Hi, We are using a custom target file. The model builds without issues in 2016b version. IF the same model is exported to 2024b, it has build issues. Same tmf / tlc file is used between 2016b and 2024b.

fatal error: could not open source file "emmintrin.h"
Model Build Reason Status Build Duration
===================================================================================================================================
sktSAST Information cache folder or artifacts were missing. Failed to build. For more information, see build log. 0dHi, We are using a custom target file. The model builds without issues in 2016b version. IF the same model is exported to 2024b, it has build issues. Same tmf / tlc file is used between 2016b and 2024b.

fatal error: could not open source file "emmintrin.h"
Model Build Reason Status Build Duration
===================================================================================================================================
sktSAST Information cache folder or artifacts were missing. Failed to build. For more information, see build log. 0d Hi, We are using a custom target file. The model builds without issues in 2016b version. IF the same model is exported to 2024b, it has build issues. Same tmf / tlc file is used between 2016b and 2024b.

fatal error: could not open source file "emmintrin.h"
Model Build Reason Status Build Duration
===================================================================================================================================
sktSAST Information cache folder or artifacts were missing. Failed to build. For more information, see build log. 0d #2024b, #simulink, #emmintrin MATLAB Answers — New Questions

​

Hello,
I have been working with the example code provided in the ‘doc pcfromdepth’ documentation in MATLAB. I used the example color image ‘sampleImage.png’ along with depth images extracted using the ‘MiDaS’ and ‘Depthanything v2’ models to generate the point cloud. However, the point cloud I obtained was inaccurate compared to the result shown in the example.
I am curious about how the DepthImage used in the MATLAB example was extracted, and how the camera parameters (focalLength, principalPoint) were determined. Could you please provide more information on this?
Thank you for your assistance.

https://www.mathworks.com/help/vision/ref/pcfromdepth.htmlHello,
I have been working with the example code provided in the ‘doc pcfromdepth’ documentation in MATLAB. I used the example color image ‘sampleImage.png’ along with depth images extracted using the ‘MiDaS’ and ‘Depthanything v2’ models to generate the point cloud. However, the point cloud I obtained was inaccurate compared to the result shown in the example.
I am curious about how the DepthImage used in the MATLAB example was extracted, and how the camera parameters (focalLength, principalPoint) were determined. Could you please provide more information on this?
Thank you for your assistance.

https://www.mathworks.com/help/vision/ref/pcfromdepth.html Hello,
I have been working with the example code provided in the ‘doc pcfromdepth’ documentation in MATLAB. I used the example color image ‘sampleImage.png’ along with depth images extracted using the ‘MiDaS’ and ‘Depthanything v2’ models to generate the point cloud. However, the point cloud I obtained was inaccurate compared to the result shown in the example.
I am curious about how the DepthImage used in the MATLAB example was extracted, and how the camera parameters (focalLength, principalPoint) were determined. Could you please provide more information on this?
Thank you for your assistance.

https://www.mathworks.com/help/vision/ref/pcfromdepth.html pcfromdepth MATLAB Answers — New Questions

​

I am very confused between different time stage or topologies like in photo for simulink
-Power gui sample time
-Solver fixed time
And blocks sample time
Each one has own value
Is there any rule to respect when choosing seting time for each configuration
picture attachedI am very confused between different time stage or topologies like in photo for simulink
-Power gui sample time
-Solver fixed time
And blocks sample time
Each one has own value
Is there any rule to respect when choosing seting time for each configuration
picture attached I am very confused between different time stage or topologies like in photo for simulink
-Power gui sample time
-Solver fixed time
And blocks sample time
Each one has own value
Is there any rule to respect when choosing seting time for each configuration
picture attached time delay, fixed time solver, powergui MATLAB Answers — New Questions

