Cómo usar matlab para dibujar imágenes de funciones y analizar la gravedad específica de la red

La caja de herramientas de procesamiento de imágenes de MATLAB admite una variedad de operaciones de procesamiento de imágenes estándar para facilitar a los usuarios el análisis y ajuste de imágenes. Estas operaciones de procesamiento de imágenes incluyen principalmente: ① Obtener valores de píxeles y sus datos estadísticos; ② Analizar la imagen y extraer su información estructural principal; ③ Ajustar la imagen para resaltar ciertas características o suprimir el ruido;

Valores de píxeles y sus estadísticas

La caja de herramientas de procesamiento de imágenes de MATLAB proporciona varias funciones para devolver información relacionada con los valores de datos de la imagen, que pueden devolver los datos de la imagen. En varias formas, la información incluye principalmente: ① el valor de los datos del píxel seleccionado (función pixval y función impixel; ② el valor de los datos a lo largo de la ruta en la imagen (función improfile); ④ el histograma de la figura de datos de la imagen (función imhist); ⑤ estadísticas de resumen de datos de la imagen (función media2, función std2, función corr2)

El píxel); La caja de herramientas de procesamiento de imágenes de selección contiene dos funciones: puede devolver el valor de datos de color de un píxel de imagen especificado por el usuario. 1) función pixval Esta función muestra el valor de los datos del píxel de forma interactiva cuando el cursor se mueve sobre la imagen. Además, la función puede mostrar la distancia euclidiana entre dos píxeles.

2) Función impixel La función impixel puede devolver el valor de datos del píxel o conjunto de píxeles seleccionado. El usuario puede utilizar directamente las coordenadas de los píxeles como parámetros de entrada de esta función o seleccionar píxeles con el ratón. Ejemplo:

imshow canoe.tif

val = impixel

Para imágenes indexadas, tanto la función de píxeles como la función impixel las muestran tal como están almacenadas en la imagen en color. Valores RGB, no valores de índice.

Mapa de descripción de brillo En la caja de herramientas de procesamiento de imágenes de MATLAB, se proporciona la función improfile, que se utiliza para calcular y dibujar el valor de brillo (escala de grises) a lo largo de la ruta del segmento de línea recta o la ruta de línea recta en la imagen. Ejemplo:

im show deb Yel .

Improvisación

imshow canoe.tif

Improvisación

. Ejemplo:

RGB = im read(' flores . TIF ');

Imagen (1); imshow(RGB);

Rendimiento improvisado

Al mostrar un mapa de contorno de imagen en una imagen en escala de grises, puede utilizar la función imcontour en la caja de herramientas de procesamiento de imágenes de MATLAB. Esta función es similar a la función de contorno y tiene más funciones que la función de contorno. Establece automáticamente los objetos de los ejes para que su orientación y relación de aspecto coincidan con el gráfico mostrado. Ejemplo:

I = im read(' rice . TIF ');

imshow (1);

Mapa de contorno (1)

>

I = im read(' rice . png ');

imshow(1);

Gráfico de contorno (1)

Imagen; Histograma El histograma de imagen se puede utilizar para mostrar la distribución en escala de grises en una imagen indexada o en una imagen en escala de grises. Los histogramas se pueden crear utilizando la función imhist en la caja de herramientas de procesamiento de imágenes de MATLAB. Ejemplo: tomando como ejemplo el mapa de arroz en escala de grises, cree un histograma del mapa. El código es el siguiente:

I = estoy leído(' rice . TIF ');

imhist(I, 64);

I = estoy leído; (' rice . png ');

imhist(I, 64);

Análisis de imágenes

La tecnología de análisis de imágenes en MATLAB puede extraer la información estructural de la imagen.

Por ejemplo, la función de borde proporcionada por Image Processing Toolbox se puede utilizar para detectar límites. El llamado límite aquí es en realidad la posición de los objetos contenidos en la imagen. A continuación se muestran algunas funciones comunes de análisis de imágenes. 1. Borde de imagen en escala de grises: función borde La sintaxis de esta función es la siguiente:

BW=edge(I, método)

Devuelve una imagen binaria BW del mismo tamaño que I, donde los elementos I son el borde en el descubrimiento i, el método es una de las siguientes cadenas: 'sobel': valor predeterminado, la aproximación de Sobel de la derivada se utiliza para detectar bordes, y aquellos puntos con el mayor gradiente devuelven el borde ; 'Prewitt': utiliza la aproximación de Prewitt de la derivada para detectar bordes y devolver bordes en aquellos puntos con gradiente máximo; 'Roberts': detectar bordes utilizando la aproximación de Roberts de la derivada y devolver bordes en aquellos puntos con gradiente máximo; ': Pasa un filtro gaussiano La operación laplaciana filtra I y detecta bordes buscando intersecciones cero. 'Cruce por cero': después de filtrar I con el filtro especificado, encuentre los bordes de detección de cruce por cero.

