数字图像处理

傅里叶变换：能够分析两幅图像的相关性，从而确定一幅图像的特征，在这个意义下，相关性被称为模板匹配。例如用包含字母a的图像与待处理图像进行傅里叶变换，然后利用快速卷积方法，提取卷积运算的峰值，即得到图像对字母a定位的结果。

缺点：傅里叶分析不能刻画时间域上信号的局部特性；对非平稳信号效果不好。

离散余弦变换（DCT）：具有把图像的重要可视信息都集中在变换的一小部分系统中，是JPEG算法的基础。

小波分析是傅里叶分析发展史上里程碑式的进展，小波由一族小波基函数构成，它可以描述信号时间（空间）和频率（尺度）域的局部特性。采用小波分析最大优点是可对信号进行实施局部分析，可在任意的时间或空间域中分析信号。小波必须同时满足两个条件：1）必须是振荡的；2）小波的振幅只能在很短一段区间上为非零，即是局部化的。常用的小波函数有 Haar、Daubechies(dbN)、Morlet、Meryer、Symlet、Coiflet、Biorthogonal 小波等15种。小波变换的小波系数为如何选择小波基函数提供了依据。小波变换后的系数比较大，就表明了小波和信号的波形相似程度较大；反之则比较小。另外还要根据信号处理的目的来决定尺度的大小。如果小波变换仅仅反映信号整体的近似特征，往往选用较大的尺度；反映信号细节的变换则选用尺度不大的小波。

 

常用的颜色空间：

1、RGB：依据人眼识别的颜色定义出的空间，可表示大部分颜色。它将色调，亮度，饱和度三个量放在一起表示，很难分开。用于彩色监视器和一大类彩色视频摄像。

2、CMY：工业印刷采用的颜色空间，与RGB对应。RGB来源于物体发光，而CMY是依据反射光得到的。具体应用如打印机：一般采用四色墨盒，即CMY加黑色墨盒。

3、HSV（I）： 色调（H）表明颜色种类，取决于主波长； 饱和度（S）表示颜色浓淡； 亮度（I/V）：人眼所感受到的颜色明暗程度。

图像增强：对图像进行加工，以得到对具体应用来说视觉效果更“好”，或更“有用”的图像处理技术。

4、L*a*b：用于计算机色调调整和彩色校正。它独立于设备的彩色模型实现。这一方法用来把设备映射到模型及模型本社的彩色分布质量变化。

5、YUV：通过亮度-色差来描述颜色的颜色空间。

 

Matlab 中读、写及显示一幅图像的命令：

imread();imwrite();imshow()

 

Matlab 与VC++混合编程有哪几种方式

（1）Matlab引擎方式：采用客户机/服务器（Client/Server）的方式，几乎能利用MATLAB全部功能，但是需要在机器上安装MATLAB软件，而且执行效率低。

（2）Matlab编译器：1、自动将M语言函数文件转换为可执行应用程序，脱离MATLAB环境；2、简单易用的发布过程；3、支持所有MATLAB的M语言特性，例如MATLAB对象、Java对象等等。4、支持大多数工具箱函数，允许将MATLAB基本算法免费发布使用强大功能。 5、用户可以利用MATLAB集成环境开发自己的算法原型和应用程序，然后利用MATLAB Compiler将开发的算法发布给最终用户，最终用户可以通过可执行应用程序或者软件组件应用开发完好的算法。用户在进行算法维护的时候无需针对C代码进行操作。

算法开发仅仅需要三个步骤：第一步：创建算法；第二步：转化应用程序。；第三步：算法函数库。

（3）COM（Component Object Model，组件对象模型）组件：是以组件为发布单元的对象模型，是一系列面向对象技术和工具的集合。

方法（2）（3）可脱离matlab环境，应用程序运行效率高，利于软件开发。

 

Matlab运算中 . *和 * 的区别

A.*B：A、B必须同规格，然后对应点的数据相乘。

A*B：矩阵相乘，要求A的列数等于B的行数。

 

彩色图像、灰度图像、二值图像和索引图像区别

（1）彩色图像：每个像素由红（R）、绿（G）、蓝（B）三个分量来表示，分量介于（0，255）。每一个像素的颜色值直接存放在图像矩阵中，由于每一像素的颜色需由R、G、B三个分量来表示，M、N分别表示图像的行列数，三个M x N的二维矩阵分别表示各个像素的R、G、B三个颜色分量。数据类型一般为8位无符号整形。

（2）灰度图像：每个像素只有一个采样颜色。

（3）二值图像（binary image）：一幅二值图像的二维矩阵仅由0、1两个值构成，“0”代表黑色，“1”代白色。通常用于文字、线条图的扫描识别（OCR）和掩膜图像的存储。

