谁帮我解释数字图像处理的程序，刚学的，看不懂！

[i,lcmp]=imread('f:\tankbmp');%=======读取图像 显示图像

imshow(i,lcmp);

ii=im2double(i); %=====将图像矩阵类型转换为double（图像计算很多是不能用整型的）

i1 = fft2(ii); %======傅里叶变换

i2 =fftshift(i1); %======将变换的频率图像四角移动到中心（原来良的部分在四角 现在移动中心，便于后面的处理）

i3=log(abs(i2)); %=====显示中心低频部分，加对数是为了更好的显示

程序一

figure,imshow(i3,[]);

colormap(lcmp);

imwrite(i3,lcmp,'f:\ffttankbmp'); %===将上面i3输入到ffttank文件中

i5 = real(ifft2(ifftshift(i2))); %===频域的图反变换到空域 并取实部

i6 = im2uint8(mat2gray(i5)); %===取其灰度图

imwrite(i6,lcmp,'f:\tank2bmp','bmp'); %===利用灰度图和原来取得颜色模板 还原图像

figure,imshow(i6);

title('反变换后的图像');

程序二

RGB = imread('autumntif'); %===读取图像

I = rgb2gray(RGB); %==将其转为灰度

imshow(I);

J = dct2(I); %==二维dct变换，即离散余弦变换，

figure,imshow(log(abs(J)),[]) %==显示出变换后的图像，此时能量集中在左上角

colormap(jet(64)), colorbar %====建立颜色模板

figure;

J(abs(J) < 10) = 0; %==我理解为：因为dct变换只要保存左上角的低频小块就可以保持原图像信息，故其他部分（高频，其能量较小故值也小）就可以舍去

K = idct2(J)/255; %===这不加255，将下句改成imshow(K,[]);也一样，只是显示的需要

imshow(K);

title('反变换后的图像');

程序三我就不太懂了 %后面是我的解释 很久没碰了 有的可能会有些问题 希望可以帮到你

楼主你太狠了，5分要别人做这么多！

1图像的读入、显示及信息查询：

(1)I=imread ('lenajpg') %图像读入

imshow(I) %图像显示

(2)inf=imfinfo('lenajpg') % 图像信息查询

2图像的常用处理语句：

(1) X=rgb2gray(I) ; imshow(X) %彩色图像转灰度图像

(2)X2=grayslice(I,64) ; imshow(X2,hot(64)) %将灰度图像转为索引色图像

(3) X3=im2bw(X1) ; imshow(X3) %将图像转二值图像

3图像滤波：

clear all

g0=imread('lenatif')

g0 = g0(:,:,2); %三维转二维

figure(1);imshow(g0) ;title('原图') %如图 5

g1=imnoise(g0,'salt & pepper',02)

g1=im2double(g1);

figure(2);imshow(g1);title('加入椒盐噪声') %如图 6

h1=fspecial('gaussian',4,03)

g2=filter2(h1,g1,'same')

figure(3);imshow(g2);title('进行高斯滤波') %如图 7

h2=fspecial('sobel')

g3=filter2(h2,g1,'same')

figure(4);imshow(g3);title('进行sobel滤波') %如图 8

h3=fspecial('prewitt')

g4=filter2(h3,g1,'same')

figure(5);imshow(g4);title('进行prewitt滤波') %如图 9

h4=fspecial('laplacian',05);

g5=filter2(h4,g1,'same');

figure(6);imshow(g5);title('进行拉普拉斯滤波'); %如图 10

h5=fspecial('log',4,03);

g6=filter2(h5,g1,'same');figure(7);

imshow(g6);title('进行高斯拉普拉斯滤波'); %如图 11

h6=fspecial('average');

g7=filter2(h6,g1,'same');figure(8);

imshow(g7);title('进行均值滤波'); %如图 12

h7=fspecial('unsharp',03);

g8=filter2(h7,g1,'same');

figure(9);imshow(g8);title('进行模糊滤波'); %如图 13

h8=[0 -1 0;-1 5 -1;0 -1 0];

g9=filter2(h8,g1,'same');

figure(10);imshow(g9);title('进行高通高斯滤波'); %如图 14

h9=g1;g10=medfilt2(h9);

figure(11);imshow(g10);title('进行中值滤波'); %如图 15

会。逆滤波对加性噪声特别敏感，造成图像模糊，逆滤波会使原图像变模糊。逆滤波是一种常见且直观的图像恢复方法，它的主要过程是将退化后的图像从空间域变换到频域，进行逆滤波后在变换到空间域上从而实现图像的复原。

窗函数设计低通滤波器：

fp=1000;

fc=1200;

as=100;

ap=1;

fs=22000;

wp=2fp/fs;

wc=2fc/fs;

N=ceil((as-795)/(1436(wc-wp)/2))+1;

beta=01102(as-87);

window=Kaiser(N+1,beta);

b=fir1(N,wc,window);

freqz(b,1,512,fs);

结果：

高通滤波器：

fs=22000;

Wp=25000/fs;

