数字图像处理复习整理

半调输出

这是一种以牺牲空间分辨率换取灰度分辨率的办法。

先将图像在空间上细分，取临近的单元结合在一起组成一个输出区域（像素），在每个输出区域中包含若干个单元，只要把一些单元输出黑，而把其他单元输出白，就可以得到不同的灰度效果。

采样和量化

一副模拟图像必须在空间和灰度上都被离散化，才能转换为数字图像，从而被计算机加工。

空间坐标的离散化称为采样，它确定了图像的空间分辨率。

灰度值的离散化称为量化，它确定了图像的幅度分辨率。

图像的空间分辨率太小时，就会产生马赛克的效果；幅度分辨率太小时，就会产生虚假轮廓。

几何失真矫正

主要包括两个步骤：空间变换和灰度插值。

空间变换

重新排列图像平面的像素，已恢复像素之间原来应有的空间关系。我们可以通过一些函数拟合的方式，来计算变化前后坐标点之间的关系，设变化前的坐标为，变化之后的坐标为那么我们就是要找到一个函数使：

灰度插值

对空间变换后的点，我们需要重新为它们的像素赋值，灰度变换后的像素点通常来讲不是整数，因此需要借助其周围的整数像素点来计算非整数像素点的值。这里有分为两种方法，分别是前向映射法和后向映射法。

前向映射法：实际采集到的失真图像的像素值 -》不失真图

前向映射法具有很大的弊端，他其实是将失真的图像（原图，变换前的图）中整数像素点的值拿到不失真的图像（变换后的图）中，但由于变换后的像素点一般不是整数，那么还要将这个颜色值按照比例分给周围四个整数点的像素值。实际上，虽然前向映射更好理解,在编程实现中，前向映射要难很多。

后向映射法：不失真图 -》 实际采集的失真图的像素值

后向映射是根据新图像的整数值像素点，求逆运算映射到原图像的像素点中（当然很有可能这个像素点不再是整数），然后通过比例计算周围四个像素点的颜色值来计算非整数像素点的值就容易多了。

常用插值方法：最近邻插值、双线性插值、三次线性插值

空域图像增强

在图像处理中，空域是指由像素组成的空间，也就是图像域。可以浅显理解为，就是我们所看到的图像。与空域相对应的是频域，它是指图像的频率域，此处简单提及。

灰度映射

灰度映射是一种基于图像像素的点操作，可以原地完成。

设原灰度值为s，灰度映射后的灰度值为t，我们所要进行的就是找一个函数完成s到t的转变，如下：

这被称为映射函数，也可以叫做变换函数。这个函数可以由我们自行设计，可以进行任何灰度值上的变化。

示例：图像求反、动态范围压缩等

直方图修正

直方图是对图像的一种抽象表达形式。借助修改或变换图像直方图，可以改变图像像素的灰度分布，从而达到增强图像的目的。直方图修正以概率论为基础，常用的方法是直方图均衡化和直方图规定化。

首先简要介绍一下直方图，图像的直方图其实就是将图像按照像素值分类，然后统计每个像素值出现的概率（=像素值出现的次数/总像素值个数）。

图像的直方图可以看出很多东西，比如，如果一个图像的直方图分布范围很广，就说明图像的像素值分布的十分均匀，那么这幅图像看起来就应该是层次分明、十分清晰的；如果一个图像的直方图主要集中在灰度值较低的区域，高的几乎没有或很少，那么图像看起来就整体暗淡。

直方图均衡化

思想：将图像的直方图范围进行调整，使图像的直方图范围分布更广从而使图像看起来对比鲜明。

首先我们由概率直方图求出累积直方图（为什么求累积直方图？稍后我会解释）

然后用概率乘上原来的像素值取整后即可得到新的像素值，完成映射。

为什么求累积直方图？

这样做是因为我们不希望经过直方图均衡化之后的图像中的像素点出现乱序的情况。比方说我现在有两个灰度级，变换后所对应的灰度级为，我们不希望看到将来的出现情况，为此，所求的累积直方图必须满足递增的关系。这应该只是其中一个原因，另外的欢迎补充。

直方图均衡化缺点：缺乏用户控制，为此引入了直方图规定化

直方图规定化

不做重点，以后补充

空域滤波

空域滤波是指利用像素以及像素邻域组成的空间增强图像的方法。

滤波一词借助于频域。

分为平滑滤波器和锐化滤波器。