数字图像处理复习

掌握：
理解：
了解：选择、填空
题型：单选、填空、判断、简答、综合（计算、应用、画图、代码）

第1章 数字图像基础

数字图像的概念

什么是数字图像？


成像原理？

数字图像的多样性

成像类型、尺度概念
成像类型：反射成像、发光成像（红外成像）、吸收成像（主动脉造影成像）。
尺度：图像反映的实体尺寸。

图像数据量

根据图像数据量的图像类别划分、二值图像、灰度图像、索引图像
根据图像数据量来划分图像类别：

图像数字化【掌握】

数字图像、采样、量化；空间分辨率、灰度级分辨率、二者与图像质量的关系
图像数字化：

数字图像：空间坐标和亮度上都离散化的图像。
采样：

• 正方形点阵结构：对水平方向和垂直方向的空间位置进行光栅化。
• 正六边形采样网格：更符合人眼的视觉特性。
• 非均匀采样：
  • 变化大细节多：精密采样
  • 平坦变化缓慢：粗稀采样

空间分辨率：

• 采样决定空间分辨率。
• 反映图像的有效像素，图像数字化的像素密度。

空间分辨率与图像质量：

• 空间分辨率越低，可辨细节越差。
• 图像插值只能增加图像的像素数，不能增大空间分辨率。

量化：

• 若将样本量化为Q级，Q是2的整数次幂。
• 灰度级位数越大，量化误差越小。
• 非均匀量化：
  

灰度级分辨率

• 量化决定灰度级分辨率。
• 灰度级分辨率：存储每个灰度级的位数。

灰度级分辨率与图像质量

数字图像常见失真类型

混叠效应

模糊效应

块效应
马赛克效果

噪声

第2章 数字图像处理基础

数字图像处理概况

图像处理的关键阶段

图像获取、图像增强、图像修复、形态学处理、图像分割、表示与描述、目标识别、图像压缩、彩色图像处理

像素的空间关系

邻域（4-、对角-、8-、邻接、连通）、区域与边界、距离度量
邻域：

邻接性

连通性

• 通路、连通的
  

• 4连通/8连通
  

• 连通分量/连通集
  

区域与边界

• 区域：连通的，S中的像素的邻域都包含于S中。
• 边界（轮廓）：邻域内有属于S的像素、也有不属于S的像素，的全体。
• 图像中每个连通集构成一个区域，图像可认为由多个区域组成。
• 区域的内部和边界必须采用不同的连通性。
  

距离度量

• 像素间的距离：空间上的近邻程度
• 欧式距离/ D4距离/ D8距离
  

第3章 空域图像增强

背景知识

图像增强、空域图像增强（分类）
图像增强：

• 通过对图像的处理，使图像处理更适合一个特定的应用。
• 操作：
  
• 分类：空域图像增强、频域图像增强。

空域图像增强：

• 直接对图像的像素本身进行操作。
  
• 分类：点处理、邻域处理。
• 点处理：
  • 灰度级映射：
    
    
• 邻域处理：
  

直方图概念【掌握】

概念、灰度直方图（代码）、概率直方图、性质、累积直方图（计算）
灰度直方图：

概率直方图：

直方图的性质：

• 只能反映图像中不同灰度值出现的频数，不能表示像素的空间位置。
• 不同图像可能有相同的直方图。
• 直方图是总体灰度的概念。
• 有可叠加性。

累积直方图：

灰度级变换

对数、指数、幂次变换、灰度反转、阈值增强
对数变换
指数变换
幂次变换
灰度反转
阈值增强：生成高对比度图像。

直方图处理

直方图均衡化

• 目的：将直方图的灰度级概率分布——>均匀分布。
• 增加灰度值的动态范围，增强对比度。
• 寻找一个灰度级变换，使变换后图像的直方图服从均匀分布。灰度级变换就是灰度级的累积分布函数。
• 直方图均衡化的步骤：
  

算术运算【掌握】

图像相加、图像相减
图像相加的主要应用：

• 对同一场景的多幅图像求平均值，降低加性随机噪声。
• 一幅图像叠加到另一幅图像上，二次曝光。
• 复杂背景下视频字幕文本的分割：多个不同背景的字幕相加，削弱背景影响。

图像相减的主要应用：

• 显示2幅图像的差异。
• 图像分割：减去静止背景部分，背景减除法。用于运动目标检测。
  • 背景图像的生成：多幅图片相加求均值 ，把目标当作噪声。
• 帧间变化检测。
• 数字减影血管造影。

空域滤波

空域滤波基础

空域滤波的概念、空域滤波器的分类
概念：
邻域处理方法，直接在图像空间中对邻域像素进行处理。
空域模板/空域滤波器。
分类：

图像平滑

图像平滑的作用、图像空域平滑的分类、线性平滑模板特征、均值模板、加权平均模板
中值滤波（原理、代码）、最大值滤波、最小值滤波

图像平滑的作用：降低噪声、模糊。
图像空域平滑的分类：线性平滑滤波（均值平滑、加权平均模板）、统计排序平滑滤波（中值、最大值、最小值滤波）。

线性平滑模板特征：

均值模板：

加权平均模板：

• 中间权系数大，边缘权系数小。

• 高斯平滑模板：

  

统计排序平滑滤波：

中值滤波：

• 去除脉冲噪声非常有效。
  
• 算法实现：将模板内像素排序，求出中值；同值像素，连续排列。
• 中值滤波特点：
  

最大值滤波、最小值滤波：

图像锐化【掌握】

图像锐化的主要作用、微分与差分、一阶差分与二阶差分的特点、一阶差分算子与二阶差分算子的用途、sobel算子、拉普拉斯算子

图像锐化的主要作用：

一阶差分与二阶差分的特点：

一阶差分算子与二阶差分算子的用途：

sobel算子：
左图是检测水平边缘，右图检测垂直边缘。

拉普拉斯算子
拉普拉斯变换：

拉普拉斯图像增强：

拉普拉斯模板：

一维形式的拉普拉斯算子解释边缘增强：

拉普拉斯图像锐化：

第5章 频域图像增强

滤波基础

卷积定理、频率平面与图像空域特性的关系、为什么要在频域研究图像增强、频域滤波的基本流程
卷积定理

频率平面与图像空域特性的关系

为什么要在频域研究图像增强?


