像處理、形態(tài)學圖像處理一、二值圖

13、像腐蝕一、二值圖像腐蝕I2=imerode(I,SE);SE=strel(shape,parameters);I為原始圖像，可以是二值或者灰度圖像。為原始圖像，可以是二值或者灰度圖像。shape指定了結(jié)構(gòu)元素的形狀。指定了結(jié)構(gòu)元素的形狀。parameters是和輸入是和輸入shape有關(guān)的參數(shù)。有關(guān)的參數(shù)。合法取值合法取值功能描述功能描述arbitrary或為空或為空任意自定義結(jié)構(gòu)元素任意自定義結(jié)構(gòu)元素disk圓形結(jié)構(gòu)元素圓形結(jié)構(gòu)元素square正方形結(jié)構(gòu)元素正方形結(jié)構(gòu)元素rectangle矩形結(jié)構(gòu)元素矩形結(jié)構(gòu)元素line線性結(jié)構(gòu)元素線性結(jié)構(gòu)元素pair包含包含2個點的結(jié)構(gòu)元素個點的結(jié)構(gòu)元素d

14、iamond菱形的結(jié)構(gòu)元素菱形的結(jié)構(gòu)元素octagon8角形的結(jié)構(gòu)元素角形的結(jié)構(gòu)元素strel %用來創(chuàng)建形態(tài)學結(jié)構(gòu)元素用來創(chuàng)建形態(tài)學結(jié)構(gòu)元素/7、形態(tài)學圖像處理、形態(tài)學圖像處理二、二值圖像膨脹二、二值圖像膨脹I2=imdilate(I,SE);SE=strel(shape,parameters);I為原始圖像，可以是二值或者灰度圖像。為原始圖像，可以是二值或者灰度圖像。shape指定了結(jié)構(gòu)元素的形狀。指定了結(jié)構(gòu)元素的形狀。parameters是和輸入是和輸入shape有關(guān)的參數(shù)。有關(guān)的參數(shù)。原圖像原圖像腐蝕后腐蝕后膨脹后膨脹后/7、形態(tài)學圖像處理、形態(tài)學圖像處理三、其他二值圖像運算三、其他二

15、值圖像運算SE=strel(shape,parameters);I2=imopen(I,SE);%開運算開運算I3=imclose(I,SE);%閉運算閉運算Ihm=bwhitmiss(I,SE1,SE2);%擊中擊不中變換擊中擊不中變換四、連通分量提取四、連通分量提取L num=bwlabel(Ibw,conn);Ibw為一幅輸入二值圖像。為一幅輸入二值圖像。conn為可選參數(shù)，指明提取連通分量是為可選參數(shù)，指明提取連通分量是4連通還是連通還是8連通。默認為連通。默認為8。L為連通分量標注圖像。為連通分量標注圖像。num為二值圖像為二值圖像Ibw中連通分量個數(shù)。中連通分量個數(shù)。/7、形態(tài)學圖

16、像處理五、五、bwmorph函數(shù)函數(shù)Iout=bwmorph(I,operation,n)合法取值功能描述bridge橋接有單個像素縫隙分割的前景像素clean清楚孤立的前景像素diag圍繞對角線相連的前景像素進行填充fill填充單個像素的孔洞hbreak去掉前景中的H形連接majority如果點P的8領(lǐng)域中一半以上像素為前景像素，則P為前景像素，否則為背景。remove去除內(nèi)部像素（無背景像素相鄰的前景）shrink將物體收縮為一個點或者帶洞的環(huán)形skel骨骼化圖像spur去除“毛刺”thicken粗化物體thin將物體細化至最低限度相連的線形/7、形態(tài)學圖像處理六、頂帽變換六、頂帽變換解決

