数字图像处理笔记（冈萨雷斯)

像素间的一些基本关系

邻接性

令V是用于定义邻接性的灰度值集合（比较拗口，很难理解，没关系看下面~~）。
比如在二值图像中，如果我们把具有1值的像素归诸于邻接像素，则V={1}；当然了，在灰度图像中，也是一样的，只不过灰度图像中的V可能包含更多的元素，它可能是0-255范围的任意一个子集。
4邻接
如果q在集合N4(o)中，则具有V中数值的两个像素o和q是4邻接的。

8邻接
如果q在集合N8(o)中，则具有V中数值的两个像素o和q是8邻接的

m邻接
如下两个条件，满足其中之一的即为m邻接：
1）如果q在N4(o)中；
2）如果q在ND(o)中，且集合N4(o)∩N4(q)中没有来自V中的像素。

8邻接的二义性

如图下所示，8邻接的中间那个1有2条路径可以到达右上角的1，这就是所说的二义性。在边缘检测中通常不希望出现这样的情况，所以采用m邻接来改进8邻接。
m邻接可以解决8邻接的二义性问题。

连通性，区域和边界

通路：像素p(x0,y0)p(x_0,y_0)p(x0 ,y0)到像素q(xn,yn)q(x_n,y_n)q(xn,yn)且其中的每个点与前后两点是k（k可取4，8，m）邻接的，则称p到q是k通路，其中n为通路的长度，若起点p和终点q重合，则称通路为闭合通路。
连通性：令S是图像中的一个像素子集。如果S的全部像素之间存在一个通路，则可以说两个像素p和q在S中是连通的。
区域：令R是图像中的一个像素子集。如果R是连通集，则称R为一个区域。在谈到区域时，一般考虑4邻接或8邻接。必须指定邻接类型。
区域R的边界(也称为边缘或轮廓)是这样的点集，这些点与R的补集中的点邻近。或者说，一个区域的边界是该区域中至少有一个背景邻点的像素集。该定义的边界一般指区域的内边界，外边界是指背景边界。
多数情况下，区域指的是一幅图像的子集。如果R恰巧是整幅图像(假设图像是像素的方形集合)，则边界是由图像的第一行、第一列和最后一行、最后一列的像素集合来定义。
边界（boundary）和边缘（edge）的区别
边界（boundary）：一个有限区域的边界形成一条闭合通路，且是“整体”概念。
边缘（edge）：由具有某些超过预先设定的阈值的导数值的像素形成，是基于在进行灰度级度量时不连续点的“局部”概念。第10章在概念上，将边缘考虑为灰度不连续，把边界考虑为闭合通路。**边缘和边界吻合的一个例外是二值图像，根据连通类型和所用的边缘算子(第10章)，从二值区域提取边缘与区域边界是一样的。

距离度量

欧式距离De
对于坐标分别为(x,y)，(s,t)和(v,w)的像素p，q和z，若
D(p,q)>=0 [D(p,q) = 0 , 当且仅当p = q] 正定性
D(p,q) = D(q,p) 且 对称性
D(p,z) <= D(p,q) + D(q,z) 距离三角不等式
则D是距离函数或度量。
欧几里得（欧式）距离：
​ 距点(x,y)的距离小于等于某个值r的像素构成以p点为圆心，半径为r的圆。
城市街区距离D4
距点(x,y)的距离D4小于等于某个值r的像素形成一个中心在(x,y)的菱形。
例如距点(x,y)的距离D4小于等于2的像素形成的固定距离的轮廓如下：

棋盘距离D8

距(x,y)的D8 距离小于等于某个值r的像素形成中心在(x,y)的方形。
例如距中心点的D8距离小于等于2的像素形成的固定距离的轮廓如下：

数字图像处理所用数学工具介绍

阵列与矩阵操作

包含一幅或多幅图像的阵列操作是逐个像素执行的，图像可以等效地视为矩阵。事实上，在很多情况下，图像间的操作是用矩阵理论执行的
阵列相乘

矩阵相乘

线性操作与非线性操作

线性: 加性(叠加性)+同质性(齐次性)
对
H[f(x,y)]=g(x,y)
其中H为一个一般的算子，f(x,y)为输入图像，g(x,y)为输出图像，若：

则H是线性的。
结论：
求和算子是线性的。
通常求最大值的操作是非线性的。

算术操作

例：对噪声叠加去噪（噪声均值为0）


例：图像增强


例：选取特殊图像块


例：阴影矫正

集合和逻辑操作

基本集合操作
图像灰度的集合操作

逻辑操作
处理二值图像时，我们可以把图像想象成像素集合的前景（1值）和后景（0值）。然后，如果我们将区域（目标）定义为由前景像素组成，那么可以参考下图的运算。

空间操作

单像素操作
我们在数字图像中执行的最简单的操作就是以灰度为基础改变单个像素的值。这类处理可以用一个形如下式的变换函数T来描述: .
s=T(z)
其中，z是原图像中像素的灰度，s是处理后的图像中
相应像素的(映射)灰度。例如，图2.34示出了得到一
幅8比特负图像的变换，图2.32 (b)中的图像是利用集
合操作得到的。

邻域操作
我们令Sxy为图像f中以任意一点(x,y)为中心的一个邻域的坐标集。邻域处理在输出图像g中的相同坐标处生成一个相应的像素，该像素的值由输入图像的Sxy内的像素经指定操作决定。

