clear all
close all
A = imread('cameraman.tif') % 读入图像
imshow(A)title('原图')
V=0.008
Noisy=imnoise(A,‘gaussian’,0,V)
figure1
imshow(Noisy)%添加均值为0、方差0.008的高斯噪声
y_mask = [-1 -1 -10 0 01 1 1] % 建立Y方向的模板
x_mask = y_mask' % 建立X方向的模板
I = im2double(A) % 将图像数据转化为双精度
dx = imfilter(I, x_mask) % 计算X方向的梯度分量
dy = imfilter(I, y_mask) % 计算Y方向的梯度分量
grad = sqrt(dx.*dx + dy.*dy) % 计算梯度
grad = mat2gray(grad) % 将梯度矩阵转换为灰度图像
level = graythresh(grad) % 计算灰度阈值
BW = im2bw(grad,level) % 用阈值分割梯度图像
figure, imshow(BW) % 显示分割后的图像即边缘图像
title('Prewitt')
就是这样了。
实际应用中因为图像采集设备、自然环境因素等诸多原因,导致所处理的图像和“本真”图像有差异,这一部分差异就是噪声。用MATLAB等仿真手段对算法进行仿真时,所用的基础图像是“本真”图像,为了验证其算法的有效性,需要在“本真”图像上加上噪声,才能达到类似于“实际”图像的效果,也只有考虑了噪声,算法仿真结果才具有说服力。
纯手打,纯个人语言组织。理解意思即可。
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)