第二章 常见算法处理（二）基础运算，数字范围，集合和操作

目录

---

第一章 图像处理基础概念

第二章 常见算法处理

第三章 灰度变化

第四章 空间滤波

第五章 频域滤波

第六章 色彩基础

第七章 小波和多分辨率

第八章 图像表示和描述

第九章 形态学图像处理

第十章 图像分割与目标识别

---

前言

随时记录，随时学习，学习笔记

---

一、数值范围

大多数都是8bit，当存储为jpeg或tiff格式的时候会自动转换为8bit，但是同样的8bit，不同的取值范围可能是-255~255之间。图像之和可能在0-510之间。大多数软件把图像转换为8bit的时候，仅仅是把负值转换为0，把超过255的转换为255.

图像f,保证图像算术操作的整个值域落入某个固定bit 的方法是：

f(m)=f-min(f),可生成最小值为0的一幅图像；

f(s)=k[f(m)/max(f(m))]，生成一幅标定的图像，其值在[0,k]之间。

处理8bit的时候，k值=255；

执行除法的时候，需要将一个较小的数加到除数图像上，以避免用0去除；

二、集合表述

在图像处理中，一般将全集定义为包含图像种所有像素的正方形，并集和交集操作通常分别定义相应像素的最大和最小，补集操作定义为常数与图像中每个像素灰度间的两两之差。灰度级集合的操作是阵列操作

并集：两个灰度集合（图像）的并集是由一个空间相应元素对间的最大灰度组成的阵列。并集大小与这两幅图像相同。

补集：表明像素集合A中的灰度已从常数K中减去，K=2^k-1，k表示灰度Z的比特数

模糊集合：在一个集合另一个集合之间逐步过度，使用模糊集合可以声明一个元素在两个集合之间过度；模糊集合理论使用隶属度函数来实现

三、逻辑操作

or:并集；

and:交集；

not:补集；

XOR:异或：

 四、向量和矩阵操作

典型领域：多光谱图像处理是使用向量和矩阵操作的典型领域。

一个像素有三个分量，可以用如下向量表示。

 

 z1,z2,z3分别是对应图像中红绿蓝图像中的像素亮度，这样，大小为M*N的RGB图像可用同等大小的三个分量图表示，或共用MN个三维向量来表示。

普通的多光谱情况包括n 幅分量图像，将形成n维向量。

一个像素向量z和一个任一点a在n维空间的欧式距离D可以用一个向量积定义：

或称向量范数，也可以表示为||z-a||

像素向量的优点：线性变换，w=A(z-a)

A是大小为m*n 的矩阵，z和a是n*1的列向量。

把整个图像当作矩阵或向量处理，即一个M*N的图像可以理解为MN*1维向量，第一行作为该向量的前N个元素，第二行作为前2N-N个元素，则图像的线性处理为

g=Hf+n

f表示输入图像的MN*1向量，n表示一个M*N噪声模式的M*N *1向量，g表示处理后图像的MN*1向量，H是对输入图像进行线性处理的MN*MN矩阵（也可称为算子）

五、概率

概率：以随机量处理灰度值，概率常被用于图像分割，描述纹理，进行最佳目标识别技术，和矩阵一起用于图像复原

P(z)=n/M*N

z是在给定灰度值范围内的任一灰度值，P(z)是出现的概率，n是出现的次数，M*N是一幅图像的所有像素数

平均灰度：等于每个像素的值乘出现的概率的累积求和

灰度的方差：是对比度的有效度量，等于（z-平均灰度）^2*P(z)的累加求和

z关于均值的第n阶矩：等于（z-平均灰度）^n*P(z)的累加求和

n=0的时候，第0阶矩等于1，

n=1的时候，第1阶矩等于0，

n=2的时候，第2阶矩等于方差

均值和方差对于图像的视觉特性有明显的直接关系，高阶矩更敏感。一个正三阶矩指出其灰度倾向于比均值高，负三阶矩则指出相反的条件，

零三阶矩说明灰度近似相等地分布在均值地两侧。

---

总结：

范数，集合，和矩阵和向量，概率的计算可以参考数学方面的相关定义

模糊集合：

把人分为年轻人和非年轻人。

使用干脆集合，U表示所有人，A 表示年轻人，A是U的子集，称为年轻人集合，为了形成集合A，设置一个隶属度函数，函数对每个人赋值（1，或0）

如果函数将人赋值为1，则是年轻人，如果赋值为0，则是非年轻人，假设20以下（包括20）赋值为1，这就是一个干脆集合的分类。

但是会出现一个问题，就是20岁零1秒就不是年轻人了，需要在年轻和非年轻之间进行逐步过度。这就是模糊集合，

使用模糊集合，可以声明一个人的年轻度50%。