数字图像处理基础

最新推荐文章于 2023-01-06 13:15:10 发布

lx_xin

最新推荐文章于 2023-01-06 13:15:10 发布

阅读量660

点赞数

分类专栏：图像处理相关文章标签：数字图像处理

本文链接：https://blog.csdn.net/lx_xin/article/details/82811954

版权

文章目录

数字图像处理

数字图像处理

数字图像基础

图像内插

用于图像放大、缩小、旋转、几何校正等任务。首先确定变换前后的坐标对应关系，用src表示转换前的图像尺寸，dst表示转换后的图像尺寸，src’表示转换后图像对应于原图像的坐标。对于图像缩放，缩放系数 $t = s r c / d s t$ ，则dst对应在src中的坐标为 $s r c^{'} = d s t * t$ 。考虑到转换后图像未处在原图像中间的情况，将公式修正为 $s r c^{'} = (d s t + 0.5) * t - 0.5$ 。对于旋转、矫正等使用相关公式计算src’后使用以下内插方法进行像素赋值。

修正前

修正后

最近邻内插
将距离src’最近的src像素赋值给src’。
双线性内插
利用src’最近的2*2个src像素确定赋值大小。

根据图中定义，先对X再对Y插值，P点的插值结果为

插值公式

其中各式分母均为1。
参考资料：三十分钟理解：线性插值，双线性插值Bilinear Interpolation算法

双三次插值
利用src’最近的 $4\times4$ 个src像素值确定赋值大小。计算每个像素值到src’的距离，根据分段函数（这里选用BiCubic基函数）确定像素值的权值，对 $4\times4$ 个像素值进行加权求和得到src’。

例如对于点src’(1.5,1.5)，距离最近的4*4坐标为(0,0),(0,1)···(3,3)，对于点(0,0)，X方向距离为1.5，Y方向距离为1.5，根据BiCubic基函数得到对应的权值 $w_{(0,0)}^{x}$ （这里上标表示坐标方向不是乘方）和 $w_{(0,0)}^{y}$ ，则(0,0)点对于src’的贡献为该点处的灰度值 $i\times w_{(0,0)}^{x} \times w_{(0,0)}^{y}$ 。依次求得各点的贡献值后求和得到最终的src’。
参考资料：图像缩放之双三次插值法
Lanczos插值(兰索斯插值)
基本思路与双三次插值类似，但是改变了基函数类型，并且使用的邻域范围不固定，可自由选择。Lanczos插值函数为：

插值公式为：

其中a为参数大小，x，y为待带插值位置，i，j为当前采样位置。可以设置不同的参数大小得到不同的效果。a取2适合于缩小插值，3适合于放大插值。在opencv中默认取4。
参考资料：Lanczos插值滤波器
 几种插值算法对比研究
以上几种插值方法效果依次更好，但同时复杂度也依次提升。

像素距离度量

对于点A(x1,y1)与点B(x2,y2)有如下距离度量

欧氏距离
$D_{e}(A,B)=[(x_{1}-x_{2})^{2}+(y_{1}-y_{2})^{2}]^{\frac{1}{2}}$ 与A距离小于r的点在半径为r的圆内。
城区距离（曼哈顿距离）
$D_{4}(A,B)=\left |x_{1}-x_{2} \right |+\left |y_{1}-y_{2} \right |$ 与A距离小于r的点在半径为r的菱形内。
棋盘距离
$D_{8}(A,B)=max(\left |x_{1}-x_{2} \right |,\left |y_{1}-y_{2} \right |)$ 与A距离小于r的点在半径为r的正方形内。

灰度变换与空间滤波

基本的灰度变换函数

图像反转
对于灰度级为L-1的图像，反转定义为 $d s t = L - 1 - s r c$
对数变换
$=c*\log (1+src)，其中c为常数，src\geq 0$ 。对数变换扩展低像素值，压缩高灰度值。对数变换的一个重要作用是压缩图像动态范围，例如傅里叶频谱的图像显示通常经过了对数变换。
幂律( $\gamma$ )变换
$dst=c*src^{\gamma}，其中c和\gamma为正常数$ 。又叫做伽马校正，通常用于设备产生的伽马响应的校正。当 $\gamma<1$ 时可以扩展灰度级，用于处理整体偏暗的图片； $\gamma>1$ 时可以压缩灰度级，用于处理整体偏亮的图片。
分段线性变换函数
对比度拉伸：通过设定不同的变换函数拉伸特定灰度范围内的图像。

灰度级分层：将特定范围内的灰度值设为给定值以突出特定灰度的图像。

比特平面分层：将灰度值用2进制表示，如256灰度级图像可表示为8位二进制数，将每一个像素同位的二进制数组成一幅图像（该图像只包含0和1），可得到8幅图像，即原图像的比特平面分层。其中层数越高对原图像灰度值的决定性越。可以根据分层后的图像重建原图像，并且不一定要使用所有图像，例如只使用最高的4层重建图像得到的图像丢失信息较少，单可以减少一半的存储空间。

直方图处理

直方图：统计图像中每个灰度值包含的像素点个数，绘制横轴为 $0\sim L-1$ ，纵轴为对应的像素点个数的柱状图称为直方图。将直方图纵轴除以图像总像素点数得到归一化直方图，反映每种灰度出现的概率。

直方图均衡化
输入图像s，求s的归一化直方图（由于灰度值为离散变量，可用数组表示为r[i]），再求其累计直方图s[i]，则对于灰度i，转换公式为i’=(L-1)*s[i]。直方图均衡化的目的是为了扩展动态范围，使变换后的灰度概率接近均匀分布。例如：

项目	-	-	-	-	-	-
原始灰度值	0	1	2	3	4	5
像素比例	0.3	0.4	0.2	0	0	0.1
累计比例	0.3	0.7	0.9	0.9	0.9	1
变换后灰度值=累计比例*最大灰度值	2(1.5)	4(3.5)	5(4.5)	5(4.5)	5(4.5)	5(5)
变换后比例	0	0	0.3	0	0.4	0.3

直方图规范化（匹配）
输入图像s和规定图像z，分别求s和z的直方图均衡化的灰度映射记为s->T(S)和z->T(z)，令T(S)=T(z)，则可建立s->T(s)=T(z)->z的映射关系。当T(z)->z的对应关系不唯一时，通常选择较小的作为映射结果。例如：

项目	-	-	-	-	-	-
灰度值	0	1	2	3	4	5
输入像素比例	0.3	0.4	0.2	0	0	0.1
输入累计比例	0.3	0.7	0.9	0.9	0.9	1
变换后灰度值=累计比例*最大灰度值	2(1.5)	4(3.5)	5(4.5)	5(4.5)	5(4.5)	5
规定像素比例	0	0.1