举个例子，假设指定的操作是计算在大小为mxn、中心在（x, y）的矩形邻域中的像素的平均值。这个区域的像素的位置组成集合Sxy。用公式表示：

其中r,c是图像的行和列坐标，这些坐标是Sxy中的成员。看图说话：

几何空间变换和图像配准
几何空间变换
几何变换就是指改进图像中像素间的空间关系。在数字图像处理中，它由两个基本操作组成：

坐标的空间变换；
灰度内插；
可以借鉴如下公式：

(v,w)是指原图像中像素的坐标，(x, y)是指变换后像素的坐标。例如，变换(x, y)=T{(v, w)}=(v/2, w/2)就是指在两个方向上把原图像缩小一半。最长用的空间坐标变化之一就是仿射变换：

这个变换可以根据矩阵T中元素所选择的值，对一组坐标点做尺度、旋转、平移和偏移。

当通过空间变换吧一幅图像重定义到另外一个位置的时，为了完成该处理，我们还要对这些新位置赋灰度值。这个任务可以由灰度内插的方法完成。比如

最近邻
双线性内插
双三次内插

图像配准
图像配准是用于对齐两幅或者多福相同场景的图像。最常用的方法之一是使用约束点（也称为控制点），这些点是在输入图像和输出图像中都已知的响应点。（二维码就是这样工作的。）
估计变换函数问题是建模问题之一。比如在输入图像和参考图像中有一组4个约束点，基于双线性近似的简单模型由如下两个公式：

和

其中在估计阶段(v,w)和(x,y)分别是输入图像和参考图像的约束点的坐标。如果在两幅图中有4个约束点，那么可以通过上面两个公式写出8个方程，这样就可以分别求出c1/c2/…/c8的值，这些参数就构成了一个模型，该模型就是把一幅图像的像素变换成另一幅需要配准的图像的像素位置。看例子：

向量和矩阵操作

我们前面讲过任意人眼可观测到的颜色可以由RGB三基色合成，而且现实中的图片（显示）确实是这么做的，可以想象一个像素由RGB三个分量构成，这些分量可以构成列向量的形式：

其中z1/z2/z3分别代表红色分量、绿色分量和蓝色分量。
一旦一个像素可以由向量表示，那么就可以运用向量矩阵这个工具了。比如一个像素向量Z和一个任意点a在n维空间的欧氏距离D可以用一个向量积来定义：

也可以称为向量范数，表示为

相同道理，向量也方便对整张图做矩阵（向量）的处理，

其中：f代表了输入图像MNx1向量（这里的MN x 1其实就是表示了一张图的M行xN列，把它看成一列），n表示M x N噪声模式的MN x 1向量，g表示处理后的MN x 1向量，H代表对输入图像做线性处理的MN x NM的矩阵。

图像变换

有时候，我们不仅需要在空间域变换，如果把图像通过计算变换到另外一个域中就会有意想不到的处理便捷，处理后再通过反变换回来。（最常见的变换就是时域->频域->处理（滤波）->时域）。我们可以通过一个统一的公式来表示这种变换方式：

f(x, y)是输入图像，r(x, y, u, v)代表了正变换核，T(u, v)表示变换后的图像。
当然，变换不是目的，而是方便处理的手段，处理后还要变换回来显示，这就需要有对应的反变换：

同上，T(u, v)是变换后的图像，s(x, y, u, v)表示反变换核，f(x, y)表示变换回来的图像。

下图展示了一个滤除干扰源的过程：

被正弦干扰后的图像；傅里叶变换后看到干扰能量；滤波模板；滤波后的反变换
它用到的二维傅里叶变换的正、反变换核表示如下：

正变换核：

反变换核：


把这两个代入到之前的两个通用公式中，得到离散傅里叶变换对：

和

除了傅里叶变换外，还有一些重要变换，如：沃尔什变换、哈达玛变换、离散余弦变换、哈尔变换和斜变换等。这些都会在后面讲到。

概率方法

概率论的知识不但是在图像处理中有广泛应用，而且在计算机视觉、人工智能上应用的更多，所以这部分知识必须要掌握。不过话说回来，既然不是搞纯理论研究，很多知识点没必要吹毛求疵，但是已有的概念了解和推导一定要熟。





平均灰度：

灰度方差：

n阶距：

灰度变换与空间滤波

灰度变换和空间滤波基础

空间域的动作就是直接对图像像素本身直接操作。相对于变换域的复杂操作，空间变换更直观，容易理解，而且需要更少的处理资源。

f(x, y)就是输入图像，g(x, y)就是处理后的图像，T就是在(x, y)该点及其邻域上的一个算子。

他们通称为空间滤波， 其中邻域和预定义的操作（算子）通称为空间滤波器（也称为空间掩膜、核、模板或窗口）。如果我们取极限，另最小邻域的大小为1x1， 那么g仅仅取决于点(x, y)的f值，我们套用刚才的T的公式形成如下的灰度（也称为灰度级或映射）变换函数：

关于本章中的例子

一些基本的灰度变换函数

图像翻转

使用图3.3中所示的反转变换，可得到灰度级范围为[0, L- 1]的- -幅图像的反转图像，该反转图像由下式给出:
s=L-1-r

---

参考文章链接;https://zhuanlan.zhihu.com/p/73546610