【无标题】

墨痕_777

于 2024-06-11 15:15:00 发布

阅读量708

点赞数 19

分类专栏：图像处理文章标签：笔记

本文链接：https://blog.csdn.net/mohen_777/article/details/139592112

版权

图像处理专栏收录该内容

21 篇文章 0 订阅

订阅专栏

彩色图像处理

索引图像

概念
一幅索引图包含一个数据矩阵data和一个调色板矩阵map，数据矩阵可以是uint8，uint16或双精度类型的，而调色板矩阵则总是一个m×3的双精度矩阵
索引图像相比彩色图像，文件更小，主要用于网络上的图片传输和一些对图像像素、大小等有严格要求的地方
imshow(X, copper),copper为MATLAB内置彩色映射
图像“抖动”（用黑白二值图产生灰色调）
bw= dither(gray_img)%灰度图转换为二值“抖动”图
rgb2ind对减少RGB图像的色彩数很有用

图像基本操作

分离通道&合并通道

MATLAB

rgb_img= cat(3, fR, fG, fB)       
fR = rgb_img(:,:,1)     
fG = rgb_img(:,:,2)     
fB = rgb_img(:,:,3)     
%rgbcube(vx,vy,vz),绘制彩色立方体

python

B,G,R = cv2.split(image)       
img = cv2.merge([B,G,R])

色彩空间转换

颜色空间类型
NTSC，YCbCr，HSV，CMYK，HSI
MATLAB

hsv_img= rgb2hsv(rgb_img)   
rgb_img= hsv2rgb(hsv_img)   
cmy_img= imcomplement(rgb_img)   
rgb_img= imcomplement(cmy_img)

python

#skimage
skimage.color.rgb2grey(rgb)
skimage.color.rgb2hsv(rgb)
skimage.color.rgb2lab(rgb)
skimage.color.gray2rgb(image)
skimage.color.hsv2rgb(hsv)
skimage.color.lab2rgb(lab)
#opencv
cv2.cvtColor(input_image,flag)
#flag:cv2.COLOR_BGR2GRAY, cv2.COLOR_BGR2HSV....

彩色变换

生成映射函数
- z=interplq(x,y,xi):z=interplq([0 255]' [0 255]' [0:255]')
- z=spline(x,y,xi) :若y比x多两个元素，则第一个和最后一个被假定为三次样条的端滚降
- g=ice('image',f,'space','hsi')：鼠标控制映射曲线
彩色图均衡化
RGB分量分别均衡化会导致错误的色彩，转换为HSI后，H不动（色调保持不变），S、I进行均衡化。

彩色图像空间滤波

平滑-在RGB独立分量上同时进行

%MATLAB
w=fspecial('average',25)
I_filter=imfilter(I,w,'replicate')

锐化-在RGB独立分量上同时进行

%MATLAB
mask=[1 1 1;1 -8 1;1 1 1]
fen=imsubstract(fb,imfilter(fb,mask,'replicate'))

RGB向量空间直接处理

基于单独彩色平面的处理不等于直接在RGB向量空间中处理

使用梯度的彩色边缘检测
- 灰度图像梯度
二维函数 $f (x, y)$ 的梯度向量为 $\nabla f= [G_x G_y]^T=[\frac{\partial f}{\partial x} \frac{\partial f}{\partial y}]^T$
梯度向量幅值为 $mag(\nabla f)=[{G_x}^2+{G_y}^2]^{1/2}=[{\frac{\partial f}{\partial x}}^2+{\frac{\partial f}{\partial y}}^2]^{1/2}$
使用近似值避免平方与开平方运算（幅度与变化程度成比例）$ mag(\nabla f) \approx|G_x|+|G_y|$。
$G_x$ 等导数用邻域内的像素值差来计算