BW=edge(I, método, umbral)

Thresh se utiliza para especificar el umbral de sensibilidad. Todos los bordes que no superen el umbral se ignorarán.

BW=edge(I, método, umbral, dirección)

Especifique la dirección de los métodos "sobel" y "prewitt" La dirección es una cadena: "horizontal" indica la dirección; dirección horizontal, "vertical" significa dirección vertical, "ambas" significa ambas direcciones (valor predeterminado).

BW=edge(I,'log',thresh,sigma)

Especifique la desviación estándar usando sigma.

[BW,umbral]=borde(…).

Descomposición de cuatro árboles por filas: la función qtdecomp divide una imagen en cuatro bloques del mismo tamaño y luego determina si cada bloque cumple con los mismos criterios. Si es así, no se descompone; en caso contrario, se subdivide en cuatro bloques, aplicándose criterios de prueba a cada bloque. El proceso de descomposición se repite hasta que se cumplen los criterios y el resultado puede contener trozos de diferentes tamaños. La estructura de sintaxis de esta función es la siguiente:

s = Qt decop(I)

Realice la descomposición de quadtree en la imagen en escala de grises I y devuelva una matriz dispersa S de estructura de quadtree.

s = Qt deop(I, umbral)

Descomponer un bloque si el valor máximo menos el mínimo de los elementos del bloque es mayor que el umbral. El umbral es un valor entre 0 y 1.

s = Qt decop(I, umbral, mindim)

Si el bloque es más pequeño que mindim, no se descompondrá independientemente de si se cumple la condición del umbral.

S=qtdecomp(I, umbral, [mindim maxdim])

Si el bloque es menor que mindim o mayor que maxdim, no se descompone, maxdim/mindim debe ser un potencia de 2.

S=qtdecomp(I, FUN)

Utilice la función divertida para determinar si se debe descomponer el bloque.

S=qtdecomp(I, FUN, P1, P2,...)

Obtenga el valor del bloque de descomposición quadtree: función qtdgetblk La estructura de sintaxis de esta función es la siguiente:

[VALS, R, C] = qtdgetblk (I, S, dim)

El valor correspondiente al bloque dim×dim de VALS reemplaza la matriz dispersa I. S devuelta por el Función qtdecomp en la descomposición de quadtree. Cada bloque dim×dim de incluye una estructura de quadtree; VALS es una matriz de dim×dim×k, y K es el número de bloques dim×dim descompuestos por el quadtree. Si no hay bloques del tamaño especificado, se devuelve una matriz vacía. r y c son vectores que contienen las coordenadas de fila y columna de la esquina superior izquierda del bloque.

[IDX VALS]= qtdgetblk(I, S, dim)

Devuelve el vector IDX del índice de la línea recta de la esquina superior izquierda del bloque.

Establezca el valor del bloque de descomposición de quadtree: función qtsetblk

J=qtsetblk(I, S, dim, VALS)

Utilice dim correspondiente a VALS El valor de un bloque ×dim reemplaza cada bloque dim×dim en la descomposición de quadtree de I. La matriz dispersa devuelta por la función qtdecomp incluye una estructura de árbol cuádruple; VALS es una matriz de dim×dim×k, y K es el número de bloques dim×dim descompuestos por el árbol cuádruple.

Ejemplo 1) Ejemplo de detección de bordes en escala de grises en análisis de imágenes

Cargar y mostrar imagen RGB

* RGB = im read(' flores . TIF ' ); /p>

ISR GB(RGB);

Figura (1); imshow(RGB);

RGB = estoy leído('otoño. TIF');

ISR GB(RGB);

Figura (1); imshow(RGB);

La imagen RGB se ha convertido a una imagen en escala de grises

I = RGB 2 gris(RGB);

Imagen (2); imshow(1);

barra de color(“horiz”);

isgray(1);

Detección de bordes

ED=edge(I,'Sobel',0.08);

Figura (3); );

