《数字图像处理高通滤波器》由会员分享，可在线阅读，更多相关《数字图像处理高通滤波器（11页珍藏版）》请在金锄头文库上搜索。
1、0摘 要数字图像处理是一门新兴技术，随着计算机硬件的发展，数字图像的实时处理已经成为可能，由于数字图像处理的各种算法的出现，使得其处理速度越来越快，能更好的为人们服务。数字图像处理是一种通过计算机采用一定的算法对图形图像进行处理的技术。数字图像处理技术已经在各个领域上都有了比较广泛的应用。图像处理的信息量很大，对处理速度的要求也比较高。MATLAB 强大的运算和图形展示功能，使图像处理变得更加的简单和直观。在图像处理的过程中，消除图像的噪声干扰是一个非常重要的问题。本篇论文主要是利用 MATLAB 软件，采用频域滤波的方法，对图像进行高通滤波处理。图像的边缘、细节主要在高频部分得到反映，而图像
2、的模糊是由于高频成分比较弱产生的。通过高通滤波技术，可以消除模糊，突出边缘，使低频分量得到抑制，从而达到增强高频分量，使图像的边沿或线条变得清晰，实现图像的锐化。本文使用的高通滤波器有理想高通滤波器和高斯高通滤波器。实际应用中应该根据实际图像中包含的噪声情况灵活地选取适当的滤波算法。关键词：数字图像处理；MATLAB；高通滤波；突出边缘1目录1 绪论（引言） .31.1 课程设计目的 .31.2 课程设计任务和要求 .32 理论原理 .43 设计过程 .43.1 基本思路 .43.2 设计方案 .53.3 设计程序 .63.3.1 理想高通滤波器 .63.3.2 高斯高通滤波器 .74 运行结
3、果 .85 结论 .106 参考文献 .1121 绪论（引言）1.1 课程设计目的本次课程设计的目的在于提高发现问题、分析问题、解决问题的能力，进一步巩固数字图像处理系统中的基本原理与方法。熟悉掌握一门计算机语言，可以进行数字图像的应用处理的开发设计。综合运用 MATLAB 软件实现图像高通滤波程序设计。（1）熟悉 MATLAB 软件环境，学习如何利用 MATLAB 软件来实现对图像的各种数 字化处理；（2）掌握常用频域高通滤波器的设计，进一步加深理解和掌握图像频谱的特点和频域高通滤波的原理。（3）理解图像高通滤波的处理过程和特点，以及通过设计不同的滤波器来实现对图像的不同滤波效果；（4）通过
4、高通滤波技术来消除图像的模糊，突出图像的边缘，使低频分量得到抑制，增强高频分量，使图像的边沿或线条变得清晰，实现图像的锐化。1.2 课程设计任务和要求利用所学的数字图像处理技术，建立实现某一个主题处理的系统，利用MATLAB 软件系统来实现图像的频域滤波技术，要求：（1）学习和熟悉 MATLAB 软件的使用方法；（2）熟悉和掌握 MATLAB 程序设计过程；（3）利用所学数字图像处理技术知识和 MATLAB 软件对图像进行高通滤波处理；3（4）能对图.jpg、.bmp、 .png 格式进行打开、保存、另存、退出等一系列功能操作；（5）在程序开发时，必须清楚主要实现函数目的和作用，需要在程序书写
5、时做适当注释说明，理解每一句函数的具体意义和使用范围；（6）比较在高通滤波器中理想高频滤波器和高斯高通滤波器对图像数字化处理效 果的异同。2 理论原理高通滤波是常见的频域增强的方法之一，因为图像的边缘对应于高频分量，所以要锐化图像可以使用高通滤波器。二维理想高通滤波器的传递函数为：（1）00.(,)(,)1DuvHuvD0 是从频率矩形中点测得的截止频率长度，它将以 D0 为半径的圆周内的所有频率置零，而毫不衰减地通过圆周外的任何频率。但其物理上是不可实现的。高斯高通滤波器传递函数为：（2）220(,)/(,)1DuvHuveD（u，v）是距傅立叶变换中心原点的距离。D0 是截止频率。高斯低通
6、滤波器的傅立叶变换也是高斯的。高通滤波器能够用高斯型低通滤波器的差构成。这些不同的滤波器有更多的参数，因此能够对滤波器的形状进行更多的控制。43 设计过程3.1 基本思路说明：高通滤波是对图像增强的频域方法之一，本论文采用理想高频滤波器和高斯高通滤波器的来实现图像滤波的不同效果。（1）读取原始图像；（2）对图像进行二维傅里叶变换，将图像从空间域变换到频率域；（3）在频率域对图像进行各种滤波处理；（4）对图像进行二维傅里叶逆变换，将图像从频率域反变回到空间域；（5）显示原图像和变换后的图像。3.2 设计方案利用 MATLAB 图像处理工具箱，实现图像高通滤波效果。(1) 图像的读取和保存；（2)