最大梯度角度 $\alpha(x,y)=arctan(\frac{G_y}{G_x})$
- 彩色空间计算梯度
  将这三个通道的信息看作是一个矢量，而矢量是不存在梯度的概念的，我们无法直接将上诉方法或算子直接用于RGB 图像，而且RGB图像单个通道的梯度信息又无法反映整体的梯度信息。
  - 彩色空间梯度推导
    在多通道图像中，假设梯度方向为 $\theta$
    $\nabla f = ||f(x+\varepsilon cos\theta, y+\varepsilon sin\theta)||$
    为了便于计算，将计算绝对值换为计算平方，令
    $\nabla f^2 = ||f(x+\varepsilon cos\theta, y+\varepsilon sin\theta)||^2$
    对 $f(x+\varepsilon cos\theta, y+\varepsilon sin\theta)$ 进行二次泰勒展开：
    $f(x+\varepsilon cos\theta, y+\varepsilon sin\theta)=f(x,y)+\sum_{i=1}^m (\varepsilon cos\theta \cdot \frac{\partial f_i(x,y)}{\partial x}+\varepsilon sin\theta \cdot \frac{\partial f_i(x,y)}{\partial y})+o^n$
    $\approx f(x,y)+\sum_{i=1}^m (\varepsilon cos\theta \cdot \frac{\partial f_i(x,y)}{\partial x}+\varepsilon sin\theta \cdot \frac{\partial f_i(x,y)}{\partial y})$
    其中 $m$ 表示图像通道数，为方便表述，用 $\frac{\partial f_i}{\partial x}$ 代替 $\frac{\partial f_i(x,y)}{\partial x}$ ,则有：
    $\nabla f^2 = \sum_{i=1}^m (\varepsilon cos\theta \cdot \frac{\partial f_i}{\partial x}+\varepsilon sin\theta \cdot \frac{\partial f_i}{\partial y})^2$
    重新定义函数 $G(\theta)$ ,令
    $G(\theta)= \sum_{i=1}^m (\varepsilon cos\theta \cdot \frac{\partial f_i}{\partial x}+\varepsilon sin\theta \cdot \frac{\partial f_i}{\partial y})^2$
    $=\varepsilon^2 (cos\theta^2 \cdot \sum_{i=1}^m||\frac{\partial f_i}{\partial x}||^2+sin\theta^2 \cdot \sum_{i=1}^m||\frac{\partial f_i}{\partial y}||^2+2sin\theta cos\theta \sum_{i=1}^m \frac{\partial f_i}{\partial x} \frac{\partial f_i}{\partial y})$
    因为要求 $G(\theta)$ 最大值， $\varepsilon$ 无用，舍去
    $G(\theta)=cos\theta^2 \cdot \sum_{i=1}^m||\frac{\partial f_i}{\partial x}|^2|+sin\theta^2 \cdot \sum_{i=1}^m||\frac{\partial f_i}{\partial y}||^2+2sin\theta cos\theta \sum_{i=1}^m \frac{\partial f_i}{\partial x} \frac{\partial f_i}{\partial y}$
    为了进一步方便表述；令
    $E=\sum_{i=1}^m||\frac{\partial f_i}{\partial x}||^2; F=\sum_{i=1}^m||\frac{\partial f_i}{\partial y}||^2; H=\sum_{i=1}^m \frac{\partial f_i}{\partial x} \frac{\partial f_i}{\partial y}$
    $G(\theta)=cos\theta^2 E + sin\theta^2 F + 2sin\theta cos\theta H$
    边缘的方向是图像像素梯度最大的方向。也就是说梯度的方向\theta_max会使G(\theta)取最大值，则；
    $\theta_max=\mathop{G(\theta)}\limits_{argmax}$
    对 $G(\theta)$ 进行求导
    $G(\theta)'=-Ecos(2\theta)+2Fcos(2\theta)+Hsin(2\theta)$
    令 $G(\theta)'=0$ ，可得：
    $tan(2\theta_max)=\frac{2F}{E-H}$
    $\theta_max=\frac{1}{2}arctan(\frac{2F}{E-H}+k\pi)$