（4）索引图像：文件结构比较复杂，除了存放图像的二维矩阵外，还包括一个称之为颜色索引矩阵MAP的二维数组。MAP的大小由存放图像的矩阵元素值域决定，如矩阵元素值域为[0，255]，则MAP矩阵的大小为256×3，用MAP=[RGB]表示。MAP中每一行的三个元素分别指定该行对应颜色的红、绿、蓝单色值，MAP中每一行对应图像矩阵像素的一个灰度值，如某一像素的灰度值为64，则该像素就与MAP中的第64行建立了映射关系，该像素在屏幕上的实际颜色由第64行的[RGB]组合决定。也就是说，图像在屏幕上显示时，每一像素的颜色由存放在矩阵中该像素的灰度值作为索引通过检索颜色索引矩阵MAP得到。索引图像的数据类型一般为8位无符号整形（int8），也可采用双精度浮点型（double）。索引图像一般用于存放色彩要求比较简单的图像，如果图像的色彩比较复杂，就要用到RGB真彩色图像。

 

常用边缘检测有哪些算子，各有什么特性

（1）Sobel算子：以离散型的差分算子，用来运算图像亮度函数的梯度的近似值，是基于一阶导数的边缘检测算子，引入了类似局部平均的运算，对噪声具有平滑作用；对于象素的位置的影响做了加权，与Prewitt算子、Roberts算子相比因此效果更好；包含两组3x3的矩阵，分别为横向及纵向模板，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。缺点是没有基于图像灰度进行处理，提取的图像轮廓有时并不能令人满意。

（2）Isotropic Sobel算子： 加权平均算子，各向同性Sobel(Isotropic Sobel)算子。模板也有两个，一个是检测水平边沿的 ，另一个是检测垂直平边沿的 。与普通Sobel算子相比，它的位置加权系数更为准确，在检测不同方向的边沿时梯度的幅度一致。

（3）Roberts算子：利用局部差分算子寻找边缘，检测垂直边缘的效果好于斜向边缘，定位精度高，对噪声敏感，无法抑制噪声的影响。2x2的模板，采用的是对角方向相邻的两个像素之差。适用于边缘明显且噪声较少的图像分割。需做细化处理。

（4）Prewitt算子：一阶微分算子的边缘检测，利用像素点上下、左右邻点的灰度差，在边缘处达到极值检测边缘，去掉部分伪边缘，对噪声具有平滑作用 。其原理是在图像空间利用两个方向模板与图像进行邻域卷积来完成的，这两个方向模板一个检测水平边缘，一个检测垂直边缘。

（5）Laplacian算子：各向同性，二阶微分算子，在只关心边缘的位置而不考虑其周围的象素灰度差值时比较合适。对孤立象素的响应要比对边缘或线的响应要更强烈，因此只适用于无噪声图象。存在噪声情况下，使用Laplacian算子检测边缘之前需要先进行低通滤波。所以，通常的分割算法都是把Laplacian算子和平滑算子结合起来生成一个新的模板。用来改善因扩散效应的模糊特别有效，因为它符合降制模型。不能检测边缘的方向；所以Laplacian在分割中所起的作用包括：1.利用它的零交叉性质进行边缘定位；2.确定一个像素是在一条边缘暗的一面还是亮的一面；一般使用的是高斯型拉普拉斯算子（Laplacian of a Gaussian,LoG)。

（6）Canny算子：具有滤波，增强，检测的多阶段的优化算子，利用高斯函数的一阶微分，它能在噪声抑制和边缘检测之间取得较好的平衡。

（7）Laplacian of Gaussian(LoG)算子：LoG边缘检测器的基本特征是：平滑滤波器是高斯滤波器；增强步骤采用二阶导数(二维拉普拉斯函数)。

 

BP神经网络：输入信号X_i 通过中间节点（隐层点）作用于输出节点，经过非线形变换，产生输出信号Y_k，网络训练的每个样本包括输入向量X和期望输出量t，网络输出值Y与期望输出值t之间的偏差，通过调整输入节点与隐层节点的联接强度取值W_ij和隐层节点与输出节点之间的联接强度T_jk以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线性转换的信息。

AdBoost：一个广泛使用的BOOSTING算法，核心思想是针对同一个训练集训练不同的分类器（弱分类器），然后集合起来构成一个更强的最终分类器（强分类器）。

 

Gabor滤波器原理：Gabor函数是一个用于边缘提取的线性滤波器，其滤波器的频率和方向表达同人类视觉系统相似，适合纹理表达和分离。一个二维Gabor滤波器是一个由正弦平面波调制的高斯核函数，实部滤波进行图像平滑，虚部用来检测边缘。

 

像素：一张图片或显示面上组成图像的点的绝对数量。

分辨率：一张图片或显示面上单位长度内包含的像素数。

比如一张图片由100×100个像点组成，那么这张图片的像素数就是1万。但是，如果这张图片边长为1英寸，那么其分辨率就是100点/英寸，也就是100dpi。如果这张图片的边长是2英寸，那么这张图片分辨率就是50dpi。分辨率越高，图片显示就越细腻。

转载于:https://www.cnblogs.com/yujing611033/p/6003175.html