中科大DIA复习内容

DIA复习

第2章 图像数字化

1. 可分离和正交图像变换

   1. 图像变换
   2. 成像过程：视觉过程、成像变换、成像亮度、视觉系统

2. 采样和量化

   1. 空间分辨率越低，区域边界出现方块
   2. 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

3. 连通悖论(考点)
   

4. 方盒量化和网格相交量化原理

   1. 方盒量化：轮廓与方盒相交取方盒中心的点。
      定义：像素$p_i=(x_i,y_i)$, 数字化盒$B_i=(x_i-1/2,x_i+1/2)\times (y_i-1/2,y_i+1/2)$，只要$B_i\cap S\ne \varnothing$，则$p_i$处在$S$的数字化集合$P$中。
   2. 网格相交量化：相交的边缘按最近的点来替代。

5. 数字弦，紧致弦(考点)
   数字弦：像素$p_i$和$p_j$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$\rho$, 存在一点${\rho }_k\in P_{pq}$能使得 $d_8(\rho ,{\rho }_k)<1$，该弦是数字弦。($P_{pq}$为$p$和$q$两点的8-数字弧)
   

第3章 图像变换

1. 可分离和正交图像变换

   1. 图像变换

   $$T(u,v)=\sum _{x=0}^{N-1}\sum _{y=0}^{N-1}f(x,y)h(x,y,u,v)$$

   $$f(x,y)=\sum _{u=0}^{N-1}\sum _{v=0}^{N-1}T(u,v)k(x,y,u,v)$$

   ​ $h(x,y,u,v)$为正向变换核，$k(x,y,u,v)$为反向变换核
   2. 可分离：$h(x,y,u,v)=h_1(x,u)h_2(y,v)$ 1个2D变换分成2个1D变换

   $$\begin{gathered} T(x,v)=\sum _{y=0}^{N-1}f(x,y)h_2(y,v) \\ T(u,v)=\sum _{x=0}^{N-1}T(x,v)h_1(x,u) \end{gathered}$$

   ​ 如果还是对称的，$h(x,y,u,v)=h_1(x,u)h_1(u,v)$

   ​ 有正变换$T=AFA$，反变换$BTB=BAFAB$

   ​ 若$B=A^{-1}$，$F=BTB$，若$B\ne A^{-1}$，$\hat{F}=BAFAB$。
   3. 正交图像变换
   $B=A^{-1}$且$A{A}^H=I$

   有2D的DFT变换

   $$\begin{gathered} F(u,v)=\sum _{x=0}^{N-1}\sum _{y=0}^{N-1}f(x,y)e^{-j2\pi \frac{ux+vy}{N}} \\ f(x,y)=\sum _{u=0}^{N-1}\sum _{v=0}^{N-1}F(u,v)e^{j2\pi \frac{ux+vy}{N}} \end{gathered}$$

2. 2D DFT变换
   如公式4

   1. 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

3. 哈达玛递推式
   $$H_2=\frac{1}{\sqrt{2}}\left[\begin{array}{cc}1& 1\\ 1& -1\end{array}\right]$$

   $$H_{2N}=\frac{1}{\sqrt{2}}\left[\begin{array}{cc}{H}_N& H_N\\ H_N& -H_N\end{array}\right]$$

4. 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

   1. $Y=PX$

   2. 要使得$D_Y$是个对角阵，这样它的每一维度跟其他维度都是无关的

   3. $D_X=U\Lambda U^T$，对$D_X$对角化($D_X$是对称矩阵)

   4. 我们刚好希望$D_Y=\Lambda$，$D_Y=\frac{1}{M}Y{Y}^T$, $D_X=\frac{1}{M}X{X}^T$

   5. $$\begin{gathered} \frac{1}{M}X{X}^T=\frac{1}{M}UY{Y}^T{U}^T \\ X{X}^T=UY(UY{)}^T \end{gathered}$$

      即$Y=U^{T}X$，$P=U^T$

   步骤：

   1. 原始数据按列组成N行M列的矩阵X

   2. 对X的每一行（每个维度）进行零均值化

   3. 求出协方差矩阵