雖然說(shuō)Matlab是一款數(shù)學(xué)處理軟件，但是這款軟件特別強(qiáng)大，強(qiáng)大之處在于他還能夠處理圖像，這個(gè)功能是很多新手學(xué)習(xí)Matlab的時(shí)候感到驚訝的地方，下面就給大家介紹Matlab處理圖像的方法。

　　一、圖像基本操作

　　1、讀取圖像并顯示：

　　》》 clear;close all %清空Matlab工作平臺(tái)所有變量（準(zhǔn)備工作）

　　》》 I=imread（‘pout.tif’）; % 該圖像是Matlab圖形工具箱中自帶的圖像（\toolbox\images\imdemos）

　　》》 imshow（I）

　　2、檢查內(nèi)存（數(shù)組）中的圖像：

　　》》 whos

　　Name Size Bytes Class

　　I 291x240 69840 uint8 array

　　Grand total is 69840 elements using 69840 bytes

　　表示該圖像采用8位存儲(chǔ)方式并占用了69840B的存儲(chǔ)空間。

　　3、實(shí)現(xiàn)圖像直方圖均衡化：

　　》》 figure，imhist（I） % 在新圖中顯示圖像I的直方圖

　　》》 I2=histeq（I）; % 均衡化以后的圖像存在I2數(shù)組中（圖像灰度值擴(kuò)展到整個(gè)灰度范圍，對(duì)比度提高）

　　》》 figure，imshow（I2） % 顯示均衡化后的圖像

　　》》 figure，imhist（I2） % 顯示均衡后的灰度值分布情況

　　8位圖像取值范圍：［0，255］，16位圖像取值范圍：［0，655351］，雙精度圖像取值范圍：［0，1］

　　4、保存圖像：

　　》》 imwrite（I2，‘pout2.png’）; % 將圖像由原先的tif格式另存為png格式

　　5、檢查新生成文件的信息：

　　》》 imfinfo（‘pout2.png’） % 觀察保存圖像的文件信息

　　ans =

　　Filename： ‘pout2.png’ % 文件名

　　FileModDate： ‘11-Apr-2009 21:55:35’ % 文件修改日期

　　FileSize： 36938 % 文件大小

　　Format： ‘png’ % 文件格式

　　FormatVersion： ［］ % 格式

　　Width： 240 % 文件寬度

　　Height： 291 % 文件高度

　　BitDepth： 8 % 文件位深度

　　ColorType： ‘grayscale’ % 顏色類型

　　……

　　二、圖像處理Matlab的應(yīng)用：

　　實(shí)例：消除rice.png圖像中亮度不一致的背景，并使用閾值將修改后的圖像轉(zhuǎn)換為二值圖像，使用成員標(biāo)記返回圖像中對(duì)象的個(gè)數(shù)以及統(tǒng)計(jì)特性。按照如下步驟進(jìn)行：

　　1、讀取和顯示圖像

　　》》 clear;close all

　　》》 I=imread（‘rice.png’）;

　　》》 imshow（I）

　　2、估計(jì)圖像背景：

　　圖像中心位置背景亮度強(qiáng)于其他部分亮度，用imopen函數(shù)和一個(gè)半徑為15的圓盤(pán)結(jié)構(gòu)元素對(duì)輸入的圖像I進(jìn)行形態(tài)學(xué)開(kāi)操作，去掉那些不完全包括在圓盤(pán)中的對(duì)象，從而實(shí)現(xiàn)對(duì)背景亮度的估計(jì)。

　　》》 clear;close all

　　》》 I=imread（‘rice.png’）;

　　》》 imshow（I）

　　》》 background=imopen（I，strel（‘disk’，15））;

　　》》 imshow（background）

　　》》 figure，surf（double（background（1:8：end，1:8：end））），zlim（［0，255］）;

　　》》 set（gca，‘ydir’，‘reverse’）;

　　顯示了背景圖（左）和背景表面圖（右）

　　3、從原始圖像中減去背景圖像（原始圖像I減去背景圖像得到背景較為一致的圖像）：

　　》》 I2=imsubtract（I，background）;

　　》》 figure，imshow（I2）

　　4、調(diào)節(jié)圖像的對(duì)比度 （圖像較暗，可用imadjust函數(shù)命令來(lái)調(diào)節(jié)圖像的對(duì)比度）

　　》》 I3=imadjust（I2，stretchlim（I2），［0 1］）;

