用MATLAB矩阵运算搞定一个实际问题：图像滤镜的模拟与实现

用MATLAB矩阵运算实现专业级图像滤镜效果

当你第一次看到那些社交媒体上令人惊艳的滤镜效果时，是否好奇过它们背后的数学原理？其实，许多看似复杂的图像处理技术，本质上只是一系列矩阵运算的巧妙组合。作为MATLAB用户，你手中已经握有了实现这些效果的全部工具——不需要复杂的深度学习框架，不需要晦涩的图像处理库，只需要理解矩阵运算的本质。

1. 图像处理的基础：从像素到矩阵

任何数字图像在计算机中都是以矩阵形式存储的。对于灰度图像，它是一个二维矩阵，每个元素代表对应像素的亮度值（通常是0-255之间的整数）。彩色图像则由三个这样的矩阵组成，分别对应红、绿、蓝三个颜色通道。

在MATLAB中读取一张图像并查看其矩阵表示非常简单：

img = imread('lena.png'); % 读取图像 gray_img = rgb2gray(img); % 转换为灰度图像 imshow(gray_img); % 显示图像 disp(size(gray_img)); % 显示矩阵维度 disp(class(gray_img)); % 显示数据类型

表：常见图像数据类型及其MATLAB表示

理解这一点至关重要，因为这意味着我们可以直接对图像矩阵应用各种数学运算来改变图像外观。接下来，让我们从最简单的亮度调整开始。

2. 基础滤镜：矩阵加减法实现亮度与对比度调整

2.1 亮度调整：矩阵与标量的加法

改变图像整体亮度最简单的方法就是给每个像素值加上（或减去）一个常数：

brightened = gray_img + 50; % 提高亮度 darkened = gray_img - 70; % 降低亮度 % 显示结果 subplot(1,3,1); imshow(gray_img); title('原图'); subplot(1,3,2); imshow(brightened); title('亮度+50'); subplot(1,3,3); imshow(darkened); title('亮度-70');

这里需要注意数据类型溢出的问题。当结果超出数据类型范围时，MATLAB会进行截断：

% 处理溢出问题 brightened = uint8(double(gray_img) + 100); % 先转换为double运算 brightened(brightened > 255) = 255; % 手动截断

2.2 对比度调整：矩阵与标量的乘法

对比度调整可以通过矩阵乘法实现。原理是扩大或缩小像素值与中值（通常是128）的距离：

% 对比度增强 high_contrast = uint8(1.5 * (double(gray_img) - 128) + 128); % 对比度减弱 low_contrast = uint8(0.6 * (double(gray_img) - 128) + 128); % 显示结果 figure; subplot(1,3,1); imshow(gray_img); title('原图'); subplot(1,3,2); imshow(high_contrast); title('高对比度'); subplot(1,3,3); imshow(low_contrast); title('低对比度');

3. 进阶滤镜：矩阵点乘与蒙版效果

3.1 创建渐变蒙版

点乘运算（.*）允许我们对图像的不同区域应用不同的调整强度。首先创建一个渐变蒙版：

[rows, cols] = size(gray_img); mask = zeros(rows, cols); for i = 1:rows mask(i,:) = linspace(0, 1, cols); % 从左到右渐变 end % 可视化蒙版 figure; imshow(mask); title('渐变蒙版'); colorbar;

3.2 应用渐变效果

将蒙版与图像点乘，可以实现渐变滤镜效果：

% 渐变变暗效果 gradient_dark = uint8(double(gray_img) .* mask); % 渐变变亮效果 gradient_light = uint8(double(gray_img) .* (1 - mask) + 255 * mask); % 显示结果 figure; subplot(1,3,1); imshow(gray_img); title('原图'); subplot(1,3,2); imshow(gradient_dark); title('渐变变暗'); subplot(1,3,3); imshow(gradient_light); title('渐变变亮');

3.3 圆形聚焦效果

更复杂的蒙版可以创造出专业摄影中的聚焦效果：

% 创建圆形蒙版 [X, Y] = meshgrid(1:cols, 1:rows); center = [cols/2, rows/2]; radius = min(rows, cols)/3; circle_mask = ((X - center(1)).^2 + (Y - center(2)).^2) <= radius^2; % 应用聚焦效果 focused = gray_img; focused(~circle_mask) = uint8(double(focused(~circle_mask)) * 0.6); % 显示结果 figure; imshow(focused); title('圆形聚焦效果');

4. 专业级滤镜：矩阵乘法与卷积运算

4.1 理解卷积运算

许多高级图像滤镜（如模糊、锐化、边缘检测）都是通过卷积运算实现的。在MATLAB中，我们可以用矩阵乘法来模拟这一过程。

首先定义一个3x3的卷积核（也称为滤波器）：

% 边缘检测核 edge_kernel = [-1 -1 -1; -1 8 -1; -1 -1 -1]; % 模糊核 blur_kernel = ones(5,5)/25;

