第2章 Python 数字图像处理(DIP) --数字图像基础2 - 图像感知要素 - 图像取样和量化 - 空间分辨率和灰度分辨率

图像感知与获取

一个简单的成像模型

我们用形如 $f(x,y)$ 的二维函数来表示图像。在空间坐标 $(x,y)处f$的值是一个标量，其物理意义由图像源决定，其值与物理源（如电磁波）辐射的能量成正比。因此，$f(x,y)$ 一定是非负的和有限的，即
$$0\le f(x,y)<\infty \text{\hspace{1em}(2.3)}$$
函数$f(x,y)$ 由两个分量表征：（1）入射到被观察场景的淘汰照射量；（2）被场景中物体反射的照射量。它们分别称为入射分量和反射分量，并分别用$i(x,y)和r(x,y)$ 表示。这两个函数的乘积形成$f(x,y)$ ，即
$$f(x,y)=i(x,y)r(x,y)\text{\hspace{1em}(2.4)}$$
$$0\le i(x,y)<\infty \text{\hspace{1em}(2.5)}$$
$$0\le r(x,y)\le 1\text{\hspace{1em}(2.6)}$$

于是，反射分量限制在0（全吸收）和1（全反射）之间。$i(x,y)$的性质取决于照射源，而 $r(x,y)$ 的性质取决被成像物体的特性。

区间$[L_{min},L_{max}]$称为亮度级（或灰度级）

图像取样和量化

def get_circle(height, width):
    """
    creat a circle faded image
    :param height: input height of the image you want to create
    :param width: input height of the image you want to create
    :return: image normalize [0, 1]
    """
    
    M, N = width, height
    u = np.arange(M)
    v = np.arange(N)
    u, v = np.meshgrid(u, v)
    D = np.sqrt((u - (M//2 + 1))**2 + (v - (N//2 + 1))**2)
    kernel = normalize(D)
    
    return kernel

# 图像取样
height, width = 512, 512
mid_h, mid_w = height//2 + 1, width//2 + 1

img_ori = np.zeros([height, width], dtype=np.float)
img_ori = (img_ori + 1.0) * 1.
circle = 1 - get_circle(400, 400)

img_ori[mid_h-200: mid_h+200, mid_w-200:mid_w+200] = circle

f_x_57 = img_ori[57:58, :] # 取样 f(x, 56)

plt.figure(figsize=(10, 5))
plt.subplot(121), plt.imshow(img_ori, 'gray'), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.plot(f_x_57[0]), plt.xticks([]), plt.yticks([])
plt.tight_layout()
plt.show()

空间分辨率和灰度分辨率

空间分辨率是图像中最小可辨别的希腊别人测度。这一测度通常使用点数/英寸(dpi)表示。

灰度分辨率是批在灰度级中可分辨的最小变化。灰度级通常是2的整数次幂。最常用的数是8比特，在一些特定的范围也使用16比特。32比特的灰度量化很少见，有时也会使用10比特和12比特来做数字化图像灰度级的系统。我们常说一幅灰度被量化为256组的图像，其灰度分辨率为8比特。灰度的可分辨变化 不仅受噪声和饱和度的影响，而且受人类分析和解释整个场景内容的感知能力的影响。

def down_sample(image):
    height, width = image.shape[:2]
    dst = np.zeros([height//2, width//2])
    dst = image[::2, ::2]
    return dst

# 用降采样来模拟降低空间分辨率的效果
img = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH02/Fig0220(a)(chronometer 3692x2812  2pt25 inch 1250 dpi).tif', 0)

img_2 = down_sample(img)
img_3 = down_sample(img_2)
img_4 = down_sample(img_3)

plt.figure(figsize=(15, 18))
plt.subplot(221), plt.imshow(img, 'gray'), plt.xticks([]), plt.yticks([])
plt.subplot(222), plt.imshow(img_2, 'gray'), plt.xticks([]), plt.yticks([])
plt.subplot(223), plt.imshow(img_3, 'gray'), plt.xticks([]), plt.yticks([])
plt.subplot(224), plt.imshow(img_4, 'gray'), plt.xticks([]), plt.yticks([])
plt.tight_layout()
plt.show()

# 改变灰度值以实现灰度级的不同
# img = cv2.imread('DIP_Figures/DIP3E_Original_Images_CH02/Fig0222(a)(face).tif', 0)
img = get_circle(1000, 1000)

img_temp = normalize(img)

fig = plt.figure(figsize=(13, 26))
for i in range(8):
    ax = fig.add_subplot(4, 2, i+1)
    if i < 7:
        dst = np.uint(img_temp * (2**(8 - i) - 1))
    else:
        dst = np.uint(img_temp * (2))
    ax.imshow(dst, 'gray')
    ax.set_title(f'{2**(8 - i)}')
    ax.set_xticks([])
    ax.set_yticks([])
plt.tight_layout()
plt.show()