在前面的学习中，我们已经深入了解了MATLAB在数据建模与仿真方面的强大功能。从基础的数据处理到复杂的模型构建与仿真分析，MATLAB为我们提供了丰富的工具和函数，帮助我们解决各种实际问题。如今，我们将迈向下一个充满挑战与创新的领域——图像处理与计算机视觉应用。这部分内容将使我们能够利用MATLAB强大的图像处理功能，对数字图像进行分析、处理和理解，实现各种有趣且实用的应用。
图像处理基础：读取、显示和基本操作
在MATLAB中，处理图像的第一步是读取和显示图像。MATLAB提供了多种函数来读取不同格式的图像文件，如imread函数。以下是一个简单的示例代码，用于读取并显示一张彩色图像：
matlab">% 读取彩色图像
img = imread('example.jpg');
% 显示图像
figure;
imshow(img);
title('原始彩色图像');
在这个例子中，我们使用imread函数读取了一张名为example.jpg的图像，并使用imshow函数将其显示出来。除了彩色图像，MATLAB还支持读取和处理灰度图像、二值图像等多种类型的图像。
对图像进行基本操作是图像处理的基础。例如，我们可以调整图像的大小、旋转图像、裁剪图像等。以下是一个调整图像大小的示例代码：
matlab">% 调整图像大小
new_img = imresize(img, [256 256]);
% 显示调整大小后的图像
figure;
imshow(new_img);
title('调整大小后的图像');
在这个例子中，我们使用imresize函数将原始图像调整为256×256像素的大小。
图像滤波与增强：去除噪声和突出特征
在实际应用中，图像往往受到各种噪声的干扰，影响图像的质量和分析结果。因此，图像滤波是图像处理中常用的技术之一。MATLAB提供了多种滤波函数，如均值滤波、中值滤波、高斯滤波等。
以下是一个使用中值滤波去除椒盐噪声的示例代码：
matlab">% 添加椒盐噪声
noisy_img = imnoise(img, 'salt & pepper', 0.05);
% 将彩色图像转换为灰度图像
gray_noisy_img = rgb2gray(noisy_img);
% 使用中值滤波去除噪声
filtered_img = medfilt2(gray_noisy_img);
% 显示原始图像、含噪图像和滤波后的图像
figure;
subplot(1, 3, 1);
imshow(img);
title('原始图像');
subplot(1, 3, 2);
imshow(gray_noisy_img);
title('含椒盐噪声的灰度图像');
subplot(1, 3, 3);
imshow(filtered_img);
title('中值滤波后的图像');
在这个例子中，我们首先使用imnoise函数向原始图像添加了椒盐噪声，然后使用medfilt2函数进行中值滤波，有效地去除了噪声。
除了去除噪声，图像增强也是图像处理中的重要任务之一。通过图像增强，我们可以突出图像中的某些特征，提高图像的视觉效果。例如，我们可以使用直方图均衡化来增强图像的对比度。以下是一个直方图均衡化的示例代码：
matlab">
% 直方图均衡化
enhanced_img = histeq(gray_noisy_img);
% 显示原始灰度图像和增强后的图像
figure;
subplot(1, 2, 1);
imshow(gray_noisy_img);
title('原始灰度图像');
subplot(1, 2, 2);
imshow(enhanced_img);
title('直方图均衡化后的图像');
在这个例子中，我们首先将彩色图像转换为灰度图像，然后使用histeq函数进行直方图均衡化，增强了图像的对比度。
特征提取与目标检测：识别和定位图像中的目标
在许多应用中，我们需要从图像中提取特定的特征或检测特定的目标。MATLAB提供了丰富的工具和函数来实现特征提取和目标检测。例如，我们可以使用边缘检测算法来提取图像中的边缘信息，使用角点检测算法来检测图像中的角点等。
以下是一个使用Canny边缘检测算法提取图像边缘的示例代码：
matlab">% Canny边缘检测
edges = edge(gray_noisy_img, 'Canny');
% 显示边缘图像
figure;
imshow(edges);
title('Canny边缘检测结果');
在这个例子中，我们使用edge函数和'Canny'方法对灰度图像进行边缘检测。
目标检测是计算机视觉中的一个重要任务，旨在识别和定位图像中的特定目标。MATLAB提供了多种目标检测算法，如基于模板匹配的目标检测、基于机器学习的目标检测等。以下是一个基于模板匹配的目标检测示例代码：
matlab">% 读取模板图像并转换为灰度图
template = imread('template.png');
gray_template = rgb2gray(template);
% 获取模板和图像的大小
[h, w] = size(gray_template);
[H, W] = size(gray_noisy_img);
% 初始化结果矩阵
corr_map = zeros(H-h+1, W-w+1);
% 进行滑动窗口互相关
for i = 1:H-h+1
for j = 1:W-w+1
window = gray_noisy_img(i:i+h-1, j:j+w-1);
corr_map(i, j) = sum(sum(window .* gray_template));
end
end
% 找到最大相关值的位置
[max_corr, max_idx] = max(corr_map(:));
[row, col] = ind2sub(size(corr_map), max_idx);
% 在原始图像中标记出目标位置
rectangle('Position', [col, row, w, h], 'EdgeColor', 'r', 'LineWidth', 2);
% 显示标记后的图像
figure;
imshow(img);
title('模板匹配检测到的目标');
hold on;
plot(col + w/2, row + h/2, 'gx', 'MarkerSize', 10, 'LineWidth', 2); % 标记中心点
hold off;
在这个例子中，我们首先读取了一个模板图像，然后使用matchTemplate函数在原始图像中进行模板匹配，最后找到匹配结果中的最大值位置，并在原始图像中标记出目标的位置。
图像分割：将图像划分为不同的区域
图像分割是将图像划分为若干个互不重叠的区域，使得每个区域内的像素具有相似的特征。图像分割在医学图像分析、目标识别等领域有着广泛的应用。MATLAB提供了多种图像分割算法，如阈值分割、区域生长、分水岭算法等。
以下是一个使用阈值分割将图像分为前景和背景的示例代码：
matlab">% 阈值分割
threshold = graythresh(gray_noisy_img);
seg_img = imbinarize(gray_noisy_img, threshold);
% 显示分割结果
figure;
imshow(seg_img);
title('阈值分割结果');
在这个例子中，我们使用graythresh函数计算图像的全局阈值，然后使用imbinarize函数进行二值化分割。
小结
在MATLAB的图像处理与计算机视觉应用中，我们从图像处理的基础开始，学习了如何读取、显示和进行基本的图像操作。然后，我们深入了解了图像滤波与增强技术，用于去除噪声和突出图像特征。接着，我们探索了特征提取与目标检测的方法，能够识别和定位图像中的特定目标。最后，我们学习了图像分割算法，将图像划分为不同的区域。
通过掌握图像处理与计算机视觉应用的知识和技能，我们可以在计算机视觉、医学图像分析、自动驾驶等众多领域中实现各种有趣且实用的应用。MATLAB强大的图像处理工具和函数为我们提供了便捷的开发环境，帮助我们快速实现各种图像处理算法和应用。在未来的学习和实践中，我们将继续深入探索MATLAB在图像处理与计算机视觉领域的更多功能和应用场景，不断创新和拓展我们的知识边界。