​

Please help to generalized the program for given n and input data read from a Excel file Aleator.xlsx with n=1024 or the general case n read as input or set from the begining?
D = xlsread(‘Aleat.xlsx’,1);
n = 11;
nCols = 11
a11 = 0; a21 = 0 ; a31 = 0; a41 = 0; a51 = 0; a61 =0; a71=0; a81=0; a91=0; a101=0;
M = zeros(n,n);
M(1,1:n) = 0;
DM = zeros(10,10);
for i = 1:n
DM(i,1) = D(i,1)-D(i+1,1);
end;
for i = 1:(n-1)
DM(i,2) = DM(i,1)-DM(i+1,1);
end;
for i = 1:(n-2)
DM(i,3) = DM(i,2)-DM(i+1,2);
end;
for i = 1:(n-3)
DM(i,4) = DM(i,3)-DM(i+1,3);
end;
for i = 1:(n-4)
DM(i,5) = DM(i,4)-DM(i+1,4);
end;
for i = 1:(n-5)
DM(i,6) = DM(i,5)-DM(i+1,5);
end;
for i = 1:(n-6)
DM(i,7) = DM(i,6)-DM(i+1,6);
end;
for i = 1:(n-7)
DM(i,8) = DM(i,7)-DM(i+1,7);
end;
for i = 1:(n-8)
DM(i,9) = DM(i,8)-DM(i+1,8);
end;
for i = 1:(n-9)
DM(i,10) = DM(i,9)-DM(i+1,9);
end;
for i = 1:(n-10)
DM(i,11) = DM(i,10)-DM(i+1,10);
end;
b1 = D(14,1); …..b11 = D(4,1);
B1 = [b1 b2 b3 b4 b5 b6 b7 b8 b9 b10 b11];
B2 = B1′
if size(DM, 1) < nCols
error(‘Insufficient number of equations.’);
end
a = DM’ B1′;
X = linsolve(DM, B1′);
a11 = a(1,1); a21 = a(2,1); a31 = a(3,1); a41 = a(4,1); a51 = a(5,1); a61 = a(6,1); a71 = a(7,1); a81 = a(8,1); a91 = a(9,1); a101 = a(10,1);
b1 = DM(1,1)*a11+DM(1,2)*a21+DM(1,3)*a31+DM(1,4)*a41+DM(1,5)*a51+DM(1,6)*a61+DM(1,7)*a71+DM(1,8)*a81+DM(1,9)*a91+DM(1,10)*a101;
b2 = ….
b10 = DM(10,1)*a11+DM(10,2)*a21+DM(10,3)*a31+DM(10,4)*a41+DM(10,5)*a51+DM(10,6)*a61+DM(10,7)*a71+DM(10,8)*a81+DM(10,9)*a91+DM(10,10)*a101;
a = DM’ B1′;
X = linsolve(DM, B1′);
disp(a);
disp(X);
To read from a Excel file Aleator.xlsx with n=1024 or the general case n read as input or set from the begining?Please help to generalized the program for given n and input data read from a Excel file Aleator.xlsx with n=1024 or the general case n read as input or set from the begining?
D = xlsread(‘Aleat.xlsx’,1);
n = 11;
nCols = 11
a11 = 0; a21 = 0 ; a31 = 0; a41 = 0; a51 = 0; a61 =0; a71=0; a81=0; a91=0; a101=0;
M = zeros(n,n);
M(1,1:n) = 0;
DM = zeros(10,10);
for i = 1:n
DM(i,1) = D(i,1)-D(i+1,1);
end;
for i = 1:(n-1)
DM(i,2) = DM(i,1)-DM(i+1,1);
end;
for i = 1:(n-2)
DM(i,3) = DM(i,2)-DM(i+1,2);
end;
for i = 1:(n-3)
DM(i,4) = DM(i,3)-DM(i+1,3);
end;
for i = 1:(n-4)
DM(i,5) = DM(i,4)-DM(i+1,4);
end;
for i = 1:(n-5)
DM(i,6) = DM(i,5)-DM(i+1,5);
end;
for i = 1:(n-6)
DM(i,7) = DM(i,6)-DM(i+1,6);
end;
for i = 1:(n-7)
DM(i,8) = DM(i,7)-DM(i+1,7);
end;
for i = 1:(n-8)
DM(i,9) = DM(i,8)-DM(i+1,8);
end;
for i = 1:(n-9)
DM(i,10) = DM(i,9)-DM(i+1,9);
end;
for i = 1:(n-10)
DM(i,11) = DM(i,10)-DM(i+1,10);
end;
b1 = D(14,1); …..b11 = D(4,1);
B1 = [b1 b2 b3 b4 b5 b6 b7 b8 b9 b10 b11];
B2 = B1′
if size(DM, 1) < nCols
error(‘Insufficient number of equations.’);
end
a = DM’ B1′;
X = linsolve(DM, B1′);
a11 = a(1,1); a21 = a(2,1); a31 = a(3,1); a41 = a(4,1); a51 = a(5,1); a61 = a(6,1); a71 = a(7,1); a81 = a(8,1); a91 = a(9,1); a101 = a(10,1);
b1 = DM(1,1)*a11+DM(1,2)*a21+DM(1,3)*a31+DM(1,4)*a41+DM(1,5)*a51+DM(1,6)*a61+DM(1,7)*a71+DM(1,8)*a81+DM(1,9)*a91+DM(1,10)*a101;
b2 = ….
b10 = DM(10,1)*a11+DM(10,2)*a21+DM(10,3)*a31+DM(10,4)*a41+DM(10,5)*a51+DM(10,6)*a61+DM(10,7)*a71+DM(10,8)*a81+DM(10,9)*a91+DM(10,10)*a101;
a = DM’ B1′;
X = linsolve(DM, B1′);
disp(a);
disp(X);
To read from a Excel file Aleator.xlsx with n=1024 or the general case n read as input or set from the begining? Please help to generalized the program for given n and input data read from a Excel file Aleator.xlsx with n=1024 or the general case n read as input or set from the begining?
D = xlsread(‘Aleat.xlsx’,1);
n = 11;
nCols = 11
a11 = 0; a21 = 0 ; a31 = 0; a41 = 0; a51 = 0; a61 =0; a71=0; a81=0; a91=0; a101=0;
M = zeros(n,n);
M(1,1:n) = 0;
DM = zeros(10,10);
for i = 1:n
DM(i,1) = D(i,1)-D(i+1,1);
end;
for i = 1:(n-1)
DM(i,2) = DM(i,1)-DM(i+1,1);
end;
for i = 1:(n-2)
DM(i,3) = DM(i,2)-DM(i+1,2);
end;
for i = 1:(n-3)
DM(i,4) = DM(i,3)-DM(i+1,3);
end;
for i = 1:(n-4)
DM(i,5) = DM(i,4)-DM(i+1,4);
end;
for i = 1:(n-5)
DM(i,6) = DM(i,5)-DM(i+1,5);
end;
for i = 1:(n-6)
DM(i,7) = DM(i,6)-DM(i+1,6);
end;
for i = 1:(n-7)
DM(i,8) = DM(i,7)-DM(i+1,7);
end;
for i = 1:(n-8)
DM(i,9) = DM(i,8)-DM(i+1,8);
end;
for i = 1:(n-9)
DM(i,10) = DM(i,9)-DM(i+1,9);
end;
for i = 1:(n-10)
DM(i,11) = DM(i,10)-DM(i+1,10);
end;
b1 = D(14,1); …..b11 = D(4,1);
B1 = [b1 b2 b3 b4 b5 b6 b7 b8 b9 b10 b11];
B2 = B1′
if size(DM, 1) < nCols
error(‘Insufficient number of equations.’);
end
a = DM’ B1′;
X = linsolve(DM, B1′);
a11 = a(1,1); a21 = a(2,1); a31 = a(3,1); a41 = a(4,1); a51 = a(5,1); a61 = a(6,1); a71 = a(7,1); a81 = a(8,1); a91 = a(9,1); a101 = a(10,1);
b1 = DM(1,1)*a11+DM(1,2)*a21+DM(1,3)*a31+DM(1,4)*a41+DM(1,5)*a51+DM(1,6)*a61+DM(1,7)*a71+DM(1,8)*a81+DM(1,9)*a91+DM(1,10)*a101;
b2 = ….
b10 = DM(10,1)*a11+DM(10,2)*a21+DM(10,3)*a31+DM(10,4)*a41+DM(10,5)*a51+DM(10,6)*a61+DM(10,7)*a71+DM(10,8)*a81+DM(10,9)*a91+DM(10,10)*a101;
a = DM’ B1′;
X = linsolve(DM, B1′);
disp(a);
disp(X);
To read from a Excel file Aleator.xlsx with n=1024 or the general case n read as input or set from the begining? loop MATLAB Answers — New Questions

​

j’aimerai faire une prediction sur Matlab en utilsant l’APP sur Neural Network Fitting, mais encore sur l’importation des données je suis deja blocquée. Mes données comportes une 1ere colone de datatime vu que ce sont des données de consommation energetiques de quelques années pour différentes emplacement. Pouvez vous m’aidez sur cela s’il vous plait?j’aimerai faire une prediction sur Matlab en utilsant l’APP sur Neural Network Fitting, mais encore sur l’importation des données je suis deja blocquée. Mes données comportes une 1ere colone de datatime vu que ce sont des données de consommation energetiques de quelques années pour différentes emplacement. Pouvez vous m’aidez sur cela s’il vous plait? j’aimerai faire une prediction sur Matlab en utilsant l’APP sur Neural Network Fitting, mais encore sur l’importation des données je suis deja blocquée. Mes données comportes une 1ere colone de datatime vu que ce sont des données de consommation energetiques de quelques années pour différentes emplacement. Pouvez vous m’aidez sur cela s’il vous plait? neural network fitting MATLAB Answers — New Questions

​

Post Content Post Content code generation MATLAB Answers — New Questions

​

I would like to run an executable on DOS which generates a image file, but seems nothing comes out. The program is as follows :
A = rand(500);
imwrite(A, "Testing.png");

You may also refer to the attachment for reference !I would like to run an executable on DOS which generates a image file, but seems nothing comes out. The program is as follows :
A = rand(500);
imwrite(A, "Testing.png");

You may also refer to the attachment for reference ! I would like to run an executable on DOS which generates a image file, but seems nothing comes out. The program is as follows :
A = rand(500);
imwrite(A, "Testing.png");

You may also refer to the attachment for reference ! how to run matlab exeucutable on dos ? MATLAB Answers — New Questions

​

If ‘adaptisteq’ is applied in matlab, the contrast increases as ‘clip limit’ increases. However, in the original ‘CLAHE’ function, the smaller the ‘clip limit’, the greater the contrast. I wonder why this happens in matlab.If ‘adaptisteq’ is applied in matlab, the contrast increases as ‘clip limit’ increases. However, in the original ‘CLAHE’ function, the smaller the ‘clip limit’, the greater the contrast. I wonder why this happens in matlab. If ‘adaptisteq’ is applied in matlab, the contrast increases as ‘clip limit’ increases. However, in the original ‘CLAHE’ function, the smaller the ‘clip limit’, the greater the contrast. I wonder why this happens in matlab. clahe, adaptisteq MATLAB Answers — New Questions

​

I am having issues with my launching the executable of my standalone app. The app has been running without issue in the Matlab environment.
I am receiving the following error message when launching the executable. Line 5192 corresponds to the ‘runStartupFcn(app, @startupFcn)’ function.
How do I track where this error is comming from?I am having issues with my launching the executable of my standalone app. The app has been running without issue in the Matlab environment.
I am receiving the following error message when launching the executable. Line 5192 corresponds to the ‘runStartupFcn(app, @startupFcn)’ function.
How do I track where this error is comming from? I am having issues with my launching the executable of my standalone app. The app has been running without issue in the Matlab environment.
I am receiving the following error message when launching the executable. Line 5192 corresponds to the ‘runStartupFcn(app, @startupFcn)’ function.
How do I track where this error is comming from? appdesigner, compiler, runtime, exectable MATLAB Answers — New Questions