Ejemplos de aplicación del detector de límites Sobel y del detector de límites Canny en el análisis de imágenes. El objeto de operación sigue siendo la imagen rice.tif mencionada anteriormente. El código es el siguiente:

I = estoy leído(' arroz . TIF '

I = estoy leído(' arroz . png '); >BW1 =edge(I,' Sobel');

BW2=edge(I,' astuto');

Figura (1); /p >

Figura (2); estoy show (BW2);

Control de gráficos

Utilice la tecnología de imagen de alta velocidad en MATLAB para mejorar las imágenes. "Mejorar" aquí tiene dos significados, a saber, aspectos objetivos, como mejorar la relación señal-ruido de la imagen; aspectos subjetivos, como corregir el color y la intensidad (escala de grises) de la imagen, haciendo que algunas características sean más fáciles de identificar. 1. Mejora del contraste En MATLAB, las funciones relevantes son: 1) Función de ajuste de contraste: función imadjust Esta función se puede utilizar para ajustar valores de escala de grises o mapas de color. Su uso es:

J=imadjust. (I, [Bajo Alto], [Abajo Arriba], Gamma)

Convierta la imagen en escala de grises I en la imagen J y haga coincidir los valores de menor a mayor y de abajo a arriba. Los valores mayores que el valor límite superior o menores que el valor límite inferior se truncan, es decir, los valores menores que el valor límite inferior coinciden con el valor límite inferior y los valores mayores que el valor límite superior coinciden con el valor límite superior. valor límite. Al utilizar esta función, puede especificar [bajo alto] o [bajo alto] como una matriz vacía [], y el valor predeterminado es [0 1]. Gamma se utiliza para especificar la forma de la curva que describe la relación entre los valores I y J; gamma lt1, cuanto más brillante es el valor de salida, más fuerte es gamma gt1, cuanto más brillante es el valor de salida, más débil es el valor de salida; =1, que indica transformación lineal.

newmap=imadjust(map,[low-high],[bottom-top],gamma)

Convierte el mapa de colores de la imagen indexada.

Si [bajo alto] y [abajo arriba] son ​​matrices de 2 × 3, entonces gamma es un vector de 1 × 3. Los componentes rojo, verde y azul se ajustan utilizando la función imadjust El tamaño del mapa de color ajustado newmap. Es igual a la imagen original.

RGB=imadjust(RGB1,…)

Ajusta cada bloque de imagen de la imagen RGB RGB1. Al igual que con el ajuste del mapa de color, es posible utilizar diferentes valores de parámetros para cada parche de imagen especificando [bajo-alto] y [abajo-arriba] como matrices de 2×3 y gamma como un vector de 1×3. If top

2) Función: función iluminar El uso de esta función es: iluminar(beta) ilumina u oscurece el mapa de colores existente. Si 0

Map=Lighten(beta)

Devuelve un mapa de color transformado más claro o más oscuro del mapa de color utilizado actualmente, pero no cambia la visualización existente.

NEWMAP=brighten(MAP, beta)

Devuelve el nuevo mapa de color NEWMAP después de que el mapa de color especificado se haya transformado a un color más brillante o más oscuro, pero no cambia la visualización.

Resaltar(Gráfico, Beta)

Mejora todos los objetos del gráfico.

3) Método de ajuste del histograma En MATLAB, la función histeq utiliza la ecualización del histograma para mejorar el contraste. La ecualización de histograma mejora el contraste de la imagen al convertir los valores de brillo de una imagen en escala de grises o los valores del mapa de color de una imagen indexada de modo que el histograma de la imagen de salida coincida aproximadamente con el histograma dado.

J=histeq(I, hgram)

Transforme la imagen en escala de grises I para que el histograma de la imagen de salida J tenga barras de longitud (hgram) que coincidan aproximadamente con hgram. El vector hgram contiene un recuento entero de los valores en escala de grises de barras equiespaciadas.

J=histeq(I, N)

Convierta la imagen en escala de grises I en una imagen en escala de grises J con n niveles de gris discretos. El valor predeterminado de n es 64.

[J, T]=histeq(I)

Devuelve la transformación de escala de grises para que la escala de grises de j coincida con la escala de grises de I.

NEWMAP=histeq(X, MAP, hgram)

Transforma el mapa de color de la imagen de índice X para que el componente de escala de grises de la imagen de índice (X, NEWMAP) coincida con el hgram . Devuelve el mapa de color convertido NEWmap, la longitud (hgram) debe ser igual que el tamaño (MAP, 1). La imagen de entrada puede ser de tipo uint8 o doble. El mapa de colores de salida suele ser de tipo doble. La salida t también es de tipo doble.

