MATLAB程序大全Word格式.docx
《MATLAB程序大全Word格式.docx》由会员分享，可在线阅读，更多相关《MATLAB程序大全Word格式.docx（67页珍藏版）》请在冰点文库上搜索。
theta=atan2（dis_y,dis_x）;
end
ify<
theta=pi+atan2（-dis_y,-dis_x）;
end
ify==re_m/2
theta=atan2（dis_y,dis_x）+0.0001;
xx=ceil（n*theta/（2*pi））;
yy=ceil（l-r1）;
ifyy>
=1&
yy<
=m&
xx>
xx<
=n
imgn（y,x）=img（yy,xx）;
end
figure;
imshow（imgn,[]）
最后要说的是，一般我们要是有一张全景图，通常会用cubic映射，将图像变换为立方体的六个面，然后通过图形学方法贴到立方体上，就能做出类似谷歌街景的样子。
cubic映射应该才是全景图最常用的处理方法，不过那又是另一类变换了。
2.GUI保存图像
%---Executesonbuttonpressinpushbutton5.
functionpushbutton5_Callback（hObject,eventdata,handles）
%hObjecthandletopushbutton5（seeGCBO）
%eventdatareserved-tobedefinedinafutureversionofMATLAB
%handlesstructurewithhandlesanduserdata（seeGUIDATA）
globalsrc_img;
[filename,pathname]=uiputfile（{'
*.jpg'
;
'
*.bmp'
*.gif'
*.png'
*.tif'
},'
WritePic'
str=[pathnamefilename];
ifstr~=0
imwrite（src_img,str）;
3.GUI读入图像
%---Executesonbuttonpressinpushbutton1.
functionpushbutton1_Callback（hObject,eventdata,handles）
%hObjecthandletopushbutton1（seeGCBO）
[filename,pathname]=uigetfile（{'
*.*'
},'
ReadPic'
str=[pathnamefilename];
if~isequal（[pathname,filename],[0,0]）
src_img=imread（str）;
axes（handles.axes1）;
imshow（src_img）;
4.GUI选项卡
1.在这个下载一个工具包，里面应该有四个文件：
tabselectionfcp.p、tabselectionfcn.m、tabpanel.p和tabpanel.m，显然代码用.p格式进行加密了。
2.建立一个空GUI文件，就起名kong.fig吧。
3.在kong.fig上画一个StaticText，默认的tag为text1。
4.终端运行tabpanel（'
kong.fig'
'
text1'
命令，得到如下界面：
5.点击addpanel就能添加选项卡了，如图：
6.选中不同的选项卡，点击edit，就能进入常见的GUI编辑模式：
7.编辑完保存下就行了，所有的功能都在kong.m文件中实现。
注意，不同选项卡添加的组建时，tag会有重复，因此需要修改tag名。
8.终端输入kong就能得到如下结果：
5.structuretensor结构张量
根据结构张量能区分图像的平坦区域、边缘区域与角点区域。
此算法也算是之一了。
链接的文章中此算法名称为Strukturtensor算法，不过我搜索了一下，Strukturtensor这个单词好像是德语，翻译过来就是structuretensor结构张量了。
此处所说的张量不是相对论或黎曼几何里的张量，黎曼几何的张量好多论文都叫张量场了。
也不是数学界还没研究明白的对矩阵进行扩展的高阶张量，主要是张量分解。
这里的结构张量就是一个矩阵，一个对图像像素进行组织的数据结构而已。
像素组织而成的矩阵如下：
这个公式太常见了，在中就用到了。
其中Ix，Iy就是原对原图像在x和y方向求得的偏导。
然后求矩阵E的行列式K和迹H。
然后根据K和H的关系就能区分图像的区域模式了。
模式分以下三类：
平坦区域：
H=0;
边缘区域：
H>
0&
K=0;
角点区域：
K>
0;
harris角点检测就用到了第三类判断。
当然，在实际应用的时候H和K的值肯定都不会是理想，所以我用的都是近似判断。
处理结果如下：
角点区域（好像也不全角点，求角点还是harris好了）：
结构张量行列式与迹的关系：
其中红框为平坦区域，黄框为边缘区域，铝框为角点区域。
closeall;
clc;
img=double（imread（'
lena.jpg'
））;
[mn]=size（img）;
imshow（img,[]）
[IxIy]=gradient（img）;
Ix2=Ix.^2;
Iy2=Iy.^2;
Ixy=Ix.*Iy;
k=1;
lambda=zeros（m*n,2）;
fori=1:
m
forj=1:
n
st=[Ix2（i,j）Ixy（i,j）;
Ixy（i,j）Iy2（i,j）];
%结构张量
K=det（st）;
%求行列式
H=trace（st）;
%求迹
%所有的判断都是近似的
%ifH<
50%认为是平坦区域
%ifH>
50&
abs（K）<
0.01*10^（-9）%认为是边缘区域
ifH>
abs（K）>
0.01*10^（-9）%认为是角点区域
img（i,j）=255;
lambda（k,:
）=[KH];
k=k+1;
plot（lambda（:
1）,lambda（:
2）,'
.'