​

-Ruído gaussiano: é um tipo de ruído aditivo que segue uma distribuição normal. É comum em imagens capturadas com sensores eletrônicos, como câmeras digitais.
-Ruído sal e pimenta: é um tipo de ruído impulsivo que adiciona pixels brancos ou pretos aleatoriamente na imagem. É comum em imagens capturadas em ambientes com baixa iluminação ou em transmissões de imagens.
– Ruído de Poisson: é um tipo de ruído que ocorre em imagens com baixa intensidade de luz, como imagens médicas ou astronômicas. É causado pela natureza probabilística da captura de fótons.
– Ruído de amplificador: é um tipo de ruído aditivo que ocorre em imagens capturadas com amplificadores eletrônicos, como em câmeras digitais.
– Ruído de tiro: é um tipo de ruído aditivo que ocorre em imagens capturadas com sensores eletrônicos, como câmeras digitais. É causado pela variação aleatória na quantidade de elétrons gerados pelos fotossensores.
– Ruído de quantização: é um tipo de ruído aditivo que ocorre em imagens digitais devido à limitação da resolução do sistema de aquisição de imagens.
– Granulação de filme: é um tipo de ruído aditivo que ocorre em imagens capturadas em filmes fotográficos. É causado pela variação aleatória na densidade de grãos de prata no filme.
– Ruído isotrópico: é um tipo de ruído aditivo que ocorre em imagens digitais devido à variação aleatória na intensidade dos pixels. – Ruído multiplicativo: é um tipo de ruído que ocorre em imagens capturadas por sistemas de radar ou ultrassom. É causado pela reflexão aleatória das ondas sonoras ou eletromagnéticas.
– Ruído periódico: é um tipo de ruído que ocorre em imagens digitais devido à interferência de sinais periódicos, como linhas de energia elétrica ou sinais de televisão.

Filtro de média: é uma técnica de filtragem simples que substitui cada pixel na imagem pela média dos pixels em sua vizinhança. É eficaz para remover ruído gaussiano e ruído de quantização.
Filtro de mediana: é uma técnica de filtragem que substitui cada pixel na imagem pela mediana dos pixels em sua vizinhança. É eficaz para remover ruído impulsivo, como ruído sal e pimenta.
– Filtro de Wiener: é uma técnica de filtragem que usa uma estimativa da densidade espectral de potência do sinal de imagem e do ruído para remover o ruído. É eficaz para remover ruído gaussiano.
Filtro de Kalman: é uma técnica de filtragem que usa um modelo estatístico para estimar o sinal de imagem original a partir do sinal degradado. É eficaz para remover ruído gaussiano e ruído de amplificador.
– Filtro de Anisotrópico: é uma técnica de filtragem que usa uma equação diferencial parcial para remover o ruído enquanto preserva as bordas da imagem. É eficaz para remover ruído gaussiano e ruído de amplificador.
– Filtro de média: – Vantagens: é uma técnica de filtragem simples e fácil de implementar. É eficaz para remover ruído gaussiano e ruído de quantização. – Desvantagens: pode suavizar demais as bordas da imagem e reduzir a nitidez da imagem.
– Filtro de mediana: – Vantagens: é uma técnica de filtragem robusta que é eficaz para remover ruído impulsivo, como ruído sal e pimenta. Preserva as bordas da imagem. – Desvantagens: pode introduzir artefatos na imagem, como halos ao redor das bordas.
– Filtro de Wiener: – Vantagens: é uma técnica de filtragem que usa uma estimativa da densidade espectral de potência do sinal de imagem e do ruído para remover o ruído. É eficaz para remover ruído gaussiano. – Desvantagens: pode introduzir artefatos na imagem, como bordas borradas.
– Filtro de Kalman: – Vantagens: é uma técnica de filtragem que usa um modelo estatístico para estimar o sinal de imagem original a partir do sinal degradado. É eficaz para remover ruído gaussiano e ruído de amplificador. – Desvantagens: é computacionalmente intensivo e pode ser sensível a erros no modelo estatístico.
– Filtro de Anisotrópico: – Vantagens: é uma técnica de filtragem que usa uma equação diferencial parcial para remover o ruído enquanto preserva as bordas da imagem. É eficaz para remover ruído gaussiano e ruído de amplificador. – Desvantagens: é computacionalmente intensivo e pode introduzir artefatos na imagem, como bordas serrilhadas.
Filtro Inverso: Busca compensar ou inverter os efeitos de um sistema, sendo usado em processamento de sinal para melhorar a qualidade. Filtro Pseudo-Inverso: Similar ao inverso, mas aplicado em situações em que a matriz não é diretamente inversível. Usa técnicas alternativas para obter uma solução aproximada.
Filtro de Salsicha: Geralmente referido como filtro passa-baixa, atenua as frequências mais altas em um sinal, destacando as mais baixas. Filtro de Mínimos Quadrados Restrito: Utilizado para ajustar um modelo aos dados minimizando a soma dos quadrados das diferenças entre os valores previstos e observados, com restrições adicionais.
Filtro Máximo: Maximiza uma determinada característica, sendo aplicado em diversos contextos, como processamento de imagem e comunicações.
Filtro Mínimo: Minimiza uma característica específica, frequentemente usado em problemas de otimização. Filtro Mediano: Substitui cada pixel em uma imagem pela mediana dos valores dos pixels vizinhos, sendo eficaz para remover ruídos.
Filtro Médio: Calcula a média dos valores em uma região específica, útil para suavizar imagens ou sinais.
Filtro Adaptativo: Ajusta seus parâmetros automaticamente em resposta às características do sinal ou ambiente, proporcionando flexibilidade em várias condições.
Filtro Inverso: Vantagens: Pode oferecer uma compensação precisa. Desvantagens: Sensível a ruídos, instabilidades numéricas.
Filtro Pseudo-Inverso: Vantagens: Útil quando a matriz não é inversível. Desvantagens: A solução é aproximada, não ideal para todos os casos. Filtro de Salsicha: Vantagens: Remove ruídos de alta frequência. Desvantagens: Pode causar suavização excessiva e perda de detalhes.
Filtro de Mínimos Quadrados Restrito: Vantagens: Lida com restrições específicas. Desvantagens: Pode ser sensível a condições iniciais, computacionalmente exigente.
Filtro Máximo: Vantagens: Destaca características específicas. Desvantagens: Pode realçar ruídos indesejados.
Filtro Mínimo: Vantagens: Útil para remoção de ruídos. Desvantagens: Suaviza detalhes importantes.
Filtro Mediano: Vantagens: Eficaz na remoção de ruídos impulsivos. Desvantagens: Pode não ser tão eficaz para outros tipos de ruídos.
Filtro Médio: Vantagens: Suaviza sinais preservando tendências. Desvantagens: Pode não funcionar bem com outliers.
Filtro Adaptativo: Vantagens: Ajusta-se automaticamente a mudanças nas condições. Desvantagens: Complexidade computacional, sensibilidade a condições extremas.
——————————————————————————————————————————————————————————————-
LIMIARIZAÇÃO=

