1. 为什么我要把冈萨雷斯书里的Matlab函数全部整理一遍

如果你手头有冈萨雷斯那本《数字图像处理》，大概率经历过这样的场景：书翻到某一章，看到一个处理效果很漂亮的图，想自己动手复现一下，结果发现书里只给了公式和原理，具体用Matlab怎么实现、用哪个函数、参数怎么设，得自己一点点摸索。更麻烦的是，这本书覆盖面极广——从灰度变换、频域滤波到形态学、彩色图像、压缩编码，每一章涉及的函数少则十几个，多则几十个，散落在各个小节里，没有一个统一的索引。

我最初是在做一个图像增强相关的小项目时被逼着做这件事的。当时需要快速定位某个滤波器的实现方式，翻书翻了半天，效率极低。后来索性花了两周时间，把全书涉及的核心Matlab函数按章节和功能两个维度梳理了一遍，做成了一份自己的速查表。这份东西后来在团队内部传开了，新来的同学拿到之后上手速度明显快了不少。

这篇文章就是基于那次整理的经验写出来的。它不是简单的函数列表堆砌，而是按照“这个函数解决什么问题、核心参数怎么调、实际用的时候容易在哪里翻车”这个逻辑来组织的。适合正在学这门课的学生、需要快速查阅图像处理函数的工程师，以及任何想把书里的理论落到代码上的人。我会把函数按功能模块分组，每组配上最小可运行的示例和参数说明，同时穿插一些只有真正跑过代码才会知道的坑。

2. 灰度变换与空间滤波：最基础也最容易踩坑的部分

2.1 灰度变换函数的选用逻辑

冈萨雷斯在第三章讲灰度变换，核心函数其实就那么几个，但选哪个用、怎么用，直接决定了你后续处理的成败。

imadjust是最常用的亮度调整函数，基本语法是J = imadjust(I, [low_in high_in], [low_out high_out], gamma)。这里有个细节很多人一开始会忽略：输入范围[low_in high_in]默认是[0 1]，但如果你处理的图像是uint8类型，实际像素值是0到255，Matlab会自动归一化处理，你不需要手动除以255。但如果你用的是double类型且值域不在0到1之间，那就必须自己先归一化，否则imadjust出来的结果会一片空白。

gamma参数是很多人调不好的地方。gamma小于1会提亮暗部，大于1会压暗亮部。我实测下来，对于曝光不足的图像，gamma取0.4到0.7之间效果比较自然；对于过曝的图像，gamma取1.5到2.5能拉回不少细节。但要注意，gamma调整是非线性的，过度使用会让图像看起来“发灰”，对比度反而下降。

histeq是直方图均衡化，用于增强整体对比度。它的坑在于：对于本身就比较均衡的图像，histeq之后反而会引入噪声，因为它是强制把直方图拉平。我一般会先用imhist看一下原图直方图，如果集中在某个窄区间，用histeq效果很好；如果已经铺得比较开，就别用了。

adapthisteq是自适应直方图均衡化，适合局部对比度增强。它的ClipLimit参数控制对比度增强的上限，默认0.01。调大这个值会增强局部细节，但超过0.05之后噪声会明显放大。NumTiles参数控制分块数量，默认是8×8，对于大尺寸图像可以适当增大到16×16，但计算量会上升。

2.2 空间滤波器的创建与使用

imfilter是空间滤波的核心函数，语法是B = imfilter(A, h)，其中h是滤波核。这里有几个关键点：

第一，滤波核的归一化。如果你用的是均值滤波，核应该是ones(3,3)/9，而不是ones(3,3)。不归一化的话，输出图像会整体变亮，因为每个像素的值被放大了9倍。我见过不少初学者在这里翻车。

第二，边界处理方式。imfilter默认用0填充边界，这会导致图像边缘出现暗边。更好的选择是'replicate'（复制边界像素）或'symmetric'（镜像边界）。用法是imfilter(A, h, 'replicate')。对于大多数自然图像，'replicate'的效果最自然。

第三，fspecial函数可以快速创建常见滤波核。fspecial('average', [3 3])创建均值核，fspecial('gaussian', [5 5], 1)创建高斯核，fspecial('laplacian', 0.2)创建拉普拉斯核。高斯核的第二个参数是标准差，对于5×5的核，标准差取1左右比较合适；对于7×7的核，标准差取1.5到2。

medfilt2是中值滤波，对椒盐噪声特别有效。默认是3×3窗口，对于噪声密度较高的图像可以改成5×5。但要注意，中值滤波对高斯噪声效果一般，而且窗口越大，图像越模糊。我一般只在确认是椒盐噪声的情况下才用它。

ordfilt2是顺序统计滤波，可以实现最大值滤波、最小值滤波等。用法是ordfilt2(A, order, domain)，其中order是排序后的位置索引。比如最大值滤波是ordfilt2(A, 9, ones(3,3))，最小值滤波是ordfilt2(A, 1, ones(3,3))。这个函数在去除特定类型的噪声时很有用，但计算量比imfilter大。