ylabel（'
trace'
xlabel（'
det'
6.模糊集图像增强
算法有很多变种。
不过主要就是以下三步。
1.设计隶属度函数将图像从空间域变换到模糊集域。
2.设计模糊增强算子，在模糊集域对图像进行处理。
3.根据第1步的隶属度函数重新将图像从模糊集域变换到空间域。
这和频域处理中的变换反变换不是很像么。
我使用的隶属度函数和模糊增强算子在里，也算相关算法的经典论文了。
模糊集增强后：
Fe=1;
%控制参数
Fd=128;
xmax=max（max（img））;
u=（1+（xmax-img）/Fd）.^（-Fe）;
%空间域变换到模糊域
%也可以多次迭代
m%模糊域增强算子
n
ifu（i,j）<
0.5
u（i,j）=2*u（i,j）^2;
else
u（i,j）=1-2*（1-u（i,j））^2;
img=xmax-Fd.*（u.^（-1/Fe）-1）;
%模糊域变换回空间域
imshow（uint8（img））;
7.随机游走图像
随机游走类似布朗运动，就是随机的向各个方向走吧。
虽然代码没什么技术含量，不过产生的图像实在太漂亮了，所以还是贴上来吧。
产生的图像：
clc
n=70000;
%游走的步数。
也是图像中像素个数，有些位置可能重复，所以白像素小于等于n
x=0;
%初始x坐标
y=0;
%初始y坐标
pix=zeros（n,2）;
%游走产生的像素坐标
neighbour=[-1-1;
-10;
-11;
0-1;
01;
1-1;
10;
11];
%当前像素邻域
r=floor（1+8*rand（））;
%八邻域随机选一个来走
y=y+neighbour（r,1）;
%y方向游走
x=x+neighbour（r,2）;
%x方向游走
pix（i,:
）=[yx];
%保存坐标
miny=min（pix（:
1））;
%图像坐标不可能为负，所以找最小值再整体提升为正
minx=min（pix（:
2））;
%同上
pix（:
1）=pix（:
1）-miny+1;
%像素坐标整体变为正
2）=pix（:
2）-minx+1;
maxy=max（pix（:
%找最大坐标值，为开辟图像做准备
maxx=max（pix（:
img=zeros（maxy,maxx）;
%根据maxy、maxx产生图像
n%将游走的值赋给图像
img（pix（i,1）,pix（i,2））=1;
imshow（img）
8.最大流/最小割
学习这个算法是为学习图像处理中的图割算法做准备的。
基本概念：
1.最大流是一个有向图。
2.一个流是最大流，当且仅当它的残余网络中不包括增广路径。
3.最小割就是网络中所有割中值最小的那个割，最小割是不唯一的，不过最小割的值是唯一的。
4.最大流的流量等于某一最小割的容量。
算法思想就是Ford-Fulkerson方法。
具体流程：
1.首先使用广度优先搜索找到源节点到汇节点的一条路径，为增广路径。
2.如果找不到新的从源到汇的增广路径，则上一次求得的网络就是最大流，否则向下执行。
3.找出增广路径中最小的路径的值。
5.用路径中最小的值构造最大流网络，原网络包含这个网络。
4.将增广路径中所有的路径减去最小路径这个值，形成新的网络图。
6.对新的网络图继续执行第1步。
网络图如下，没什么好办法形象表示。
我比较懒，不想画图了，真想看明白过程就看算法导论405页。
原网络：
最大流：
%初始化邻接压缩表，算法导论405页的图
b=[1216;
1413;
2312;
2410;
349;
3620;
424;
4514;
537;
564];
m=max（max（b（:
1:
2）））;
%压缩表中最大值就是邻接矩阵的宽与高
A=compresstable2matrix（b）;
