基于MATLAB 軟件的數字圖像處理

鄭 磊

（蘇州科技大學 江蘇 蘇州 215009）

0 引言

數字圖像處理在計算機領域扮演著重要的角色，然而噪聲問題常常影響圖像屬性的質量和恢復效果，需要進行改善。 圖像的分割和提取重要對象信息是數字圖像處理中的關鍵任務。 為了解決這些問題，研究人員提出了各種綜合性方法和技術，涉及計算機技術、光學微電子技術和數學分析原理等領域［1］。 矩陣實驗室（matrix laboratory，MATLAB）軟件是一種流行且適用的科學計算軟件，由MathWorks 公司開發。 它提供了豐富的數值計算和圖形處理工具，可廣泛應用于通信、控制系統濾波器設計、非線性控制設計、系統識別、神經網絡、優化、模糊邏輯、信號處理、魯棒控制等領域。 本文旨在研究數字圖像處理的方法和技術，結合MATLAB 軟件的優勢和特點，探討如何利用數值計算、圖形處理和相關工具改善圖像質量、實現圖像恢復、分割和提取重要對象信息。 同時，還將討論開發人員在使用過程中常遇到的格式問題和函數代碼錯誤，并提供解決方案，以推動科學技術和數學應用軟件的發展和流行。

1 數字圖像處理簡介

1.1 數字圖像處理的發展歷程

隨著電子計算機技術的發展，人們得以使用計算機來進行圖像處理。 發展初期應用領域很小，僅應用于航空、航天和國防領域。 20 世紀70 年代，數字圖像處理逐漸被應用于醫學成像領域，代表的有X 射線、計算機斷層掃描（computed tomography， CT）、 磁共振成像（ magnetic resonance imaging，MRI）等。 同時，數字圖像處理也開始應用于印刷、出版和圖像傳輸等領域。 20 世紀80 年代，數字圖像處理開始廣泛應用于工業、商業和娛樂業領域，如數字攝影、數字電視和數字圖像處理軟件等。 20 世紀末期，隨著計算機性能的進一步提高，數字圖像處理技術也得到了更好的發展，開始應用于虛擬現實、模擬仿真、安全監控等領域。 到了21 世紀，智能交通、人臉識別、指紋識別、生物醫學工程等領域都能看到圖像處理的身影［2］。 當今，隨著人工智能、深度學習、大數據等技術的發展，數字圖像處理技術又迎來了新的機遇和挑戰。

1.2 數字圖像處理的優點和發展前景

數字圖像處理技術有很多優點，主要包含以下四方面：（1）再現性好。 數字圖像處理能夠實現高度再現性，通過相同的算法和參數，可以準確地復制和重現處理結果。 數字圖像處理的一致性對于科學研究、醫學影像等領域非常重要。 （2）處理精度高。 數字圖像處理具有出色的處理精度，可以對圖像進行準確的操作和分析。 通過復雜的算法和數學模型，可以提高圖像的質量和清晰度。（3）適用面寬。 數字圖像處理適用于各個領域，包括自然圖像、醫學影像、衛星圖像等。 它可以處理靜態和動態圖像數據，應對不同類型的圖像需求。 （4）靈活性高。 數字圖像處理具有高度靈活性，可以根據特定需求進行定制和調整。 它可以與其他領域的技術相結合，進一步提高處理效果和功能。

數字圖像處理作為一種應用廣泛的技術，其前景和未來發展非常廣闊。 其發展方向主要包括以下四個方面：（1）智能化。 數字圖像處理正朝著智能化方向發展。 通過人工智能和機器學習技術，數字圖像處理系統能夠實現更高級的功能，如圖像識別、目標檢測和自動分析。 智能化的數字圖像處理將推動自動化和智能決策的發展。（2）應用領域廣泛。 數字圖像處理在各個領域都有廣泛的應用，如醫學影像、衛星圖像、工業質檢等。 未來，數字圖像處理將在無人駕駛、虛擬現實等領域進一步擴大應用，為更多行業提供解決方案。 （3）技術融合。 數字圖像處理將與其他技術融合，形成更強大的處理能力。 例如，與計算機視覺、機器學習和大數據分析等技術結合，可以實現更復雜、多模態的圖像處理任務。 技術融合將推動數字圖像處理技術的創新和應用。 （4）高精度、高效率。 數字圖像處理追求高精度和高效率。 通過優化算法和硬件設備，數字圖像處理可以實現更準確、可靠的圖像分析和處理結果，并在更短的時間內完成復雜任務。

2 MATLAB 圖像處理工具箱

MathWorks 公司是一個專注于應用領域的科技公司，他們開發了一系列強大的工具包，以解決信號處理、神經網絡、圖像處理和金融等領域的問題。 其中，小波分析在圖像處理中扮演著重要角色。 通過使用MATLAB 支持C語言和Fortran 的高級語言的功能，用戶可以輕松編寫和訪問核心程序。 MATLAB 的簡單邏輯習慣使得問題的解決變得方便和快捷，并且可以通過擴展的方式滿足用戶的需求。 用戶可以調用和修改函數，添加自定義的函數，并使用圖像處理工具箱來進行數字圖像處理。 這些功能使得MathWorks 的工具包成為許多科學專家和工程師的首選。