2.3 一个完整的灰度变换与滤波示例

下面这段代码演示了从读取图像到完成增强的完整流程，包含了上面提到的关键点：

% 读取图像并转为灰度 I = imread('example.jpg'); if size(I, 3) == 3 I = rgb2gray(I); end % 查看直方图，决定是否均衡化 figure; subplot(2,2,1); imshow(I); title('原图'); subplot(2,2,2); imhist(I); title('原图直方图'); % 如果直方图集中，做均衡化 J = histeq(I); % 自适应均衡化增强局部细节 K = adapthisteq(I, 'ClipLimit', 0.02, 'NumTiles', [8 8]); % 高斯滤波去噪 h = fspecial('gaussian', [5 5], 1); L = imfilter(K, h, 'replicate'); % 显示结果 subplot(2,2,3); imshow(K); title('自适应均衡化'); subplot(2,2,4); imshow(L); title('高斯滤波后');

这段代码里，adapthisteq的ClipLimit我设成了0.02，比默认值稍大，因为对于大多数自然图像，这个值能在增强细节和控制噪声之间取得比较好的平衡。imfilter用了'replicate'边界处理，避免了边缘暗边。

3. 频域处理：从傅里叶变换到滤波器设计

3.1 傅里叶变换相关函数

频域处理是冈萨雷斯书里比较难啃的部分，但Matlab提供的函数其实很直接。

fft2做二维傅里叶变换，ifft2做逆变换。关键点在于：fft2的输出是复数，直接imshow是看不到有意义内容的，需要先用abs取模，再用log做对数变换，最后用fftshift把零频分量移到中心。完整流程是：

F = fft2(double(I)); F_shifted = fftshift(F); magnitude = log(1 + abs(F_shifted)); imshow(magnitude, []);

这里log(1 + abs(...))里的1是为了避免对0取对数。imshow的第二个参数[]表示自动缩放显示范围，不加的话可能看到一片黑或一片白。

fftshift和ifftshift是一对逆操作。fftshift把零频移到中心，ifftshift移回去。注意：在做滤波时，如果你对fftshift后的频谱做了修改，逆变换前必须先用ifftshift移回原位置，否则结果会错位。

3.2 频域滤波器的构建

频域滤波的核心是构建滤波器传递函数H，然后做G = H .* F，再逆变换。

理想低通滤波器：

[M, N] = size(I); D0 = 30; % 截止频率 u = 0:M-1; v = 0:N-1; [V, U] = meshgrid(v, u); D = sqrt((U - M/2).^2 + (V - N/2).^2); H = double(D <= D0);

巴特沃斯低通滤波器：

n = 2; % 阶数 H = 1 ./ (1 + (D ./ D0).^(2*n));

高斯低通滤波器：

H = exp(-(D.^2) ./ (2 * D0^2));

这三种滤波器的区别在于：理想滤波器有振铃效应（ringing），巴特沃斯阶数越高越接近理想但振铃越明显，高斯滤波器没有振铃但过渡带最宽。我一般优先用高斯，因为视觉上最自然。

3.3 频域滤波的完整实现与常见错误

下面是一个完整的频域低通滤波示例：

I = imread('example.jpg'); I = rgb2gray(I); I = double(I); % 傅里叶变换 F = fft2(I); F_shifted = fftshift(F); % 构建高斯低通滤波器 [M, N] = size(I); D0 = 50; u = 0:M-1; v = 0:N-1; [V, U] = meshgrid(v, u); D = sqrt((U - M/2).^2 + (V - N/2).^2); H = exp(-(D.^2) ./ (2 * D0^2)); % 滤波 G_shifted = F_shifted .* H; % 逆变换 G = ifft2(ifftshift(G_shifted)); G = real(G); % 取实部，忽略极小虚部 % 显示 figure; subplot(1,2,1); imshow(I, []); title('原图'); subplot(1,2,2); imshow(G, []); title('高斯低通滤波后');

这里有几个容易出错的地方：第一，ifftshift必须在ifft2之前调用，顺序反了结果就错了。第二，ifft2的输出可能有极小的虚部（浮点误差），需要real取实部。第三，imshow要加[]参数，否则double类型的图像显示会不正常。

还有一个坑：滤波器H的尺寸必须和F_shifted一致。如果你用fspecial创建了空间域的滤波器再变换到频域，要注意尺寸匹配问题。我一般直接在频域构建H，避免这个问题。

