第一周学习分享

图像的获取手段

以下是几种传感器：

CCD图像传感器

电荷耦合元件(Charge-coupledDevice, CCD)是固态阵中的主要元件， 是一种半导体成 像传感器器件， 组成它的感光基元是离散硅成像元素， 利用电荷注入、 转移和读出方式实现场景信息的获取。 根据成像原理， CCD图像传感器分为线列CCD图像传感器和面阵CCD图 像传感器。CCD图像传感器可以根据不同的设计用千不同波长范围的光谱成像。

1. 可见光CCD摄像机。可见光CCD摄像机是一种目前应用最广泛的图像采集设备，以市场上广泛流行的数码照相机为代表。CCD摄像机主要是通过镜头将光照聚焦在加有驱动时钟的CCD光敏面上，CCD根 据光的强弱完成相应比例电荷的存储、 转移， 经过滤波、放大等处理后形成图像信号输出。
2. X光CCD图像传感器。X光CCD图像传感器在工程中得到广泛应用，以医学领域的数字式X光成像装置最为典型。CCD图像传感器通过特殊设计可以用于X光的波长范围。 因为传统的CCD表面的氧化物和结材料对X光的吸收太强， 因此，针对X光的CCD必须将这些结构设计并做得尽可能簿， 以减少对X光的吸收。 同时，为了能够形成 一个收集X光的深耗尽层以收集穿过的X光光子， X光CCD图像传感器需要具有高电阻率的衬底。
3. 红外CCD 图像传感器。红外CCD图像传感器主要用千军事领域， 其中典型的代表是红外夜视成像设备。 红外CCD图像传感器是在面阵CCD图像传感器和红外探测器阵列技术的基础上发展起来的。所以，在成像原理上， 红外CCD图像传感器和可见光图像传感器基本是一样的， 只是其接收到的电磁波段不一样，它主要接收的是红外辐射波段。红外CCD图像传感器的核心器件是在硅CCD器件和红外探测器阵列技术基础上发展起来的红外电荷耦合器， 它是新一代的固体焦平面技术， 它将CCD图像传感器的工作波段从可见光拓展到中远红外光。

CMOS图像传感器

互补金属氧化物半导体(Complementary Metal Oxide Semiconductor, CMOS), 它也是种由半导体材料制作而成的图像传感器件。 CMOS图像传感器的光电转换功能与CCD相似，但它用传统的芯片工艺方法将光敏元件、放大器、 AID转换器、存储器、 数字信号处理器等都集成在一块硅片上， 从而降低了功耗和成本， 有着广泛的应用前景。

CID图像传感器

电荷注入器件(Charge-injected Device, CID), 具有与CCD相似的基本结构， 也是一种利用电荷注入、转移和读出方式实现场景信息获取的半导体结构。与CCD器件不同的是，CID图像传感器有一个和图像矩阵对应的电极矩阵， 在每个像素对应位置上有两个能形成电位阱 的电极， 分别对应行列位置的电极连通或隔离。 根据控制行列的电极连通与否， 可以实现对 某个像素的访问， 具有很强的随机访问性。

图像的显示与输出

图像显示与输出是图像处理的最终目的， 是图像处理系统与用户交流的重要手段。 一般而言， 图像显示方式分为暂时性显示和永久性显示两种。

暂时性显示主要依靠显示设备将图像强度信息转化为光亮度变化的模式， 在一定的显示屏器上输出附像。 对千常见的图像显示设备， 可以从工作原理、 输入信号的方式、 扫描方式、 显示颜色、 分辨率、 显示屏形状等不同的角度进行分类。

根据工作原理划分：基千阴极射线管(Cathode-Ray Tube, CRT)、液晶显示器(Liquid Crystal Display, LCD)、等离子体显示器(Plasma Display Panel, PDP), 等等。

根据输入信号的方式划分：

1. 模拟信号输入显示器。 该显示器只有 R、 G、 B 三路模拟信号可以输入。

2. 数字信号输入显示器。 该显示器的输入信号是数字信号。

3. 合成视频信号输入显示器。 它的输入信号是包含色度、 亮度和同步信号的混合视频信号， 通过视频信号线传输。

   根据扫描方式划分： 隔行扫描显示器和逐行扫描显示器。

   根据显示颜色划分： 单色（或称黑白）和彩色。

   根据分辨率划分： 低分辨率、 中分辨率、 高分辨率显示器等。

   根据显示屏形状划分： 球面、 纯平面、 平面直角、 柱面等。

   永久性显示是指通过硬拷贝将图像转化到照片、 透明胶片上， 同时也可通过打印机或绘图仪等设备将图像输出在纸上。 对千现有的打印输出， 主要采用半调输出技术。半调输出技 术是通过将灰度（或彩色）图像转化为二值点模式， 从而在输出设备上保持输出图像原有的 灰度级， 它主要分为幅度调制技术和频率调制技术两类。

