图像领域的一些知识

ISO：

ISO是感光度的意思。感光度是衡量底片对于光的灵敏程度，国际标准化组织标准为ISO 6。对于光较不敏感的底片，需要曝光更长的时间以达到跟较敏感底片相同的成像，因此通常被称为慢速底片。高度敏感的底片因而称为快速底片。基本上，使用较高的感光度，可降低由照相机晃动产生的模糊，并可减少曝光所需时间，但会导致影像细节表现降低；使用较低的感光度，可使拍摄的图像噪声（噪点）少，但曝光时间相对增加，且较易受晃动影响。

直方图

图像的直方图像其他直方图一样也显示频率。但是图像直方图显示像素强度值的频率。在图像直方图中，x轴显示灰度级强度，y轴显示这些强度的频率。

全画幅

全画幅（或称全片幅，135全画幅，英语：Full Frame，德语：Kleinbild Film）是一个摄影方面的术语，指的是感光面积为36×24 mm尺寸大小的规格。这一规格被用于描述镜头的成像圈指标和感光元件的尺寸。

幸运成像lucky imaging

幸运成像（英文lucky imaging或lucky exposures)是用于天文摄影的一种成像技术。它采用多次短时间(100毫秒或以下）曝光，然后挑选其中受大气影响最少的部分照片进行移动和叠加，生成一张图像。

用于天文摄影的地基成像技术都会受到大气噪声的干扰，长时间曝光无法得到清晰的图像，幸运成像技术部分消除了大气噪声的影响，可以合成出比空间望远镜拍到的更加清晰的图像，而且费用低于空间望远镜。

Burst Imaging

Burst是大多数相机的一种拍摄模式，通过按下或按住快门按钮，可以在短时间内连续拍摄多个镜头。它的设计允许选择最好的镜头或记录运动。最近，突发捕获在许多手持成像设备(如智能手机、紧凑型相机和单反相机)中变得无处不在。

Burst模式已被成功地应用于计算摄影中，以减少模糊[Cai等人2009]，或改善阴影/高光细节[Reinhard等人2010]，或提高分辨率[Farsiu等人2004]，或清晰度[Joshi和Cohen 2010]，或景深[Jacobs等人2012]。

高斯噪声和椒盐噪声

高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。即某个强度的噪声点个数最多，离这个强度越远噪声点个数越少，且这个规律服从高斯分布。

高斯噪声是一种加性噪声，即噪声直接加到原图像上，因此可以用线性滤波器滤除。

椒盐噪声又称为脉冲噪声，它是一种随机出现的白点（盐噪声）或者黑点（椒噪声）,类似把椒盐撒在图像上，因此得名，如电视里的雪花噪声等。

椒盐噪声可以认为是一种逻辑噪声，用线性滤波器滤除的结果不好，一般采用中值滤波器滤波可以得到较好的结果。

拜尔阵列（Bayer pattern）

单色相机中只能感知亮度，而不能感知色度，因此只能生成灰度图像；

采用R/G/B三个滤光片来分别生成R/G/B三个通道，但是数据量太大；

Bayer开发出了bayer pattern后，已经成为了现代sensor的通用做法：每个像素只采集R/G/B中的一种光谱(每个pixel上设置了一个像素级的滤光片）

bayer模式，平衡了成本和色彩信息量的关系。

原理可看下面的视频

【黑灯】彩色相机与拜耳滤镜 Bayer filter_哔哩哔哩_bilibili‘

黑电平black level

黑电平产生原因：

Sensor本身会存在暗电流，导致在没有光线照射的时候，也有一定的输出电压。因此在图像处理过程中需要减去这部分电压值，否则会对图像后续的白平衡等模块造成影响。

黑电平获取：

在Sensor内部预留了一部分完全没有曝光的像素，通过读取这些像素值的大小，就可以得到黑电平的值。

黑电平去除：

在ISP流程中，主要有两个位置去除黑电平，1、在Raw域去噪之前；2、Raw域去噪之后。在Raw域去噪之前清晰度较好，Raw域去噪之后噪声较好。

depth image 深度图像

深度图像（depth image)也被称为距离影像（range image），是指将从图像采集器到场景中各点的距离（深度）作为像素值的图像，它直接反映了景物可见表面的几何形状。深度图像经过坐标转换可以计算为点云数据，有规则及必要信息的点云数据也可以反算为深度图像数据。

