【数字图像处理】复习笔记一

第一章

1. 数字图像的概念

将实际物体通过成像系统获取的图像定义为f(x,y)其中x和y代表空间坐标(可延伸至三维)，任意一对空间坐标处(x, y)的幅值f称为该点的强度或灰度，当x，y，f均为离散值时，称该图像为数字图像

像素：位置、数值

2. 数字图像处理的步骤

3. 数字图像处理的实际用例

第二章

电磁波谱

数字图像的基本概念（像素、坐标、动态范围、对比度、灰度、分辨率等）

像素:数字图像矩阵表示中每个元素（原点、中心);
动态范围:灰度跨越的值域;
对比度:灰度的统计方差
空间分辨率:单位距离内可分辨的最大线对数（点数/英寸dpi)，对最小可分辨细节的测度方式“像素的尺寸”
灰度分辨率:灰度量化时所用的比特数(256级~2⁸ ~8bit灰度分辨率)

数字图像的数学表示

数字图像表示为数值f(x,y)构成的矩阵形式，其中(x,y)为各像素的空间坐标对于三维图像则表示为(x,y,z)，对于视频则表示为(x,y,t)

采样和量化

奈奎斯特采样定律:最低两倍最高频率（基带信号)

像素间关系（邻接、连通、区域、边界）

区域
若R表示为图像中像素的一个子集，R为连通集，则称R为图像的一个区域。若两个区域S1和S2可构成连通集，则可以成为邻接区域(4邻接、8邻接)。
边界
由R中与R补集中像素相邻的一组像素。

第三章

空间滤波的概念

空间域滤波:针对图像中每个像素邻域进行处理
g(x, y)=T[f(x,y)]
f(x,y)为原图像，g(x,y)为输出图像,T[ ]为针对坐标为(x,y)的像素点及其邻域的计算算子

灰度变换函数的分类、数学表达、物理意义

数学表达：
最小邻域大小为1*1，则有
s =T[r]

s和r分别为坐标(x,y)的像素点的灰度，T算子此时成为灰度变换函数“映射”
分类：线性变换（反转、恒等)、对数变换（对数、反对数)、幂函数变换

图像反转
输入图像的灰度r范围为[0,L-1]，则有
s=L-1-r
适用场景:适合增强黑暗区的灰度或白色细节

对数变换
输入图像的灰度r范围为[0,L-1]，则有
s=c*log(r +1)
适用场景:在低灰度值时，将一个相对较窄范围映射为一个较宽范围。在高亮度区，则对灰度进行了压缩。与幂函数相比，其对亮区的压缩更大。典型应用在频谱的显示。
压缩动态范围

幂函数变换(Gamma变换)
输入图像的灰度r范围为[0,L-1]，则有
S=cr^γ
C和γ都为正的常数。γ>1压缩暗区，拉伸亮区，适合增强亮区的细节;γ<1压缩亮区，拉伸暗区，适合增强暗区的细节。
适用场景:许多显示设备和打印设备的响应都为幂函数，所以要进行Gamma校正。

分段线性函数变换
优点:可以根据图像的局部特征选择变换
缺点:需要用户输入较多的参数

对比度拉伸
对比度拉伸的主要思想是增加主要灰度级的动态范围，以改善照度低、传感器的动态范围窄等引起的低对比度。
灰度级分层
为了突出图像中的特定灰度区间，实现方法主要有两种，
一是将感兴趣范围内所有灰度显示一个值，其余显示另一个值，生成二值图像；
二是提升或降低感兴趣灰度级范围，其余灰度级不变

直方图处理（均衡化、规定化）的相关概念与计算方法

直方图均衡
灰度非线性插值使直方图均匀分布原始图象灰度级r归一化在0~ 1之间，即0≤r<1。p_r(r）为原始图象灰度分布的概率密度函数，直方图均衡化处理实际上就是寻找一个灰度变换函数T,使变化后的灰度值s=T(r），即建立r与s之间的映射关系，要求处理后图象灰度分布的概率密度函数p_s(s),期望所有灰度级出现概率相同。

直方图均衡步骤:
1.统计输入图像归一化直方图;
2.计算直方图累积分布曲线;
$$s_k=T(r_k)=(L-1)\sum _{j=0}^k{p}_r(r_j)=(L-1)\sum _{j=0}^k\frac{n_j}{n}.$$
3.输出图像灰度值取整
4.根据灰度映射关系将输入图像对应的像素映射到输出图像中

相关：$f(x,y)\otimes h(x,y)={\sum }_{m=0}^{M-1}{\sum }_{n=0}^{N-1}f(m,n)h(m-x,n-y).$

相关运算不进行翻转，仅平移

卷积：$f(x,y)\ast h(x,y)={\sum }_{m=0}^{M-1}{\sum }_{n=0}^{N-1}f(m,n)h(x-m,y-n).$

卷积运算需要将卷积核进行翻转

两者关系：$f(x,y)\otimes h(x,y)=f(x,y)\ast h(-x,-y).$

平滑空间滤波器（盒式、高斯、巴特沃斯、统计排序）的形式、数学表达、滤波方法、各自特点优势与问题

平滑空间滤波器(低通)

用于降低图像灰度的急剧过度（随机噪声)，不同滤波器核有所不同

盒式滤波器

目的:去噪、图像平滑（模糊)
处理方法:用一个区域的平均灰度代替中心点的灰度，从而减少图像灰度的变化。噪声点通常表现为灰度变化较快的点
缺点:丢失边缘等变化信息与精细信息
归一化:保证滤波前后图像灰度平均值恒定，和恒定
盒式滤波器效果:

高斯滤波器

效果：

效果对比：
应用：

统计排序滤波器

锐化空间滤波器（拉普拉斯、钝化掩蔽、高提升滤波、梯度）的形式、数学表达、滤波方法、物理意义

锐化空间滤波器（高通）

锐化
突出灰度过渡区域信息，采用微分（差分）实现，增强边缘以及不连续区域信息，忽略灰度缓慢变化区域

对一阶差分的要求：
1.在平坦区为0；
2.在斜坡、阶梯的开始不为0；
3.沿着斜坡不为0；
$$\frac{df}{dx}=f(x+1)-f(x)$$
对二阶差分的要求：
1.在平坦区为0；
2.在斜坡、阶梯的开始不为0；
3.沿着常数梯度的斜坡为0（线性梯度的二阶导）；
$$\frac{d^{2}f}{d{x}^2}=f(x+1)+f(x-1)-2f(x)$$

锐化计算：

拉普拉斯锐化：$g(x,y)=f(x,y)+c[{\nabla }^{2}f(x,y)]$

锐化（高通）空间滤波器

平滑通过称为低通滤波
类似于积分运算
锐化通常称为高通滤波
微分运算
高过（负责细节的）高频，衰减或抑制低频

钝化掩蔽和高提升滤波

钝化掩蔽
从原图像中减去一幅钝化（平滑后的）图像
步骤：
1.模糊原图像
2.从原图像减去模糊后的图像（产生的差称为模板）
3.将模板与原图像相加