    很明显 $G(\theta )$ 是一个以\pi为周期的周期函数，如果只考虑区间 $\left [ 0 ,\pi\right )[0,π)$ ，且 $\theta_{max}$ 落到该区间内，则会有另一个让 $G(\theta )$ 取极值的解也落在该区域内，
    这个值是 $\theta_{max}+ \frac{\pi}{2}$ 或者 $\theta_{max}-\frac{\pi}{2}$ 。但是不论如何这两个解有一个让 $G(\theta )$ 取极大值，另一个让其取极小值，两个角度相差 90°。
  - 应用计算
    设 $\vec r,\vec g, \vec b$ 分别是RGB彩色空间定义向量，并定义向量
    $\vec u = \frac{\partial R}{\partial x} \vec r + \frac{\partial G}{\partial x} \vec g + \frac{\partial B}{\partial x} \vec b$
    $\vec v = \frac{\partial R}{\partial y} \vec r + \frac{\partial G}{\partial y} \vec g + \frac{\partial B}{\partial y} \vec b$
    $g_xx,g_yy,g_xy$ 是这些向量的点积：
    $g_xx= \vec u \cdot \vec u =\vec u^T \vec u =|\frac{\partial R}{\partial x}|^2+|\frac{\partial G}{\partial x}|^2 +|\frac{\partial B}{\partial x}|^2$
    $g_xx= \vec v \cdot \vec v =\vec v^T \vec v =|\frac{\partial R}{\partial y}|^2+|\frac{\partial G}{\partial y}|^2 +|\frac{\partial B}{\partial y}|^2$
    $g_xx= \vec u \cdot \vec v =\vec u^T \vec v =\frac{\partial R}{\partial x}\frac{\partial R}{\partial y}+\frac{\partial G}{\partial x}\frac{\partial G}{\partial y} +\frac{\partial B}{\partial x}\frac{\partial B}{\partial y}$
    梯度方向角：
    $\theta(x,y)=\frac{1}{2}arctan[\frac{2g_xy}{g_xx-g_yy}]$
    梯度值：
    $F_\theta(x,y)=\{ \frac{1}{2}[(g_xx+g_yy)+(g_xx-g_yy)cos2\theta+2g_xy sin2\theta\}]^{1/2}$
  - MATLAB
```
[VG, A, PPG]= colorgrad(f,T)
```
  其中，f是RGB图像，T是[0,1]范围内的阈值选项(默认为0)；
  VG是RGB向量梯度 $F_\theta(x, y)$ ；A是以弧度计的角度 $\theta(x, y)$ ，并且PPG是由单独彩色平面的2D梯度之和形成的梯度图像。
  计算上述方程时，要求全部微分都可用函数clorgrad中的Sobel算子来实现。输出VG和PPG通过clorgrad被归一化到[0, 1]范围内，并且把它们作为阈值进行处理。所以，它们的值小于或等于T，VG(x,y)=0；对于其他的情况， $V G (x, y) = V G (x, y)$ 。
  - python
    Q:!!!没有彩色图像梯度？都是sobel与laplacian
RGB向量空间中的图像分割
- 距离度量(计算相似度)
  - 欧几里得距离
    $D(\vec z,\vec m)=||\vec z - \vec m||=[(\vec z - \vec m)^T(\vec z - \vec m)]^{1/2}$
  - 马氏距离（mahalanobis）
    $D(\vec z,\vec m)=[(\vec z - \vec m)^T C^{-1}(\vec z - \vec m)]^{1/2}$
    C是要分割的彩色样值表示的协方差矩阵。马氏距离一个三维椭圆体，重要属性是主轴取在最大数据扩展方向上。
  马氏距离与尺度无关
  如果是单纯使每个变量先标准化，然后再计算距离，可能会出现某种错误，原因是可能在有些多维空间中，某个两个维之间可能是线性相关的。
  通过对线性无关的分量进行标准化后，再求得距离是合理的。
  mahalanobis距离是基于样本分布的一种距离。物理意义就是在规范化的主成分空间中的欧氏距离。
  它的缺点是夸大了变化微小的变量的作用。
- 马氏距离推导
  - 基本思想
    如下图的过程（以两个维度作为例子），此例的数据重心为原点，P1,P2到原点的欧氏距离相同，但点P2在y轴上相对原点有较大的变异，而点P1在x轴上相对原点有较小的变异。所以P1点距原点的直观距离是比P2点的小的。
  !
  马氏距离就是解决这个问题，它将直观距离和欧式距离统一。为了做到这一点，它先将数据不同维度上的方差统一（即各维度上的方差相同），此时的欧式距离就是直观距离。
  如下图：统一方差后的图，P1^{到原点的距离小于P2}。P1到原点的欧式距离和P2的相同。以上所说的直观距离就是马氏距离。
  