17、非均勻光照問題。頂帽變換定義為圖像解決非均勻光照問題。頂帽變換定義為圖像f與圖像與圖像f的開運算之差。的開運算之差。a=imread(red.bmp);I=rgb2gray(a);figure,surf(double(I(1:8:end,1:8:end),zlim(0 255)，colormapgray;%顯示圖像I的三維可視化效果bg=imopen(I,strel(disk,15);%開運算Itophat=imsubtract(I,bg);%頂帽變換figure,imshow(Itophat);figure,surf(double(Itophat(1:8:end,1:8:end),zlim(

18、0 255);I2=imadjust(Itophat);figure,imshow(I2);sffh原圖像三維可視化效果原圖像三維可視化效果頂帽變換后的三維可視化效果頂帽變換后的三維可視化效果頂帽變換后圖像頂帽變換后圖像對比度拉伸后效果對比度拉伸后效果/8、圖像分割、圖像分割一、圖像分割概述一、圖像分割概述 圖像分割一般采用的方法有邊緣檢測（圖像分割一般采用的方法有邊緣檢測（edge detection）、邊界跟蹤）、邊界跟蹤（edge tracing）、區(qū)域生長（）、區(qū)域生長（region growing）、區(qū)域分離和聚合等。）、區(qū)域分離和聚合等。 圖像分割算法一般基于圖像灰度值的不連續(xù)性或

19、其相似性。圖像分割算法一般基于圖像灰度值的不連續(xù)性或其相似性。 不連續(xù)性是基于圖像灰度的不連續(xù)變化分割圖像，如針對圖像的邊緣不連續(xù)性是基于圖像灰度的不連續(xù)變化分割圖像，如針對圖像的邊緣有邊緣檢測、邊界跟蹤等算法。有邊緣檢測、邊界跟蹤等算法。 相似性是依據(jù)事先制定的準則將圖像分割為相似的區(qū)域，如閾值分割、相似性是依據(jù)事先制定的準則將圖像分割為相似的區(qū)域，如閾值分割、區(qū)域生長等。區(qū)域生長等。二、邊緣檢測二、邊緣檢測 圖像的邊緣點是指圖像中周圍像素灰度有階躍變化或屋頂變化的那圖像的邊緣點是指圖像中周圍像素灰度有階躍變化或屋頂變化的那些像素點，即灰度值導數(shù)較大或極大的地方。些像素點，即灰度值導數(shù)較大或

20、極大的地方。 邊緣檢測可以大幅度的減少數(shù)據(jù)量，并且剔除不相關(guān)信息，保留圖邊緣檢測可以大幅度的減少數(shù)據(jù)量，并且剔除不相關(guān)信息，保留圖像重要的結(jié)構(gòu)屬性。像重要的結(jié)構(gòu)屬性。 邊緣檢測基本步驟：平滑濾波、銳化濾波、邊緣判定、邊緣連接。邊緣檢測基本步驟：平滑濾波、銳化濾波、邊緣判定、邊緣連接。邊緣檢測算法邊緣檢測算法：基于一階導數(shù)：基于一階導數(shù)：Roberts算子、算子、Sobel算子、算子、Prewitt算子算子基于二階導數(shù)：高斯基于二階導數(shù)：高斯-拉普拉斯邊緣檢測算子拉普拉斯邊緣檢測算子Canny邊緣檢測算法邊緣檢測算法Matlab實現(xiàn)實現(xiàn)1）、基于梯度算子的邊緣檢測）、基于梯度算子的邊緣檢測BW=

21、edge(I,type,thresh,direction,nothinning)type合法取值合法取值梯度算子梯度算子sobelsobel算子算子prewittprewitt算子算子robertsroberts算子算子thresh是敏感度閾值參數(shù)，任何灰度值低于此閾值的邊緣將不是敏感度閾值參數(shù)，任何灰度值低于此閾值的邊緣將不會被檢測到。默認值為空矩陣會被檢測到。默認值為空矩陣，此時算法自動計算閾值。，此時算法自動計算閾值。direction指定了我們感興趣的邊緣方向，指定了我們感興趣的邊緣方向，edge函數(shù)將只檢測函數(shù)將只檢測direction中中指定方向的邊緣，其合法值如下：指定方向的邊緣