深度数据流所提供的图像帧中，每一个像素点代表的是在深度感应器的视野中，该特定的（x, y）坐标处物体到离摄像头平面最近的物体到该平面的距离（以毫米为单位）。

RGBD

RGB-D图像其实是两幅图像：

一个是普通的RGB三通道彩色图像

一个是Depth图像。

Depth图像类似于灰度图像，只是它的每个像素值是传感器距离物体的实际距离。

通常RGB图像和Depth图像是配准的，因而像素点之间具有一对一的对应关系。

RGBD = RGB + Depth Map

relay 中继透镜

很多光学系统（比如望远镜）中需要转向系统，转向系统可分为棱镜式和透镜式。中继透镜就是一种透镜式转向系统，通常可以选择由两组双胶合球面透镜组成。

中性灰度滤镜（Neutral density filter)

简称“中灰镜”或ND镜 是一种无色至灰色的摄影滤镜。理想中的中灰镜可以减弱所有波长的光的亮度，而不会发生偏色。中灰镜的用处在于于各种环境下（特别是光照强烈时）能让摄影师更好的控制快门速度和光圈大小来达到某些特殊效果，同时又不会因为快门速度过慢而导致过曝。

单应性特征匹配(homography feature matching)

单应性：平面的单应性被定义为从一个平面到另一个平面的投影映射

单应性在计算机视觉中的应用

单应性在图像校正、图像拼接、相机位姿估计、视觉SLAM等领域有非常重要的作用。

特征匹配的方法是先找出特征显著的特征点（Feature Detect），然后再分别描述两个特征点（Feature Deor），最后比较两个描述的的相似程度来判断是否为同一个特征（Feature Match）。而在特征描述之前如果能够做到确定特征的方向，则可以实现旋转不变性（Rotation invarient），如果能确定尺度，则可以实现尺度不变性（Scale invarient）。

ADC模块（Analog to Digital Converter）

ADC模块：即模数转换模块/AD转换模块，功能是将电压信号转换为相应的数字信号。实际应用中，这个电压信号可能由温度、湿度、压力等实际物理量经过传感器和相应的变换电路转化而来。经过AD转换，MCU就可以处理这些物理量。

gain 是增益的意思，ADC采样微小电压信号信号的时候可先把小电压信号放大 gain 数值那么多倍，然后再进行通道转换，得到AD值。

灰度等级

灰度也就是所谓的色阶或灰阶，是指亮度的明暗程度

颜色恒常性

颜色恒常性（Color constancy）是指当照射物体表面的颜色光发生变化时，人们对该物体表面颜色的知觉仍然保持不变的知觉特性。

Color Constancy 颜色恒定性 - 蓝色书虫 - 博客园

色彩的恒常性，可以简单的理解为，在外界光源变化的情况下，依然能够保留物体原始的色彩。我们研究色彩恒常性，提出各种算法，目的就是让计算机也具有人类视觉系统的这个特殊功能，在不同光源的照射下还原图像的本来颜色。

example：一块白色的桌布，在偏黄色的灯光照射下，手机拍摄的照片显示出：这块桌布偏黄色。此时就需要一种算法将该图片恢复成白色。

人的视觉系统具有颜色恒常性，能从变化的光照环境和成像条件下获取物体表面颜色的不变特性，但成像设备不具有这样的调节功能。不同的光照环境会导致采集的图像颜色与真实颜色存在一定程度的偏差，需要选择合适的颜色平衡（校正）算法，消除光照环境对颜色显现的影响。

空间一致性 spatial consistency

图像中的某个点和其周围邻域中的点具有相同类别属性的概率较大，这一特性称为图像的空间一致特性。类似于光照平滑？

RGB空间的灰度级

图像的灰度可以认为就是亮度，也就是色彩的深浅程度。所谓灰度色，就是指纯白、纯黑以及两者中的一系列从黑到白的过渡色。在RGB模式中三原色光各有256个级别，灰度是在像素的RGB数值相等的情况下形成的。而RGB数值相等的排列组合是256个，灰度的数量就是256级。其中除了纯白和纯黑以外，还有254种中间过渡色。处理示意256级的表示方法外，灰度也可通过百分比表示，范围从0%到100%。注意这个百分比是以纯黑为基准的百分比。与RGB正好相反，百分比越高颜色越偏黑，百分比越低颜色越偏白。

