数字图像处理——基础知识

视觉患者leon

已于 2022-06-29 16:28:57 修改

阅读量6.3k

点赞数 8

分类专栏：计算机视觉文章标签：图像处理

于 2020-12-12 19:34:50 首次发布

本文链接：https://blog.csdn.net/weixin_39455125/article/details/111051357

版权

计算机视觉专栏收录该内容

3 篇文章 1 订阅

订阅专栏

预备知识

1.颜色空间
答：
RGB：red,green,blue(红，绿，蓝)
HSV：hue, saturation, value(色调：颜色种类；饱和度：颜色纯度；明度：颜色明亮度)
CMY(K)：cyan，magenta，yellow，key(蓝绿，品红，黄，黑)
CIE-XYZ：人眼颜色视觉
Lab：

2.像素值范围
答：[0,255]或者[0,1]

3.图片存储
答：
彩色图：RGB三通道存储（三维矩阵：三个矩阵表示），如Red通道，像素值在255之间，0表示黑，255表示最红。
当某个像素点的三个通道值均为255，那么这个像素点的值就是255，呈白色。
灰度图：黑（0），白（255），中间值为不同程度的灰色
彩色图转化为灰度图：Gray=R0.3+G0.59+B*0.11

4.图像增强的目标
答：
抑制无用信息，突出有用信息

第一章、图像的预处理

图像处理分为空间域处理和频率域处理。

一、直方图有关知识

1.什么是直方图？

答：
直方图是图像灰度值的统计，横坐标为灰度值（0~255），纵坐标为像素点个数

2.什么是直方图均衡？

答：
对密集的直方图进行非线性拉伸，密集的直方图变得离散一点，使得图片成块灰度值的地方，对比度变得更好。

3.什么是自适应直方图均衡？(AHE)

答：
通过滑窗，每个窗口做直方图均衡，对于图片同时含有暗和亮，处理效果更好。

4.什么是限制对比度自适应直方图均衡？（CLAHE）

答：
在自适应直方图均衡的基础上进行优化，使得图片中的各位置灰度值具有连续性，看上去更自然一点。

二、形态学有关知识

1.什么是腐蚀和膨胀？

答：
腐蚀：用一个小矩阵模板，沿着图像的高亮部分的内边缘过一遍，其小模板中心点的轨迹形成了新的图像，这就是图片的腐蚀。
膨胀：用一个小矩阵模板，沿着图像的高亮部分的外边缘过一遍，其小模板中心点的轨迹形成了新的图像，这就是图片的膨胀。

2.开运算和闭运算？

答：
开运算：先腐蚀再膨胀，消除目标外的孤立点
闭运算：先膨胀再腐蚀，消除目标内的孔洞

三、空域分析及变换

1.什么是滤波（卷积）？

答：
对图片中某个像素点，用滤波函数（卷积核）乘以该像素点的领域，得到该像素的滤波结果。
（用卷积核对图片进行滑窗，两个矩阵中的数字对应相乘再相加）
定义不同的滤波函数（卷积核3x3、5x5、7x7等），会对图像产生不同的效果，如平滑处理（也叫去燥）、求梯度（也叫锐化）、边缘检测、特征点检测，深度学习中的特征提取也是类似的道理。

2.边界填充的类型？

答：
补零，边界复制，镜像复制，块复制

3.各种滤波函数？

答：

1）均值滤波

方法：使用值全为1卷积核，步长为1，边界填充0
作用：使得图片变模糊了，噪声点没有去除，图像细节也丢失了，没啥用。
在这里插入图片描述

2）中值滤波

答：
方法：卷积核滑窗时，将图像中对应矩形区域内的像素，从小到大排序，并选择中间值作为该位置像素的输出
作用：可以去除椒盐噪声，即去除图片中的麻点
在这里插入图片描述