% Carregar a imagem
f = imread(‘football.jpg’); % Substitua ‘football.jpg’ pelo nome da sua imagem
% Converter para escala de cinza
grayImage = rgb2gray(f);
% Definir o limiar
threshold = 0.5; % Pode ser um valor entre 0 e 1, ou um valor específico para imagens em 8 bits (0 a 255)
% Limiarizar a imagem
binaryImage = imbinarize(grayImage, threshold);
% Exibir as imagens
figure;
subplot(1, 2, 1);
imshow(grayImage);
title(‘Imagem em Escala de Cinza’);
subplot(1, 2, 2);
imshow(binaryImage);
title(‘Imagem Limiarizada’);
————————————————————————————————–
ESCALA DE CINZA – BINARIZAÇÃO
f=rgb2gray(imread(‘peppers.png’));
bw=im2bw(f,0.5);
imshow(bw)
m=127;
E=20;
g=1./(1+(m./(double(f)+ eps)).^E)
subplot(1,2,1);imshow(f);subplot(1,2,2);imshow(g);
——————————————————————————————-
AJUSTE DE CONTRASTE
f=rgb2gray(imread(‘peppers.png’));
bw=im2bw(f,0.5);
imshow(bw)
g1= imadjust(f,[0 1],[1 0],0.6);
g2= imadjust(f,[0 1],[1 0],1);
g3= imadjust(f,[0 1],[1 0 ],4);
subplot(1,3,1)
imshow(g1)
subplot(1,3,2)
imshow(g2)
subplot(1,3,3)
imshow(g3)
————————————————————————————————-
imread(‘peppers.png’);
g1= imadjust(f,[0 1],[1 0],0.6);
g2= imadjust(f,[0 1],[1 0],1);
g3= imadjust(f,[0 1],[1 0],4);
subplot(1,3,1)
imshow(g1)
subplot(1,3,2)
imshow(g2)
subplot(1,3,3)
imshow(g3)
——————————————————————————————————————
i=imread(‘peppers.png’);
g=rgb2gray(i);
s=im2uint8(mat2gray(log(1+double(g))));
subplot(1,3,1);imshow(i);subplot(1,3,2);imshow(g);
subplot(1,3,3);imshow(s);
——————————————————————————————————————
f=rgb2gray(imread(‘peppers.png’));
[P, Q]=size(f);
F=fft2(f, 2*P, 2*Q); F=abs(F) ;Fc=fftshift(F);
subplot(1,3,1);imshow(f);subplot(1,3,2);imshow(Fc,[]);
s=im2uint8(mat2gray(log( 1 + double(Fc))));
subplot(1,3,3); imshow(s,[]);
——————————————————————————————————————
fruido=rgb2gray(imread( "boy-6281260_640.jpg"));
w2= (1/64)*ones(8);
g2=im2uint8(mat2gray(imfilter(double(fruido),w2)));
subplot(1,2,1);imshow(fruido);subplot(1,2,2);imshow(g2);
——————————————————————————————————————

A=imread("boy-6281260_640.jpg");
subplot(1,2,1); imshow (A);
k= fspecial(‘average’, [9 9]);
B=imfilter(A, k,"symmetric");
subplot(1,2,2); imshow(B);
————————————————————————————————-
I=rgb2gray(imread(‘boy-6281260_640.jpg’));
subplot(1,3,1), imshow(I);
Isp = imnoise (I, ‘salt & pepper’, 0.03);
subplot(1,3,2), imshow(Isp);
Ig = imnoise (I,’gaussian’, 0.02);
subplot(1,3,3), imshow(Ig);
————————————————————————————————–
I=rgb2gray(imread(‘boy-6281260_640.jpg’));
subplot(1,3,1), imshow(I);
Isp = imnoise (I, ‘salt & pepper’, 0.03);
subplot(1,3,2), imshow(Isp);
Ig = imnoise (I,’gaussian’, 0.02);
subplot(1,3,3), imshow(Ig);
K=ones (3,3)/9;
I_m = imfilter(I,k);
Isp_m = imfilter(Isp,k);
Ig_m = imfilter(Ig,k);
subplot(1,3,1), imshow(I_m);
subplot(1,3,2), imshow(Isp_m);
subplot(1,3,3), imshow(Ig_m);
%%
I_m = medfilt2(I,[3 3]);
Isp_m = medfilt2(Isp,[3 3]);
Ig_m = medfilt2(Ig, [3 3]);
subplot(1,3,1), imshow(I_m);
subplot(1,3,2), imshow(Isp_m);
subplot(1,3,3), imshow(Ig_m);
%%
I_m = ordfilt2(I,25,ones(5,5));
Isp_m = ordfilt2(Isp,25,ones(5,5));
Ig_m = ordfilt2(Ig,25,ones(5,5));
subplot(1,3,1), imshow(I_m);
subplot(1,3,2), imshow(Isp_m);
subplot(1,3,3), imshow(Ig_m);

——————————————————-
Guide —
function varargout = EstudandoThomas(varargin)
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @EstudandoThomas_OpeningFcn, …
‘gui_OutputFcn’, @EstudandoThomas_OutputFcn, …
‘gui_LayoutFcn’, [] , …
‘gui_Callback’, []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code – DO NOT EDIT
% — Executes just before EstudandoThomas is made visible.
function EstudandoThomas_OpeningFcn(hObject, eventdata, handles, varargin)
handles.output = hObject;
% Update handles structure
guidata(hObject, handles);
% — Outputs from this function are returned to the command line.
function varargout = EstudandoThomas_OutputFcn(hObject, eventdata, handles)
varargout{1} = handles.output;
% — Executes on button press in Abrir.
function Abrir_Callback(hObject, eventdata, handles)
global im1
[filename,path]=uigetfile(‘*.jpg;*.gif;*.tif;*.png’,’Selecione Imagem’);
im1=imread(strcat(path,filename));
axes(handles.axes1);
imshow(im1);
% — Executes on button press in Cinza.
function Cinza_Callback(hObject, eventdata, handles)
global im1 gray
gray=rgb2gray(im1);
axes(handles.axes2);
imshow(gray);
% — Executes on button press in Histograma.
function Histograma_Callback(hObject, eventdata, handles)
global gray
axes(handles.axes4);
imhist(gray);
% — Executes on button press in Equalizar.
function Equalizar_Callback(hObject, eventdata, handles)
global gray
axes(handles.axes5);
eq=histeq(gray);
imhist(eq);
% — Executes on button press in Salvar.
function Salvar_Callback(hObject, eventdata, handles)
F=getimage(handles.axes3);
FileName=uiputfile({‘*.jpg;*.tif;*.png;*.gif’,’All Image Files’;…
‘*.*’,’All Files’ },’Save Image’,…
‘C:Worknewfile.jpg’)
imwrite(F,FileName,’jpg’);
% — Executes on button press in Reset.
function Reset_Callback(hObject, eventdata, handles)
cla(handles.axes1,’reset’);
cla(handles.axes2,’reset’);
cla(handles.axes3,’reset’);
cla(handles.axes4,’reset’);
cla(handles.axes5,’reset’);
% — Executes on button press in Media.
function Media_Callback(hObject, eventdata, handles)
global gray n
axes(handles.axes3);
w1=(1/(n^2))*ones(n);
g1=im2uint8(mat2gray(imfilter(double(gray),w1)));
imshow(g1);
% — Executes on button press in Mediana.
function Mediana_Callback(hObject, eventdata, handles)
global gray n
axes(handles.axes3);
posicao=double((n^2-1)/2)+1;
g2=ordfilt2(gray,posicao,true(n));
imshow(g2);
% — Executes on button press in Maximo.
function Maximo_Callback(hObject, eventdata, handles)
global gray n
axes(handles.axes3);
g2=ordfilt2(gray,n*n,true(n));
imshow(g2);
% — Executes on button press in Minimo.
function Minimo_Callback(hObject, eventdata, handles)
global gray n
axes(handles.axes3);
g2=ordfilt2(gray,1,true(n));
imshow(g2);
function Matriz_Callback(hObject, eventdata, handles)
global n
str=get(handles.Matriz,’String’);
n=str2double(str);
% — Executes during object creation, after setting all properties.
function Matriz_CreateFcn(hObject, eventdata, handles)
if ispc && isequal(get(hObject,’BackgroundColor’), get(0,’defaultUicontrolBackgroundColor’))
set(hObject,’BackgroundColor’,’white’);
end
% — Executes on button press in Binario.
function Binario_Callback(hObject, eventdata, handles)
global gray
binario=im2bw(gray);
axes(handles.axes3);
imshow(binario)
% — Executes on button press in Negativo.
function Negativo_Callback(hObject, eventdata, handles)
global gray
neg = imadjust(gray, [0 1], [1 0],1);
axes(handles.axes3);
imshow(neg);-Ruído gaussiano: é um tipo de ruído aditivo que segue uma distribuição normal. É comum em imagens capturadas com sensores eletrônicos, como câmeras digitais.
-Ruído sal e pimenta: é um tipo de ruído impulsivo que adiciona pixels brancos ou pretos aleatoriamente na imagem. É comum em imagens capturadas em ambientes com baixa iluminação ou em transmissões de imagens.
– Ruído de Poisson: é um tipo de ruído que ocorre em imagens com baixa intensidade de luz, como imagens médicas ou astronômicas. É causado pela natureza probabilística da captura de fótons.
– Ruído de amplificador: é um tipo de ruído aditivo que ocorre em imagens capturadas com amplificadores eletrônicos, como em câmeras digitais.
– Ruído de tiro: é um tipo de ruído aditivo que ocorre em imagens capturadas com sensores eletrônicos, como câmeras digitais. É causado pela variação aleatória na quantidade de elétrons gerados pelos fotossensores.
– Ruído de quantização: é um tipo de ruído aditivo que ocorre em imagens digitais devido à limitação da resolução do sistema de aquisição de imagens.
– Granulação de filme: é um tipo de ruído aditivo que ocorre em imagens capturadas em filmes fotográficos. É causado pela variação aleatória na densidade de grãos de prata no filme.
– Ruído isotrópico: é um tipo de ruído aditivo que ocorre em imagens digitais devido à variação aleatória na intensidade dos pixels. – Ruído multiplicativo: é um tipo de ruído que ocorre em imagens capturadas por sistemas de radar ou ultrassom. É causado pela reflexão aleatória das ondas sonoras ou eletromagnéticas.
– Ruído periódico: é um tipo de ruído que ocorre em imagens digitais devido à interferência de sinais periódicos, como linhas de energia elétrica ou sinais de televisão.

