《图像处理、分析与机器视觉》（第4版）阅读笔记——第五章 图像预处理

预处理不会增加图像的信息量，一般会降低熵。因此，从信息论的角度看，最好的预处理是没有预处理：避免（消除）预处理的最好途径是着力于高质量的图像获取。实际图像中的属于一个物体的相邻像素通常具有相同的或类似的亮度值，因此如果一个失真了的像素可以从图像中被挑出来，它也许就可以用其邻接像素的平均值来复原。

5.1 像素亮度变换

有两类像素亮度变换：亮度校正（brightness corrections)和灰度级变换（gray-scale transformation)。亮度校正在修改像素的亮度时要考虑该像素原来的亮度和其在图像中的位置。灰度级变换在修改像素的亮度时无须考虑其在图像中的位置。

5.1.1 位置相关的亮度校正

只有当图像退化过程是稳定的才能使用。实际中不存在。

5.1.2  灰度级变换

直方图均衡化（histogram equalization）增强了靠近直方图极大值附近的亮度对比度，减少了极小值附近的对比度。

缺点： 
　　1）变换后图像的灰度级减少，某些细节消失； 
　　2）某些图像，如直方图有高峰，经处理后对比度不自然的过分增强。

这种方法通常用来增加许多图像的局部对比度，尤其是当图像的有用数据的对比度相当接近的时候。通过这种方法，亮度可以更好地在直方图上分布。这样就可以用于增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效地扩展常用的亮度来实现这种功能。
　　这种方法对于背景和前景都太亮或者太暗的图像非常有用，这种方法尤其是可以带来X光图像中更好的骨骼结构显示以及曝光过度或者曝光不足照片中更好的细节。这种方法的一个主要优势是它是一个相当直观的技术并且是可逆操作，如果已知均衡化函数，那么就可以恢复原始的直方图，并且计算量也不大。这种方法的一个缺点是它对处理的数据不加选择，它可能会增加背景杂讯的对比度并且降低有用信号的对比度。（【数字图像处理】直方图均衡化详解及编程实现）

理论基础参考：直方图均衡化的数学原理

5.2 几何变换

几何变换可以消除图像获取时所出现的几何变形，由两个基本步骤组成，第一步是像素坐标变换（pixel co-ordinate transformation），将输