《数字图像处理》第二章 2.1 视觉感知要素笔记-CSDN博客

本文链接：https://blog.csdn.net/lincyang/article/details/146040930

“第二章数字图像基础，超级难啃。”—不是我说的，是我朋友说的。
“2.1.1讲人眼结构，这东西对计算机视觉有啥用吗？我又不是学医！”—这依然不是我问的，是我朋友问的。
我的建议是，多啃几遍了哦，不如就像我，做多次笔记试试。还有啊，人眼结构这块要留意，后面遇到液态仿生镜头你就知道了。

一、人眼结构与成像原理

眼球分层与核心组件

在这里插入图片描述

1.1 眼球本体结构

外层： 角膜（透明，负责折射光线）和巩膜（保护结构）。
中层： 虹膜（调节瞳孔大小控制进光量）、睫状体（调节晶状体曲率）和脉络膜（吸收散射光）。
内层（视网膜）：
锥状细胞：约600-700万个，位于中央凹，负责高分辨率、彩色视觉（明视觉）。
杆状细胞：约7500-15000万个，分布广但连接共享神经，对低照度敏感（暗视觉）。
盲点：无视细胞区域，由视神经出口形成。
眼球内容物：
房水：填充前房和后房，维持眼压并营养角膜、晶状体。
晶状体：弹性透明结构，通过改变曲率调节焦距（类似相机镜头）。
玻璃体：凝胶状物质，支撑眼球形状并传递光线至视网膜。

1.2 附属器官

保护与润滑结构
眼睑与睫毛：物理屏障，防止异物侵入；眨眼动作保持角膜湿润。
结膜：覆盖眼睑内侧和巩膜表面，分泌黏液辅助润滑。
泪器：泪腺分泌泪液清洁眼球，泪道排出多余液体。
运动调节结构
外眼肌：6条肌肉协同控制眼球运动，实现快速扫视、追踪目标等功能。

1.3 关键动态特性

瞳孔调节：虹膜通过肌肉收缩改变瞳孔大小，适应不同光照强度（动态对比度可达百万比一）。
视网膜适应：从明到暗环境需约30分钟完成化学调整（如视紫红质再生），以恢复暗视觉。

1.4 功能协同示例

当光线通过角膜→房水→瞳孔→晶状体→玻璃体到达视网膜后，感光细胞将光信号转化为电信号，经双极细胞→神经节细胞→视神经传递至大脑皮层，最终形成视觉。若晶状体弹性下降（如老花眼），睫状体无法有效调节焦距，需借助光学镜片矫正。

成像机制

晶状体通过改变形状调节焦距（14-17mm），类似相机镜头。
视网膜中央凹类似CCD传感器，聚焦后光信号转换为电脉冲，由大脑解码。

二、亮度适应与视觉现象

亮度适应（Brightness Adaptation）

动态范围： 人眼可适应光强范围达 $10^{10}$
，但瞬时辨别的亮度级仅约 $10^{3}$ 。
适应级别： 当前环境下的灵敏度水平，暗视觉（杆状体主导）与明视觉（锥状体主导）的切换需要时间（如暗适应约30分钟）。

关键视觉现象

马赫带效应（Mach Bands）
现象：在均匀亮度区域边界处感知到虚假的亮/暗带（图1）。
原理：视觉系统增强对比度以突出轮廓。
在这里插入图片描述

代码示例：生成灰度渐变条带并观察边界效应。

import numpy as np
import matplotlib.pyplot as plt

# 生成带有阶梯突变的渐变（模拟侧抑制）
steps = 10  # 阶梯数
step_width = 25  # 每个阶梯宽度（像素）
gradient = np.zeros((200, 256))

for i in range(steps):
    start = i * step_width
    end = start + step_width
    gradient[:, start:end] = i * (255 // steps)

plt.figure(figsize=(15, 3))
plt.imshow(gradient, cmap='gray', aspect='auto', interpolation='none')  # 禁用插值
plt.axis('off')
plt.title("Illustration of the Mach band effect.")
plt.show()

输出效果：渐变条带在相邻区域交界处出现亮/暗条纹。
在这里插入图片描述

同时对比（Simultaneous Contrast）
现象：相同灰度的小方块在不同背景中感知亮度不同。
代码示例：创建不同背景下的相同灰度方块。

import numpy as np
import matplotlib.pyplot as plt

# 创建黑色和白色背景 (明确使用uint8数据类型)
bg_dark = np.zeros((200, 200), dtype=np.uint8)        # 黑色背景 (0)
bg_light = np.ones((200, 200), dtype=np.uint8) * 255  # 白色背景 (255)

# 在中心添加相同灰度方块（灰度值=127）
patch_value = 127
patch = np.ones((50, 50), dtype=np.uint8) * patch_value
bg_dark[75:125, 75:125] = patch
bg_light[75:125, 75:125] = patch

# 可视化对比（强制显示范围为0-255）
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.imshow(bg_dark, cmap='gray', vmin=0, vmax=255, interpolation='none')  # 关键修复点
plt.title("Dark Background: Patch Looks Brighter")
plt.axis('off')

plt.subplot(1, 2, 2)
plt.imshow(bg_light, cmap='gray', vmin=0, vmax=255, interpolation='none')  # 关键修复点
plt.title("Light Background: Patch Looks Darker")
plt.axis('off')

plt.tight_layout()
plt.show()