数字图像处理（第二章基础笔记）

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
        $$L=2^k$$
        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
  • **存储数据图像所需要的比特数 b 为：
    $$b=M\ast N\ast k$$
    

• 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：
    $$灰度值v(x,y)=ax+by+cxy+d$$
  • 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）

  • 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）：
    

• 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：
    $$g=Hf+n$$
    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