Filtro de média: é uma técnica de filtragem simples que substitui cada pixel na imagem pela média dos pixels em sua vizinhança. É eficaz para remover ruído gaussiano e ruído de quantização.
Filtro de mediana: é uma técnica de filtragem que substitui cada pixel na imagem pela mediana dos pixels em sua vizinhança. É eficaz para remover ruído impulsivo, como ruído sal e pimenta.
– Filtro de Wiener: é uma técnica de filtragem que usa uma estimativa da densidade espectral de potência do sinal de imagem e do ruído para remover o ruído. É eficaz para remover ruído gaussiano.
Filtro de Kalman: é uma técnica de filtragem que usa um modelo estatístico para estimar o sinal de imagem original a partir do sinal degradado. É eficaz para remover ruído gaussiano e ruído de amplificador.
– Filtro de Anisotrópico: é uma técnica de filtragem que usa uma equação diferencial parcial para remover o ruído enquanto preserva as bordas da imagem. É eficaz para remover ruído gaussiano e ruído de amplificador.
– Filtro de média: – Vantagens: é uma técnica de filtragem simples e fácil de implementar. É eficaz para remover ruído gaussiano e ruído de quantização. – Desvantagens: pode suavizar demais as bordas da imagem e reduzir a nitidez da imagem.
– Filtro de mediana: – Vantagens: é uma técnica de filtragem robusta que é eficaz para remover ruído impulsivo, como ruído sal e pimenta. Preserva as bordas da imagem. – Desvantagens: pode introduzir artefatos na imagem, como halos ao redor das bordas.
– Filtro de Wiener: – Vantagens: é uma técnica de filtragem que usa uma estimativa da densidade espectral de potência do sinal de imagem e do ruído para remover o ruído. É eficaz para remover ruído gaussiano. – Desvantagens: pode introduzir artefatos na imagem, como bordas borradas.
– Filtro de Kalman: – Vantagens: é uma técnica de filtragem que usa um modelo estatístico para estimar o sinal de imagem original a partir do sinal degradado. É eficaz para remover ruído gaussiano e ruído de amplificador. – Desvantagens: é computacionalmente intensivo e pode ser sensível a erros no modelo estatístico.
– Filtro de Anisotrópico: – Vantagens: é uma técnica de filtragem que usa uma equação diferencial parcial para remover o ruído enquanto preserva as bordas da imagem. É eficaz para remover ruído gaussiano e ruído de amplificador. – Desvantagens: é computacionalmente intensivo e pode introduzir artefatos na imagem, como bordas serrilhadas.
Filtro Inverso: Busca compensar ou inverter os efeitos de um sistema, sendo usado em processamento de sinal para melhorar a qualidade. Filtro Pseudo-Inverso: Similar ao inverso, mas aplicado em situações em que a matriz não é diretamente inversível. Usa técnicas alternativas para obter uma solução aproximada.
Filtro de Salsicha: Geralmente referido como filtro passa-baixa, atenua as frequências mais altas em um sinal, destacando as mais baixas. Filtro de Mínimos Quadrados Restrito: Utilizado para ajustar um modelo aos dados minimizando a soma dos quadrados das diferenças entre os valores previstos e observados, com restrições adicionais.
Filtro Máximo: Maximiza uma determinada característica, sendo aplicado em diversos contextos, como processamento de imagem e comunicações.
Filtro Mínimo: Minimiza uma característica específica, frequentemente usado em problemas de otimização. Filtro Mediano: Substitui cada pixel em uma imagem pela mediana dos valores dos pixels vizinhos, sendo eficaz para remover ruídos.
Filtro Médio: Calcula a média dos valores em uma região específica, útil para suavizar imagens ou sinais.
Filtro Adaptativo: Ajusta seus parâmetros automaticamente em resposta às características do sinal ou ambiente, proporcionando flexibilidade em várias condições.
Filtro Inverso: Vantagens: Pode oferecer uma compensação precisa. Desvantagens: Sensível a ruídos, instabilidades numéricas.
Filtro Pseudo-Inverso: Vantagens: Útil quando a matriz não é inversível. Desvantagens: A solução é aproximada, não ideal para todos os casos. Filtro de Salsicha: Vantagens: Remove ruídos de alta frequência. Desvantagens: Pode causar suavização excessiva e perda de detalhes.
Filtro de Mínimos Quadrados Restrito: Vantagens: Lida com restrições específicas. Desvantagens: Pode ser sensível a condições iniciais, computacionalmente exigente.
Filtro Máximo: Vantagens: Destaca características específicas. Desvantagens: Pode realçar ruídos indesejados.
Filtro Mínimo: Vantagens: Útil para remoção de ruídos. Desvantagens: Suaviza detalhes importantes.
Filtro Mediano: Vantagens: Eficaz na remoção de ruídos impulsivos. Desvantagens: Pode não ser tão eficaz para outros tipos de ruídos.
Filtro Médio: Vantagens: Suaviza sinais preservando tendências. Desvantagens: Pode não funcionar bem com outliers.
Filtro Adaptativo: Vantagens: Ajusta-se automaticamente a mudanças nas condições. Desvantagens: Complexidade computacional, sensibilidade a condições extremas.
——————————————————————————————————————————————————————————————-
LIMIARIZAÇÃO=