7、 编写程序，通过相关公式和理论知识，实现理想高频滤波器和高斯高通滤波器的不同效果；(3) 在编程过程中，通过设置不同的滤波半径和不同的滤波器阶数，来实现图像 滤波后的不同效果；(4) 设计图形用户界面，让用户能够对原图像与通过各种高通滤波后所得图像进 行对比，以清楚显示高通滤波的效果。53.3 设计程序3.3.1 理想高通滤波器RGB = imread(H：320.jpg); I0 = rgb2gray(RGB); subplot(2,3,1),imshow(I0);title(原图);I1 = imnoise(I0,gaussian); %对原图像加噪声subplot(2,3,2),imsh
8、ow(I1);title(加入噪声后)%将灰度图像的二维不连续 Fourier 变换的零频率成分移到频谱的中心s=fftshift(fft2(I1);subplot(2,3,3),imshow(log(1+abs(s),);title(fftshift);M,N=size(s); %分别返回 s 的行数到 M 中，列数到N 中n1=floor(M/2); %对 M/2 进行取整n2=floor(N/2); %对 N/2 进行取整%IHPF 滤波d0=15; %初始化 d0for i=1:Mfor j=1:Nd=sqrt(i-n1)2+(j-n2)2); %点（i,j）到傅立叶变换中心的距离if
9、 d=d0 %点（i,j）在通带内的情况h(i,j)=0; %通带变换函数else %点（i,j）在阻带内的情况h(i,j)=1; %阻带变换函数6end s(i,j)=h(i,j)*s(i,j); %ILPF 滤波后的频域表示endends=ifftshift(s); %对 s 进行反 FFT 移动%对 s 进行二维反离散的 Fourier 变换后，取复数的实部转化为无符号 8 位整数s=uint8(real(ifft2(s); subplot(2,3,4),imshow(h);title(传递函数); %显示 GHPF 滤波器的传递函数 subplot(2,3,5),imshow(s);
10、title(IHPF 滤波（ d0=15); %显示 IHPF 滤波后的图像3.3.2 高斯高通滤波器 RGB = imread(H：320.jpg); I0 = rgb2gray(RGB); subplot(2,3,1),imshow(I0);title(原图);I1 = imnoise(I0,gaussian); %对原图像加噪声subplot(2,3,2),imshow(I1);title(加入噪声后)%将灰度图像的二维不连续 Fourier 变换的零频率成分移到频谱的中心s=fftshift(fft2(I1);subplot(2,3,3),imshow(log(1+abs(s),);t
11、itle(fftshift);M,N=size(s); %分别返回 s 的行数到 M 中，列数到N 中%GHPF 滤波 d0=15; %初始化 d0n1=floor(M/2); %对 M/2 进行取整n2=floor(N/2); %对 N/2 进行取整for i=1:M for j=1:Nd=sqrt(i-n1)2+(j-n2)2); %点（i,j）到傅立叶变换中心的距离h(i,j)=1-1*exp(-1/2*(d2/d02); %GHPF 滤波函数s(i,j)=h(i,j)*s(i,j); %GHPF 滤波后的频域表示endends=ifftshift(s); %对 s 进行反 FFT 移动
12、%对 s 进行二维反离散的 Fourier 变换后，取复数的实部转化为无符号 8 位整数s=uint8(real(ifft2(s); subplot(2,3,4),imshow(h);title(传递函数); %显示 GHPF 滤波器7的传递函数subplot(2,3,5),imshow(s);title(GHPF 滤波(d0=15); %显示 GHPF 滤波处理后的图像4 运行结果4.1 理想高通滤波器运行结果8图 1 理想高通滤波器处理结果4.2 高斯高通滤波器运行结果9图 2 高斯高通滤波器处理结果5 结论从实验的仿真结果我们可以看出，不同的滤波器对图像的滤波效果是不同的。它们的共同点是图像在经过高通滤波后，消除了模糊，突出了边缘，使低频分量得到了抑制，从而增强了高频分量，使图像的边沿或线条变得清晰，