近年來，圖像處理工程成像技術中起著至關重要的作用。 MATLAB 6.x 作為一種廣泛使用的數據處理工具，具有強大的圖像處理功能，可以讀取、寫入和顯示各種圖像文件格式。 研究人員利用MATLAB 的算法研究和測試，能夠有效地處理復雜的數字圖像處理任務。 它不僅節省了研究人員的時間，還提高了搜索效率。 此外，MATLAB還提供了統計數據和圖示功能，使得圖像處理的結果更加直觀和易于理解。 總體而言，MATLAB 6.x 在圖像處理領域具有強大的功能，為研究人員在復雜圖像處理任務中提供了可靠的支持。 因此，研究人員選用該軟件來完成以下的圖像處理工作。

3 利用MATLAB 進行數字圖像處理

3.1 圖像的灰度化、二值化處理

為了在某些圖像操作中能夠順利進行，MATLAB 支持多種圖像類型的運行，如灰度圖像、索引圖像、三基色圖像和二進制圖像等。 然而，由于某些操作對圖像類型有特定要求，因此需要對相關的圖像類型進行轉換［3］。

下面是MATLAB 實現的源程序及注解，輸出結果如下：

graypic＝rgb2gray（pic）； %彩色圖轉灰度圖

bwpic＝im2bw（graypic）； %灰度圖轉為二值圖

imshow（graypic）； %顯示灰度圖

Imshow（bwpic）； %顯示二值圖

輸出結果如圖1、圖2 所示。

圖1 灰度化圖像

圖2 二值化圖像

3.2 圖像增強處理

圖像增強是指按特定的需要突出一幅圖像中的某些信息，同時，削弱或去除某些不需要的信息的處理方法。其主要目的是處理后的圖像對某些特定的應用比原來的圖像更加有效。 圖像增強技術主要有

3.3 灰度變換和伽馬校正

伽馬變換，也稱為指數變換、冪次變換或冪律變換，是常用的非線性變換之一。 其主要作用在于圖像校正，修正過高或過低灰度的圖像，以增強圖像對比度。

代碼實現過程如下：

% 讀取圖像

image ＝imread（＇picname.jpg＇）；

% 灰度變換和伽馬校正

gray＿image ＝rgb2gray（image）；

gamma＿2 ＝imadjust（gray＿image， ［］， ［］， 2）；

gamma＿0＿5 ＝imadjust（gray＿image， ［］， ［］， 0.5）；

% 顯示原始圖像、灰度變換圖像和伽馬校正圖像

figure；

subplot（1， 3，1）， imshow（gray＿image）， title（＇原始圖像＇）；

subplot（1， 3， 2）， imshow（gamma＿2）， title（＇Gamma＝2＇）；

subplot（1， 3， 3）， imshow（gamma＿0＿5）， title（＇Gamma＝0.5＇）；

處理結果如圖3 所示。

圖3 灰度圖經過不同gamma 值伽馬校正得到的圖像

從處理結果可以看出，圖像經過伽馬變換后，其亮度和對比度會發生變化。

當伽馬值大于1 時（如伽馬值為2），圖像的暗部將被拉伸，使得暗部細節更加突出，同時亮部細節可能會被壓縮，導致整體圖像的對比度增強，暗部更亮，而亮部相對變暗。

當伽馬值小于1 時（如伽馬值為0.5），圖像的亮部將被拉伸，使得亮部細節更加突出，同時暗部細節可能會被壓縮，同樣會導致整體圖像的對比度增強，亮部更亮，而暗部相對變暗。

所以，伽馬變換可以用于調整圖像的亮度和對比度，使得圖像更適合特定的顯示或分析需求。 不同的伽馬值會產生不同的效果，可以根據實際情況選擇合適的伽馬值進行調整。

3.4 圖像直方圖的均衡化處理

自然灰度圖像經均勻量化后，其直方圖通常集中在較低灰度值的區域，導致圖像的黑暗區域細節變得模糊。 為了增強圖像并凸顯細節，可以通過裁剪直方圖來擴展原始圖像的灰度范圍或調整灰度分布，以增加對比度。 這樣可以明確圖像的細節，實現圖像增強的目標。 代碼實現過程如下：

% 讀取圖像

image ＝imread（＇picname.jpg＇）；

% 灰度圖像處理

gray＿image ＝rgb2gray（image）；

% 整體直方圖均衡化

global＿histeq＿image ＝histeq（gray＿image）；

% 局部直方圖均衡化

window＿size ＝［64， 64］； % 局部窗口大小

local＿ histeq ＿ image ＝ adapthisteq （gray ＿ image， ＇NumTiles＇， ［8， 8］， ＇ClipLimit＇， 0.02， ＇Distribution＇， ＇rayleigh＇）；

