![65c03bd3cd7370c2f611416ff191a5ee.png](https://i-blog.csdnimg.cn/blog_migrate/269a3550753d52fbe5ef95e6686dd456.jpeg)
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
![59c7221a7c7b452772dcd7bc88b3d00d.png](https://i-blog.csdnimg.cn/blog_migrate/cd0c7690e00a57eacfb5a577bb104496.png)
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。
![f677bf765e54886d06763d0c50fe2f01.png](https://i-blog.csdnimg.cn/blog_migrate/55efe2b0621a4ff8e7d538d6ee0a3347.jpeg)
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。