机器视觉#4 数字图像基础：采样、量化、邻域、连通性

第二部分：图像的数字化

类比声音信号的数字化过程：

（1）取样

  (2）量化(数模转换)

（3）编码

图像的数字化过程:

AB线上灰度是在变化，把这种灰度的变化转变为模拟信号，经过采样，编码后转变为数字信号。

·采样间隔越大，所得图像像素数越少，图像空间分辨率低，质量差。

·采样间隔越小，所得图像像素数越多，图像空间分辨率高，质量好，但数据量大。

·图(a)至(f)是采样间距递增获得的图像，像素数从256*256递减至8*8。 

·量化等级越多，所得图像层次越丰富，灰度分辨率越高，质量越好，但数据量大；
·量化等级越少，图像层次欠丰富，灰度分辨率低，质量变差，会出现假轮廓现象，但数据量小。
图2.7 (a)至(f)是在采样间距相同时灰度级数从256逐次减少为64、16、8.4、2所得到的图像。

 

非均匀采样: 

·在灰度级变化尖锐的区域，用细腻的采样，

 在灰度级比较平滑的区域，用粗糙的采样。

非均匀量化:

在边界附近使用较少的灰度级，剩余的灰度级可用于灰度级变化比较平滑的区域。

避免或减少由于量化的太粗糙，在灰度级变化比较平滑的区域出现假轮廓的现象

(1)对于缓变的图像，应该粗采样，细量化。

(2)对于细节丰富的图像，应该细采样，粗量化。

*处理复杂，一般不用（非均匀采样，非均匀量化)。

第三部分 图像像素间的关系

      像素间的关系主要对像素与像素之间的关联进行描述，理解像素间的关系是学习图像处理的必要准备，这主要包括相邻像素，邻接性、连通性，区域、边界的概念，以及今后要用到的一些常见距离度量方法。

领域关系:

领域关系常用于描述相邻像素之间的相邻关系，包括4邻域，D邻域，8邻域等类型。

N8(p) = N4(p) + ND(p)

 邻接性：

 对于具有值V的像素p和q

m连通有两种情况(1),(2)。

 如左图，p与q的4邻域交际为空（橙色部分，没有值），所以是m连通。

右图，交集部分非空，所以不是m连通。

从C到D可以走:C->B->A->D,也可以C->A->D，为了避免这种歧义，我们用m连通表示，这样从C到D就只有:C->B->A->D一种方式了。

m邻接实质：

当像素间同时存在4-邻接和8-邻接（比如C与A）时，优先采用4-邻接；

屏蔽两个（C,A）和同一像素（B）间存在4-邻接的像素之间的8-邻接。 

连通性：

  从具有坐标(x,y)的像素p到具有坐标(s,t)的像素q的通路（或曲线）是特定的像素序列，其坐标为:

(x0,y0),(x1,y1),...,(xn,yn)。

其中(x0,y0) = (x,y),(xn,yn) = (s,t)并且像素(xi,yi)和(xi-1,yi-1)(对于1<=i<=n)是邻接的。在这种情况下，n是通路的长度。如果(x0,y0)=（xn,yn)，则通路是闭合通路。 

上图有几个字母，每一个单独的区域里，它们都是相通的，从一个点到另一个点都存在一条通路。

如果要从像素s到像素t:

在4连通的条件下:s不能到t

在8连通的条件下:s可以到t

在m连通的条件下:s可以到t

 

 上图为一个二值图

如果考虑4邻接，则有3个连通区域:

 如果考虑8邻接，则有2个连通区域:

 

我们对这个灰度图像做了一个阈值分割，得到下图的结果(白色1，黑色0)，我们可以找到一些连通区域，我们找到这些连通区域后，去找有多少像素，显然像素越多的，占面积越大；我们把占像素比较多的区域提取出来，就可以提取出骨头的框架。

区域和边界: 

   区域的定义是建立在连通集的基础上的，令R是图像中的像素子集，如果R是连通集，则成R为一个区域。

·如果一个点的8邻域都是1，则可以认为这个点是内部的点而不是边界上的点，可以删除这类点，剩下的就是边界上的点。 

·根据腐蚀的特性，使用3*3的结构元素对图像进行腐蚀，可以得到内部的点，那么再用原图减去腐蚀图，就得到了图像的边界。(腐蚀:比如我们打磨上述左图，边界都磨掉了，剩下的就是内部，下图就是一个腐蚀的过程）