数字图像处理-基本知识总结

数据图像处理基本知识：数字图像处理基础_张红 的博客-CSDN博客

预备知识
1.颜色空间
答：
RGB：red,green,blue(红，绿，蓝)
HSV：hue, saturation, value(色调：颜色种类；饱和度：颜色纯度；明度：颜色明亮度)
CMY(K)：cyan，magenta，yellow，key(蓝绿，品红，黄，黑)
CIE-XYZ：人眼颜色视觉
Lab：

2.像素值范围
答：[0,255]或者[0,1]

3.图片存储
答：
彩色图：RGB三通道存储（三维矩阵：三个矩阵表示），如Red通道，像素值在255之间，0表示黑，255表示最红。
当某个像素点的三个通道值均为255，那么这个像素点的值就是255，呈白色。
灰度图：黑（0），白（255），中间值为不同程度的灰色
彩色图转化为灰度图：Gray=R0.3+G0.59+B*0.11

4.图像增强的目标
答：
抑制无用信息，突出有用信息

第一章、图像的预处理
图像处理分为空间域处理和频率域处理。

一、直方图有关知识
1.什么是直方图？
答：
直方图是图像灰度值的统计，横坐标为灰度值（0~255），纵坐标为像素点个数

2.什么是直方图均衡？
答：
对密集的直方图进行非线性拉伸，密集的直方图变得离散一点，使得图片成块灰度值的地方，对比度变得更好。

3.什么是自适应直方图均衡？(AHE)
答：
通过滑窗，每个窗口做直方图均衡，对于图片同时含有暗和亮，处理效果更好。

4.什么是限制对比度自适应直方图均衡？（CLAHE）
答：
在自适应直方图均衡的基础上进行优化，使得图片中的各位置灰度值具有连续性，看上去更自然一点。

二、形态学有关知识
1.什么是腐蚀和膨胀？
答：
腐蚀：用一个小矩阵模板，沿着图像的高亮部分的内边缘过一遍，其小模板中心点的轨迹形成了新的图像，这就是图片的腐蚀。
膨胀：用一个小矩阵模板，沿着图像的高亮部分的外边缘过一遍，其小模板中心点的轨迹形成了新的图像，这就是图片的膨胀。

2.开运算和闭运算？
答：
开运算：先腐蚀再膨胀，消除目标外的孤立点
闭运算：先膨胀再腐蚀，消除目标内的孔洞

三、空域分析及变换
1.什么是滤波（卷积）？
答：
对图片中某个像素点，用滤波函数（卷积核）乘以该像素点的领域，得到该像素的滤波结果。
（用卷积核对图片进行滑窗，两个矩阵中的数字对应相乘再相加）
定义不同的滤波函数（卷积核3x3、5x5、7x7等），会对图像产生不同的效果，如平滑处理（也叫去燥）、求梯度（也叫锐化）、边缘检测、特征点检测，深度学习中的特征提取也是类似的道理。

2.边界填充的类型？
答：
补零，边界复制，镜像复制，块复制

3.各种滤波函数？
答：

1）均值滤波
方法：使用值全为1卷积核，步长为1，边界填充0
作用：使得图片变模糊了，噪声点没有去除，图像细节也丢失了，没啥用。

2）中值滤波
答：
方法：卷积核滑窗时，将图像中对应矩形区域内的像素，从小到大排序，并选择中间值作为该位置像素的输出
作用：可以去除椒盐噪声，即去除图片中的麻点

3）高斯滤波
方法 ：用中间位置像素值大的高斯核处理图片。

作用：模拟人眼，突出中心区域，类似于背景虚化

注：将2D卷积拆分成2个1D卷积，可以有效降低计算量。

4）prewitt滤波：
方法：卷积核的一个方向有梯度，一个方向均值平滑
作用：检测图像中某个方向上（水平或垂直）具有梯度变化的像素领域，即检测边缘，另一个方向变模糊。

5）sobel滤波
方法：卷积核的一个方向有梯度，一个方向高斯平滑
作用：检测图像中某个方向上（水平或垂直）具有梯度变化的像素领域，即检测边缘，另一个方向突出中心区域。。

6）拉普拉斯滤波：
方法：卷积核的值加起来为0，中心点的值等于周围总和值（绝对值相等）
作用：原图减去拉普拉斯滤波后的图像，得到的图像可以突出图像的细节。拉普拉斯滤波本身可以检测边缘、团块