% Carregar a imagem
f = imread(‘football.jpg’); % Substitua ‘football.jpg’ pelo nome da sua imagem
% Converter para escala de cinza
grayImage = rgb2gray(f);
% Definir o limiar
threshold = 0.5; % Pode ser um valor entre 0 e 1, ou um valor específico para imagens em 8 bits (0 a 255)
% Limiarizar a imagem
binaryImage = imbinarize(grayImage, threshold);
% Exibir as imagens
figure;
subplot(1, 2, 1);
imshow(grayImage);
title(‘Imagem em Escala de Cinza’);
subplot(1, 2, 2);
imshow(binaryImage);
title(‘Imagem Limiarizada’);
————————————————————————————————–
ESCALA DE CINZA – BINARIZAÇÃO
f=rgb2gray(imread(‘peppers.png’));
bw=im2bw(f,0.5);
imshow(bw)
m=127;
E=20;
g=1./(1+(m./(double(f)+ eps)).^E)
subplot(1,2,1);imshow(f);subplot(1,2,2);imshow(g);
——————————————————————————————-
AJUSTE DE CONTRASTE
f=rgb2gray(imread(‘peppers.png’));
bw=im2bw(f,0.5);
imshow(bw)
g1= imadjust(f,[0 1],[1 0],0.6);
g2= imadjust(f,[0 1],[1 0],1);
g3= imadjust(f,[0 1],[1 0 ],4);
subplot(1,3,1)
imshow(g1)
subplot(1,3,2)
imshow(g2)
subplot(1,3,3)
imshow(g3)
————————————————————————————————-
imread(‘peppers.png’);
g1= imadjust(f,[0 1],[1 0],0.6);
g2= imadjust(f,[0 1],[1 0],1);
g3= imadjust(f,[0 1],[1 0],4);
subplot(1,3,1)
imshow(g1)
subplot(1,3,2)
imshow(g2)
subplot(1,3,3)
imshow(g3)
——————————————————————————————————————
i=imread(‘peppers.png’);
g=rgb2gray(i);
s=im2uint8(mat2gray(log(1+double(g))));
subplot(1,3,1);imshow(i);subplot(1,3,2);imshow(g);
subplot(1,3,3);imshow(s);
——————————————————————————————————————
f=rgb2gray(imread(‘peppers.png’));
[P, Q]=size(f);
F=fft2(f, 2*P, 2*Q); F=abs(F) ;Fc=fftshift(F);
subplot(1,3,1);imshow(f);subplot(1,3,2);imshow(Fc,[]);
s=im2uint8(mat2gray(log( 1 + double(Fc))));
subplot(1,3,3); imshow(s,[]);
——————————————————————————————————————
fruido=rgb2gray(imread( "boy-6281260_640.jpg"));
w2= (1/64)*ones(8);
g2=im2uint8(mat2gray(imfilter(double(fruido),w2)));
subplot(1,2,1);imshow(fruido);subplot(1,2,2);imshow(g2);
——————————————————————————————————————

A=imread("boy-6281260_640.jpg");
subplot(1,2,1); imshow (A);
k= fspecial(‘average’, [9 9]);
B=imfilter(A, k,"symmetric");
subplot(1,2,2); imshow(B);
————————————————————————————————-
I=rgb2gray(imread(‘boy-6281260_640.jpg’));
subplot(1,3,1), imshow(I);
Isp = imnoise (I, ‘salt & pepper’, 0.03);
subplot(1,3,2), imshow(Isp);
Ig = imnoise (I,’gaussian’, 0.02);
subplot(1,3,3), imshow(Ig);
————————————————————————————————–
I=rgb2gray(imread(‘boy-6281260_640.jpg’));
subplot(1,3,1), imshow(I);
Isp = imnoise (I, ‘salt & pepper’, 0.03);
subplot(1,3,2), imshow(Isp);
Ig = imnoise (I,’gaussian’, 0.02);
subplot(1,3,3), imshow(Ig);
K=ones (3,3)/9;
I_m = imfilter(I,k);
Isp_m = imfilter(Isp,k);
Ig_m = imfilter(Ig,k);
subplot(1,3,1), imshow(I_m);
subplot(1,3,2), imshow(Isp_m);
subplot(1,3,3), imshow(Ig_m);
%%
I_m = medfilt2(I,[3 3]);
Isp_m = medfilt2(Isp,[3 3]);
Ig_m = medfilt2(Ig, [3 3]);
subplot(1,3,1), imshow(I_m);
subplot(1,3,2), imshow(Isp_m);
subplot(1,3,3), imshow(Ig_m);
%%
I_m = ordfilt2(I,25,ones(5,5));
Isp_m = ordfilt2(Isp,25,ones(5,5));
Ig_m = ordfilt2(Ig,25,ones(5,5));
subplot(1,3,1), imshow(I_m);
subplot(1,3,2), imshow(Isp_m);
subplot(1,3,3), imshow(Ig_m);

——————————————————-
Guide —
function varargout = EstudandoThomas(varargin)
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @EstudandoThomas_OpeningFcn, …
‘gui_OutputFcn’, @EstudandoThomas_OutputFcn, …
‘gui_LayoutFcn’, [] , …
‘gui_Callback’, []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code – DO NOT EDIT
% — Executes just before EstudandoThomas is made visible.
function EstudandoThomas_OpeningFcn(hObject, eventdata, handles, varargin)
handles.output = hObject;
% Update handles structure
guidata(hObject, handles);
% — Outputs from this function are returned to the command line.
function varargout = EstudandoThomas_OutputFcn(hObject, eventdata, handles)
varargout{1} = handles.output;
% — Executes on button press in Abrir.
function Abrir_Callback(hObject, eventdata, handles)
global im1
[filename,path]=uigetfile(‘*.jpg;*.gif;*.tif;*.png’,’Selecione Imagem’);
im1=imread(strcat(path,filename));
axes(handles.axes1);
imshow(im1);
% — Executes on button press in Cinza.
function Cinza_Callback(hObject, eventdata, handles)
global im1 gray
gray=rgb2gray(im1);
axes(handles.axes2);
imshow(gray);
% — Executes on button press in Histograma.
function Histograma_Callback(hObject, eventdata, handles)
global gray
axes(handles.axes4);
imhist(gray);
% — Executes on button press in Equalizar.
function Equalizar_Callback(hObject, eventdata, handles)
global gray
axes(handles.axes5);
eq=histeq(gray);
imhist(eq);
% — Executes on button press in Salvar.
function Salvar_Callback(hObject, eventdata, handles)
F=getimage(handles.axes3);
FileName=uiputfile({‘*.jpg;*.tif;*.png;*.gif’,’All Image Files’;…
‘*.*’,’All Files’ },’Save Image’,…
‘C:Worknewfile.jpg’)
imwrite(F,FileName,’jpg’);
% — Executes on button press in Reset.
function Reset_Callback(hObject, eventdata, handles)
cla(handles.axes1,’reset’);
cla(handles.axes2,’reset’);
cla(handles.axes3,’reset’);
cla(handles.axes4,’reset’);
cla(handles.axes5,’reset’);
% — Executes on button press in Media.
function Media_Callback(hObject, eventdata, handles)
global gray n
axes(handles.axes3);
w1=(1/(n^2))*ones(n);
g1=im2uint8(mat2gray(imfilter(double(gray),w1)));
imshow(g1);
% — Executes on button press in Mediana.
function Mediana_Callback(hObject, eventdata, handles)
global gray n
axes(handles.axes3);
posicao=double((n^2-1)/2)+1;
g2=ordfilt2(gray,posicao,true(n));
imshow(g2);
% — Executes on button press in Maximo.
function Maximo_Callback(hObject, eventdata, handles)
global gray n
axes(handles.axes3);
g2=ordfilt2(gray,n*n,true(n));
imshow(g2);
% — Executes on button press in Minimo.
function Minimo_Callback(hObject, eventdata, handles)
global gray n
axes(handles.axes3);
g2=ordfilt2(gray,1,true(n));
imshow(g2);
function Matriz_Callback(hObject, eventdata, handles)
global n
str=get(handles.Matriz,’String’);
n=str2double(str);
% — Executes during object creation, after setting all properties.
function Matriz_CreateFcn(hObject, eventdata, handles)
if ispc && isequal(get(hObject,’BackgroundColor’), get(0,’defaultUicontrolBackgroundColor’))
set(hObject,’BackgroundColor’,’white’);
end
% — Executes on button press in Binario.
function Binario_Callback(hObject, eventdata, handles)
global gray
binario=im2bw(gray);
axes(handles.axes3);
imshow(binario)
% — Executes on button press in Negativo.
function Negativo_Callback(hObject, eventdata, handles)
global gray
neg = imadjust(gray, [0 1], [1 0],1);
axes(handles.axes3);
imshow(neg); -Ruído gaussiano: é um tipo de ruído aditivo que segue uma distribuição normal. É comum em imagens capturadas com sensores eletrônicos, como câmeras digitais.
-Ruído sal e pimenta: é um tipo de ruído impulsivo que adiciona pixels brancos ou pretos aleatoriamente na imagem. É comum em imagens capturadas em ambientes com baixa iluminação ou em transmissões de imagens.
– Ruído de Poisson: é um tipo de ruído que ocorre em imagens com baixa intensidade de luz, como imagens médicas ou astronômicas. É causado pela natureza probabilística da captura de fótons.
– Ruído de amplificador: é um tipo de ruído aditivo que ocorre em imagens capturadas com amplificadores eletrônicos, como em câmeras digitais.
– Ruído de tiro: é um tipo de ruído aditivo que ocorre em imagens capturadas com sensores eletrônicos, como câmeras digitais. É causado pela variação aleatória na quantidade de elétrons gerados pelos fotossensores.
– Ruído de quantização: é um tipo de ruído aditivo que ocorre em imagens digitais devido à limitação da resolução do sistema de aquisição de imagens.
– Granulação de filme: é um tipo de ruído aditivo que ocorre em imagens capturadas em filmes fotográficos. É causado pela variação aleatória na densidade de grãos de prata no filme.
– Ruído isotrópico: é um tipo de ruído aditivo que ocorre em imagens digitais devido à variação aleatória na intensidade dos pixels. – Ruído multiplicativo: é um tipo de ruído que ocorre em imagens capturadas por sistemas de radar ou ultrassom. É causado pela reflexão aleatória das ondas sonoras ou eletromagnéticas.
– Ruído periódico: é um tipo de ruído que ocorre em imagens digitais devido à interferência de sinais periódicos, como linhas de energia elétrica ou sinais de televisão.