% 顯示原始圖像、整體直方圖均衡化圖像和局部直方圖均衡化圖像

figure；

subplot（1， 3，1）， imshow（gray＿image）， title（＇原始圖像＇）；

subplot（1， 3， 2）， imshow（global＿histeq＿image）， title（＇整體直方圖均衡化＇）；

subplot（1，3，3）， imshow（local＿histeq＿image）， title（＇局部直方圖均衡化＇）；

圖像對比如圖4 所示。

圖4 灰度圖全局直方圖均衡化和局部直方圖均衡化圖像對比

從處理結果可以看出，對于整體直方圖均衡化，它會通過對整個圖像的灰度級分布進行重新分配，使得圖像的灰度級更加均勻地分布在整個灰度范圍內。 這將增強圖像的對比度和細節信息。 暗的區域會被拉伸，亮的區域會被壓縮，以達到均衡化的效果。

而局部直方圖均衡化是一種自適應的直方圖均衡化方法，它將圖像分割為多個局部區域，并對每個局部區域的直方圖進行均衡化，更好地保留圖像中的局部細節，并減少全局直方圖均衡化可能引起的過度增強。 局部直方圖均衡化可以提高圖像的局部對比度，使得圖像中的細節更加突出。

因此，整體直方圖均衡化可以使整個圖像的對比度得到增強，改善整體的亮度分布。 局部直方圖均衡化則更加注重保留圖像的局部細節和對比度，并且在不同的局部區域進行自適應的灰度均衡化，以獲得更好的視覺效果。 兩種方法都可以用于圖像增強和改善圖像質量。

3.5 圖像平滑

圖像平滑技術通過在空間域或頻域中應用低通濾波器來減少圖像中的噪聲和突變點。 在空間域，使用平均值或中位數濾波器處理相鄰像素，以消除灰度非常不同的噪點。 在頻域，通過衰減圖像的高頻分量來實現圖像信號的模糊。 這種技術在處理圖像目標區域和邊界時具有重要意義，能夠改善圖像的質量［4］。

代碼實現過程如下：

% 讀取圖像

image ＝imread（＇input＿image.jpg＇）；

% 轉換為灰度圖像

gray＿image ＝rgb2gray（image）；

% 添加高斯噪聲

noisy＿image ＝ imnoise（gray＿image， ＇gaussian＇， 0，0.02）； % 添加方差為0.02 的高斯噪聲

% 使用不同大小的濾波器進行圖像平滑處理

smoothed＿image＿1 ＝imfilter（noisy＿image， fspecial（＇average＇， 1））；

smoothed＿image＿3 ＝imfilter（noisy＿image， fspecial（＇average＇， 3））；

smoothed＿image＿5 ＝imfilter（noisy＿image， fspecial（＇average＇， 5））；

% 顯示原始圖像和平滑處理后的圖像

figure；

subplot（2， 2，1）， imshow（gray＿image）， title（＇原始圖像＇）；

subplot（2， 2， 2）， imshow（noisy＿image）， title（＇帶噪聲圖像＇）；

subplot（2， 2， 3）， imshow（smoothed＿image＿1）， title（＇1x1 濾波器＇）；

subplot（2， 2， 4）， imshow（smoothed＿image＿3）， title（＇3x3 濾波器＇）；

% 顯示使用5x5 濾波器平滑處理后的圖像

figure；

imshow（smoothed＿image＿5）， title（＇5x5 濾波器＇）；

顯示結果如圖5 所示。

圖5 不同大小濾波器濾除高斯噪聲效果圖

從輸出結果圖可以看出，濾波器越大，對高斯噪聲濾除的效果越好，見圖6。

圖6 均值濾波和中值濾波對高斯、椒鹽噪聲濾除效果對比圖

均值濾波是一種線性平滑濾波技術，它采用平均值來代替像素值，以達到去除圖像噪聲的目的。 均值濾波的好處是操作簡單且容易實現，計算速度快，缺點是對噪聲的抑制效果較差，同時還會對圖像的邊緣和細節部分產生模糊影響［5］。

中值濾波是一種非線性濾波技術，它的原理是將像素值排序后取中間值作為當前像素的值。 中值濾波的優點是對椒鹽噪聲和斑點噪聲有很好的抑制效果，同時不會對圖像的邊緣和細節部分產生模糊影響。 但是它的缺點是計算速度相對較慢。

所以，均值濾波和中值濾波各有優缺點，具體使用哪種方法取決于噪聲類型和去噪要求。 在實際應用中，可以根據具體情況選擇合適的方法去除圖像噪聲［6］。

4 結語

數字圖像處理是一門經過長期發展的技術，其應用前景廣闊且有很多優點，因此值得深入研究。 本文通過使用MATLAB 中的數字圖像處理函數，實現了便捷的圖像灰度化、二值化、圖像增強、圖像直方圖均衡化、圖像平滑等處理，展現了圖像處理技術的智能性、精確性和高效性。 圖像信息是人們認識客觀世界的重要載體，因此，數字圖像處理作為處理這一載體的技術，在未來一定會引領各領域技術朝著更好的方向發展。