数字图像与机器学习笔记
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