————————————————

版权声明：本文为CSDN博主「菜就要多练」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。

原文链接：灰度、rgb之间的概念_菜就要多练的博客-CSDN博客_rgb灰度

灰色世界假说 The Grey-World Hypothesis

灰度世界假说是通过大量的图片分析发现，正常的图片具备一种统计特征：对于一幅有着大量色彩变化的图像(R,G,B)，三个分量的平均值趋于同一灰度值。

灰度世界算法是最常用平衡算法。

• 从物理意义上讲，灰色世界假设自然界景物对于光线的反射的均值在总体上是个定值，这个定值近似地为“灰色”。
• 颜色平衡算法将这一假设强制应用于待处理图像，可以从图像中消除【环境光】的影响，获得原始场景图像。

图像基元

图像中的基元泛指图像中有比较显著特点的基本单元，是一个比较概括和模糊的概念。

一般常说的基元主要有：边缘、角点、直线段、圆、孔、椭圆以及其他兴趣点等（也包括它们的一些结合体）。

对这些基元的检测是常见的工作。一方面，它们本身就有相应的含义，是一些应用关注的内容；另一方面，它们也是更大和更完整目标的组成部分，对后续图像加工奠定了基础。这些基本单元常被称为特征，所以基元检测也有称特征检测的。

作者：大龙10

链接：基元检测 - 简书

来源：简书

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

图像高频信号和低频信号的理解

图像中的低频信号和高频信号也叫做低频分量和高频分量。简单一点说，图像中的高频分量，指的是图像强度（亮度/灰度）变化剧烈的地方，也就是我们常说的边缘（轮廓）；图像中的低频分量，指的是图像强度（亮度/灰度）变换平缓的地方，也就是大片色块的地方。人眼对图像中的高频信号更为敏感。如果一副图像的各个位置的强度大小相等,则图像只存在低频分量,从图像的频谱图上看,只有一个主峰,且位于频率为零的位置。 如果一副图像的各个位置的强度变化剧烈,则图像不仅存在低频分量,同时也存在多种高频分量,从图像的频谱上看,不仅有一个主峰,同时也存在多个旁峰。

二、图像频率的理解

1. 不同频率信息在图像结构中有不同的作用。图像的主要成分是低频信息，它形成了图像的基本灰度等级，对图像结构的决定作用较小；中频信息决定了图像的基本结构，形成了图像的主要边缘结构；高频信息形成了图像的边缘和细节，是在中频信息上对图像内容的进一步强化。

2. 图像的频率是表征图像中灰度变化剧烈程度的指标，是灰度在平面空间上的梯度。如：大面积的沙漠在图像中是一片灰度变化缓慢的区域，对应的频率值很低；而对于地表属性变换剧烈的边缘区域在图像中是一片灰度变化剧烈的区域，对应的频率值较高。

3. 对图像而言，图像的边缘部分是突变部分，变化较快，因此反应在频域上是高频分量；图像的噪声大部分情况下是高频部分；图像平缓变化部分则为低频分量。也就是说，傅立叶变换提供另外一个角度来观察图像，可以将图像从灰度分布转化到频率分布上来观察图像的特征。

4. 图像进行二维傅立叶变换得到频谱图，就是图像梯度的分布图,当然频谱图上的各点与图像上各点并不存在一一对应的关系，即使在不移频的情况下也是没有。傅立叶频谱图上我们看到的明暗不一的亮点，实际是上图像上某一点与邻域点差异的强弱，即梯度的大小，也即该点的频率的大小（可以这么理解，图像中的低频部分指低梯度的点，高频部分相反）。

5. 图像的频率，不是图像上某一个点的频率，它反映了反应了图像像素变化的快慢，也就是说，在某一区域变化的非常大非常的快，那这一区域就携带有一定的高频的信息。图像的高频信息越多，图像的细节特征也就越多。

————————————————

版权声明：本文为CSDN博主「codeSniper、」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。

原文链接：图像中的高频和低频_codeSniper、的博客-CSDN博客_图像的高频和低频

图像全局信息

全局特征是指图像的整体属性，常见的全局特征包括颜色特征、纹理特征和形状特征，比如强度直方图等。由于是像素级的低层可视特征，因此，全局特征具有良好的不变性、计算简单、表示直观等特点，但特征维数高、计算量大是其致命弱点。此外，全局特征描述不适用于图像混叠和有遮挡的情况。

局部特征则是从图像局部区域中抽取的特征，包括边缘、角点、线、曲线和特别属性的区域等。常见的局部特征包括角点类和区域类两大类描述方式