constraint on image pixels

图像处理中，像素间的约束关系(constraint)是个很重要的问题，但似乎没有一些基础的文章来介绍，准备借上《statistical image processing》这门课的机会，把这个问题好好理清楚。

 

实际上，谈到像素间的constraint，还要从图像的微分操作讲起，Digital Image Processing. 2nd Edition (DIP/2e). by Gonzalez and Woods中就提到了，

“我们最感兴趣的微分性质是恒定灰度区域(平坦段)、突变的开头与结尾(阶梯和斜坡突变)及沿着灰度级斜坡处的特性。这些类型的突变可以用来对图像中的噪声点、细线与边缘模型化。在向(从)这些图像特性过渡时的微分性质也很重要。数学函数的微分可以用不同的术语定义，也有各种方法定义这些差别，然而，对于一阶微分的任何定义都必须保证以下几点:

(1)在平坦段(灰度不变的区域)微分值为零;

(2)在灰度阶梯或斜坡的起始点处微分值非零;

(3)沿着斜坡面微分值非零。

任何二阶微分的定义也类似:

(1)在平坦区微分值必为零;

(2)在灰度阶梯或斜坡的起始点处微分值非零;

(3)沿着斜坡面微分值非零。

因为我们处理的是数字量，其值是有限的，故最大灰度级的变化也是有限的，变化发生的最短距离是在两相邻像素之间。对于一元函数f(x)表达一阶微分的定义是一个差值: 

                                                      

 

这里，为了与对二维图像函数f(x,y)求微分时的表达式保持一致，使用偏导数符号对二元函数，我们将沿着两个空间轴处理偏微分；当前讨沦的空间微分的应用并不影响我们试图完成的了任何方法的本质。

      类似地，用差分定义二阶微分:

                                                 

 

很容易证实这两个定义满足前面所说的一阶、二阶微分的条件。”

 

实际上，constraint就是对图像加入先验的知识进行约束，比如一阶约束（-1,1）即认为相邻元素应为相同的像素值；（-1,2,-1）认为中间的像素值应为相邻像素值的加权平均。 我们得到的measurement，总是带有噪音的，跟ground truth有一定的偏差的，如果我们已知图像应该符合什么样的分布，加入约束，就可以得到和ground truth更接近的图像。比如用中值滤波器对CCD成像得到的图像进行滤波，产生的新的图像就会符合中值滤波的特性。

2010-11-10  00:48:45

continued.....