DIA复习
第2章 图像数字化
-
可分离和正交图像变换
- 图像变换
- 成像过程:视觉过程、成像变换、成像亮度、视觉系统
-
采样和量化
- 空间分辨率越低,区域边界出现方块
- 图像幅度分辨率越低,图像出现虚假轮廓 量化的比特数越多,灰度级越多
-
连通悖论(考点)
-
方盒量化和网格相交量化原理
- 方盒量化:轮廓与方盒相交取方盒中心的点。
定义:像素 p i = ( x i , y i ) p_i=(x_i,y_i) pi=(xi,yi), 数字化盒 B i = ( x i − 1 / 2 , x i + 1 / 2 ) × ( y i − 1 / 2 , y i + 1 / 2 ) B_i=(x_i-1/2,x_i+1/2)\times(y_i-1/2,y_i+1/2) Bi=(xi−1/2,xi+1/2)×(yi−1/2,yi+1/2),只要 B i ∩ S ≠ ∅ B_i\cap S\neq \empty Bi∩S=∅,则 p i p_i pi处在 S S S的数字化集合 P P P中。 - 网格相交量化:相交的边缘按最近的点来替代。
- 方盒量化:轮廓与方盒相交取方盒中心的点。
-
数字弦,紧致弦(考点)
数字弦:像素 p i p_i pi和 p j p_j pj之间连线和它之间数字连接各段之间距离小于阈值。如果是基于8-数字弧,则在连续线段的任意一点 ρ \rho ρ, 存在一点 ρ k ∈ P p q \rho_k\in P_{pq} ρk∈Ppq能使得 d 8 ( ρ , ρ k ) < 1 d_8(\rho,\rho_k)<1 d8(ρ,ρk)<1,该弦是数字弦。( P p q P_{pq} Ppq为 p p p和 q q q两点的8-数字弧)
第3章 图像变换
-
可分离和正交图像变换
- 图像变换
T ( u , v ) = ∑ x = 0 N − 1 ∑ y = 0 N − 1 f ( x , y ) h ( x , y , u , v ) T(u,v)=\sum_{x=0}^{N-1}\sum_{y=0}^{N-1}f(x,y)h(x,y,u,v) T(u,v)=x=0∑N−1y=0∑N−1f(x,y)h(x,y,u,v)
f ( x , y ) = ∑ u = 0 N − 1 ∑ v = 0 N − 1 T ( u , v ) k ( x , y , u , v ) f(x,y)=\sum_{u=0}^{N-1}\sum_{v=0}^{N-1}T(u,v)k(x,y,u,v) f(x,y)=u=0∑N−1v=0∑N−1T(u,v)k(x,y,u,v)
h ( x , y , u , v ) h(x,y,u,v) h(x,y,u,v)为正向变换核, k ( x , y , u , v ) k(x,y,u,v) k(x,y,u,v)为反向变换核
2. 可分离: h ( x , y , u , v ) = h 1 ( x , u ) h 2 ( y , v ) h(x,y,u,v)=h_1(x,u)h_2(y,v) h(x,y,u,v)=h1(x,u)h2(y,v) 1个2D变换分成2个1D变换T ( x , v ) = ∑ y = 0 N − 1 f ( x , y ) h 2 ( y , v ) T ( u , v ) = ∑ x = 0 N − 1 T ( x , v ) h 1 ( x , u ) T(x,v)=\sum_{y=0}^{N-1}f(x,y)h_2(y,v)\\ T(u,v)=\sum_{x=0}^{N-1}T(x,v)h_1(x,u) T(x,v)=y=0∑N−1f(x,y)h2(y,v)T(u,v)=x=0∑N−1T(x,v)h1(x,u)
如果还是对称的, h ( x , y , u , v ) = h 1 ( x , u ) h 1 ( u , v ) h(x,y,u,v)=h_1(x,u)h_1(u,v) h(x,y,u,v)=h1(x,u)h1(u,v)
有正变换 T = A F A T=AFA T=AFA,反变换 B T B = B A F A B BTB=BAFAB BTB=BAFAB
若 B = A − 1 B=A^{-1} B=A−1, F = B T B F=BTB F=BTB,若 B ≠ A − 1 B\neq A^{-1} B=A−1, F ^ = B A F A B \hat{F}=BAFAB F^=BAFAB。
3. 正交图像变换
B = A − 1 B=A^{-1} B=A−1且 A A H = I AA^{H}=I AAH=I有2D的DFT变换
F ( u , v ) = ∑ x = 0 N − 1 ∑ y = 0 N − 1 f ( x , y ) e − j 2 π u x + v y N f ( x , y ) = ∑ u = 0 N − 1 ∑ v = 0 N − 1 F ( u , v ) e j 2 π u x + v y N F(u,v)=\sum_{x=0}^{N-1}\sum_{y=0}^{N-1}f(x,y)e^{-j2\pi\frac{ux+vy}{N}}\\ f(x,y)=\sum_{u=0}^{N-1}\sum_{v=0}^{N-1}F(u,v)e^{j2\pi\frac{ux+vy}{N}} F(u,v)=x=0∑N−1y=0∑N−1f(x,y)e−j2πNux+vyf(x,y)=u=0∑N−1v=0∑N−1F(u,v)ej2πNux+vy
-
2D DFT变换
如公式4- 图像空域变换对频谱的影响
平移:改变频率域相位,幅度谱不变
旋转:谱跟着旋转
尺度变化:谱有分隔线,块状效应
- 图像空域变换对频谱的影响
-
哈达玛递推式
H 2 = 1 2 [ 1 1 1 − 1 ] H_2=\frac{1}{\sqrt2}\begin{bmatrix}1&1\\1&-1\end{bmatrix} H2=21[111−1]H 2 N = 1 2 [ H N H N H N − H N ] H_{2N}=\frac{1}{\sqrt2}\begin{bmatrix}H_N&H_N\\H_N&-H_N\end{bmatrix} H2N=21[HNHNHN−HN]
-
KL变换(PCA)
原理:通过对原始数据从N维变换到k维,使其在新的表达下各个维度上不存在相关性,即数据的不同维度的协方差为0。
找到个P
-
Y = P X Y=PX Y=PX
-
要使得 D Y D_Y DY是个对角阵,这样它的每一维度跟其他维度都是无关的
-
D X = U Λ U T D_X=U\Lambda U^T DX=UΛUT,对 D X D_X DX对角化( D X D_X DX是对称矩阵)
-
我们刚好希望 D Y = Λ D_Y=\Lambda DY=Λ, D Y = 1 M Y Y T D_Y=\frac{1}{M}YY^{T} DY=M1YYT, D X = 1 M X X T D_X=\frac{1}{M}XX^T DX=M1XXT
-
1 M X X T = 1 M U Y Y T U T X X T = U Y ( U Y ) T \frac{1}{M}XX^T=\frac{1}{M}UYY^TU^T\\ XX^T=UY(UY)^T M1XXT=M1UYYTUTXXT=UY(UY)T
即 Y = U T X Y=U^TX Y=UTX, P = U T P=U^T P=UT
步骤:
-
原始数据按列组成N行M列的矩阵X
-
对X的每一行(每个维度)进行零均值化
-
求出协方差矩阵
-