22、，其合法值如下：direction合法值合法值邊緣方向邊緣方向horizontal水平方向水平方向vertical豎直方向豎直方向both所有方向所有方向可選參數(shù)可選參數(shù)nothinning，指定時可以通過跳過邊緣細化算法來加快算法，指定時可以通過跳過邊緣細化算法來加快算法運行的速度。默認是運行的速度。默認是thinning，即進行邊緣細化。，即進行邊緣細化。2）、基于高斯）、基于高斯-拉普拉斯算子的邊緣檢測拉普拉斯算子的邊緣檢測BW=edge(I,log,thresh,sigma)sigma指定生成高斯濾波器所使用的標準差。默認時，標準差為指定生成高斯濾波器所使用的標準差。默認時，標準差為2

23、。濾。濾鏡大小鏡大小n*n，n的計算方法為：的計算方法為：n=ceil(sigma*3)*2+1。3）、基于）、基于Canny算子的邊緣檢測算子的邊緣檢測BW=edge(I,canny,thresh,sigma)thresh是敏感度閾值參數(shù)，默認值為空矩陣是敏感度閾值參數(shù)，默認值為空矩陣。此處為一列向量，。此處為一列向量，為算法指定閾值的上下限。第一個元素為閾值下限，第二個元素為為算法指定閾值的上下限。第一個元素為閾值下限，第二個元素為閾值上限。如果只指定一個閾值元素，則默認此元素為閾值上限，閾值上限。如果只指定一個閾值元素，則默認此元素為閾值上限，其其0.4倍的值作為閾值下限。如閾值參數(shù)沒有

24、指定，則算法自行確定倍的值作為閾值下限。如閾值參數(shù)沒有指定，則算法自行確定敏感度閾值上下限。敏感度閾值上下限。b1=imread(nir.bmp);h58=fspecial(gaussian,5,0.8);b=imfilter(b1,h58);bw1=edge(b,sobel);%sobel算子算子bw2=edge(b,prewitt);%prewitt算子算子bw3=edge(b,roberts);%roberts算子算子bw4=edge(b,log); %log算子算子bw5=edge(b,canny);%canny算子算子figure;imshow(bw1);imwrite(bw1,ni

25、rbwsobel.bmp);figure;imshow(bw2);imwrite(bw2,nirbwprewitt.bmp);figure;imshow(bw3);imwrite(bw3,nirbwroberts.bmp);figure;imshow(bw4);imwrite(bw4,nirbwlog.bmp);figure;imshow(bw5);imwrite(bw5,nirbwcanny.bmp);Sobel算子roberts算子prewitt算子log算子canny算子分析分析1、邊緣定位精度方面：邊緣定位精度方面： Roberts算子和算子和Log算子定位精度較高。算子定位精度較高。

26、Roberts算子簡單直觀，算子簡單直觀，Log算子利用二階導數(shù)零交叉特性檢測邊緣。但算子利用二階導數(shù)零交叉特性檢測邊緣。但Log算子只能獲得邊緣位置算子只能獲得邊緣位置信息，不能得到邊緣方向信息。信息，不能得到邊緣方向信息。2、邊緣方向的敏感性：邊緣方向的敏感性： Sobel算子、算子、Prewitt算子檢測斜向階躍邊緣效果較好，算子檢測斜向階躍邊緣效果較好，Roberts算子算子檢測水平和垂直邊緣效果較好。檢測水平和垂直邊緣效果較好。Log算子不具有邊緣方向檢測功能。算子不具有邊緣方向檢測功能。Sobel算子能提供最精確的邊緣方向估計。算子能提供最精確的邊緣方向估計。3、去噪能力：去噪能力