4.2 实现卷积函数

虽然MATLAB有内置的conv2函数，但理解其原理很重要。下面是一个简化的实现：

function output = my_conv2(image, kernel) [k_rows, k_cols] = size(kernel); pad_rows = floor(k_rows/2); pad_cols = floor(k_cols/2); % 边界填充 padded = padarray(image, [pad_rows pad_cols], 'replicate'); % 初始化输出 output = zeros(size(image), 'like', image); % 执行卷积 for i = 1:size(image,1) for j = 1:size(image,2) region = double(padded(i:i+k_rows-1, j:j+k_cols-1)); output(i,j) = sum(sum(region .* kernel)); end end end

4.3 应用不同卷积核

现在我们可以应用不同的卷积核来产生各种效果：

% 边缘检测 edges = my_conv2(gray_img, edge_kernel); edges = uint8(255 * mat2gray(edges)); % 归一化并转换类型 % 模糊效果 blurred = my_conv2(gray_img, blur_kernel); blurred = uint8(blurred); % 锐化效果 sharp_kernel = [0 -1 0; -1 5 -1; 0 -1 0]; sharpened = my_conv2(gray_img, sharp_kernel); sharpened = uint8(sharpened); % 显示结果 figure; subplot(2,2,1); imshow(gray_img); title('原图'); subplot(2,2,2); imshow(edges); title('边缘检测'); subplot(2,2,3); imshow(blurred); title('模糊效果'); subplot(2,2,4); imshow(sharpened); title('锐化效果');

5. 创意滤镜：矩阵转置与几何变换

5.1 简单的转置效果

矩阵转置运算符（'或.'）可以产生有趣的镜像效果：

% 普通转置 transposed = gray_img'; % 带共轭的转置（对实数矩阵无影响） ctransposed = gray_img.'; % 显示结果 figure; subplot(1,3,1); imshow(gray_img); title('原图'); subplot(1,3,2); imshow(transposed); title('转置效果'); subplot(1,3,3); imshow(ctransposed); title('共轭转置');

5.2 实现图像旋转

虽然MATLAB有imrotate函数，但我们可以用矩阵运算实现简单的90度旋转：

% 顺时针90度旋转 rot90_cw = rot90(gray_img, -1); % 逆时针90度旋转 rot90_ccw = rot90(gray_img, 1); % 显示结果 figure; subplot(1,3,1); imshow(gray_img); title('原图'); subplot(1,3,2); imshow(rot90_cw); title('顺时针90度'); subplot(1,3,3); imshow(rot90_ccw); title('逆时针90度');

5.3 自定义扭曲效果

结合矩阵索引和数学运算，可以创造出独特的扭曲效果：

% 创建波浪扭曲效果 [rows, cols] = size(gray_img); [X, Y] = meshgrid(1:cols, 1:rows); wave_X = X + 10 * sin(Y/20); wave_Y = Y; % 确保坐标在合法范围内 wave_X = max(1, min(cols, wave_X)); % 应用扭曲 warped = interp2(double(gray_img), wave_X, wave_Y, 'linear'); % 显示结果 figure; imshow(uint8(warped)); title('波浪扭曲效果');

6. 组合应用：复古照片滤镜的实现

现在，让我们综合运用各种矩阵运算，创建一个复古风格的滤镜：

function vintage_img = vintage_filter(rgb_img) % 转换为YCbCr色彩空间更容易调整 ycbcr = rgb2ycbcr(rgb_img); Y = ycbcr(:,:,1); Cb = ycbcr(:,:,2); Cr = ycbcr(:,:,3); % 降低亮度并增加对比度 Y = uint8(0.9 * (double(Y) - 50) + 50); % 调整色偏（增加红色，减少蓝色） Cr = Cr + 15; Cb = Cb - 10; % 限制范围 Cr(Cr > 255) = 255; Cb(Cb < 0) = 0; % 合并通道 ycbcr(:,:,1) = Y; ycbcr(:,:,2) = Cb; ycbcr(:,:,3) = Cr; % 转换回RGB vintage_img = ycbcr2rgb(ycbcr); % 添加轻微模糊 blur_kernel = ones(3,3)/9; for c = 1:3 vintage_img(:,:,c) = my_conv2(vintage_img(:,:,c), blur_kernel); end % 添加暗角效果 [rows, cols, ~] = size(vintage_img); [X, Y] = meshgrid(1:cols, 1:rows); center = [cols/2, rows/2]; max_dist = sqrt(center(1)^2 + center(2)^2); dist = sqrt((X-center(1)).^2 + (Y-center(2)).^2) / max_dist; vignette = 1 - 0.6 * dist.^2; for c = 1:3 vintage_img(:,:,c) = uint8(double(vintage_img(:,:,c)) .* vignette); end end

应用这个滤镜：

% 读取彩色图像 color_img = imread('peppers.png'); % 应用复古滤镜 vintage_color = vintage_filter(color_img); % 显示结果 figure; subplot(1,2,1); imshow(color_img); title('原图'); subplot(1,2,2); imshow(vintage_color); title('复古滤镜');