初识 OpenCV 之阵列，线性，图像算术操作的概念以及应用

这几天发现越来越不好学妈的，除了工作上突然来一个项目以外，还有的就是发现对一些概念模糊不清，所以先把这些基础的概念先理清。。。。。。。

主要就是讲解阵列与矩阵，线性与非线性，图像的算术操作。。。。。。图文公式文字并茂。。。。。。。

主要是根据数字图像处理（神啊）这本书，还有百度一下概念总结出来的

阵列与矩阵：

同样是2*2的图像操作

图像阵列相乘操作：

矩阵相乘：

线性操作与非线性操作：

百度解析：两个变量之间存在一次方函数关系，就称它们之间存在线性关系。正比例关系是线性关系中的特例，反比例关系不是线性关系。更通俗一点讲，如果把这两个变量分别作为点的横坐标与纵坐标，其图象是平面上的一条直线，则这两个变量之间的关系就是线性关系。即如果可以用一个二元一次方程来表达两个变量之间关系的话，这两个变量之间的关系称为线性关系，因而，二元一次方程也称为线性方程。推而广之，含有n个变量的一次方程，也称为n元线性方程，不过这已经与直线没有什么关系了。

一般的算子H，给定输入图像f(x,y),和输出图像g(x,y)：

如果

那么H就是一个线性算子

算术操作

图像间的算术操作都是阵列操作

其中四中基本的算术操作加减乘除：

都是M*N的的图像，图像算术操作要有相同的大小

加法：假如f(x,y)是无噪声图像，n(x,y)噪声，

那么g(x,y)就是加噪声以后的图像，假设每一对坐标（x，y）处，噪声都是不相关的，并且均值为0

图像平均在天文学领域有很重要的应用，因为照明度非常低，常常导致传感器噪声，以至于单幅图像无法分析。

期望值（或数学期望，均值）是指在一个离散性随机变量试验中每次可能结果的概率乘以其结果的总和

方差

 为变量， 为总体均值，N 为总体例数

标准差是方差的算术平方根。标准差能反映一个数据集的离散程度

对K幅图像进行求平均~g（x，y），然后求期望E{~g（x，y）}，最后是求方差，分别是~g（x，y）和n（x，y）的方差

然后求出标准差

当K变大的时候，~g（x，y）的标准差会变小，

那么期望E{~g（x，y）}就会逼近f（x，y）

当K分别是1，5，10，20，50，100的时候

图像的相减：增强图像的对比差，一般用于医学领域里，先来一张图看看

模板h（x，y）是由病人一个区域的X射线的图像，该图由放在X射线对面的，强化了的电视摄像机获取的。

f（x，y）是给病人注入X射线造影剂得出的图像，他们的相减的目的就是为了强化细节，因为

模板是按照电视的速率进行获取的，所以这一个过程就是给出一段显影剂怎样通过动脉传播的影片。

图像的相乘和相除：一般用来矫正阴影

这是其中的一种操作ROI（感兴趣区域），对感兴趣的部分全部为1，其他的全部为0