27、： Roberts算子和算子和Log算子雖然定位精度高，但受噪聲影響大。算子雖然定位精度高，但受噪聲影響大。 Sobel算子和算子和Prewitt算子模板相對較大因而去噪能力較強，具有平算子模板相對較大因而去噪能力較強，具有平滑作用，能濾除一些噪聲，去掉一部分偽邊緣，但同時也平滑了真正滑作用，能濾除一些噪聲，去掉一部分偽邊緣，但同時也平滑了真正的邊緣，降低了其邊緣定位精度。的邊緣，降低了其邊緣定位精度?？傮w來講，總體來講，Canny算子邊緣定位精確性和抗噪聲能力效果較好，算子邊緣定位精確性和抗噪聲能力效果較好，是一個折中方案。是一個折中方案。 三、三、Hough變換直線檢測變換直線檢測/8、圖

28、像分割、圖像分割步驟：步驟：利用利用hough（）函數(shù)執(zhí)行霍夫變換，得到霍夫矩陣；（）函數(shù)執(zhí)行霍夫變換，得到霍夫矩陣；利用利用houghpeaks（）函數(shù)在霍夫矩陣中尋找峰值點；（）函數(shù)在霍夫矩陣中尋找峰值點；利用利用houghlines（）函數(shù)在之前兩步結(jié)果的基礎(chǔ)上得到原二值圖像（）函數(shù)在之前兩步結(jié)果的基礎(chǔ)上得到原二值圖像中的直線信息。中的直線信息。H,theta,rho=hough(BW,param1,val1,param2,val2)1、霍夫變換、霍夫變換(針對二值圖像針對二值圖像)Param合法值合法值含義含義ThetaResolutionHough矩陣中矩陣中a軸方向上單位區(qū)間長度，

29、軸方向上單位區(qū)間長度，0,90RhoResolutionHough矩陣中矩陣中p軸方向上單位區(qū)間長度，軸方向上單位區(qū)間長度，0,norm(size(BW)2、尋找峰值、尋找峰值houghpeakspeaks=houghpeaks(H,numpeaks,param1,val1,param2,val2)Param合法值合法值含義含義Threshold峰值的閾值，默認為峰值的閾值，默認為0.5*max(H(:)NHoodSize在每次檢測出一個峰值后，在每次檢測出一個峰值后，NHoodSize指出了在該峰值周指出了在該峰值周圍需要清零的鄰閾信息。以向量圍需要清零的鄰閾信息。以向量M N形式給出，其中

30、形式給出，其中M、N均為正奇數(shù)。默認為大于等于均為正奇數(shù)。默認為大于等于size(H)/50的最小奇數(shù)的最小奇數(shù)peaks是一個是一個Q*2的矩陣，每行的兩個元素分別為某一峰值點在的矩陣，每行的兩個元素分別為某一峰值點在Hough矩陣中矩陣中的行、列索引，的行、列索引，Q為找到的峰值點的數(shù)目。為找到的峰值點的數(shù)目。3、提取直線段、提取直線段houghlineslines=houghlines(BW,theta,rho,peaks,param1,val1,param2,val2)Param合法值合法值含義含義FillGap線段合并的閾值：如果對應于線段合并的閾值：如果對應于Hough矩陣某一個單

31、元格（相同矩陣某一個單元格（相同的的a和和p）的）的2個線段之間的距離小于個線段之間的距離小于FillGap，則合并為，則合并為1個直個直線段。默認值為線段。默認值為20MinLength檢測的直線段的最小長度閾值：如果檢測出的直線線段長度檢測的直線段的最小長度閾值：如果檢測出的直線線段長度大于大于MinLength，則保留，否則丟棄。默認值為，則保留，否則丟棄。默認值為40。域域含義含義point1直線段的端點直線段的端點1point2直線段的端點直線段的端點2theta對應在霍夫矩陣中的對應在霍夫矩陣中的arho對應在霍夫矩陣中的對應在霍夫矩陣中的p返回值返回值lines的結(jié)構(gòu)的結(jié)構(gòu)I1=