%从邻接压缩表构造图的矩阵表示
netplot（A,1）;
maxflow=zeros（m,m）;
while1%下面用广度优先搜索找增广路径
flag=[];
%相当于closed表，已访问过的节点
flag=[flag1];
head=1;
tail=1;
queue=[];
%队列，相当于open表，将要访问的节点
queue（head）=1;
head=head+1;
pa=zeros（1,m）;
%每个节点的前趋
pa
（1）=1;
%源节点前趋是自己
whiletail~=head%广度优先搜索，具体细节就不注释了
i=queue（tail）;
ifA（i,j）>
isempty（find（flag==j,1））
queue（head）=j;
flag=[flagj];
pa（j）=i;
tail=tail+1;
ifpa（m）==0%如果搜索不到汇节点，退出循环
break;
path=[];
i=m;
%从汇节点开始
k=0;
%路径包含的边的个数
whilei~=1%使用前趋构造从源节点到汇节点的路径
path=[path;
pa（i）iA（pa（i）,i）];
%存入路径
i=pa（i）;
%使用前趋表反向搜寻，借鉴Dijsktra中的松弛方法
Mi=min（path（:
3））;
%寻找增广路径中最小的那条边
fori=1:
k
A（path（i,1）,path（i,2））=A（path（i,1）,path（i,2））-Mi;
%增广路径中每条路径减去最小的边
maxflow（path（i,1）,path（i,2））=maxflow（path（i,1）,path（i,2））+Mi;
%最大流，原网络包含这个网络，我只能这样表示了
end%使用新的图A进入下一循环，从新开始找增广路径
end
netplot（maxflow,1）
9.单元最短路径
图的相关算法也算是自己的一个软肋了，当年没选修图论也是一大遗憾。
图像处理中，也有使用图论算法作为基础的相关算法，比如图割，这个算法就需要求最大流、最小割。
所以熟悉一下图论算法对于图像处理还是很有帮助的。
Dijkstra和Bellman-Ford类似，都是解决单源最短路径问题，不同的是这个方法只能解决边为非负的问题，实现的好的Dijkstra算法运行时间要快于Bellman-ford。
算法步骤如下：
1.首先设置队列，所有节点入列，源节点值为0，其他节点值为无穷。
2.然后在队列中找值最小的节点并出列。
3.计算出列的节点所有后继节点的距离。
4.松弛方法，如果新计算的距离小于上次计算的距离，那么更新距离，即将后继节点值设为较小的距离，并将后继节点的前趋设为当前的出列节点。
5.对剩余的节点队列继续找最小值并出列，不断循环2、3、4步直到队列中没有节点了。
步骤是上面没错，不过我程序中没有完全按照上述的步骤实现。
不同的地方在于我没有做出列操作，而是通过标记节点的形式实现的。
运行结果如下，图（是图不是图片）是算法导论367页上的：
matlab代码如下，netplot和compresstable2matrix和使用的一样：
main.m
%初始化邻接压缩表，1210表示从节点1到节点2，边的权重为10
b=[1210;
145;
231;
242;
354;
423;
439;
452;
517;
536];
netplot（A,1）%形象表示
S=inf（1,m）;
%从开始的源点到每一个节点的距离
S
（1）=0;
%源点到自己的距离为0
pa=zeros（1,m）;
%存储每个节点的前驱，在松弛过程中赋值
pa
（1）=1;
%源点的前趋是自己
visit=zeros（1,m）;
%标记某个节点是否访问过了
index=1;
