Procesamiento de imágenes usando Matlab
El procesamiento de imágenes es el proceso de manipular las propiedades digitales de una imagen para mejorar su calidad u obtener la información deseada de la imagen. Requiere importar imágenes en una aplicación de procesamiento de imágenes, analizarlas y luego operar con ellas para obtener una salida adecuada que produzca los resultados deseados.
En este artículo, analizaremos los conceptos básicos del procesamiento y análisis de imágenes utilizando Matlab para determinar las características de la imagen, ajustar las características de la imagen y mejorar la calidad de la imagen.
Requisitos previos
[Matlab] está instalado en su computadora.
Comprender los conceptos básicos de [Matlab].
Importar imágenes en Matlab
Importar una imagen implica traer la imagen al directorio actual de Matlab. De esta manera se puede utilizar la imagen.
Para hacer esto, abra Matlab y ejecute el siguiente comando.
i = imread('name of the image;') %This will assign the image to i
imshow(i);
复制代码
Utilice Matlab para mejorar imágenes
Este es el proceso de mejorar una imagen digital para obtener un resultado más adecuado para su visualización visual. La mejora de la imagen se puede lograr mediante el filtrado y la eliminación de imágenes borrosas.
Filtrado de imágenes
Esta es una forma de mejora de la imagen que enfatiza u omite atributos seleccionados de una imagen. El filtrado de imágenes implica principalmente cambiar la concentración de ciertos píxeles en una imagen.
El filtrado de color hace que una imagen sea más atractiva o enfatiza ciertos píxeles de la imagen. Por ejemplo, el verde puede enfatizar la vegetación, mientras que el azul enfatiza los cuerpos de agua.
Este proceso puede hacer que la imagen parezca rojiza, verdosa o azulada, según el nivel de concentración aplicado. La función imhist proporciona una representación gráfica (histograma) de la intensidad del color de cada píxel de la imagen.
i = imread('nyali.jpg');
imshow(i)
Red = i(:,:,1);
Green = i(:,:,2);
Blue = i(:,:,3);
temp = i;
复制代码imhist(Red);
复制代码
imhist(Green);
复制代码
imhist(Blue);
复制代码
figure;
temp = i;
temp(:,:,1) = temp(:,:,1) + 100;
imshow(temp);
复制代码
figure;
imshow(i)
temp = i;
temp(:,:,2) = temp(:,:,2) + 100;
imshow(temp);
复制代码temp = i;
temp(:,:,3) = temp(:,:,3) + 100;
imshow(temp);
复制代码
Desenfoque de imagen
Aumenta la nitidez de una imagen al hacer que los píxeles borrosos de la imagen sean más nítidos. Para que esto funcione, primero importamos la imagen usando el siguiente código.
i = imread('nyali.jpg'); %this code imports the image
imshow(i)
复制代码Cree una imagen borrosa a partir de la imagen original. Esta imagen se utilizará como simulador para el proceso de desenfoque.
Primero, cree una función de dispersión de puntos (PSF) con un movimiento lineal específico (en mi caso usaré 50 píxeles con un ángulo de 10 grados) usando fspecial, luego convolucione la PSF con la imagen usando el producto de la función imfilter.
PSF = fspecial('motion',50,10);
Idouble = im2double(i);
blurred = imfilter(Idouble,PSF,'conv','circular');
imshow(blurred)
复制代码
Utilice el comando deconvwnr para restaurar imágenes borrosas.
wnr1 = deconvwnr(blurred,PSF);
imshow(wnr1)
复制代码
Obtener el número de objetos contenidos en la imagen.
La cantidad de objetos contenidos en una imagen se puede determinar siguiendo los pasos a continuación.
Elimina objetos que no requieran valores numéricos.
Dale a una imagen un fondo uniforme eliminando su fondo original.
Cambia la imagen a escala de grises.
La creación de una versión binaria de la imagen permite el análisis numérico del objeto a analizar.
En este proceso se utiliza el siguiente fragmento de código.
i = imread('imageName'); %import the image
imshow(i)
复制代码
se = strel('disk',150);
background = imopen(i,se); %Performs morphological openning
imshow(background)
复制代码
从原始图像中去除背景近似图像。这将形成一个具有统一背景但有点暗的结果图像。
i2 = i - background;
imshow(i2)
复制代码
将图像格式从RGB改为灰度。新处理的图像将被分配到i3 。
i3 = rgb2gray(i2);
imshowi3
复制代码
使用imbinarize 命令来创建灰度图像的二进制版本i3 。
bw = imbinarize(i3);
bw = bwareaopen(bw,50);
imshow(bw)
复制代码
二进制版本的图像可以进行物体分析。结果的准确性取决于物体的大小、参数连通性和物体之间的间距。
请注意，绿色的物体不存在于二进制版本的图像中，因为真正的颜色（红、绿、蓝）不能被二进制化。
cc = bwconncomp(bw) % shows image information复制代码
在图像中找到一个特定颜色的区域
在图像中具有不同颜色的物体的区域可以通过颜色阈值法用Matlab确定。阈值化是根据强度将像素分配到某些类别。
颜色阈值处理也使我们能够确定地图中选定特征的区域。例如，在卫星地图中找到一个水体的面积。
为了证明这个概念，我将从一张卫星地图图片中确定一个水体的面积。该图片的分辨率为480 * 494 像素，深度为32，按卫星计算。
i = imread('l.victoria.PNG'); %import the image
imshow(i)
复制代码i2 = rgb2gray(i); % make a grayscale image of i
imshow(i2)
复制代码
imhist(i2) %histogram for pixel distributions复制代码
从直方图上看，X轴代表强度值，Y轴代表像素数。
在Matlab窗口工具栏中打开APPS，向下滚动到图像处理和计算机视觉，然后点击颜色阈值。
在新的窗口中从工作区加载一个图像，然后选择一个颜色空间，点击HSV。
调整标有H 的旋钮以去除背景色，调整S 和V 以使要分析的对象的边界平滑。
通过点击show binary 按钮，创建一个二进制版本的结果图像。
将二进制版本导入到工作区进行进一步分析，它将被标记为BW 。二进制版本的形状与湖泊的形状相似，我们可以用函数imshowpair ，直观地比较这两幅图像。
imshowpair(i,BW,'montage')
复制代码
为了找到二进制版本图像的图像统计，使用regionprops 函数。
stats = regionprops('table',BW,'all')
复制代码
以像素为单位的区域面积是表格中的面积道具之和。
areainpixels = sum(props.Area)
复制代码
面积可以使用地图上可能提供的比例尺转换为平方公里。通常，比例尺有一个预先确定的数值，以米、英里或公里为单位表示。
使用imtool(i) 功能来测量线性比例尺的起点和终点之间的距离。测量值的单位是像素，它代表比例尺的预定尺寸。从像素转换到所需的单位。
总结
Matlab为图像处理提供了一个完美的环境，因为它的命令和片段很容易遵循和应用。
图像处理有广泛的应用领域，如。
摄影。
图像的地理数据分析。
装饰品。
了解生物结构。
机器视觉，和娱乐。
从图像中提取的信息的准确性取决于用于处理图像的工具的质量，Matlab为图像处理提供了更好的工具。