图像处理笔记

1.像素：每张图片都是由很多个色点组成的，每个色点称之为一个像素(Pixel)。每张照片的像素总点数，决定照片的实际大小。高像素的作用在于当照片放大很大的时候，照片依然会很清晰，画面细节依然会很好。
如下图

可以看到上述图片尺寸是500 * 400 的，表示图片是由一个500 * 400的像素点矩阵构成的，这张图片的宽度是500个像素点的长度，高度是400个像素点的长度，共有500 * 400= 200000个像素点。
2.

• 二值图像：即一幅二值图像的二维矩阵仅由0、1两个值构成，“0”代表黑色，“1”代白色。

• 灰度图像：是每个像素只有一个采样颜色的图像，这类图像通常显示为从最暗黑色到最亮的白色的灰度，尽管理论上这个采样可以任何颜色的不同深浅，甚至可以是不同亮度上的不同颜色。灰度图像与黑白图像不同，在计算机图像领域中黑白图像只有黑色与白色两种颜色；但是，灰度图像在黑色与白色之间还有许多级的颜色深度。

• 灰度是表明图像明暗的数值，即黑白图像中点的颜色深度，范围一般从0到255，白色为255 ，黑色为0，故黑白图片也称灰度图像。灰度值指的是单个像素点的亮度。灰度值越大表示越亮。

• 灰度值：般颜色像素值是从0到255，即灰度有256级。其中255为白色，0为黑色。灰度就是没有色彩，即RGB色彩分量全部相等（R=G=B）。如RGB(100,100,100)就代表灰度值为100,RGB(50,50,50)代表灰度值为50。

• 彩色图像：彩色图像，每个像素通常是由红（R）、绿（G）、蓝（B）三个分量来表示的，分量介于（0，255）。

  彩色图片
  
  灰色图片
  
  二值图片
  
  3.图像就是函数。我们对上图中的灰度图加上坐标
  
  放到坐标系中后，我们能把一副图像看作是一个二维函数，定义成f(x, y)。任何一对空间坐标(x, y)处f的值看作该坐标点处的强度(intensity)或灰度。我们把每一坐标点处的强度在三维空间中看看。
  
  把图像看作是一个二维函数，将对后续的图像处理理解和计算带来极大的便利，对图像的处理就是对函数的处理。
  对于彩色图像，同样可以看作是一个向量函数。f(x, y) = [r(x, y), g(x, y), b(x, y)]。
  4.图像分辨率
  图像分辨率是指每英寸图像内的像素点数。图像分辨率是有单位的，叫dpi（像素每英寸）。分辨率越高，像素的点密度越高，图像越逼真。
  5.尺度
  
  分析：
  图1(a)中，显然右边的角更尖锐，这是因为同左边的角相比其角度值较小。
  图1(b)中，也是右边的角更尖锐，这是因为同左边的角相比其曲率值较大。
  图1©中的第三组角，问题的答案则要困难得多。左边的角一方面具有较小的角度值（因此更尖锐），另一方面又具有较小的曲率值（因此更圆钝）。右边的角情形刚好相反，一方面因为具有较大的角度值更圆钝，另一方面又因为具有较大的曲率值显得更尖锐。事实上，本问题对于第一组角和第二组角来说是纯粹的数学问题，依据数学上的基本概念（即角度、曲率） 便可以做出判断。而第三组中两个角之间的比较已经不再是纯粹的数学问题，在数学上没有明确的答案。有意思吧。确切地说，这是一个尺度空间中的视觉问题，其答案取决于问题所在的“尺度”而不是某个数学指标。这里，“尺度”可以被直观地理解为观察窗口的大小。
  图1©中，我们观察两个角的窗口大小都是12* 16。在图1(d)中，调整了观察窗口，其大小变成120*160（假设所比较的两个角都具有无限长的边）。

在这个较大的尺度下，问题的答案变得非常明朗：左边的角更加尖锐。
在图1(e)中，观察窗口的大小变更为6*8。
在这个较小的尺度下，问题的答案发生了有趣的变化：此时右边的角更加尖锐。
因此，视觉问题中的“尺度”概念也可以被形象地理解为摄像设备与被观察物体之间的距离：较远的距离对应较大的尺度，较近的距离对应较小的尺度。
6.图像噪声：图像噪声是指存在于图像数据中的不必要的或多余的干扰信息。 图像中各种妨碍人们对其信息接受的因素即可称为图像噪声 。噪声在理论上可以定义为“不可预测，只能用概率统计方法来认识的随机误差”（图像噪声可以描述成不同的类型，其归类方法就是基于统计方法的）。因此将图像噪声看成是多维随机过程是合适的，因而描述噪声的方法完全可以借用随机过程的描述，即用其概率分布函数和概率密度分布函数。通俗的说就是噪声让图像不清楚。
7.图像滤波：即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，是图像预处理中不可缺少的操作，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。图像滤波是通过设计合适的滤波器和阈值对平时工作和环境引起的噪声的减弱与抑制。
8.平滑 也称 模糊, 是一项简单且使用频率很高的图像处理方法。平滑的一种作用就是用来减弱噪声。
9.Mask（掩膜）运算：详见https://www.cnblogs.com/skyfsm/p/6894685.html