给出matlab代码：读入图像‘cameraman.tif’，注意图像矩阵中数据格式； 构造不同阶数n的巴特沃斯高通滤波器； 在频域中，用构造的巴特沃斯高通滤波器分别对图像进行滤波； 将滤波结果变换回图像空间域，并显示原始图像、高通滤波后图像； 对比并分析实验结果。

以下是实现上述要求的MATLAB代码：

% 读入图像
I = imread('cameraman.tif');

% 构造巴特沃斯高通滤波器
n = 2; % 阶数
D0 = 50; % 截止频率
H = 1./(1 + (D0./freqspace(size(I,1), 'meshgrid').^2n));

% 在频域中用滤波器对图像进行滤波
J = fftshift(fft2(double(I)));
J_hp = H .* J;

% 将滤波结果变换回图像空间域
I_hp = real(ifft2(ifftshift(J_hp)));

% 显示原始图像和高通滤波后图像
figure;
subplot(121);
imshow(I);
title('Original Image');
subplot(122);
imshow(I_hp, []);
title(['High-pass Filtered Image (n = ' num2str(n) ', D0 = ' num2str(D0) ')']);

在上述代码中，我们首先使用`imread`函数读入了名为`cameraman.tif`的图像，并将其存储在变量`I`中。注意到读入的图像是一个灰度图像，因此它在MATLAB中被表示为一个二维矩阵。

接下来，我们构造了一个巴特沃斯高通滤波器。在代码中，我们通过设置阶数`n`和截止频率`D0`来定义滤波器。具体来说，我们使用了`freqspace`函数来生成一个大小与原始图像相同的频域网格，并计算了每个网格点对应的频率。然后，我们使用这些频率值来计算巴特沃斯高通滤波器的传递函数`H`，并将其存储在变量`H`中。

接下来，我们将原始图像`I`进行傅里叶变换，并使用`fftshift`函数将零频率移到频域图像的中心。然后，我们将巴特沃斯高通滤波器的传递函数`H`与频域图像进行点乘运算，得到高通滤波后的频域图像`J_hp`。

最后，我们将高通滤波后的频域图像`J_hp`进行傅里叶反变换，并使用`ifftshift`函数将零频率移回到图像的左上角。最终，我们得到了高通滤波后的图像`I_hp`。我们使用`imshow`函数分别显示原始图像和高通滤波后的图像，并使用`title`函数添加相应的标题。

在代码中，我们设置了阶数`n=2`、截止频率`D0=50`。你可以尝试修改这些参数，观察不同的滤波效果。