　　》》 figure，imshow（I3）;

　　5、使用閾值操作將圖像轉(zhuǎn)換為二進(jìn)制（二值）圖像（bw），調(diào)用whos命令查看圖像的存儲(chǔ)信息。

　　》》 level=graythresh（I3）; % 圖像灰度處理

　　》》 bw=im2bw（I3，level）; % 圖像二值化處理

　　》》 figure，imshow（bw） % 顯示處理后的圖片

　　》》 whos

　　Name Size Bytes Class

　　I 256x256 65536 uint8 array

　　I2 256x256 65536 uint8 array

　　I3 256x256 65536 uint8 array

　　background 256x256 65536 uint8 array

　　bw 256x256 65536 logical array

　　level 1x1 8 double array

　　Grand total is 327681 elements using 327688 bytes

　　6、檢查圖像中對(duì)象個(gè)數(shù)（bwlabel函數(shù)表示了二值圖像中的所有相關(guān)成分并返回在圖像中找到的對(duì)象個(gè)數(shù)）

　　》》 ［labeled，numObjects］=bwlabel（bw，4）;

　　》》 numObjects

　　numObjects =

　　101

　　表示圖像中的米粒對(duì)象個(gè)數(shù)是101.

　　7、檢查標(biāo)記矩陣：（imcrop命令進(jìn)行交互式操作，圖像內(nèi)拉出較小矩形并顯示已標(biāo)記的對(duì)象和部分背景內(nèi)的像素）

　　》》 grain=imcrop（labeled）

　　grain =

　　0 0 42 42 42 42 42 42 42 0

　　0 0 42 42 42 42 42 42 42 42

　　0 0 42 42 42 42 42 42 42 42

　　0 0 42 42 42 42 42 42 42 42

　　0 0 42 42 42 42 42 42 42 42

　　0 0 42 42 42 42 42 42 42 42

　　0 42 42 42 42 42 42 42 42 42

　　0 42 42 42 42 42 42 42 42 42

　　8、觀察標(biāo)記矩陣（用label2rgb將其顯示為一副偽彩色的索引圖像）：

　　》》 RGB_label=label2rgb（labeled，@spring，‘c’，‘shuffle’）;

　　》》 imshow（RGB_label）;

　　9、測(cè)量圖像對(duì)象或區(qū)域的屬性（Regionprops，返回一個(gè)結(jié)構(gòu)數(shù)據(jù)）

　　》》 graindata=regionprops（labeled，‘basic’）

　　graindata =

　　101x1 struct array with fields：

　　Area

　　Centroid

　　BoundingBox

　　》》 graindata（40）.Area % 顯示矩陣中第40個(gè)元素的屬性

　　ans =

　　197

　　》》 graindata（40）.BoundingBox，graindata（40）.Centroid % 尋找最近的邊緣和中心點(diǎn)

　　ans =

　　82.5000 59.5000 24.0000 20.0000

　　ans =

　　95.4213 70.4924

　　》》 allgrains=［graindata.Area］; % 創(chuàng)建一個(gè)新的向量allgrains，其包含每個(gè)米粒的范圍

　　》》 whos allgrains

　　Name Size Bytes Class

　　allgrains 1x101 808 double array

　　Grand total is 101 elements using 808 bytes

　　》》 allgrains（51） % 相當(dāng)于整個(gè)矩陣的索引為51的屬性是多少，可見(jiàn)與原來(lái)得到的結(jié)果相同

　　ans =

　　140

　　》》 max（allgrains） % 獲取最大的米粒大小

　　ans =

　　404

　　》》 biggrain=find（allgrains==404） % 使用find命令返回這個(gè)最大尺寸米粒的標(biāo)記號(hào)

　　biggrain =

　　59

　　》》 mean（allgrains） % 獲取米粒的平均大小

　　ans =

　　175.0396

　　10、繪制包含30個(gè)柱的直方圖來(lái)說(shuō)明米粒大小的分布情況

　　》》 hist（allgrains，30）

　　米粒大小分布柱狀圖

　　以上幾點(diǎn)便是Matlab圖像處理的基本操作，多次使用后你會(huì)發(fā)現(xiàn)這些方法在使用Matlab的過(guò)程中很實(shí)用，并且使用起來(lái)非常簡(jiǎn)單。以上便是關(guān)于Matlab圖像處理方法的基本操作，希望對(duì)你的學(xué)習(xí)有所幫助。