第二章 图像及其表达与性质 Part1

第二章 图像及其表达与性质 Part1

从本章开始就会涉及到很多的公式了，详细请参照原书。

2.1图像表达概念

2.1.1图像函数分类

在图像处理中我们使用数学模型来进行描述，数学模型可以简单的理解为f(t)即随时间变换的一个函数，也可以是f(x,y)依赖于平面上两个点的函数，或者是三个分量(RGB)所组成的彩色图像。

这里可以把函数分为三种类型，连续的、离散的或数字的。

	定义域	值域
连续函数	连续	连续
离散函数	离散	连续
数字函数	离散	离散

2.1.2连续图像函数

为了方便地描述图像函数的值引入亮度的概念（当然也可以是其他的物理量）。图像函数的值对应图像点的亮度，这里的亮度包含了很多（光学量）比如颜色。（值得细说）

拿摄像机举例，感光元件上的像是2D的，记录了2D的明亮度信息，我们称之为亮度图像。同时2D的亮度图像是3D场景中的透视投影。如果是线性的好说，遵循相似三角形定理，如下图所示。

对于非线性的透视投影一般也近似为线性的平行(或正交)投影。需要注意，在非线性的情况下f→∞，z→∞为远处物体的透视投影极限情况。

2.1.3静态图像

对于图像处理，通常考虑以时间t作为常量的静态图像。使用单色的静态图像来表示，其图像函数为f(x,y)，定义域xy分别为平面坐标（坐标通常采用笛卡尔坐标系），其值域也是有限的，一般在单色图像中以黑(0)白(1)来表示，位于黑白之间的用灰阶（通常也是离散的）来表示。

2.1.4 数字图像的品质

数字图像的品质随着空间、频谱、辐射计量、时间分辨率增长而提高，对应的有四个重要的分辨率。

• **空间分辨率：**由图像平面上图像采样点的接近程度确定。
• 频谱分辨率：传感器获得的光线的频率带宽
• 辐射计量分辨率：对应灰阶的数量
• 时间分辨率：由图像获取的时间采样间隔决定。动态图像中非常重要，如图像的时间序列。

2.1.5 损失

很明显图像由3D透视投影到2D必定有信息损失。想从2D恢复到3D场景难度可想而知，这块具体到人工智能那一块去看，有一个“建立图像中点的深度(depth) 这个中间表达层次”这个概念，如可以建立表达即可得到物体的任何视角的亮度图像。

第二就是图像被限制在了亮度信息这里，物体表面的反射特性、观察者和光源的角度都位置，这些都后续再说。

2.2图像数字化

原始图像→缩小图像(采样+量化)，这一部分就这两个主要概念。

2.2.1采样

采样有两个问题，其一是确定采样的间隔，即相邻两个采样图像点的距离，其二是设置采样点
的几何排列（采样栅格） 。

采样就是将一个大的分辨率压缩到小的分辨率上，简单理解是1080P→720P ，这些采样点在平面上以方形或者正六边形排列，尤其数据结构决定，一般是矩阵。其中每一个小格成为栅格，栅格中一个无限小的采样点对应于数字化图像中的一个像元，也称作像素(pixel) 或图像元素(image element) 。从图像分析的角度看，像素是不能再分割的一个单位。

2.2.2量化

紧接上文，采样为一个区域最终要作为一个像素点填充到新的图像中去，这个将连续的图像函数转为数字量的计算过程称为量化。一个像素点可以用多个位来表示，对于彩色图像一般采用每个像素每个通道8位的表示方式。

在量化级别不够时会出现伪轮廓的问题，如果一个区域的局部亮度过低，很可能会量化为一个值，这就是伪轮廓。这个问题也可以通过非等间隔的量化策略来减轻，具体的方法是对图像中较少出现的亮度用比较大的量化间隔。下图形象地展示了不同的亮度级别不同的效果