图像如函数

图像如函数

图像分类

完美图像

完美图像（perfect image）是连续图形，完美图像由一个物理过程所产生。

将这个物理过程用I所表示，他们代表了从平面上的点到一个数字的映射，即

$I:R^2\to R$

Remark: $0<I(\cdot )<\infty$

Remark: 抽象后我们可以将定义域看作超平面上的点，其维度可以超过2 。如此，哦我们可以将它们定义成一个映射：

$I:R^k\to R$

由所经受的物理过程所决定

Remark: 完美图像仅在无法取样的时候存在抽象化。

例子：朗伯模型（Lambertian Image）

朗伯模型是一个经典的漫反射模型。朗博模型中光的反射量由入射角的余弦角所决定。

考虑一个点$x\in R^3$ 在朗伯表面上，其对此表面的法向量$n(x)$ 。入射角的方向是$l(x)$。 此时反射可以写作：

$R(x)=\rho l(x{)}^{T}n(x)$

其中$\rho$是一个常量，用于描述材料属性。

仍和的反射光与我们的图像平面相交时，都会引起我们的完美图像

$I(u)=P(R(x))$

其中P投影函数，I(u)是投影的能量

问题：朗伯模型的缺点是什么？

朗伯模型难以对光滑的表面，比如金属，进行建模。此时我们需要Phong模型。

数字图像

虽然我们不能直接获得完美图像，但是我们可以通过电子设备将其转换之。如此做，我们可以通过量化和取样完美图像来获得数字图像。

定义：数字图像是取样和量化完美图像所获得。它们展现出从点到非负自然像素（non-negative natural pixels)到自然数的映射

$N_0^2\to N_0$

Remark：数字化是一个投影($R^2\to R$)

Remark：“取样”指的是坐标值的数字化，“量化”指的是（能量，亮度）强度值的数字化。

Remark：取样密度由传感器的物理限制所约束

Remark：量化深度由特殊的硬件所决定。8bit的量化广泛应用于数字化的图像。

Remark： 在特定的数字化情境下（可能指Bayer pattern）完美图像被用于梳理感兴趣的信号。

数字图像建模

对数字图像的数学解释

1. 一个从像素到数字的离散函数
2. 作为对于原来完美图像的一个近似，我们对一个函数的值域和定义域进行了一个泛化，并且用函数的形式呈现出来。（We generalize domain and range of this function to once again consider a continuous image, albeit an approximate one to our original perfect image，这句话有点离谱）

定义：一个离散图像是一个数字图像的自然数的数字型概述。它获取数字图像中的整数像素位置并且将其映射到整数像素值上。$I:Z^3\to Z$

Remark：它可以表示更高维的图像，比如$Z^3$（视频），并且值域维度也可以更高，比如$Z^3$（三色图像）。

Remark：我们将一个图像的值于的整数的子集称作$\Lambda$

例子：Potts 模型

Potts模型是一个离散图像模型。Potts模型最初在统机物理学中作为双态化模型（two-state Ising model）的推广而派生出来的。它假定了一个分段常熟图像信号。对于大小为$n\times n$的图像，我们将其写作能量泛函（energy functional）。

$E(I)=\beta {\Sigma }_{s=1}^{n-1}{\Sigma }_{t=1}^n(1[I(s,t)\ne (s+1,t)]+\beta {\Sigma }_{s=1}^{n-1}{\Sigma }_{t=1}^n(1[$