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%。