Suavizado de imagen El suavizado de imagen se utiliza principalmente para imágenes cuya calidad se ha degradado debido a interferencias. En la caja de herramientas de procesamiento de imágenes de MATLAB, las funciones relacionadas con el ruido de la imagen son: 1) Agregar ruido a la imagen: función imnoise. El uso de esta función es:

J=imnoise(I, tipo,…)

El ruido de tipo se agrega a la imagen en escala de grises I. El tipo es una de las siguientes cadenas: ' Gaussiano ': agrega ruido blanco gaussiano; sal y pimienta ': agrega píxeles blancos y negros; 'moteado': agrega ruido multiplicativo. Otros parámetros están determinados por el tipo.

J=imnoise(I,'Gaussian',M,V)

Agregue ruido blanco gaussiano con media m y varianza v a la imagen I. El valor predeterminado es 0, la varianza es 0,01.

J=imnoise(I,'salt amp pepper

Agrega píxeles blancos y negros de "sal de árbol" de intensidad d a la imagen I. El efecto es similar a: D*prod( tamaño (I)) píxeles La intensidad predeterminada es 0,05.

J=imnoise(I, "spot", V)

Se añade ruido multiplicativo a la imagen I usando la fórmula J=I n*I, donde n es el valor medio de 0 Ruido aleatorio distribuido uniformemente con varianza v. El valor predeterminado de v es 0,04. La imagen que escribo es uint8 o valor de doble precisión, y la imagen de salida j es consistente con la que escribo.

2) Filtro de mediana bidimensional: función medfilt2 2.

B=medfilt2(A,[M N])

Realice un filtrado de mediana bidimensional en la matriz a. Cada píxel de salida contiene M×N vecinos del período de píxel correspondiente en la entrada. imagen. El valor medio del dominio. Agregue 0 al borde de la imagen, de modo que los puntos donde el borde esté dentro de [M N]/2 puedan distorsionarse. El valor predeterminado de [M N] es [3^3].

B=medfilt2(A,'index',...)

Trate A como un mapa de índice. Si A es uint8, complete 0 si a es una precisión doble. clase, luego llenar 1.

3) Filtro estadístico de estado: función ordfilt2 2.

Y=ordfilt2(X, orden, dominio)

Reemplaza cada elemento en x con un elemento ordenado del conjunto ordenado de vecindad especificado por el elemento distinto de cero en el dominio. El dominio es una matriz que contiene solo 0 y 1, y 1 solo define la vecindad de la operación de filtrado.

Y=ordfilt2(X, orden, dominio, S)

S es tan grande como el dominio y el valor de S correspondiente al valor distinto de cero del dominio se utiliza como compensación adicional.

4) Filtro de eliminación de ruido adaptativo bidimensional: función wiener2 La función wiener2 estima la media local y la varianza de cada píxel. El uso de esta función es el siguiente:

J=wiener2. (I, [M N], ruido)

Utilice la media y la desviación de la imagen local en la vecindad de tamaño M×N para realizar un filtrado adaptativo de píxeles en la imagen I.

[J, ruido]=wiener2(I,[M N])

Estima la energía del ruido adicional antes de filtrar.

Procesamiento de área específica

Especificación del área

En el procesamiento de imágenes, a veces solo es necesario procesar un área específica de la imagen en lugar de toda la imagen. En MATLAB, el procesamiento de áreas específicas se implementa mediante máscaras binarias. Después de seleccionar una región, se genera una imagen binaria del mismo tamaño que la imagen original. El área seleccionada es blanca y las áreas restantes son negras. Al enmascarar la imagen, se puede lograr un procesamiento selectivo de áreas específicas. A continuación se describe cómo crear una región: 1. La función roipoly del método de selección de polígonos se utiliza para establecer el área del polígono en la imagen. La función devuelve una imagen binaria BW con el mismo tamaño que la imagen de entrada. El área seleccionada tiene un valor de 1 y las áreas restantes tienen un valor de 0. Su formato de sintaxis es:

BW=roipoly(I, c, r)

Su función es utilizar los vectores C y R para especificar las coordenadas de los ejes X e Y de cada esquina de el polígono.