4. 形态学处理：结构元素的选取比函数本身更重要

4.1 基本形态学函数

strel是创建结构元素的函数，这是形态学处理的基础。常用语法：

se = strel('square', 3); % 3x3方形 se = strel('disk', 5); % 半径5的圆形 se = strel('line', 10, 45); % 长度10，角度45度 se = strel('rectangle', [3 5]); % 3x5矩形

imdilate是膨胀，imerode是腐蚀，imopen是开运算（先腐蚀后膨胀），imclose是闭运算（先膨胀后腐蚀）。这些函数的用法都很直接：J = imdilate(I, se)。

但结构元素的选择才是关键。对于去除小噪点，开运算用3×3的方形或圆形结构元素就够了。对于填充孔洞，闭运算用稍大的结构元素效果更好。我实测下来，圆形结构元素比方形更“柔和”，对图像边缘的破坏更小，但计算量稍大。

4.2 形态学重建与区域填充

imfill是区域填充函数，imfill(I, 'holes')可以填充二值图像中的孔洞。这个函数在细胞计数、缺陷检测等场景中很常用。

imreconstruct是形态学重建，用于基于标记图像重建。它的用法是J = imreconstruct(marker, mask)，其中marker是标记图像，mask是掩膜图像。这个函数在去除复杂背景、提取特定结构时非常有用，但理解起来需要一点时间。

bwareaopen用于去除小面积区域，bwareaopen(BW, P)会移除所有面积小于P的连通分量。这个函数在二值图像去噪时几乎是必用的，P的取值需要根据实际图像中目标的大小来定。我一般会先用regionprops看一下所有连通分量的面积分布，再决定P的值。

4.3 形态学处理的实战经验

形态学处理最大的坑在于：结构元素选大了，目标会被破坏；选小了，噪声去不干净。我的经验是，先用bwareaopen做一轮粗筛，再用开运算做精细处理。

另一个坑是：形态学操作对二值图像和灰度图像的行为不同。对于二值图像，膨胀和腐蚀是集合运算；对于灰度图像，膨胀是取邻域最大值，腐蚀是取邻域最小值。如果你把二值图像当成灰度图像处理，结果可能完全不是你想要的。

还有一个细节：strel在较新版本的Matlab中推荐用strel的替代语法，比如strel('disk', 5)可以写成strel('disk', 5, 0)，其中第三个参数控制近似圆形的平滑度。0表示用默认的近似方式，数值越大越接近真实圆形但计算越慢。

5. 彩色图像处理：空间转换与通道操作

5.1 颜色空间转换函数

rgb2gray是最常用的转换函数，把RGB图像转为灰度。它的转换公式是0.2989*R + 0.5870*G + 0.1140*B，这个权重是根据人眼对不同颜色的敏感度来的。如果你需要自定义权重，可以手动计算。

rgb2hsv和hsv2rgb用于RGB和HSV空间之间的转换。HSV空间在颜色分割、色调调整时非常有用，因为H通道独立于亮度和饱和度。我经常用HSV空间来做特定颜色的提取，比如提取图像中的红色区域：

hsv = rgb2hsv(I); h = hsv(:,:,1); s = hsv(:,:,2); v = hsv(:,:,3); % 提取红色（H在0附近或1附近） mask = (h < 0.05 | h > 0.95) & s > 0.3 & v > 0.2;

这里s > 0.3和v > 0.2是为了排除低饱和度和低亮度的区域，避免把灰色和黑色也当成红色。

rgb2lab和lab2rgb用于RGB和Lab空间转换。Lab空间在颜色差异计算时更符合人眼感知，适合做颜色相似度比较。

5.2 彩色图像滤波与增强

彩色图像滤波不能简单地对R、G、B三个通道分别滤波再合并，因为这样会引入颜色失真。正确做法是：如果滤波是线性的，可以对每个通道分别做，因为线性操作满足叠加原理；但如果滤波是非线性的（比如中值滤波），最好在HSV或Lab空间只对亮度通道做，保持色度和饱和度不变。

% 在HSV空间对V通道做中值滤波 hsv = rgb2hsv(I); hsv(:,:,3) = medfilt2(hsv(:,:,3), [3 3]); J = hsv2rgb(hsv);

这样处理之后，颜色信息基本不受影响，只有亮度被平滑了。

5.3 彩色图像处理中的常见问题

第一个问题：imread读进来的彩色图像是uint8类型，值域0到255。如果你直接做算术运算（比如I * 1.5），结果会截断到255，导致高光区域丢失细节。正确做法是先转成double类型再运算，最后再转回uint8。

第二个问题：imshow显示double类型的彩色图像时，值域必须在0到1之间。如果你的数据不在这个范围，需要先归一化。

第三个问题：颜色空间转换函数对输入类型有要求。rgb2hsv接受uint8或double，但double类型的输入值域必须在0到1之间。如果你从uint8转成double但没除以255，转换结果会不对。

