【贪玩巴斯】数字图像处理基础课堂笔记（一）——序言「基础知识与简介」 2021-09-14

笔记整理：AchesonD16 贪玩巴斯

1.教材

推荐Matlab版本

2.发展概述

最初在1920s，图像处理最初首次应用于改善伦敦到纽约之间的海底电缆传送图片的质量。

1964年，美国喷气推动实验室用计算机成功地对4000多张月球照片进行了处理。

1970s，离散数学的创立和完善，推动了数字图像处理技术。

1990s，随着个人计算机的推广，数字世界逐渐进入人们的生活。

3.数字图像处理的基本概念

3.1 数字图像

一幅图像可以定义为一个二维函数f（x,y）,当空间坐标x，y和幅值f为有限的离散数值，称该图像为数字图像。
换言之，以数字格式表示的图像

3.2 数字图像处理

利用计算机来处理数字图像

3.3 数字图像处理的三个层次

3.3.1 低级图像处理

1. 内容：主要对图像进行各种加工以改善图像的视觉效果，或突出有用信息，并为自动识别打基础、或通过编码以减少对其所需要存储空间、传输事件或者传输带宽的要求。
2. 特点：输入输出都为图像，只是图像之间的变换。
   
   （右边为增强）

3.3.2 中级图像处理

1. 内容：主要对图像中感兴趣的目标进行检测（或分割）和测量，从而获得它们的客观信息来建立对图像的描述。
2. 特点：输入是图像，输出是数据（描述）。
   
   （右边为处理之后，对感兴趣的目标进行了分割测量检测）

3.3.3 高级图像处理

1. 内容：在中级图像处理的基础上，进一步研究图像中各目标的性质和它们之间相互的联系，并得出对图像内容含义的理解（对象识别） 以及对原来客观场景的解释（计算机视觉），从而指导和规划行动。
2. 特点：以客观世界为中心，接触知识、经验等来把握整个客观世界。
   “输入是数据，输出是理解”

（阅读一连串图片作出图像处理，并输入理解语言）

3.4 图像的灰度

• 一幅图像不同位置的亮度不同。可以用f(x,y)函数来表示点(x,y)上的亮度。
  由于光是一种能量形式，故亮度是非负有限的——（0 <= f(x,y) < ∞）

• 在图像处理中常用灰度，灰度级这个名称。
  它的含义是——单色图像中坐标（x,y）点的亮度称为改点的灰度级或灰度。
  设灰度为L，则Lmin <= L <= Lmax。 间隔区域称为灰度范围。

• 在室内处理图像时一般为Lmin≈0.005Lux，Lmax≈100Lux。
  实际使用中，这个间隔规格化为——[0,Lmax],其中Lmin=0为黑色，Lmax为白色，而所有在黑、白之间的值代表连续变化的灰度。

3.5像素与图像中的比特

• 像素
• • 数字图像中坐标为(x,y)的一个"点"。
• 图像中的比特
• • 在计算机处理中，为便于处理，灰度级取成2的幂次方。灰度级[0,2的N次方]。这里N 称为 比特。
• • 对于8比特的图像，共有256个灰度级。即，1个像素的灰度级用1个字节（1byte = 8 bit）存储
• • 通常显示一幅供人观看的图像，6比特就基本够了。

3.6 数字图像的类型

• • 二值图像
    ——灰度等级只有两种
    ——用 1 0 表示 1 为黑 0 为白
    
• • 灰度图像

• ——用0 - 256位数来表示 数越小接近黑 越大接近白
  

• • 彩色图像

• ——用 RGB 三色来表示一处地方
  

red，green，blue 分别对应三个点，三个点分别拥有不同的灰度（0-256），三个点的灰度共同作用下产生彩色。

4 数字图像处理的基本内容

4.1 图像获取

运用：摄像机+图像采集卡、数码相机等。
中间要采用A/D转换单元

4.2 图像增强

突出图像中感兴趣的部分。

4.3 图像复原

以图像退化的数学模型为基础，来改善图像质量
——把模糊图像变为清晰图像

4.4 图像压缩

减小图像的存储量，或者在图像传输时降低宽带。

信噪比——越高说明质量越好。（因为信号值越大）
压缩比

4.5 图像分割

将一幅图像划分为几个组成部分或分割出目标物体。

4.6 表达与描述

图像分割之后，输出分割标记或目标特征参数。

4.7 目标识别

把目标进行分类的过程。

4.8 图像的重建

由二维图形重建三维图像——（运用到人体研究）

5. 数字图像处理的应用实例-图像处理有什么用？

• 生物特征识别
  基于生理特征的身份识别：指纹、人脸和虹膜等。
  基于行为特征的身份识别：步态、语音等。可用于安保、视频监控等等。
• 质量检测（例如：零件、水果等等）
• 光学字符识别
  –印刷体
  –手写体

6. 数字图像处理的应用实例

• 医学图像
• 航天与军事应用
• 图像检索
• 图像版权保护
• 图像保密通信

7.举例：

人脸识别系统及其挑战

框架：

表情变化的挑战

光照变化的挑战

年龄变化的挑战

姿态变化的挑战