3）高斯滤波

方法：用中间位置像素值大的高斯核处理图片。
在这里插入图片描述

作用：模拟人眼，突出中心区域，类似于背景虚化
在这里插入图片描述

注：将2D卷积拆分成2个1D卷积，可以有效降低计算量。

4）prewitt滤波：

方法：卷积核的一个方向有梯度，一个方向均值平滑
作用：检测图像中某个方向上（水平或垂直）具有梯度变化的像素领域，即检测边缘，另一个方向变模糊。
在这里插入图片描述

5）sobel滤波

方法：卷积核的一个方向有梯度，一个方向高斯平滑
作用：检测图像中某个方向上（水平或垂直）具有梯度变化的像素领域，即检测边缘，另一个方向突出中心区域。。
在这里插入图片描述

6）拉普拉斯滤波：

方法：卷积核的值加起来为0，中心点的值等于周围总和值（绝对值相等）
作用：原图减去拉普拉斯滤波后的图像，得到的图像可以突出图像的细节。拉普拉斯滤波本身可以检测边缘、团块
在这里插入图片描述

在这里插入图片描述

4.高斯金字塔和拉普拉斯金字塔

1）高斯金字塔

作用：用于图像缩放，获取同一物体的不同尺寸。
方法：先进行高斯滤波，再进行降采样
在这里插入图片描述

2）拉普拉斯金字塔

方法：第i+1层高斯金字塔图像经过上采样，并进行高斯模糊后，再与第i层高斯金字塔图像相减，可以得到拉普拉斯金字塔的第i层图像。
作用：用于图像恢复，由小尺度图像得到大尺度图像。
图像的高频细节在卷积和下采样中会丢失，而拉普拉斯金字塔可以保留不同尺度的高频信息，并用于图像恢复。
在这里插入图片描述

四、频域分析及处理

图像的空间域处理，就是用卷积核进行运算，但是速度太慢。考虑将空间域变换到频率域。

1.傅里叶变换

思路：将空间域信号变成频域
作用：频谱滤波，处理空间域无法处理的情况。

2）小波变换

第二章：图像特征与描述

一、颜色特征

1.量化颜色直方图：对颜色空间进行单元格划分，统计落在单元格的像素点数量。用于RGB，HSV颜色空间。

2.聚类颜色直方图：对出现的像素点颜色进行直方图统计。用于Lab颜色空间。

二、几何特征：边缘（Edge）

1.边缘定义

答：
图片中像素值快速变化的区域，具有丰富的语义信息（像素值的一阶导数，取极值）

2.边缘提取

答：
由于图片中存在噪声，导数对噪声敏感，如果直接提取边缘，会有许多噪声的地方也会出现极值，所以先用高斯平滑滤波，可以突出图片中边缘，去除噪声；最后求导进行边缘提取

（总结：先高斯滤波，再对像素值使用一阶导数，一阶导数极值的地方就是边缘了）

3.梯度求边缘

答：
由于图片中的边缘是分布在不同方向上的，比如横着方向提取的边缘，表示图片在这一区域的像素值，横着方向变化剧烈。
那么如果像素值在任一方向变化剧烈，该怎么提取边缘呢？即将横着方向，扩展为梯度方向，可找到当前像素点沿着哪个方向变化最激烈。

那么变化的剧烈值是多少呢？即对x,y方向变化的值，两个一阶导数取平方，再求和，就是梯度。
在这里插入图片描述

注：由于提取边缘用的高斯滤波，高斯平滑函数的σ决定高斯函数的胖瘦和高低，即决定边缘提取的精度，σ越小，边缘提取越精确。

三、几何特征：特征点（Corner）

1.特征点定义

答：
我们人类在从不同距离，不同方向，不同光照条件下观察一个物体时，虽然这个物体的大小，形状，明暗都会有不同，但是我们仍然可以判断出，它们是同一个物体。所以，我们认为物体中有些点**（特征点或者关键点），在物体处于不同条件下时，彼此能够匹配**。
那我们在什么条件下仍为两个点就是匹配的特征点呢，这需要描述子来进行判断。
在这里插入图片描述