Ws=24800/fs;

Ap=1;

As=100;

N=ceil(8pi/(Wp-Ws))+1;

N=N+mod(N+1,2)+1;

Wc=(Wp+Ws)/2/pi;

h=fir1(N,Wc,'high');

omega=linspace(0,pi,512);

freqz(h,1,omega);

结果：

带通滤波器：

fs=22000;

Wp1=21200/fs;

Wp2=23000/fs;

Wc1=21000/fs;

Wc2=23200/fs;

Ap=1;

As=100;

W1=(Wp1+Wc1)/2;

W2=(Wp2+Wc2)/2;

wdth=min((Wp1-Wc1),(Wc2-Wp2));

N=ceil(11pi/wdth)+1;

b = fir1(N,[W1 W2]);

freqz(b,1,512,fs)

结果：

双线性法设计低通滤波器：

fp=1000;

fc=1200;

as=100;

ap=1;

fs=22000;

wp=2fp/fs;

wc=2fc/fs; %归一化截止频率

[n,wn]=ellipord(wp,wc,ap,as);%求数字滤波器的最小阶数和归一化截止频率

[b,a]=ellip(n,ap,as,wn);%求传递函数的分子分母系数

freqz(b,a,512,fs);

结果：

滤波：

d=filter(b,a,y);

  本节主要目的是介绍图像复原一些基本概念，如图像退化/复原过程的模型，图像复原的滤波方法，包括非约束复原(逆滤波)、有约束复原(维纳滤波)、非线性约束还原(最大熵),还有几何失真复原，来源于东北大学 魏颖教授的数字图像课程笔记。

  在图像退化/复原建模之前先得知道 什么是图像退化 ？图像的质量变坏叫做退化。退化的形式有图像模糊、图像有干扰等。 为什么图像会退化呢 ？无论是由光学、光电或电子方法获得的图像都会有不同程度的退化； 退化的形式多种多样 。如传感器噪声、摄像机未聚焦、物体与摄像设备之间的相对移动、随机大气湍流、光学系统的相差、成像光源或射线的散射等；

  图像复原和图象增强一样，都是为了 改善图像视觉效果 ，以及便于后续处理。 与图像增强不同 ，图像增强方法更偏向 主观判断 ，而图像复原则是根据图象畸变或退化原因，进行 模型化处理 。

  图像恢复处理的关键问题在于建立退化模型。在缺乏足够的先验知识的情况下，可利用已有的知识和经验对模糊或噪声等 退化过程进行数学模型的建立及描述 ，并针对此退化过程的数学模型进行图像复原。

  图像退化过程的先验知识在图像复原技术中起着重要作用。

  一般地讲，复原的好坏应有一个规定的客观标准，以能对复原的结果作出某种最佳的估计。

  在信号处理领域中，常常提及线性移不变系统（或线性空间不变系统），线性移不变系统有许多重要的性质，合理地利用这些性质将有利于我们对问题的处理。

  寻找滤波传递函数，通过频域图像滤波得到复原图像的傅立叶变换，再求反变换，得到复原图像。

  非约束复原是指除了使准则函数 最小外， 再没有其他的约束条件。因此只需了解退化系统的传递函数或冲激响应函数， 就能利用如前所述的方法进行复原。但是由于传递函数存在病态问题，复原只能局限在靠近原点的有限区域内进行， 这使得非约束图像复原具有相当大的局限性。

   退化的原因为已知 ：对退化过程有先验知识，如希望能确定PSF和噪声特性：即确定： 与 ， 。

   根据导致模糊的物理过程（先验知识） :

  数字图像在获取过程中，由于成像系统的非线性，成像后的图像与原景物图像相比，会产生比例失调，甚至扭曲，这类图像退化现象称之为几何畸变。

  几何畸变校正要对失真的图像进行精确的几何校正， 通常是先确定一幅图像为基准，然后去校正另一幅图像的几何形状。

  几何畸变校正一般分两步来做：一是图像空间坐标的变换——空间变换；二是重新确定在校正空间各像素点的取值——灰度级插值。

  空间变换：防止图象内容支离破碎（弄断直线）

  灰度插值：目标图象会要求到原图象的非整数点。

  图像经几何位置校正后，在校正空间中各像点的灰度值等于被校正图像对应点的灰度值。一般校正后的图像某些像素点可能挤压在一起，或者分散开，不会恰好落在坐标点上，因此常采用内插法来求得这些像素点的灰度值。经常使用的方法有如下两种。

   1) 最近邻点法 ：

  最近邻点法是取与像素点相邻的4个点中距离最近的邻点灰度值作为该点的灰度值。如图所示。最近邻点法计算简单，但精度不高，同时校正后的图像亮度有明显的不连续性。

   2) 双线性内插法 ：

以上就是关于谁帮我解释数字图像处理的程序，刚学的，看不懂！全部的内容，包括:谁帮我解释数字图像处理的程序，刚学的，看不懂！、matlab图像处理教程、逆滤波会不会使原图像变模糊等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！