使用Matlab对图像进行频域滤波的代码

下面是使用Matlab对图像进行频域滤波的代码示例：

% 读取图像
I = imread('lena.jpg');

% 转换为灰度图像
I = rgb2gray(I);

% 对图像进行傅里叶变换
F = fft2(I);

% 将零频分量移到频谱中心
F = fftshift(F);

% 构造滤波器
[M, N] = size(I);
H = zeros(M, N);
D0 = 40; % 截止半径
for i = 1:M
    for j = 1:N
        D = sqrt((i-M/2)^2 + (j-N/2)^2);
        H(i,j) = exp(-(D^2)/(2*D0^2));
    end
end

% 将滤波器应用于频谱
G = H .* F;

% 将零频分量移到频谱左上角
G = ifftshift(G);

% 对频谱进行反傅里叶变换
J = ifft2(G);

% 显示原图和滤波后的图像
figure;
subplot(1,2,1); imshow(I); title('原图');
subplot(1,2,2); imshow(abs(J),[]); title('滤波后');

在这个示例中，我们使用了高斯滤波器来对图像进行频域滤波。通过调整截止半径D0的值，可以控制滤波器的截止频率，从而达到不同的滤波效果。滤波后的图像可以通过取绝对值并进行灰度化来显示。

相关问题

Matlab图像增强—频域滤波代码

以下是一个简单的 Matlab 频域滤波示例代码，它可以对图像进行增强。该代码使用离散傅里叶变换（DFT）和频域滤波器（低通和高通滤波器）。

% 读取图像
I = imread('lena.bmp');

% 将图像转换为灰度图像
if size(I, 3) == 3
    I = rgb2gray(I);
end

% 对图像进行离散傅里叶变换
F = fft2(double(I));

% 将频谱中心移动到图像中心
F_shift = fftshift(F);

% 创建低通滤波器
[M, N] = size(I);
D0 = 30; % 截止半径
H = zeros(M, N);
for u = 1:M
    for v = 1:N
        D = sqrt((u-M/2)^2 + (v-N/2)^2);
        if D <= D0
            H(u, v) = 1;
        end
    end
end

% 应用低通滤波器
G = H .* F_shift;

% 将频谱中心移回原处
G_shift = ifftshift(G);

% 对滤波后的频域图像进行反离散傅里叶变换
J = real(ifft2(G_shift));

% 显示原图像和增强后的图像
figure;
subplot(1, 2, 1);
imshow(I);
title('原图像');
subplot(1, 2, 2);
imshow(J, []);
title('低通滤波增强后的图像');

你也可以使用高通滤波器对图像进行增强，只需将上述代码中的低通滤波器替换为高通滤波器即可。

matlab三维图像的频域滤波代码

Matlab中实现三维图像的频域滤波需要使用傅里叶变换函数和滤波函数。具体代码如下：

% 读取三维图像数据
img = imread('image3D.jpg');

% 将三维图像转换为灰度图像
gray_img = rgb2gray(img);

% 对灰度图像进行傅里叶变换
fft_img = fftshift(fftn(gray_img));

% 定义高斯滤波器
sigma = 10; % 高斯滤波器的标准差
[x, y, z] = size(gray_img);
[X, Y, Z] = meshgrid(-floor(x/2):floor(x/2)-1, -floor(y/2):floor(y/2)-1, -floor(z/2):floor(z/2)-1);
gaussian_filter = exp(-(X.^2+Y.^2+Z.^2)/(2*sigma^2));

% 对傅里叶变换后的图像进行频域滤波
filtered_img = ifftn(ifftshift(fft_img .* gaussian_filter));

% 显示滤波前后的图像
subplot(1, 2, 1), imshow(gray_img), title('Original Image');
subplot(1, 2, 2), imshow(abs(filtered_img)), title('Filtered Image');

上述代码中，首先读取了一个三维图像，并将其转换为灰度图像。然后使用`fftn`函数对灰度图像进行傅里叶变换，并使用`fftshift`函数将低频分量移动到图像中心。接着，定义了一个高斯滤波器，并将其与傅里叶变换后的图像相乘，得到频域滤波后的结果。最后使用`ifftn`函数对滤波后的图像进行逆傅里叶变换，并使用`ifftshift`函数将低频分量移回原始位置。最后通过`imshow`函数将滤波前后的图像进行展示。