BW=roipoly(I)

Su función es permitir al usuario seleccionar interactivamente un área poligonal, establecer los puntos de las esquinas del área poligonal haciendo clic con el mouse. y use la barra espaciadora y la tecla Supr para cancelar la selección, presione Entrar para confirmar la selección. Después de la confirmación, la función devuelve una imagen binaria BW del mismo tamaño que la imagen de entrada, con un valor de píxel de 1 para el área del polígono y 0 para las áreas restantes.

BW=roipoly(x, y, I,, yi)

Su función es utilizar los vectores X e Y para establecer un sistema de coordenadas no predeterminado, y luego en el sistema de coordenadas especificado Seleccione el área del polígono especificada por vector y yi.

[BW,,yi]=Luo Baoli(...)

Su función es seleccionar interactivamente un área de polígono y devolver las coordenadas de las esquinas del polígono.

[x, y, BW,, yi]=roipoly(…)

Su función es devolver las coordenadas de los vértices del polígono en el sistema de coordenadas especificado X-Y después de seleccionar interactivamente el área del polígono.

Ejemplo: Lista de programas para seleccionar un área hexagonal en función de unas coordenadas especificadas:

I = im read(' ocho . TIF ');

c = [ 222 272 300 272 222 194];

r =[21 21 75 121 121 75];

BW=roipoly(I, c, r);

Figura (1); imshow (1);

Figura (2); im show (BW);

Otros métodos de selección La caja de herramientas de procesamiento de imágenes de MATLAB proporciona opciones basadas en escala de grises. La función roicolor selecciona un área, su formato de sintaxis es:

BW=roicolor(A, bajo, alto)

Su función es dividir la imagen según el rango de escala de grises especificado, devuelve la máscara binaria BW, donde [bajo, alto] es el rango de escala de grises del área seleccionada. Si bajo es mayor que alto, se devuelve una matriz vacía.

BW=roicolor(A, v)

Su función es seleccionar un área en función del valor de gris especificado en el vector v. La siguiente es una lista de programas que segmentan objetos en imágenes según niveles de gris:

I = im read(' rice . TIF ');

I = im read(' rice . png ' );

BW=roicolor(I, 128, 255

Figura (1); ); im show(BW);

Filtrado de áreas específicas

La función roifilt2 2 proporcionada en la caja de herramientas de procesamiento de imágenes de MATLAB se utiliza para filtrar áreas específicas. Su formato de sintaxis es:

J=roifilt2(h, I, BW)

Su función es utilizar el filtro H para filtrar el área seleccionada por la máscara binaria BW en la imagen I..

J =roifilt2(I, BW, fun)

J=roifilt2(I, BW, fun, P1, P2,...)

Su función es enmascarar el binario valor en la imagen I El área seleccionada por el código BW realiza la operación de función fun, donde fun es una cadena que describe la operación de la función y los parámetros son P1, P2,... Los píxeles de la imagen devuelta J en el área seleccionada son los resultados de las operaciones interesantes de la imagen I, y los píxeles restantes El valor es el valor original de I.

Ejemplo: Lista de programas para enfocar y filtrar áreas específicas:

I = estoy leído(' ocho . TIF ');

p>

c =[222 272 300 272 222 194];

r =[21 21 75 121 121 75];

BW=roipoly(I, c, r );

h = f especial(' desenfocar ');

J=roifilt2(h, I, BW) ;

Gráfico de rama (1, 2, 1); imshow (1);

Gráfico de rama (1, 2, 2); p>Los resultados de ejecución muestran que la moneda en la esquina superior derecha ha cambiado mientras que otras monedas permanecen sin cambios.

Relleno de área específica

La función Roifill proporcionada en la caja de herramientas de procesamiento de imágenes de MATLAB se utiliza para rellenar un área específica. Su formato de sintaxis es:

J=roifill. (I , c, r)

Su función es llenar el polígono especificado por los vectores c y r, donde c y r son las coordenadas x e y de cada vértice del polígono respectivamente. Obtiene los puntos dentro del polígono resolviendo la ecuación de Laplace del límite y usando la interpolación suave en escala de grises de los puntos del límite del polígono. A menudo, un área pequeña de una imagen se puede "borrar" llenando el área especificada.

J=roifill(I)

Su función es seleccionar el área de relleno mediante la interacción del usuario. Después de seleccionar los puntos de las esquinas del polígono, presione la tecla Enter para confirmar la selección y use la barra espaciadora y las teclas Supr para cancelar la selección.

J=roifill(I, BW)

Su función es seleccionar el área con la imagen de máscara BW.

[J, BW]=roifill(…)

Su función es devolver la imagen de la máscara BW mientras se rellena el área.

