研究生图像处理该怎的自学_图像处理中的关键问题（二）模型构建

数字图像作为数据处理的对象而言，具有天然的结构属性，他们分别是：矩阵属性、系统属性、分布属性、方程属性、网络属性。这五大属性分别对应五大数学分支：矩阵属性对应于线性代数；系统属性对应于数学分析；分布属性对应于统计推断；方程属性对应于解析几何；网络属性对应于图论。

将图像属性与数学分支这么人为地对应起来，有意义吗？

意义非常大。我们知道，在明确了图像处理的基本任务之后，接下来就是针对具体的任务和问题进行模型的构建，而模型构建的首要方针就是明确模型所属的数学分支，比如，如果将图像看作矩阵，则可以利用线性代数的所有原理、定理、推论、公式和结论进行图像矩阵的各种处理计算，而不需要额为的证明。同理，如果将图像看作是系统，那么，数学分析中各种变换，比如傅立叶变换、小波变换、卷积计算、相关计算等等，都可以无缝衔接地应用到图像系统的计算处理中。

因此，基于不同数学表示的图像就得到不同的图像模型，例如对应上面的分类，图像模型就分别对应为：矩阵模型、统计模型、系统模型、方程模型和图模型。

图像处理中的这五大模型的构建的难易程度各有不同。

一、图像的矩阵模型

图1 一幅图像就是一个M*N的矩阵

如图1 我们看到，图像的矩阵模型就比较直观，因为任何一张图片都是整数（比如0～255）的矩阵排列，所以入门阶段一般都是采用矩阵模型，很多经典教科书和网站都从矩阵模型入手。

一幅图像可以被定义为一个二维函数f(x，y)，其中 x 和 y 是空间(平面)坐标，f 在任何坐标处(x，y)处的振幅称为图像在该点的亮度。灰度表示黑白图像的亮度，而彩色图像是由三个二维图像组合形成的。

如图2所示，在 RGB 彩色系统中，一幅彩色图像是由三幅独立的分量图像(红、绿、蓝)组成的。因此，许多为黑白图像处理开发的技术适用于彩色图像处理，方法是分别处理三幅独立的分量图像即可。

图2 一张彩色图像有RGB(红绿蓝)三个矩阵组成

二、图像的系统模型

图像的系统模型也还容易理解，因为作为工科生，信号与系统这门课应该不陌生吧。不错，图像是信号，信号就是系统（信号为啥也可以是系统呢？我们从卷积计算就可以看出来，信号通过系统相当于信号和系统做卷积，但卷积计算具有交换性，也就是参与卷积的两个向量交换之后，卷积结果不变，所以信号变为系统，系统变为信号了），所以图像也是系统。因此，图像可以用信号与系统中所有介绍过的工具进行处理了，比如卷积、逆卷积、相关计算、频谱分析、小波分析等，这也算容易吧，如果你的信号与系统学的还可以的话。

三、图像的统计模型

图像的统计模型，也就是把图像看作是概率分布，就不是那么直观了。

我们可以做一个类比，就像基于线性代数的图像处理首先要把图像 I 看作是矩阵一样，基于统计推断的图像处理首要任务就是把一幅图像 I 看作是是具有概率密度函数 p(I) 的图像集合的一个随机实现，或称为随机样本，那么 P(I) 就是观测图像 I 的先验概率分布。一个好的统计模型应该能够准确地表示影像I在类别C上的随机分布模型P(I| c)——似然性(likelihood)估计。类别ψc由一个参数集来定义。统计图像模型的主要思想是：首先用样本图像对模型进行训练，对参数ψc进行估计，得到模型后，再利用贝叶斯法则(Bayes rule)或其他方法对图像进行诸如增强、去噪、分割等处理和分析。

在本科阶段，我们重点关注的就是以上三个模型，或者把这三个模型协同配合起来一起应用，比如利用统计学建立了贝叶斯模型后，通常要通过系统变换的手段转化为计算机可以直接计算的矩阵模型（就像你熟悉的信号与系统的卷积，实际上都是通过傅立叶变换后，做的矩阵乘积，然后再做反变换，图像处理任务的完成通常也是这个套路）。

四、图像的方程模型

五、图像的网络模型

方程模型与网络模型属于较高层次的数学模型，在本科的教学和实践中不做要求，有时间我再把这两部分内容补充起来，有兴趣的同学可以旁听我的研究生的《图像分析与模式识别》课程。