4.高斯金字塔和拉普拉斯金字塔
1）高斯金字塔
作用：用于图像缩放，获取同一物体的不同尺寸。
方法：先进行高斯滤波，再进行降采样

2）拉普拉斯金字塔
方法：第i+1层高斯金字塔图像经过上采样，并进行高斯模糊后，再与第i层高斯金字塔图像相减，可以得到拉普拉斯金字塔的第i层图像。
作用：用于图像恢复，由小尺度图像得到大尺度图像。
图像的高频细节在卷积和下采样中会丢失，而拉普拉斯金字塔可以保留不同尺度的高频信息，并用于图像恢复。

四、频域分析及处理
图像的空间域处理，就是用卷积核进行运算，但是速度太慢。考虑将空间域变换到频率域。

1.傅里叶变换
思路：将空间域信号变成频域
作用：频谱滤波，处理空间域无法处理的情况。

2）小波变换
第二章：图像特征与描述
一、颜色特征
1.量化颜色直方图：对颜色空间进行单元格划分，统计落在单元格的像素点数量。用于RGB，HSV颜色空间。

2.聚类颜色直方图：对出现的像素点颜色进行直方图统计。用于Lab颜色空间。

二、几何特征：边缘（Edge）
1.边缘定义
答：
图片中像素值快速变化的区域，具有丰富的语义信息（像素值的一阶导数，取极值）

2.边缘提取
答：
由于图片中存在噪声，导数对噪声敏感，如果直接提取边缘，会有许多噪声的地方也会出现极值，所以先用高斯平滑滤波，可以突出图片中边缘，去除噪声；最后求导进行边缘提取

（总结：先高斯滤波，再对像素值使用一阶导数，一阶导数极值的地方就是边缘了）
1
3.梯度求边缘
答：
由于图片中的边缘是分布在不同方向上的，比如横着方向提取的边缘，表示图片在这一区域的像素值，横着方向变化剧烈。
那么如果像素值在任一方向变化剧烈，该怎么提取边缘呢？即将横着方向，扩展为梯度方向，可找到当前像素点沿着哪个方向变化最激烈。

那么变化的剧烈值是多少呢？即对x,y方向变化的值，两个一阶导数取平方，再求和，就是梯度。

注：由于提取边缘用的高斯滤波，高斯平滑函数的σ决定高斯函数的胖瘦和高低，即决定边缘提取的精度，σ越小，边缘提取越精确。

三、几何特征：特征点（Corner）
1.特征点定义
答：
我们人类在从不同距离，不同方向，不同光照条件下观察一个物体时，虽然这个物体的大小，形状，明暗都会有不同，但是我们仍然可以判断出，它们是同一个物体。所以，我们认为物体中有些点**（特征点或者关键点），在物体处于不同条件下时，彼此能够匹配**。
那我们在什么条件下仍为两个点就是匹配的特征点呢，这需要描述子来进行判断。

2.harris角点
答：
用一个小窗口，在任一方向上移动，如果每个方向上都有较大的像素值变动，当前位置就是一个角点。如果只有一个方向有像素值变动大，当前位置为边缘直线。无变动则为平区域。

3.fast角点
答：
找特殊点，以某个像素点为中心，观察一个离散圆，如果圆上有n个连续点的像素值，超过或低于某个像素阈值，就认为这个中心像素点是一个角点。

4.SIFT特征点
答：
斑点：SIFT、SURF、ORB
像素值函数的一阶导数值最大值（像素值函数的二阶导数值为0），表示的是边缘。
像素值函数的二阶导数值，取最大值，此时像素点的位置就是斑点。

1）SIFT特征点计算过程
需要理解每一步的具体操作：检测关键点、选关键点方向、生成关键点描述子

检测关键点：
用DOG高斯差分空间代替LOG拉普拉斯空间，减小计算量

选关键点方向：

生成关键点描述子：

2）SIFT算子优缺点

5.SURF特征点
答：

1）SURF特征点计算过程
需要理解每一步的具体操作：

2）SURF算子优缺点

6.ORB特征点
1）ORB特征点计算过程
需要理解每一步的具体操作：改进的fast角点，改进的brief描述子

改进BRIEF描述子：

2）ORB算子优缺点

7.LBP局部二值模式
答：
也是一种特征提取方法。

1）LBP特征计算过程
需要理解每一步的具体操作：

2）LBP算子优缺点

8.Gabor
答：

第三章：传统图像分割和检测算法
一、图像分割
答：
基于图论的图像分割是重点

二、人脸检测
答：
Haar-like特征 + 级联分类器

三、行人检测
答：
方法1： HOG + SVM
方法2：DPM

数据图像处理