内容发布更新时间 : 2024/12/23 12:46:14星期一 下面是文章的全部内容请认真阅读。
函数imtransform使用反向映射，即按照顺序扫描每个输出像素，用 运算出输入图像上的对应位置，并将其插值到最近的输入像素之中，以决定输出像素的值。其语法为：
g = imtransform (f, tform, interp)
其中，interp是一个字符串，用来指明像素如何样获得输出像素，能够是：‘nearest’, ‘billnear’, ‘bicublc’ 或 ‘bicubic’。
（2）图像配准。工具箱支持以操纵点为基础的图像配准，操纵点也称为联接点，即在两幅图像中的位置已知或能够交互地选择的像素的一个子集。函数cp2tform支持的空间变换类型已列在下表中。
表格 错误!文档中没有指定样式的文字。-11 函数cp2tform和maketform支持的变换类型
变换类型 Affine (仿射) Box (盒) Composite (合成) Custom (自定义) 描述 函数 缩放、旋转、剪切和平移的组合。直线仍旧保持直线，maketform 平行线保持平移。 沿着每个方向独立地缩放和平移；仿射变换的子集。 顺序应用的空间变换集合。 用户自定义的空间变换；用户提供 和 函数。 cp2tform maketform maketform maketform cp2tform cp2tform maketform cp2tform Linear conformal 缩放（在各个方向上都相同）、旋转、和平移；仿射变(线性等角) 换的子集。 LWM 局部加权平均；局部变化的空间变换。 Piecewise linear 局部变化的空间变换。 (分段线性) Polynomial (多项式) Project (投影)
输入空间坐标是输出空间的多项式。 如仿射变换那样，直线保持为直线，但平行线收敛于消逝点。 3.2 实验内容
3.2.1 使用函数imnoise2（在M函数文件夹下）产生数据的六种直方图：高斯、平均、对数正态、瑞利、指数、厄兰（从左至右），如图所示。请写出实验代码。
>> r=imnoise2('gaussian',100000,1,0,1); >> p=hist(r,50); >> bar(p);
>> r2=imnoise2('uniform',100000,1); >> p=hist(r2,50); >> bar(p)
>> r2=imnoise2('lognormal',100000,1); >> p=hist(r2,50); >> bar(p)
>> r2=imnoise2('rayleigh',100000,1); >> p=hist(r2,50); >> bar(p)
>> r2=imnoise2('exponential',100000,1); >> p=hist(r2,50); >> bar(p)
>> r2=imnoise2('erlang',100000,1); >> p=hist(r2,50); >> bar(p)
3.2.2 使用函数imnoise3，产生频谱和空间正弦噪声模式，如图所示。
>> c=[0 64;0 128;32 32;64 0;128 0;-32 32]; >> [r,R,s] = imnoise3 (512,512,c); >> imshow(s, [])
>> figure,imshow(r, [])
>> c2=[0 32;0 64;16 16;32 0;64 0;-16 16]; >> [r2,R2,s2] = imnoise3 (512,512,c2); >> figure,imshow(s2, []) >> figure,imshow(r2, []) >> c3=[6 32;-2 2];
>> [r3,R3,s3] = imnoise3 (512,512,c3); >> figure,imshow(r3,[]); >> a=[1 5];
>> [r4,R4,s4]=imnoise3(512,512,c3,a); >> figure,imshow(r4,[]);
3.2.3 估量噪声参数。如图所示，是一副带有噪声的图像（'Fig5.07(b).jpg'），利用已学的技术来估量噪声类型及其参数。写出实验步骤。
>> f=imread('Fig5.07(b).jpg');
>> [B,c,r]=roipoly(f); ‘现在利用鼠标在图像上选取多边形
>> figure,imshow(B); >> [p, npix]=histroi(f, c, r); >> figure,bar(p,1)
>> [v, unv]=statmoments(p, 2); >> v v =
0.5454 0.0027 >> unv unv =
139.0833 176.1200
>> X=imnoise2('gaussian', npix,1,147,20); >> figure,hist(X, 130) >> axis([0 300 0 140])
3.2.4 使用函数spilt。如图所示的8幅图像分不是：(a)一幅被概率只有0.1的胡椒噪声污染的unit8类图像、(b)被概率为0.1的盐粒噪声污染的图像、(c)用阶为Q=1.5的3*3反调和滤波器对图a滤波的结果、(d)用Q=-1.5对b的滤波的结果、(e)用3*3最大滤波器对a滤波的结果、(f)用3*3最小滤波器对图b滤波的结果。请写出实验步骤。
>> f=imread('Fig5.08(a).jpg'); >> [m,n]=size (f);
>> r = imnoise2('salt & pepper',m ,n, 0.1, 0); >> c = find(r == 0); >> gp = f; >> gp (c) = 0;
>> r=imnoise2('salt & pepper',m,n,0,0.1); >> c=find(r ==1); >> gs=f; >> gs(c)=255;
>> figure, imshow(gs)
>> fp = spfilt(gp, 'chmean', 3, 3, 1.5); >> figure,imshow(fp)
>> fs= spfilt(gs, 'chmean', 3, 3, -1.5); >> figure,imshow(fs)
>> fmax = spfilt(gp, 'max', 3, 3); >> figure,imshow(fmax)
>> fmin = spfilt(gs, 'min', 3, 3); >> figure,imshow(fmin)
3.2.5 自适应中值滤波。如图所示，3副图像分不为：被密度为0.25的椒盐噪声污染的图像，使用大小为7*7的中值滤波器得到的结果、使用Smax=7的自适应中值滤波得到的结果。请写出实验步骤。
>> f=imread('Fig5.07(a).jpg');
>> g=imnoise(f,'salt & pepper', .25); >> imshow(g)
>> f1=medfilt2(g, [7 7], 'symmetric'); >> figure,imshow(f1);