J=roifill(x,y,I,,yi)

[x,y,J,BW,,yi]=roifill(…)

Su función es llenar el área poligonal especificada por el vector y Yi en el sistema de coordenadas especificado X-Y

Ejemplo: La siguiente es una lista de planos de área especificados para la población:

I = estoy leído(' arroz . TIF ');

I = estoy leído(' arroz . png');

c =[52 72 300 270 221 194];

r =[71 21 75 121 121 75];

J=roifill(I, c, r);

Gráfico de rama (1, 2, 1 ); imshow (1);

Gráfico de rama (1, 2, 2); imshow(J);

Lectura de archivos de imágenes gráficas

E imagen gráfica operaciones de archivos La función relacionada guardar siempre carga o guarda datos matriciales en archivos MAT, carga o guarda imágenes en formatos de archivos gráficos, como BMP, TIFF, Imread, imwrite, muestra imágenes cargadas en MATLAB7.0 y consultas de información de imágenes Imfinfo e ind2rgb. .

Leer archivos de imágenes gráficas

Formato de llamada principal:

A=imread(nombre de archivo, fmt) [X, mapeo]=imread(nombre de archivo, fmt )

[…]=imread(nombre de archivo)[…]=imread(URL,…)

[…]=imread(…,idx)(CUR, ICO y TIFF)

[…]=imread(…, idx) (solo CUR, ICO y TIFF)

[…]=imread(…, ' frames ', idx )(solo GIF)

[…]=imread(…, ref) (solo HDF)

[…]=imread(…, 'BackgroundColor', BG) (solo PNG)

[A, map, alpha]=imread(…) (solo CUR, ICO y PNG)

El formato de llamada más básico:

[X, map]=imread (nombre de archivo, fmt)

*imread('rice.png ', ' 5 '); Lee la imagen del quinto fotograma del archivo rice.png.

* RGB = im read(' Earth . jpg ');

Lee la imagen Earth.jpg en la plataforma MATLAB7.0 y lee la matriz de datos como la variable RGB.

Escritura y visualización de archivos de imágenes gráficas

Utilice imwrite para completar la operación de escritura de archivos de imágenes gráficas: formato de llamada básico: imwrite(X, map, filename, fmt)

Cargar payaso carga imágenes según el formato del mapa (formato de archivo de datos MATLAB).

Imwrite(X,map,'Joker.JPG)) se guarda como un archivo JPG que contiene la imagen del Joker.

La función de imagen se puede utilizar para mostrar imágenes y su formato de sintaxis es:

imagen(C) imagen(x, y, C) imagen(...,'PropertyName ',PropertyValue,...)

image('PropertyName ', PropertyValue,...) handle=image(...)

La función imágenesc es similar a la imagen función, pero puede escalar automáticamente los datos de entrada.

Cargar payaso carga imágenes según el formato del mapa (formato de archivo de datos MATLAB).

Imagen(10, 10, X) muestra una imagen de payaso y las coordenadas de la esquina superior izquierda de la imagen son (0, 0).

Tabla de mapeo de colores (mapa)

La función avanzada de visualización de imágenes imshow, su formato de sintaxis es:

imshow(I, n) imshow(I, [ bajo, alto]) imshow(BW) imshow(X, mapa)

imshow(RGB) imshow(…, display_option) imshow(x, y, A,…) nombre de archivo imshow

h=imshow(…)

I=imread('rice.png ')

j = filtro 2([1 2;-1 -2], I) plantilla [ 1 2;-1–2] filtra la imagen.

imshow(1)

Imagen, imshow(J, [])

Usar lector de imágenes para mostrar la imagen

Interruptor de lector de imágenes

1. Mostrar la imagen en el visor de imágenes: imview.

luna fig = estoy leído(' luna . TIF ');

imview(moonfig)

imview('moon.tif ')

Especifique el tamaño inicial de la imagen (1), establezca la propiedad Imviewinitialmagnification en 'ajustar', el valor predeterminado es 100 y se muestra 100. (2) Utilice el parámetro de ampliación inicial en la función imview y especifique el valor como "FIT".

imshow(X, map, 'InitialMaginfication', 'fit')

Para cerrar el visor de imágenes, haga clic en el botón cerrar directamente debajo de la ventana o utilice la siguiente instrucción para cerrar it: imview cerrar todo.

Libro de texto de referencia: "Procesamiento de imágenes digitales e implementación de MATLAB", editado por Yu, Chongqing University Press TN911.73