6. 压缩与编码：从DCT到JPEG流程模拟

6.1 DCT变换与图像压缩

dct2是二维离散余弦变换，idct2是逆变换。JPEG压缩的核心就是DCT。基本流程是：分块（通常8×8）、DCT、量化、熵编码。

% 对8x8块做DCT block = I(1:8, 1:8); D = dct2(block); % 量化（Q是量化表） Q = [16 11 10 16 24 40 51 61; 12 12 14 19 26 58 60 55; ...]; % 标准JPEG亮度量化表 D_quantized = round(D ./ Q); % 逆量化与逆DCT D_dequantized = D_quantized .* Q; block_reconstructed = idct2(D_dequantized);

量化表的选择直接决定了压缩率和图像质量。标准JPEG量化表是经过大量实验得出的，在中等压缩率下视觉效果最好。如果你想自己调整，可以整体乘以一个系数：系数大于1压缩率更高但质量下降，小于1则相反。

6.2 压缩效果的评估

psnr和ssim是两个常用的图像质量评估函数。psnr计算峰值信噪比，值越高越好，一般在30dB以上视觉上就还可以接受。ssim计算结构相似性，值在0到1之间，越接近1越好。

psnr_value = psnr(I_reconstructed, I_original); ssim_value = ssim(I_reconstructed, I_original);

但要注意，psnr和ssim都是全参考指标，需要原始图像作为参考。在实际压缩场景中，如果没有原始图像，就只能靠主观评价了。

6.3 压缩编码的实操心得

DCT压缩的一个关键点是分块大小。8×8是JPEG标准的选择，因为它在计算复杂度和压缩效果之间取得了很好的平衡。如果你用16×16的块，压缩率会更高，但块效应（blocking artifact）会更明显。4×4的块则相反。

另一个关键点是量化步长的选择。对于低频分量（DCT系数矩阵的左上角），量化步长应该小一些，因为人眼对低频信息更敏感；对于高频分量，量化步长可以大一些，因为人眼对高频细节不敏感。标准JPEG量化表就是按照这个原则设计的。

还有一个坑：dct2对输入类型有要求。如果输入是uint8，dct2会先转成double再计算，但输出范围可能很大。做逆变换后需要round和类型转换才能正确显示。

7. 我整理这份函数汇总时踩过的坑和总结的技巧

整理这份东西的过程中，我踩过不少坑，也总结了一些只有实际动手才会知道的技巧。

第一个坑：函数名记混。Matlab的图像处理函数命名有一定规律，但也有很多例外。比如imfilter和filter2功能相似但参数不同，imresize和imresize的插值方法参数写法不一样。我后来养成了一个习惯：每用一个不熟悉的函数，先help看一下语法和参数说明，不要凭记忆写。

第二个坑：数据类型不匹配。Matlab图像处理函数对数据类型很敏感，uint8、double、logical之间的转换规则不统一。我的经验是：读入图像后先看class(I)，如果是uint8且要做算术运算，先转double；如果是double且要显示，先归一化到0到1。

第三个坑：边界处理。空间滤波、形态学操作、频域滤波都涉及边界处理，默认行为往往不是最优的。我一般会显式指定边界处理方式，比如imfilter用'replicate'，imdilate用'replicate'或'symmetric'。

第四个坑：滤波器尺寸。频域滤波时，滤波器尺寸必须和频谱尺寸一致。如果从空间域变换过来，要注意fft2的填充问题。我一般直接在频域构建滤波器，避免尺寸不匹配。

第五个坑：显示范围。imshow对double类型图像的默认显示范围是0到1，如果你的数据不在这个范围，要么用[]参数自动缩放，要么手动指定范围。但自动缩放有时会掩盖问题，比如图像整体偏暗时自动缩放后看起来正常，但实际数据是有问题的。

第六个坑：函数版本差异。Matlab不同版本之间，图像处理工具箱的函数行为可能有细微差别。比如strel在R2018b之后推荐用新的语法，旧语法虽然还能用但会有警告。我一般会看一下当前Matlab版本的文档，确认函数的最新用法。

第七个坑：内存管理。处理大图像时，频域变换和形态学操作可能占用大量内存。我的经验是：能分块处理就分块处理，不能分块就先用imresize缩小图像做参数调试，确定参数后再用原图跑一遍。

第八个坑：颜色空间转换的陷阱。rgb2gray对uint8和double的处理方式不同，double类型输入必须在0到1之间。我一般会先im2double再转换，这样最稳妥。

这份函数汇总我后来做成了一个按功能分类的速查表，每个函数配上一行说明和一个最小示例。实际用的时候，先按功能找到对应的函数，再看示例和注意事项，基本能解决80%的问题。剩下的20%需要查文档或自己调试，但有了这个基础，查文档的效率也高了很多。

如果你也在学这门课或者做相关项目，建议你也动手整理一份自己的版本。整理的过程本身就是最好的复习，而且整理完之后，你对整个图像处理流程的理解会清晰很多。