一、图像读取和显示
1、图像的读取
filename图像文件的完整路径和文件名，如果在当前工作目录下，只需提供文件名，fmt是图像文件的格式对应的扩展名
A=imread(filename,fmt)
2、图像的写入
imwrite(A,filename,fmt)
3、图像的显示
I为要显示的图像矩阵，[low high]指定显示灰度图像的灰度范围，高于high的像素被显示成白色，低于low的显示成黑色，
imshow(I,[low high])
创建一个新窗口
figure;
打开一个m行n列图像位置的窗口，并将焦点定于第p个位置上
subplot(m,n,p)
4、图像的格式转换
阈值法从RGB、灰度图创建二值图，LEVEL为指定的阈值（0,1），rgb2gray,存储类型不变，im2uint8转换成uint8类型，im2double将图像转换成double
im2bw(I,LEVEL);
二、图像的点运算
1、图像直方图
灰度直方图描述了灰度级的统计信息，主要用于图像分割和图像灰度变化。归一化直方图不同灰度级出现的 比率，横坐标像素点的灰度级别，纵坐标各个灰度级别的像素在图像中出现的次数和概率。
imhist(I);灰度直方图
2、灰度的线性变换
DB=f(DA)=fADA+fB
fA>0输出图像的对比度增大，fB<0输出图像的对比度减小，fA=1且fB非零时，所有像素的灰度值上移或下移，整个图像更暗或更亮，fA<0,暗区变亮，亮区变暗
3、灰度的对数变换
t=clog(k+s)
c为尺度比例常数，s为源灰度值，t为变换后的目标灰度值。k为常数。灰度的对数变换可以增强一副图像中较暗部分的细节，可以用来扩展被压缩的高值图像中较暗像素。广泛应用于频谱图像的显示。warning: 先进行im2double
4、灰度的Gamma变换
y=(x+esp)^r
x、y的取值范围为【0,1】。esp为补偿系数，r为Gamma系数，
imshow(imadjust(I,[],[],0.5));%gamma=0.5
4、灰度阈值变换及二值化
thresh=graythresh(I);%自动设定所需的最优化阈值。
OTSU算法：最大类间方差法自动单阈值分割
Kapur算法：一维直方图熵阈值算法
niblack算法：局部阈值分割
阈值的计算公式是T=m+k*v,其中m为该像素点为中心的区域的平均灰度值，v是该区域的标准差k是一个系数。
KittlerMet：表示kittler最小分类错误全局二值化算法。
5、直方图均衡化
[J,T]=histeq(I);%J为输出图像，T为变换矩阵。
影响图像识别和分类也称图像灰度归一化。
三、图像的几何变换
1、图像平移
正变换
逆变换
strel%用来创建形态学结构元素
translate(SE,[y x])%原结构元素SE上y和x方向平移
imdilate%形态学膨胀。
2、图像镜像
B=imtransform(A,TFORM,method);
TFORM=makeform(transformtype,Matrix);%空间变换结构
method：bicubic 双三次插值
bilinear双线性插值
nearest最近邻插值
transformtype指定了变换的类型，常见的affine为二维或三维仿射变换，包含平移、旋转、比例、拉伸和错切等
四、空间域图像增强
1、噪声添加
h=imnoise(I,type,parameters);
gaussian:高斯白噪声,幅度为高斯分布，功率谱均匀分布
salt&pepper :黑点如胡椒，白点如盐粒。图像传感器、传输信道、解码处理、图像切割等产生的黑白相间的亮黑点噪声。
2、空间域滤波
滤波过程就是在图像中f(x,y)中逐点移动模板，使模板中心和点（x,y）重合，滤波器在每一点（x,y）的响应是根据模板的具体内容并通过预先定义的关系来计算的。
B=imfilter(f,w,option1,option2,...);
3、滤波器设计
h=fspecial(type,parameters)
parameters为可选项，是和所选定的滤波器类型type相关的配置参数，如尺寸和标准差。
type为滤波器的类型。
‘average’ 平均模板
‘disk’ 圆形领域的平均模板
‘gaussian’ 高斯模板
‘laplacian’拉普拉斯模板
‘log’高斯-拉普拉斯模板
‘prewitt’ prewitt水平边缘检测算子
‘sobel’sobel水平边缘检测算子
4、中值滤波
中值滤波本质上是一种统计排序滤波器。中值不同于均值，是指排序队列中位于中间位置的元素的值
中值滤波并非线性滤波器。主要应用消除椒盐噪声。
h=medfilt2(l1,[m,n]);
m和n为中值滤波处理的模板大小，默认3*3
5、图像锐化
主要用于增强图像的灰度跳变部分，通过运算导数（梯度）或有限差分来实现。
五、频率域图像增强
用傅里叶变换表示的函数特征可以完全通过傅里叶反变换进行重建而不丢失任何信息
吉布斯现象（Gibbs phenomenon）:
六、彩色图像处理
