1.图像增强：对于噪声图像、模糊图像等对图像信息增强以突出有用信息。
- 高通平滑、低通锐化；平滑模糊、锐化突出图像细节
- 滤波器还有带通、带阻等形式
- 根据噪声（椒盐噪声、高斯噪声....）的不同，选用不同的滤波
- 邻域有4-邻域、对角邻域、8-邻域，相对应的有邻接，即空间上相邻、像素灰度相似
- 图像边缘处理：忽略不处理、补充、循环使用
- 目前尚未图像处理大多基于灰度图像
% %低通滤波器，filtertype-滤波器的种类，n-滤波器的阶数，image-待滤波的原图像
% function H=lpfilter(filtertype,D0,n,image)
% im=imread(image);
% [DIM1,DIM2,K]=size(im);%确定原始图像大小
% if K==3
% im1=rgb2hsv(im);
% im2=double(im1(:,:,3));
% else
% im2=double(im);
% end
% u=0:(DIM1-1);
% v=0:(DIM2-1);
% idx=find(u>DIM1/2);
% u(idx)=u(idx)-DIM1;
% idy=find(v>DIM2/2);
% v(idy)=v(idy)-DIM2;
% [V,U]=meshgrid(v,u);
% D=sqrt(U.^2+V.^2);%计算坐标到频域中心的距离
%
% switch filtertype
% case 'ideal'%理想
% H=double(D<=D0);
% case 'butterworth'%巴特沃斯
% H=1./(1+(D./D0).^(2*n));
% case 'guassian'%高斯
% H=exp(-(D.^2)./(2*(D0^2)));
% case 'exponent'%指数低通
% H=exp(-D./(2*D0)./(2*D0));
% case 'trapezoid'%梯形低通
% if D<=D0
% H=1.0;
% else if D>100
% H=0.0;
% else
% H=(D-100)./(D0-100);
% end
% end
% otherwise
% error('Unkown filter type.');
% end
% F=(fft2(im2));
% G=H.*F;
% g=real((ifft2(G)));
% figure;
% subplot(1,2,1);
% imshow(im2,[]);
% title('Original Image');%原始图像灰度部分
% subplot(1,2,2);
% imshow(g,[]);
% title('Lowpass Filtered Image');%低通效果
%H=lpfilter('ideal',14,1,'cat.jpg');
%低通滤波器，filtertype-滤波器的种类，n-滤波器的阶数，image-待滤波的原图像
function H=lpfilter(filtertype,D0,n,image)
im=imread(image);
[DIM1,DIM2,K]=size(im);%确定原始图像大小
if K==3
im1=rgb2hsv(im);
im2=double(im1(:,:,3));
else
im2=double(im);
end
u=0:(DIM1-1);
v=0:(DIM2-1);
idx=find(u>DIM1/2);
u(idx)=u(idx)-DIM1;
idy=find(v>DIM2/2);
v(idy)=v(idy)-DIM2;
[V,U]=meshgrid(v,u);
D=sqrt(U.^2+V.^2);%计算坐标到频域中心的距离
switch filtertype
case 'ideal'%理想
Hlp=double(D<=D0);
case 'butterworth'%巴特沃斯
if nargin==4
n=1;
end
Hlp=1./(1+(D./D0).^(2*n));
case 'guassian'%高斯
Hlp=exp(-(D.^2)./(2*(D0^2)));
otherwise
error('Unkown filter type.');
end
H=1-Hlp;
F=(fft2(im2));
G=H.*F;
g=real((ifft2(G)));
figure;
subplot(1,2,1);
imshow(im2,[]);
title('Original Image');%原始图像灰度部分
subplot(1,2,2);
imshow(g,[]);
title('Lowpass Filtered Image');%低通效果2.图像复原：改善图像质量（模糊、失真、噪声）
常见噪声：高斯、瑞利、伽马（爱尔兰）、指数、均匀、脉冲（椒盐）等
根据图像不同采用不同滤波器进行复原，重要的是复原的步骤及各个方法的特点
- 逆滤波法无噪声下可精确复原
- 维纳滤波法需要较多先验知识，实现难度大
- 最大熵恢复法是非线性算法，耗时
- 卡尔曼滤波法要根据前一个估计值和最近一个观测数据，计算量大
- 传播波方程恢复法利用物理知识复原，但对运动方向敏感
- 逆滤波复原形式简单，适合极高信噪比条件，但计算量大
- 维纳滤波对不同区域误差不敏感，不能处理非平稳信号和噪声
- 算术平均滤波器可消噪，平滑但模糊
- 几何平均滤波器平滑效果更好，丢失细节少
- 谐波均值滤波器处理高斯、盐噪声效果好，不适应椒噪声
- 谐逆波滤波器不同情况下适用椒、盐噪声
- 中值滤波器适用椒盐噪声
- 最大/小值滤波器适用椒/盐噪声
- 中点滤波器适用高斯、均匀噪声
% %逆滤波复原
% I=imread('cat.jpg');
% L=10;
% T=10;
% PSF=fspecial('motion',L,T);
% Blurred=imfilter(I,PSF,'circular','conv');
% subplot(2,2,1);imshow(I);
% subplot(2,2,2);imshow(Blurred);
% R=deconvwnr(Blurred,PSF);
% subplot(2,2,3);imshow(R);3.图像分割
注重方法的实现：阈值分割、基于区域、基于能量及有些方法的改进。
%Hough变换
clc;
clear all;
I=imread('cat.jpg');
I=rgb2gray(I);
subplot(1,2,1);imshow(I);
rotI=imrotate(I,33,'crop');%imrotate(A,angle),将图像A围绕其中心点进行angle角度的逆时针旋转
BW=edge(rotI,'canny');%采用灰度或一个二值化图像I作为它的输入，并返回一个与I相同大小的二值化图像BW，在函数检测到边缘的地方为1，其他地方为0。
[H,T,R]=hough(BW);
subplot(1,2,2);imshow(H,[],'XData',T,'YData',R,'InitialMagnification','fit');% %均值迭代分割
% I=imread('cat.jpg');
% [w,h]=size(I);
% %1--初始化
% avg=0.0;%图像的平均值
% for y=1:h
% for x=1:w
% avg=avg+double(I(x,y));
% end
% end
% Thresh=avg./w./h;%选择一个初始化的阈值T（通常取灰度值的平均值）
% %2--将图像像素分为两类：G1：灰度值>T，G2：灰度值<T
% %计算G1中所有像素的均值u1，以及G2中所有的均值u2
% curThd=Thresh;
% preThd=curThd;
% subthd=2;
% while (subthd>1.0)
% preThd=curThd;
% u1=0,u2=0;
% num_u1=0,num_u2=0;
% for y=1:h
% for x=1:w
% if double(I(x,y))<preThd
% u1=u1+double(I(x,y));
% num_u1=num_u1+1;
% else
% u2=u2+double(I(x,y));
% num_u2=num_u2+1;
% end
% end
% end
% curThd=(u1./num_u1+u2./num_u2)./2;
% subthd=abs(preThd-curThd);
% end
% for y=1:h
% for x=1:w
% if double(I(x,y))<curThd
% I(x,y)=0;
% else
% I(x,y)=255;
% end
% end
% end
% R=I;
% figure,imshow(R);
%最大类间方差分割法
I=imread('cat.jpg');
level=graythresh(I);%：使用最大类间方差法找到图片的一个合适的阈值
R=im2bw(I,level);%将灰度图像转换为二值图像时，需要设定一个阈值，这个函数可以帮助我们获得一个合适的阈值
figure,imshow(R);