数字图像处理（冈萨雷斯第三版）学习笔记 - Chapter 1 Introduction（2）

一、图像的采样和量化

图像采集的基本思路是这样的，光线被物体反射，并进入照相机。能量进来后，有滤波器，因此，能量被滤波后然后传输。对于相机而言，滤波后应该得到的是可见光频段。然后，在数字相机里面有传感器，它们的功能和我们的眼睛里视网膜上的锥细胞和柱细胞是一样的。通常，相机里的众多传感器会摆成一个二维的传感器矩阵。因此，我们实际上得到了离散值。当我们去购买相机时，我们会听到这是 1,000 x 1,000，这意味着，我们在x轴方向上有1,000个传感器，y轴方向上也有1,000个传感器，共有1,000的平方这么多个传感器。

当传感器接收到光后，还要经过离散化这一步。离散化体现在两个不同方面。一个是空间离散化（采样），体现在我们的传感器数量是离散的。另一个是灰度离散化（量化），我们无法捕获由物体反射而来的光的实际灰度值，这受限于传感器的精度，所以要将其离散化。

在我们的相机里，我们得到的是彩色图像。彩色图像是由Red、Green、Blue三个图像来表示。但是，大部分的低端和中端消费级相机，其实它们都没有真正地捕获每种颜色的完全的二维矩阵，我们需要的是单独的红色、绿色和蓝色图像，这是理想的情形，更昂贵的相机真正做到了这一点，它们捕获了三个完整的图像。但是如果你买了一款低端数码相机，实际上会出现被称为马赛克的东西。因为它以颜色交错的方式捕获像素。捕捉后的图像颜色分布如下表所示。

R	G	R	G
B	R	B	R
R	G	R	G
B	R	B	R

因此，它不具有三倍的像素量。但是要显示出全色彩图像，就需要每个像素中都有红色、绿色和蓝色 (RGB)，所以我们需要进行插值。比如，第一个像素我们已经有了红色，我们还要补充绿色和蓝色。因此，我们将要补充完成三个颜色通道，以便看到一幅彩色图像。如果你购买一台数码相机，售货员通常告诉你一个尺寸，这个尺寸是插值后的结果。其实相机实际捕获的数据，只有他们告诉你的那个数值的三分之一。

二、基本图像运算

当有了一个二维矩阵，我们可以就开始探讨邻域处理。这里介绍图像处理中的两种邻域。一种称之为 “4邻域” ，只包含上下左右四个点。另一种常见的类型就是 “8邻域” ，取环绕着它的所有相邻像素。

因此，我们能够进行什么样的操作取决于在这个离散空间中是如何定义邻域的。邻域在现代图像处理中最为常见，比如图像分割或者类似的操作。如果在三维图像中，位于其空间内的每个点，称之为 体素 (voxel)，都有灰度值。邻域关系对于这种图像而言也非常重要。比如说在医学图像中，判断这个器官和另一个器官是否相邻，我们就需要界定邻域关系。

接下来，我们讲一下对二维数组进行一些简单的操作。 比如说我们可以叠加它们，图像的加法就是矩阵相对应位置的像素的灰度值直接相加。 上图有6张NASA拍摄的同一个星系的图像，他们拍摄，重复多次，得到越来越多的图像。这张图像噪点很多，这些图像排列在一起，他们不移动相机，什么都不变。然后一张接一张拍摄 再叠加起来，随着他们对图像的叠加，图像开始变得越来越清晰。因此第二幅图，是叠加了五张后的结果，然后又叠加十张，直到叠加了100张，即为最后一幅图。 也就是他们把 I1+I2 的操作进行了100次，使得得到的图像开始变得越来越清晰。这是因为图像有噪声，这些图像中的场景固定不变，这些噪声却不断变化。当把图片都叠加起来，相当于叠加了图片中拍摄对象的像素值。而噪声又是随机的，这样噪声就显得微不足道了。可以看出，叠加在处理空间噪声及增强图像的时候提供帮助。

我们还可以对图像进行相减运算。以上两幅图是对同一物体不同情况下拍摄的两张图像。接下来，我们找出了它们之间的差别。第三幅图是相减后的结果，凸显出来了两幅图的不同之处。这结果对医生来说非常重要，这再一次证明了这种简单的操作也具有重要意义。而第四幅图是增强以后的图像，我们往后会讲到如何增强图像，例如，通过改变灰度值的分布使其更加清晰。

同样，我们也可以对图像进行逻辑运算，比如与、或、非、交、并等等。也可能会产生重要的意义。

另一种图像处理方式是图像变换，比如我们可以让图像缩放、旋转、平移等等。如上图所示，我们可以用矩阵来实现这些变换。

值得一提的是，以上图的变换为例。第一幅是原始图像，经过旋转，得到第二幅图像，然后再逆旋转回去，得到第三幅图像。通过减法，得到第四副图像，发现第一幅和第三幅图像出现了偏差，转回去的图像已经不再是原图。两者不同的原因就是采样和量化。

当然，我们可以实现的变换还有很多。例如，图像压缩中非常重要的一点，我们要进行离散余弦变换 (Discrete Cosine Transform) 。 还有在数字信号处理中，学到过的傅里叶变换，可以实现滤波等问题。这些在接下来的课程中都会讲到。