32、imread(004.jpg);I=rgb2gray(I1);%旋轉(zhuǎn)圖像并尋找邊緣旋轉(zhuǎn)圖像并尋找邊緣rotI=imrotate(I,33,crop);BW=edge(rotI,canny);%執(zhí)行執(zhí)行Hough變換并顯示變換并顯示Hough矩陣矩陣H,T,R=hough(BW);figure;imshow(H,XData,T,YData,R,InitialMagnification,fit);xlabel(theta),ylabel(rho);axis on,axis normal,hold on;%在在Hough矩陣中尋找前矩陣中尋找前5個大于個大于Hough矩陣中最大值矩陣中最大值0.3倍

33、的峰值倍的峰值P=houghpeaks(H,5,threshold,ceil(0.3*max(H(:);x=T(P(:,2);y=R(P(:,1);%由行、列索引轉(zhuǎn)換成實際坐標由行、列索引轉(zhuǎn)換成實際坐標plot(x,y,s,color,white);%在在Hough矩陣圖像中標出峰值位置矩陣圖像中標出峰值位置%找出并繪制直線找出并繪制直線lines=houghlines(BW,T,R,P,FillGap,5,MinLength,7);%合并距離小于合并距離小于5的線段，丟棄所的線段，丟棄所有長度小于有長度小于7的直線段的直線段figure,imshow(rotI),hold onmax_len

34、=0;for k = 1:length(lines)%依次標出各條直線段依次標出各條直線段 xy=lines(k).point1;lines(k).point2; plot(xy(:,1),xy(:,2),x,LineWidth,2,Color,green); %繪制線段端點繪制線段端點 plot(xy(1,1),xy(1,2),x,LineWidth,2,Color,yellow); plot(xy(2,1),xy(2,2),x,LineWidth,2,Color,red); %確定最長的線段確定最長的線段 len=norm(lines(k).point1-lines(k).point2);

35、 if(lenmax_len) max_len=len; xy_long=xy; endend%高亮顯示最長線段高亮顯示最長線段plot(xy_long(:,1),xy_long(:,2), LineWidth,2,Color,cyan);原圖像原圖像Hough矩陣矩陣旋轉(zhuǎn)并檢測最長直線段旋轉(zhuǎn)并檢測最長直線段/9、特征提取、特征提取特征提取的一般原則：特征提取的一般原則：選擇在同類圖像之間差異較?。ㄝ^小的類內(nèi)距），在不同類別的圖像之間差異選擇在同類圖像之間差異較?。ㄝ^小的類內(nèi)距），在不同類別的圖像之間差異較大（較大的類間距）的圖像特征。較大（較大的類間距）的圖像特征。一、簡單區(qū)域描繪子一、簡單區(qū)域描繪子周長：區(qū)域邊界上的像素數(shù)目。周長：區(qū)域邊界上的像素數(shù)目。面積：區(qū)域中像素數(shù)目。面積：區(qū)域中像素數(shù)目。致密性致密性：（周長）：（周長）2/面積。面積。區(qū)域的質(zhì)心。區(qū)域的質(zhì)心?；叶染担簠^(qū)域中所有像素的平均值?；叶染担簠^(qū)域中所有像素的平均值?；叶戎兄担簠^(qū)域中所有像素的排序中值。灰度中值：區(qū)域中所有像素的排序中值。包含區(qū)域的最小矩形。包含區(qū)域的最小矩形。最小或最大灰度級。最小或最大灰度級。大于或小于均值的像素數(shù)。大于或小于均值的像素數(shù)。歐拉數(shù)：區(qū)域中的對象數(shù)減去這些對象的孔洞數(shù)。歐拉數(shù)：區(qū)域中的對象數(shù)減去這些