MATLAB 图像处理：图像增强、分割和特征提取，让计算机看清世界

# 1. MATLAB 图像处理基础**

MATLAB 是用于技术计算的高级编程语言，在图像处理领域有着广泛的应用。本章将介绍 MATLAB 图像处理的基础知识，包括图像表示、读取和显示、基本图像处理操作等。

**1.1 图像表示**

图像在 MATLAB 中表示为多维数组，其中每个元素对应图像中一个像素的强度值。灰度图像使用单通道数组表示，彩色图像使用三通道数组表示（RGB）。

**1.2 图像读取和显示**

使用 `imread()` 函数可以从文件中读取图像，使用 `imshow()` 函数可以显示图像。这些函数提供了控制图像显示方式的各种选项，例如缩放、调整对比度和亮度等。

# 2. 图像增强

图像增强是指通过对图像进行处理，改善图像的视觉效果和可读性，使其更适合于特定任务或应用。图像增强技术广泛应用于图像处理、计算机视觉、医学影像和遥感等领域。

### 2.1 灰度变换

灰度变换是图像增强中最基本的操作之一，它通过改变图像中像素的灰度值来调整图像的亮度和对比度。灰度变换可以分为线性变换和非线性变换。

#### 2.1.1 线性变换

线性变换是一种简单的灰度变换，它通过一个线性函数对图像中的每个像素值进行映射。最常见的线性变换包括：

- **亮度调整：**通过增加或减少图像中所有像素的灰度值来调整图像的整体亮度。
- **对比度调整：**通过扩大或缩小图像中像素灰度值的范围来调整图像的对比度。

% 读取图像
I = imread('image.jpg');

% 亮度调整
I_bright = I + 50;

% 对比度调整
I_contrast = I * 1.5;

% 显示调整后的图像
figure;
subplot(1, 2, 1);
imshow(I);
title('原始图像');
subplot(1, 2, 2);
imshow(I_bright);
title('亮度调整后的图像');
subplot(1, 2, 3);
imshow(I_contrast);
title('对比度调整后的图像');

#### 2.1.2 非线性变换

非线性变换是一种更复杂的灰度变换，它通过一个非线性函数对图像中的每个像素值进行映射。最常见的非线性变换包括：

- **对数变换：**通过对图像中像素值取对数来压缩图像的动态范围，增强图像中暗部区域的细节。
- **伽马变换：**通过对图像中像素值进行幂运算来调整图像的对比度，增强图像中亮部或暗部区域的细节。

% 读取图像
I = imread('image.jpg');

% 对数变换
I_log = log(I + 1);

% 伽马变换
I_gamma = I .^ 0.5;

% 显示调整后的图像
figure;
subplot(1, 2, 1);
imshow(I);
title('原始图像');
subplot(1, 2, 2);
imshow(I_log);
title('对数变换后的图像');
subplot(1, 2, 3);
imshow(I_gamma);
title('伽马变换后的图像');

### 2.2 直方图均衡化

直方图均衡化是一种图像增强技术，它通过调整图像的直方图来改善图像的对比度和亮度。直方图均衡化的原理是将图像的直方图拉伸到整个灰度范围，使图像中每个灰度值出现的频率更加均匀。

% 读取图像
I = imread('image.jpg');

% 直方图均衡化
I_eq = histeq(I);

% 显示调整后的图像
figure;
subplot(1, 2, 1);
imshow(I);
title('原始图像');
subplot(1, 2, 2);
imshow(I_eq);
title('直方图均衡化后的图像');

### 2.3 图像锐化

图像锐化是一种图像增强技术，它通过增强图像中边缘和细节的对比度来提高图像的清晰度。图像锐化可以分为空间域锐化和频域锐化。

#### 2.3.1 空间域锐化

空间域锐化直接在图像的像素值上进行操作，通过使用锐化滤波器来增强图像中边缘和细节的对比度。最常见的空间域锐化滤波器包括：

- **拉普拉斯滤波器：**通过计算图像中每个像素与其周围像素的差值来增强边缘。
- **索贝尔滤波器：**通过计算图像中每个像素沿水平和垂直方向的梯度来增强边缘。

% 读取图像
I = imread('image.jpg');

% 拉普拉斯锐化
I_laplace = imfilter(I, fspecial('laplacian'));

% 索贝尔锐化
I_sobel = imfilter(I, fspecial('sobel'));

% 显示锐化后的图像
figure;
subplot(1, 2, 1);
imshow(I);
title('原始图像');
subplot(1, 2, 2);
imshow(I_laplace);
title('拉普拉斯锐化后的图像');
subplot(1, 2, 3);
imshow(I_sobel);
title('索贝尔锐化后的图像');

#### 2.3.2 频域锐化

频域锐化将图像转换为频域，然后在频域中增强图像的边缘和细节。频域锐化最常用的方法是高通滤波，它通过允许高频分量通过而抑制低频分量来增强图像中边缘和细节的对比度。

% 读取图像
I = imread('image.jpg');

% 傅里叶变换
F = fft2(I);

% 高通滤波
H = fspecial('gaussian', [3 3], 1);
F_filtered = F .* H;

% 逆傅里叶变换
I_filtered = ifft2(F_filtered);

% 显示锐化后的图像
figure;
subplot(1, 2, 1);
imshow(I);
title('原始图像');
subplot(1, 2, 2);
imshow(abs(I_filtered));
title('频域锐化后的图像');

# 3. 图像分割**

图像分割是将图像划分为具有不同属性的区域的过程，这些区域代表图像中的不同对象或结构。图像分割在计算机视觉和图像处理中至关重要，因为它允许我们识别和提取图像中的感兴趣区域。

**3.1 阈值分割**

阈值分割是最简单的图像分割方法之一。它通过将每个像素值与给定的阈值进行比较来将图像划分为前景和背景。如果像素值大于阈值，则将其分配给前景；否则，将其分配给背景。

**3.1.1 全局阈值分割**

全局阈值分割使用单个阈值来分割整个图像。该阈值通常是图像中前景和背景像素值之间的平均值。全局阈值分割简单易用，但对于具有复杂照明或噪声的图像可能效果不佳。

**3.1.2 局部阈值分割**

局部阈值分割将图像划分为较小的区域，并为每个区域计算一个单独的阈值。这允许在具有不同照明或噪声水平的图像中获得更好的分割结果。

**代码块：**

% 图像读取
image = imread('image.jpg');

% 全局阈值分割
threshold = mean(image(:));
segmented_image = image > threshold;

% 局部阈值分割
segmented_image = adaptthresh(image, 0.5, 'NeighborhoodSize', [31 31]);

**3.2 区域生长分