%从index节点开始搜索
%判断是否对所有节点都找的最短路径了。
可能会有源点没有路径到目标节点的情况，那就无限循环了
whilesum（visit）~=m%没有出队列操作，不过通过visit来等价的表示了
visit（index）=1;
%标记第index节点为已入列的节点
[Spa]=relax（S,pa,A,visit,index,m）;
%松弛，如果两个节点间有更短的距离，则用更短的距离
index=extract_min（S,visit,index,m）;
%使用已访问的最小的节点作为下一次搜索的开始节点
%最终我们需要的就是这两个值
S%源点到其他每一点的距离
pa%其他每一节点的前趋
%算法到此结束，下面只是为了形象的表示而写的。
re=[];
fori=2:
re=[re;
A=compresstable2matrix（re）;
relax.m
%边缘松弛，使用更短的距离作为节点的值
function[Spa]=relax（S,pa,A,visit,index,m）
i=index;
ifA（i,j）~=inf&
visit（j）~=1%搜索没有标记过的节点
ifS（j）>
S（i）+A（i,j）%将较小的值赋给正在搜寻的节点
S（j）=S（i）+A（i,j）;
extract_min.m
%提取队列中尚未标记的最小的值的序号
functionindex=extract_min（S,visit,index,m）
Mi=inf;
ifvisit（j）~=1
ifS（j）<
Mi
Mi=S（j）;
index=j;
10.单元最短路径
该算法可以用来解决一般（边的权值为负）的单源最短路径问题，而dijkstra只能解决权值非负的情况。
此算法使用松弛技术，对每一个顶点，逐步减少源到该顶点的路径的估计值，直到达到最短的路径。
算法运算结果：
matlab代码如下，netplot函数在，不过当时函数中表示两节点没有路径用的是0，而现在需要改成inf：
%初始化邻接压缩表
b=[126;
147
235;
248;
25-4;
32-2;
43-3;
459;
512;
537];
%源到其他节点的最短距离，开始为inf
%寻找到的节点的前趋
%源点的前趋是自己
pre_pa=ones（1,m）;
whilesum（pre_pa==pa）~=m%终止条件，判断终止的方法很多，这个应该不是最佳实践
pre_pa=pa;
fork=1:
ifpre_pa（k）~=0%对每一个已搜寻到的节点，从此节点寻找后继节点
i=k;
ifA（i,j）~=inf
S（i）+A（i,j）
%边缘松弛，取两节点间最小权值作为实际权值
%寻找前趋
compresstable2matrix.m
functionA=compresstable2matrix（b）
[n~]=size（b）;
m=max（max（b（:
A=inf（m,m）;
A（b（i,1）,b（i,2））=b（i,3）;
11.
如此经典的算法竟一直没有单独的实现过，真是遗憾啊。
广度优先搜索在过去实现的和算法时已经无意识的用到了，深度优先搜索倒是没用过。
这次单独的将两个算法实现出来，因为算法本身和图像没什么关系，所以更纯粹些。
广度优先搜索是从某一节点开始，搜索与其线连接的所有节点，按照广度方向像外扩展，直到不重复遍历所有节点。
深度优先搜索是从某一节点开始，沿着其搜索到的第一个节点不断深入下去，当无法再深入的时候，回溯节点，然后再在回溯中的某一节点开始沿另一个方向深度搜索，直到不重复的遍历所有节点。
广度优先搜索用的是队列作为临时节点存放处；
深度优先搜索可以递归实现（算法导论就是用递归实现的伪代码），不过我这里是用栈作为临时节点存放处。
升级会员 