  但是，如果不同维度之间具有相关性，则压缩的效果就不好了。如下图只在横向和纵向上压缩，则达不到上图的压缩效果。所以在F1方向和F2方向上压缩数据才能达到较好的效果。所以需要将原始数据在XY坐标系中的坐标表示在F坐标系中。然后再分别沿着坐标轴压缩数据。
  
  所以，计算样本数据的马氏距离分为两个步骤：1、坐标旋转；2、数据压缩
  坐标旋转的目标：使旋转后的各个维度之间线性无关，所以该旋转过程就是主成分分析的过程。
  数据压缩的目标：所以将不同的维度上的数据压缩成为方差都是1的的数据集。
  - 理论推导
    有一个原始的多维样本数据 $X_{n*m}$ (m列，n行):
    $\begin{matrix} x_{11} & x_{12} & \cdots & x_{1m}\\ x_{21} & x_{22} & \cdots & x_{2m}\\ \vdots & \vdots & \ddots & \vdots \\ x_{n1} & x_{n2} & \cdots & x_{nm} \end{matrix}$
    其中每一行表示一个测试样本（共n个）； $X_i$ 表示样本的第i个维度（共m个）。 $X_i=(x_{1i},x_{2i},…,x_{ni})^T$ ，以上多维样本数据记为 $X=(X_1,X_2⋯X_m)$ 。样本的总体均值为 $\mu_X=(\mu_{X1},\mu_{X2}⋯\mu_{Xm})$ 。其协方差为：
    $\sum X=E{(X−\mu_X)^T(X−\mu_X)}=\frac{1}{n}(X−\mu_X)^T(X−\mu_X)$
    协方差矩阵表示样本数据各维度之间的关系的。其中n是样本的数量。
    将原始数据集X通过坐标旋转矩阵U旋转到新的坐标系统中得到一个各变量线性无关的新的数据集F。
    $F^T = (F_1,F_2 \cdot F_m)^T = UX^T \tag{(1)}$
    新数据集F的均值记为 $KaTeX parse error: \tag works only in display equations$
    由公式 $(1) (2)$ 可知： $KaTeX parse error: \tag works only in display equations$
    由于F的各维度之间是不相关的，所以新数据集F的协方差矩阵\sum_F应该为对角阵，由公式 $(3)$ 可得：
    ${\sum}_F = E{(F−\mu_F)^T (F−\mu_F)}= \frac{1}{n}(F−\mu_F)^T (F−\mu_F)$
    $=\frac{1}{n} U(X−\mu_X)^T(X−\mu_X)U^T =U {\sum}_X U^T= \left[ \begin{matrix} \lambda_1 & & & \\ & \lambda_2 & & \\ & & \ddots & \\ & & & \lambda_m \end{matrix} \right]$
    可以看出，其中 $X$ 数据的协方差的根号特征值 $\sqrt{\lambda_i}$ 就是 $F$ 数据中第i个维度的方差。U为 $\sum_X$ 的特征向量构成的正交矩阵 $U^T=U^{−1}$ 。
    将不同的维度上的数据压缩成为方差都是1，以下推导马氏距离公式：
    $d^2(f,\mu_F)= (\frac{F_1-\mu_{F_1}}{\sqrt{\lambda_1}})^2+(\frac{F_2-\mu_{F_2}}{\sqrt{\lambda_2}})^2+ \cdot +(\frac{F_m-\mu_{F_m}}{\sqrt{\lambda_m}})^2$
    $=(F_1−\mu_{F_1},F_2−\mu_{F_2}⋯ F_m−\mu_{F_m}) \left[\begin{matrix} \frac{1}{\lambda_1} & & & \\ & \frac{1}{\lambda_2} & & \\ & & \ddots & \\ & & & \frac{1}{\lambda_m } \end{matrix}\right] (F_1−\mu_{F_1},F_2−\mu_{F_2}⋯ F_m−\mu_{F_m})^T$
    $=(F−\mu_F)(U {\sum}_X U^T)^{−1}(F−\mu_F)^T=(X−\mu_X)U^T(U{\sum}_X U^T)^{−1} U(X−\mu_X)^T = (X−\mu_X) {\sum}_X^{−1} (X−\mu_X)^T$
- MATLAB
  - 函数
  - 案例
```
mask= roipoly(f); %交互式确定感兴趣区域
red= immuliply(mask, f(:,:,1));
green= immuliply(mask, f(:,:,2));
blue= immuliply(mask, f(:,:,3));
g = cat(3, red, green, blue);
%计算均值向量与协方差矩阵
[M N K] = size(g)
I = reshape(g, M*N, 3)
idx = find(mask)
I = double(I(idx, 1:3))
[C, m] = covmatrix(I) %求协方差矩阵与均值向量
%d = diag(C)
%sd = sqrt(d)
E25 = colorseg('mahalanobis',f,25,m)
```

墨痕_777

关注

19
点赞
踩
15

收藏

觉得还不错? 一键收藏
打赏
0
评论
【无标题】

彩色图像处理索引图像概念一幅索引图包含一个数据矩阵data和一个调色板矩阵map，数据矩阵可以是uint8，uint16或双精度类型的，而调色板矩阵则总是一个m×3的双精度矩阵索引图像相比彩色图像，文件更小，主要用于网络上的图片传输和一些对图像像素、大小等有严格要求的地方imshow(X, copper),copper为MATLAB内置彩色映射图像“抖动”（用黑白二值图产生灰色调）bw= dither(gray_img)%灰度图转换为二值“抖动”图rgb2ind对减少RGB图像的色彩
复制链接

扫一扫