数字图像处理(第二章基础笔记)
-
人眼构造
- 锥状体:主要分布在视轴附近的中央凹区域,对色彩敏感,每个锥状体都连接着一个神经元,故可以充分地分辨图像的细节,又叫白昼视觉或者亮视觉
- 杆状体:关于视轴类似正态分布,分布面积广,几个杆状体连接到一个神经元,故感受细节数量减少,用来感受视野内的总体图像,无彩色感觉,而对低照明度敏感,例如,白天看到的彩色物体,在月光下是没有颜色的,因为此时只有杆状体受到了刺激,故又叫暗视觉或微光视觉
- 光刺激产生电脉冲,由大脑解码
- 感知亮度:并不是简单的强度的函数,视觉系统往往会在不同区域的边界内出现上冲或者下冲的现象,毛边成为马赫带,同时对比:背景颜色更亮,物体会在眼睛里显示得更暗
- 白色:所有可见光相对平衡地反射
- 单色光(无色光):没有颜色的光,唯一属性为他的强度或者大小
- 强度变化范围:黑色-灰色-白色
- 灰度级:从黑到白的度量值的范围
- 为了便于存储和量化硬件的考虑,灰度级数通常取2的整数次幂
L = 2 k L = 2^k L=2k
且离散灰度级是等间隔的,并且他们是[0, L-1]内的整数 - 动态范围:灰度跨越的值域,为最大可度量灰度与最小可检测灰度之比
- 上限:取决于饱和度
- 下限:取决于噪声
- 对比度:最高灰度级 与 最低灰度级 之间的 灰度差
- 为了便于存储和量化硬件的考虑,灰度级数通常取2的整数次幂
- **存储数据图像所需要的比特数 b 为:
b = M ∗ N ∗ k b = M * N * k b=M∗N∗k
-
空间分辨率 :每单位距离的线对数,或者每单位距离点数(像素)
- dpi :每英寸的点数
-
灰度分辨率:用于量化灰度的比特数,例如一幅被量化为256级的图像有 8 比特 的灰度分辨率
-
伪轮廓:数字图像的平滑区域中灰度级数不足,会产生类似类似山脊形状的地形轮廓。
- 单色图像又叫灰度图像
- 彩色光:三个基本属性:发光强度、光通量、亮度
- 发光强度:光源流出的能量
- 光通量:观察者感受到的能量,用流明数度量
- 亮度:光感知的主观描绘,体现强度的无色概念
- 取样:波形信号是连续的,必须在坐标和幅值上进行取样离散化,才能转换为数字图像,对坐标值进行数字化为取样
- 量化:将幅值进行数字化为量化
须将连续灰度级量化为离散灰度级,范围从黑到白,垂直刻度标记出了赋予8个灰度的每一个特定值,每个样本都和这8个灰度值进行比较,选择最近的作为样本的量化值。
-
图像内插:
- 最近邻内插法:取最相近的像素进行覆盖
- 双线性内插:取4个最近邻点去估计:
灰 度 值 v ( x , y ) = a x + b y + c x y + d 灰度值v(x, y ) = ax+by+cxy+d 灰度值v(x,y)=ax+by+cxy+d - 双三次内插法:包括16个最近邻点,当上限为0,下限为1时,即为双线性内插法
-
区域:设R是图像的一个像素子集,R是连通集,则称R为一个区域
-
邻接区域:两个区域可联合形成一个连通集
-
边缘(轮廓):灰度级不连续的点,该区域中至少有一个背景邻点的像素集合(内边界),外边界对应于背景边界
-
城市街区距离:
-
棋盘距离:
-
单像素操作
-
邻域操作
-
几何空间变换:又叫橡皮膜变换,包括以下两种:
-
空间坐标变换
- 仿射变换:
使用矩阵T进行坐标变换,(v, w)是原始图像像素坐标,(x, y)是变换后的图像像素坐标 - 前向映射:从(v, w)运用上式直接算出 (x, y)
- 反向映射(matlab用的就是该方法):对每个(x , y )运用T的逆矩阵,算出对应的原始图像的具体位置点(v, w)
- 仿射变换:
-
灰度内插
-
-
图像配准:用于对齐两幅或多幅相同场景的图像,关键问题在于如何估计变换函数,使用约束点(控制点) 来解决这个问题
-
彩色图像:
- 三分量:
则一幅大小为M * N的RGB彩色图像就可以用M*N个三维向量来表示,如图所示,每个像素点的三个分量组成一个三维向量。 - 向量范数 || z - a ||:
一个像素向量Z与一个任意点a,在n维空间的欧式距离D可以用一个向量积来表示(二维欧式距离通式):
- 三分量:
-
图像线性处理:
- 另一种图像表示:我们可以把一幅大小为M*N的图像描述为MN * 1 维的向量,即将图像的第一行作为向量的前n个元素,第二行作为下n个元素,共有M * N个元素
- 线性处理通式:
g = H f + n g = Hf + n g=Hf+n
其中 f 表示输入图像的MN * 1 维向量,H表示用于对输入图像进行线性处理的 MN * MN 的矩阵,n 表示一个M * N 噪声模式的MN * 1 维向量