数字图像与机器学习笔记（北交版）

零、绪论

0.1 为什么要学数字图像处理？

0.2 为什么要学机器学习？

感兴趣区域的提取→图像处理
感兴趣区域的分析与识别→机器学习

0.3 课程主要内容安排

一、基本概念

1.1 视觉与图像成像

1.2 图像感知与获取

1.3 图像采样与量化

1.4 图像存储与格式

数字图像的存储大小计算：

数字图像的格式：BMP格式、JPEG格式、GIF格式、PNG格式

1.5 图像直方图

灰度直方图的定义：

【灰度直方图反映了图像灰度的分布特征】
灰度直方图归一化：

【一幅图像具有特定的唯一的直方图，一个直方图可以对应多幅图像】
直方图应用: 图像增强——直方图均衡
图像分割——根据直方图获取分割阈值
图像分类——直方图对比

二、图像增强

2.1 引言

为什么要进行图像增强？

原图像视觉效果不佳、噪声污染、难以分析理解，通过突出或去除某些信息，改善图像的视觉效果，使得图像更适合于分析。
（注：没有增加图像的信息量，没有统一客观评价标准）

如何进行图像增强？

2.2 空间域增强——灰度变换：直接对图像像素灰度级操作

2.2.1 线性变换

分段线性变换：突出感兴趣的区间，相对抑制不感兴趣的灰度区域

2.2.2 非线性变换

对数变换

幂次变换

2.3 直方图均衡

直方图均衡的理论推导

直方图均衡的示例：

直方图均衡的应用：在人脸识别中

2.4 空间域增强——代数运算

2.4.1 加法运算

2.4.2 减法运算

2.4.3 乘法运算

2.5 空间域增强——空间域滤波：信号系统分析

信号与系统回顾：

空间域滤波法图像增强示意图

2.4.1 低通滤波

均值低通滤波

从一维到二维的均值低通滤波系统：

均值滤波实例：（1/9是为了归一化）

高斯低通滤波【区别：对中心加权】

从一维到二维的高斯低通滤波系统：

低通滤波的应用：去除噪声、提取感兴趣物体、图像平滑

2.4.2 中值滤波（解决低通滤波去噪缺使边缘模糊的问题）

原理：

优点：①使突出的亮（暗）点更接近它周围的点，消除孤立的亮点或暗点
②去除噪声的同时，比较好地保留边缘
③能够有效去除脉冲噪声（椒盐噪声）（黑白点叠加在图像上）

2.4.3 高通滤波

对比：

对比	低通	高通
目的	图像平滑，去除噪声	图像锐化，突出边缘
运算	积分运算	微分运算

推导：（二维微分=水平和垂直方向的梯度）

2.4.3.1 基于一阶差分的图像增强

Robert算子

Prewitt算子

Sobel算子

2.4.3.2 基于二阶差分的图像增强

Laplace算子

2.4.3.3 一阶差分与二阶差分的对比

结论：

Laplace算子与Sobel算子对比：

2.5 频域增强

2.5.1 二维离散傅里叶变换定义

2.5.2 二维离散傅里叶变换性质

2.5.3 图像滤波器

2.5.3.1 低通滤波器

示例：

理想低通滤波器的不足：振铃现象

振铃现象示例：


巴特沃斯低通滤波器的振铃现象：


高斯低通滤波器VS巴特沃斯低通滤波器

低通滤波器应用举例

2.5.3.2 高通滤波器

在实际中，对图像增强并不是只用某一种方法，例如下：

2.5.3.3 其他频域滤波器

前两类滤波器的局限：

同态滤波：

基于Retinex滤波：

流程图：

三、图像形态学处理

3.1 基本概念

3.2 集合论基础

3.3 数学形态学处理（膨胀、腐蚀、开运算、闭运算、击中击不中变换）

四、图像分割

4.1 引言

4.2 基于阈值的方法

阈值选取方法：直方图技术、最小误差阈值法、最大方差阈值法。

4.3 基于边缘的方法

回顾知识：

霍夫变换应用举例：倾斜表格图像的矫正

4.4 基于区域的方法

4.5 基于学习的方法

五、贝叶斯决策

5.1 人工智能简介

人工智能的历史：

人工智能的不足：

总结：任重而道远

5.2 机器学习引言

人工智能与人类智能的对应关系：

模式识别与机器学习的区别：

举例：

5.3 贝叶斯公式

基于先验概率的分类：

5.4 贝叶斯决策——最小错误率决策

5.5 贝叶斯决策——最小风险决策

例：

5.6 判别函数（上）

5.7 判别函数（下）

5.8 概率密度估计——参数法

5.9 概率密度估计——非参数法

六、人工神经网络

6.1 引言

6.2 单层神经网络

6.3 多层神经网络

七、深度学习基础

7.1 引言

7.2 卷积神经网络

7.3 深度学习网络

八、非监督学习

8.1 聚类算法

8.2 主成份分析

九、应用实例

9.1 复杂背景下的人脸检测算法

9.2 基于深度学习的车辆检测算法