Filtro de média: é uma técnica de filtragem simples que substitui cada pixel na imagem pela média dos pixels em sua vizinhança. É eficaz para remover ruído gaussiano e ruído de quantização.
Filtro de mediana: é uma técnica de filtragem que substitui cada pixel na imagem pela mediana dos pixels em sua vizinhança. É eficaz para remover ruído impulsivo, como ruído sal e pimenta.
– Filtro de Wiener: é uma técnica de filtragem que usa uma estimativa da densidade espectral de potência do sinal de imagem e do ruído para remover o ruído. É eficaz para remover ruído gaussiano.
Filtro de Kalman: é uma técnica de filtragem que usa um modelo estatístico para estimar o sinal de imagem original a partir do sinal degradado. É eficaz para remover ruído gaussiano e ruído de amplificador.
– Filtro de Anisotrópico: é uma técnica de filtragem que usa uma equação diferencial parcial para remover o ruído enquanto preserva as bordas da imagem. É eficaz para remover ruído gaussiano e ruído de amplificador.
– Filtro de média: – Vantagens: é uma técnica de filtragem simples e fácil de implementar. É eficaz para remover ruído gaussiano e ruído de quantização. – Desvantagens: pode suavizar demais as bordas da imagem e reduzir a nitidez da imagem.
– Filtro de mediana: – Vantagens: é uma técnica de filtragem robusta que é eficaz para remover ruído impulsivo, como ruído sal e pimenta. Preserva as bordas da imagem. – Desvantagens: pode introduzir artefatos na imagem, como halos ao redor das bordas.
– Filtro de Wiener: – Vantagens: é uma técnica de filtragem que usa uma estimativa da densidade espectral de potência do sinal de imagem e do ruído para remover o ruído. É eficaz para remover ruído gaussiano. – Desvantagens: pode introduzir artefatos na imagem, como bordas borradas.
– Filtro de Kalman: – Vantagens: é uma técnica de filtragem que usa um modelo estatístico para estimar o sinal de imagem original a partir do sinal degradado. É eficaz para remover ruído gaussiano e ruído de amplificador. – Desvantagens: é computacionalmente intensivo e pode ser sensível a erros no modelo estatístico.
– Filtro de Anisotrópico: – Vantagens: é uma técnica de filtragem que usa uma equação diferencial parcial para remover o ruído enquanto preserva as bordas da imagem. É eficaz para remover ruído gaussiano e ruído de amplificador. – Desvantagens: é computacionalmente intensivo e pode introduzir artefatos na imagem, como bordas serrilhadas.
Filtro Inverso: Busca compensar ou inverter os efeitos de um sistema, sendo usado em processamento de sinal para melhorar a qualidade. Filtro Pseudo-Inverso: Similar ao inverso, mas aplicado em situações em que a matriz não é diretamente inversível. Usa técnicas alternativas para obter uma solução aproximada.
Filtro de Salsicha: Geralmente referido como filtro passa-baixa, atenua as frequências mais altas em um sinal, destacando as mais baixas. Filtro de Mínimos Quadrados Restrito: Utilizado para ajustar um modelo aos dados minimizando a soma dos quadrados das diferenças entre os valores previstos e observados, com restrições adicionais.
Filtro Máximo: Maximiza uma determinada característica, sendo aplicado em diversos contextos, como processamento de imagem e comunicações.
Filtro Mínimo: Minimiza uma característica específica, frequentemente usado em problemas de otimização. Filtro Mediano: Substitui cada pixel em uma imagem pela mediana dos valores dos pixels vizinhos, sendo eficaz para remover ruídos.
Filtro Médio: Calcula a média dos valores em uma região específica, útil para suavizar imagens ou sinais.
Filtro Adaptativo: Ajusta seus parâmetros automaticamente em resposta às características do sinal ou ambiente, proporcionando flexibilidade em várias condições.
Filtro Inverso: Vantagens: Pode oferecer uma compensação precisa. Desvantagens: Sensível a ruídos, instabilidades numéricas.
Filtro Pseudo-Inverso: Vantagens: Útil quando a matriz não é inversível. Desvantagens: A solução é aproximada, não ideal para todos os casos. Filtro de Salsicha: Vantagens: Remove ruídos de alta frequência. Desvantagens: Pode causar suavização excessiva e perda de detalhes.
Filtro de Mínimos Quadrados Restrito: Vantagens: Lida com restrições específicas. Desvantagens: Pode ser sensível a condições iniciais, computacionalmente exigente.
Filtro Máximo: Vantagens: Destaca características específicas. Desvantagens: Pode realçar ruídos indesejados.
Filtro Mínimo: Vantagens: Útil para remoção de ruídos. Desvantagens: Suaviza detalhes importantes.
Filtro Mediano: Vantagens: Eficaz na remoção de ruídos impulsivos. Desvantagens: Pode não ser tão eficaz para outros tipos de ruídos.
Filtro Médio: Vantagens: Suaviza sinais preservando tendências. Desvantagens: Pode não funcionar bem com outliers.
Filtro Adaptativo: Vantagens: Ajusta-se automaticamente a mudanças nas condições. Desvantagens: Complexidade computacional, sensibilidade a condições extremas.
——————————————————————————————————————————————————————————————-
LIMIARIZAÇÃO=