1. 幅度调制技术.幅度调制(Amplitude Modulated, AM)半调技术， 它是一种最开始提出使用的半调输出技术， 通过调整输出黑点的尺寸来显示不同的灰度。
2. 频率调制技术.频率调制(Frequency Modulated, FM)半调技术， 它采用固定尺寸的输出黑点， 使用其空间分布变化来表示不同的灰度。 如果黑点分布比较密， 所表示的灰度就比较暗： 反之， 如 果分布比较稀疏， 则表示比较亮的灰度。

采样

对于图像信号，采样就是把位置空间上连续的模拟信号$f\left(x,y\right)$转化为离散点集合的一种操作。

定义采样函数:
$$s\left(x,y\right)=\sum _{m=-\infty }^{+\infty }\sum _{n=-\infty }^{+\infty }\delta \left(x-m\Delta x,y-n\Delta y\right)$$
那么显然采样后有：
$$f_s\left(x,y\right)=f\left(x,y\right)s\left(x,y\right)$$
对于采样，有奈奎斯特采样定理：当采样频率大于实际信号最大频率 2 倍的时候，就可以完整保留信息。

对连续信号进行傅里叶变换，即可得到空间频频：
$$F\left(u,v\right)=\frac{1}{\sqrt[]{2\pi }}{\int }_{-\infty }^{+\infty }{\int }_{-\infty }^{+\infty }f\left(x,y\right)e^{-i\left(ux+vy\right)}\mathrm{d}x\mathrm{d}y$$

由采样定理知道：只需要$\Delta x\le \frac{1}{2u_c}$ 和$\Delta y\le \frac{1}{2v_c}$即可。

量化

所谓量化（Quantization），就是将图像像素点对应亮度的连续变换区间转换为单个特定值的过程，即将原始灰度图像的空间坐标幅度值离散化。量化等级越多，图像层次越丰富，灰度分辨率越高，图像的质量也越好；量化等级越少，图像层次欠丰富，灰度分辨率越低，会出现图像轮廓分层的现象，降低了图像的质量。

量化后，图像就被表示成一个整数矩阵，每个像素具有两个属性：位置和灰度。位置由行，列表示。灰度表示该像素位置上亮暗程度的整数。此数字矩阵M*N就作为计算机处理的对象了，灰度级一般为0-255（8bit量化）。如果量化等级为2，则将使用两种灰度级表示原始图像的像素（0-255），灰度值小于128的取0，大于等于128的取128；如果量化等级为4，则将使用四种灰度级表示原始图像的像素，新图像将分层为四种颜色，0-64区间取0,64-128区间取64,128-192区间的取128,192~255区间取192，依次类推。

import cv2
import numpy as npy
import matplotlib.pyplot

img = cv2.imread('python_learn\\touxiang.jpg')
hight, width = img.shape[0], img.shape[1]

new_img = npy.zeros((hight, width, 3), npy.uint8)	#三层矩阵为BGR通道
#2级量化
for i in range(hight):
    for j in range(width):
        for k in range(3):
            if img[i, j, k] < 128:
                gray = 0
            else:
                gray = 129
            new_img[i, j, k] = npy.uint8(gray)

cv2.imwrite('tx2.jpg', new_img)

cv2.imshow('src', img)
cv2.imshow('new', new_img)

cv2.waitKey(0)
cv2.destroyAllWindows()

更改中间的循环体，可以进行更高等级的量化：
4级：

for i in range(hight):
    for j in range(width):
        for k in range(3):
            if img[i, j][k] < 64:
                gray = 0
            elif img[i, j][k] < 128:
                gray = 64
            elif img[i, j][k] < 192:
                gray = 128
            else:
                gray = 192
            new_img[i, j][k] = npy.uint8(gray)

8级：

for i in range(hight):
    for j in range(width):
        for k in range(3):  # 对应BGR三通道
            if img[i, j][k] < 32:
                gray = 0
            elif img[i, j][k] < 64:
                gray