MATLAB中的图像处理与计算机视觉初探

# 1. 图像处理基础

图像处理是指对数字图像进行操作和分析的过程，通常涉及图像的获取、处理、分析和输出等步骤。在MATLAB中，图像处理工具箱提供了丰富的函数和工具，便于进行各种图像处理操作。接下来我们将介绍MATLAB中图像处理的基础知识，包括图像的加载、显示、保存，像素操作以及颜色空间转换等内容。让我们一起深入学习吧！

# 2. 图像增强与滤波

在图像处理中，图像增强和滤波是非常重要的步骤，可以帮助我们改善图像的质量和清晰度。同时，通过合适的增强和滤波技术，还可以突出图像中的特定特征，使得后续的分析和处理更加准确有效。

### 2.1 灰度图像增强技术

在处理灰度图像时，常见的增强技术包括直方图均衡化、对比度增强等。下面是对比度增强的示例代码：

import cv2

# 读取灰度图像
img_gray = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

# 对比度增强
alpha = 1.5  # 增强因子
img_contrast = cv2.convertScaleAbs(img_gray, alpha=alpha, beta=0)

# 显示原始图像和增强后的图像
cv2.imshow('Original Image', img_gray)
cv2.imshow('Enhanced Image', img_contrast)
cv2.waitKey(0)
cv2.destroyAllWindows()

**代码总结：** 以上代码通过改变亮度和对比度来增强灰度图像的效果，提升图像质量。

**结果说明：** 经过对比度增强后，图像的对比度更加突出，细节更加清晰、鲜明。

### 2.2 基本滤波器的应用及效果比较

图像滤波是一种常见的图像处理技术，常用于去除噪声、平滑图像等。常见的滤波器包括均值滤波器、高斯滤波器等。下面是使用均值滤波器和高斯滤波器的示例代码：

import cv2

# 读取彩色图像
img_color = cv2.imread('image.jpg')

# 均值滤波
img_mean = cv2.blur(img_color, (5, 5))

# 高斯滤波
img_gaussian = cv2.GaussianBlur(img_color, (5, 5), 0)

# 显示原始图像及不同滤波效果
cv2.imshow('Original Image', img_color)
cv2.imshow('Mean Filter', img_mean)
cv2.imshow('Gaussian Filter', img_gaussian)
cv2.waitKey(0)
cv2.destroyAllWindows()

**代码总结：** 以上代码通过均值滤波器和高斯滤波器对彩色图像进行平滑处理，去除噪声。

**结果说明：** 均值滤波器会对图像进行简单平均，适用于轻度噪声；而高斯滤波器在滤波的同时保留更多图像细节，适用于更加复杂的噪声情况。

# 3. 边缘检测与特征提取

图像中的边缘信息对于后续的图像分析和计算机视觉任务非常重要，因为边缘往往包含了物体的轮廓和形状信息。在MATLAB中，我们可以通过不同的方法来实现边缘检测和特征提取。

#### 3.1 基于梯度的边缘检测方法

边缘通常表示图像像素灰度值的突变，而梯度可以帮助我们检测这种变化。在MATLAB中，我们可以使用Sobel、Prewitt、Laplacian等滤波器来计算图像的梯度，进而实现边缘检测。

% 读取图像
img = imread('lena.jpg');
img_gray = rgb2gray(img); % 转为灰度图像

% 使用Sobel算子进行边缘检测
edge_sobel = edge(img_gray, 'Sobel');

% 使用Prewitt算子进行边缘检测
edge_prewitt = edge(img_gray, 'Prewitt');

% 显示结果
subplot(1,3,1), imshow(img_gray),