频域滤波的基本流程：

低通滤波器

概念、理想低通滤波器、巴特沃斯低通滤波器、指数低通滤波器特点、振铃效应及滤波效果

概念：

理想低通滤波器：

• 低频保有能量，高频保有细节。
  
• 振铃效应：灰度震荡。截止频率减小，振铃效应增强。
  

巴特沃斯低通滤波器：
传递函数：


特点：

阶数对滤波器的影响：


截止频率对滤波器的影响：

指数低通滤波器特点
传递函数：（比巴特沃斯下降更快）


特点：（与巴特沃斯一致）

阶数对滤波器的影响：（与巴特沃斯一致）

振铃效应及滤波效果

高通滤波器

概念、理想高通滤波器、巴特沃斯高通滤波器、指数高通滤波器特点、振铃效应及滤波效果

概念：

理想高通滤波器：
传递函数：

巴特沃斯高通滤波器：

指数高通滤波器特点：

带通、带阻、陷波滤波器

概念、巴特沃斯、指数滤波器的特点
带通滤波器：

带阻滤波器：

陷波滤波器：

空域滤波与频域滤波的对应关系

第8章 数学形态学图像处理

背景

数学形态学的概念
数学形态学的概念

基础

集合运算、逻辑运算、结构元素
集合运算：并集、交集、差集、补集、集合映射、集合平移

• 集合映射：关于原点对称。
• 集合平移：所有平移组成的集合。
• 集合运算可以直接用于二值图像。
  
  
  逻辑运算：与、或、非
  结构元素：
• 0和1组成的矩阵，1表示邻域。
• 原点：待处理像素的位置。
• 对应原点的输出值，建立在输入图像对应像素及其邻域像素比较的基础上。
• 结构元素可以是任意尺寸、任意形状。

二值图像形态学基本运算【掌握】

膨胀、腐蚀、开运算、闭运算
膨胀：
概念：在图像中目标边界周围增添像素。

理解：结构元素B对集合A膨胀生成的集合是，B的映射、平移后的集合，与集合A相交时，B的原点位置集合。
举例：


作用：修复断裂点、填充凹陷、扩大目标。

腐蚀：
概念：移除图像中目标边界的像素。

理解：结构元素B对集合A腐蚀生成的集合，是B的平移集合完全包含在集合A中时，B的原点位置的集合。（没有映射）
举例：


作用：分离连在一起的物体；去掉突起；收缩目标。

开运算：
先腐蚀后膨胀。
举例：

闭运算：
先膨胀后腐蚀。
举例：

开运算和闭运算的作用：

二值图像形态学实用算法【掌握】

去噪、边界提取、孔洞填充
去噪：先开运算后闭运算。
边界提取：
原图与腐蚀集合的差集。

二值图像形态学运算及其性质总结

灰度图像形态学算法

灰度膨胀与腐蚀、灰度开闭运算
灰度形态学

灰度膨胀：

灰度腐蚀：

第9章 图像分割

图像分割基础

基于边界的分割

边缘的定义
Roberts Prewitt Sobel算子【掌握】
LoG、DoG、Canny算子
不同边缘检测算子之间的比较【掌握】

基于阈值的图像分割

原理、特点、分类
P参数法、梯度直方图、灰度-梯度二维直方图、多阈值法
Otsu阈值法、迭代阈值法【掌握】

基于区域的图像分割

区域生长法【掌握】、区域分裂合并法

第10章 小波变换与多分辨率分析

二维离散小波变换的背景、效果、原理；
一维离散小波变换的效果、原理【掌握】

二维离散小波变换背景：

• 集中信号能量、去信号相关性。
• 2D Discrete Wavelet Transform，2D-DWT。
• 2D-DWT：图像去噪。

二维离散小波变换效果：

• 一级DWT正变换后，原始图像被分解为4个子图：低频A1、3个高频V1 D1 H1，子图是原图大小的一半。
• 逆变换可由子图还原出原始图像。
  
• 二级DWT：分解一级DWT的低频子图。
  
• 经过3次小波分解，可以得到3张低频子图，9张高频子图，1张原图。

二维离散小波变换原理：

• 先处理原始图像的每一行，得到行变换子图，再处理行变换子图的每一列。
  
  一维离散小波变换的效果
• 经过1D-DWT正变换，原始信号被分解为2个子信号：低频A1、高频D1，2个子信号的长度为原始信号的1/2。
• 由1D-DWT子信号可还原出原始信号，称为逆变换。
• 多级1D-DWT：反复处理低频Ai。
• 低频A1：与原始信号形状相似，捕捉到原始信号的轮廓。
• 高频D1：对应原始信号的细节、突变点。
  
  一维离散小波变换的原理：