% Carregar a imagem
f = imread(‘football.jpg’); % Substitua ‘football.jpg’ pelo nome da sua imagem
% Converter para escala de cinza
grayImage = rgb2gray(f);
% Definir o limiar
threshold = 0.5; % Pode ser um valor entre 0 e 1, ou um valor específico para imagens em 8 bits (0 a 255)
% Limiarizar a imagem
binaryImage = imbinarize(grayImage, threshold);
% Exibir as imagens
figure;
subplot(1, 2, 1);
imshow(grayImage);
title(‘Imagem em Escala de Cinza’);
subplot(1, 2, 2);
imshow(binaryImage);
title(‘Imagem Limiarizada’);
————————————————————————————————–
ESCALA DE CINZA – BINARIZAÇÃO
f=rgb2gray(imread(‘peppers.png’));
bw=im2bw(f,0.5);
imshow(bw)
m=127;
E=20;
g=1./(1+(m./(double(f)+ eps)).^E)
subplot(1,2,1);imshow(f);subplot(1,2,2);imshow(g);
——————————————————————————————-
AJUSTE DE CONTRASTE
f=rgb2gray(imread(‘peppers.png’));
bw=im2bw(f,0.5);
imshow(bw)
g1= imadjust(f,[0 1],[1 0],0.6);
g2= imadjust(f,[0 1],[1 0],1);
g3= imadjust(f,[0 1],[1 0 ],4);
subplot(1,3,1)
imshow(g1)
subplot(1,3,2)
imshow(g2)
subplot(1,3,3)
imshow(g3)
————————————————————————————————-
imread(‘peppers.png’);
g1= imadjust(f,[0 1],[1 0],0.6);
g2= imadjust(f,[0 1],[1 0],1);
g3= imadjust(f,[0 1],[1 0],4);
subplot(1,3,1)
imshow(g1)
subplot(1,3,2)
imshow(g2)
subplot(1,3,3)
imshow(g3)
——————————————————————————————————————
i=imread(‘peppers.png’);
g=rgb2gray(i);
s=im2uint8(mat2gray(log(1+double(g))));
subplot(1,3,1);imshow(i);subplot(1,3,2);imshow(g);
subplot(1,3,3);imshow(s);
——————————————————————————————————————
f=rgb2gray(imread(‘peppers.png’));
[P, Q]=size(f);
F=fft2(f, 2*P, 2*Q); F=abs(F) ;Fc=fftshift(F);
subplot(1,3,1);imshow(f);subplot(1,3,2);imshow(Fc,[]);
s=im2uint8(mat2gray(log( 1 + double(Fc))));
subplot(1,3,3); imshow(s,[]);
——————————————————————————————————————
fruido=rgb2gray(imread( "boy-6281260_640.jpg"));
w2= (1/64)*ones(8);
g2=im2uint8(mat2gray(imfilter(double(fruido),w2)));
subplot(1,2,1);imshow(fruido);subplot(1,2,2);imshow(g2);
——————————————————————————————————————

A=imread("boy-6281260_640.jpg");
subplot(1,2,1); imshow (A);
k= fspecial(‘average’, [9 9]);
B=imfilter(A, k,"symmetric");
subplot(1,2,2); imshow(B);
————————————————————————————————-
I=rgb2gray(imread(‘boy-6281260_640.jpg’));
subplot(1,3,1), imshow(I);
Isp = imnoise (I, ‘salt & pepper’, 0.03);
subplot(1,3,2), imshow(Isp);
Ig = imnoise (I,’gaussian’, 0.02);
subplot(1,3,3), imshow(Ig);
————————————————————————————————–
I=rgb2gray(imread(‘boy-6281260_640.jpg’));
subplot(1,3,1), imshow(I);
Isp = imnoise (I, ‘salt & pepper’, 0.03);
subplot(1,3,2), imshow(Isp);
Ig = imnoise (I,’gaussian’, 0.02);
subplot(1,3,3), imshow(Ig);
K=ones (3,3)/9;
I_m = imfilter(I,k);
Isp_m = imfilter(Isp,k);
Ig_m = imfilter(Ig,k);
subplot(1,3,1), imshow(I_m);
subplot(1,3,2), imshow(Isp_m);
subplot(1,3,3), imshow(Ig_m);
%%
I_m = medfilt2(I,[3 3]);
Isp_m = medfilt2(Isp,[3 3]);
Ig_m = medfilt2(Ig, [3 3]);
subplot(1,3,1), imshow(I_m);
subplot(1,3,2), imshow(Isp_m);
subplot(1,3,3), imshow(Ig_m);
%%
I_m = ordfilt2(I,25,ones(5,5));
Isp_m = ordfilt2(Isp,25,ones(5,5));
Ig_m = ordfilt2(Ig,25,ones(5,5));
subplot(1,3,1), imshow(I_m);
subplot(1,3,2), imshow(Isp_m);
subplot(1,3,3), imshow(Ig_m);

——————————————————-
Guide —
function varargout = EstudandoThomas(varargin)
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @EstudandoThomas_OpeningFcn, …
‘gui_OutputFcn’, @EstudandoThomas_OutputFcn, …
‘gui_LayoutFcn’, [] , …
‘gui_Callback’, []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code – DO NOT EDIT
% — Executes just before EstudandoThomas is made visible.
function EstudandoThomas_OpeningFcn(hObject, eventdata, handles, varargin)
handles.output = hObject;
% Update handles structure
guidata(hObject, handles);
% — Outputs from this function are returned to the command line.
function varargout = EstudandoThomas_OutputFcn(hObject, eventdata, handles)
varargout{1} = handles.output;
% — Executes on button press in Abrir.
function Abrir_Callback(hObject, eventdata, handles)
global im1
[filename,path]=uigetfile(‘*.jpg;*.gif;*.tif;*.png’,’Selecione Imagem’);
im1=imread(strcat(path,filename));
axes(handles.axes1);
imshow(im1);
% — Executes on button press in Cinza.
function Cinza_Callback(hObject, eventdata, handles)
global im1 gray
gray=rgb2gray(im1);
axes(handles.axes2);
imshow(gray);
% — Executes on button press in Histograma.
function Histograma_Callback(hObject, eventdata, handles)
global gray
axes(handles.axes4);
imhist(gray);
% — Executes on button press in Equalizar.
function Equalizar_Callback(hObject, eventdata, handles)
global gray
axes(handles.axes5);
eq=histeq(gray);
imhist(eq);
% — Executes on button press in Salvar.
function Salvar_Callback(hObject, eventdata, handles)
F=getimage(handles.axes3);
FileName=uiputfile({‘*.jpg;*.tif;*.png;*.gif’,’All Image Files’;…
‘*.*’,’All Files’ },’Save Image’,…
‘C:Worknewfile.jpg’)
imwrite(F,FileName,’jpg’);
% — Executes on button press in Reset.
function Reset_Callback(hObject, eventdata, handles)
cla(handles.axes1,’reset’);
cla(handles.axes2,’reset’);
cla(handles.axes3,’reset’);
cla(handles.axes4,’reset’);
cla(handles.axes5,’reset’);
% — Executes on button press in Media.
function Media_Callback(hObject, eventdata, handles)
global gray n
axes(handles.axes3);
w1=(1/(n^2))*ones(n);
g1=im2uint8(mat2gray(imfilter(double(gray),w1)));
imshow(g1);
% — Executes on button press in Mediana.
function Mediana_Callback(hObject, eventdata, handles)
global gray n
axes(handles.axes3);
posicao=double((n^2-1)/2)+1;
g2=ordfilt2(gray,posicao,true(n));
imshow(g2);
% — Executes on button press in Maximo.
function Maximo_Callback(hObject, eventdata, handles)
global gray n
axes(handles.axes3);
g2=ordfilt2(gray,n*n,true(n));
imshow(g2);
% — Executes on button press in Minimo.
function Minimo_Callback(hObject, eventdata, handles)
global gray n
axes(handles.axes3);
g2=ordfilt2(gray,1,true(n));
imshow(g2);
function Matriz_Callback(hObject, eventdata, handles)
global n
str=get(handles.Matriz,’String’);
n=str2double(str);
% — Executes during object creation, after setting all properties.
function Matriz_CreateFcn(hObject, eventdata, handles)
if ispc && isequal(get(hObject,’BackgroundColor’), get(0,’defaultUicontrolBackgroundColor’))
set(hObject,’BackgroundColor’,’white’);
end
% — Executes on button press in Binario.
function Binario_Callback(hObject, eventdata, handles)
global gray
binario=im2bw(gray);
axes(handles.axes3);
imshow(binario)
% — Executes on button press in Negativo.
function Negativo_Callback(hObject, eventdata, handles)
global gray
neg = imadjust(gray, [0 1], [1 0],1);
axes(handles.axes3);
imshow(neg); filter, ruids MATLAB Answers — New Questions

​