【数字图像处理】【个人入门记录】 绪论

一、绪论

本篇文章是在老师带动下对课程的总结与归纳，同时也是对各类资料的简要总结。
同时我个人会用尽可能精确的一些不产生歧义的词语进行二次描述。

1.什么是数字图像处理

从本质上讲，数字图像处理隶属信号处理范畴，但其同时也是一门系统的研究各种图像理论、技术和应用的新型交叉学科。
从其研究方法来看，它与数学、电子科学、计算机科学、物理学、心理学等众多学科相互借鉴；（数字图像处理的研究方法逻辑以数学为基础，以电子科学，计算机科学，物理学为实际设计方向，以心理学为对成果进行加权打分审查结果的评测方向）
从其研究范围来看，其与模式识别、人工智能、计算机图形学等众多学科有着紧密的联系，且相互之间存在着大量共同的理论基础和处理方法。（这是说明数字图像处理与其他图像相关学科的关联性）

比如，PS软件上用到的大多数对图片的处理，均属于数字图像处理的实际成果。

那么我们不如来看看该学科的基本元素有哪些内涵：

1）什么是图像

Ⅰ图：

是物体辐射、透射反射光的分布，是客观存在的物质。

如图，实现“颜色”的光子波长在400~700nm时，属于可见光范围，在此实现了“图”的基础——物体辐射、透射反射光的分布。

Ⅱ像：

是人的视觉系统对图的接受，是图在大脑中形成的印象或反馈。
若图是客观存在的物质，那么像就是仅针对人类这一物种产生的映射，用数学概念举例，就是函数的映射与函数的关系。

Ⅲ图像：

图像是图和像的有机结合，是客观世界能量或状态以可视化形式在二维平面上的投影。
图像信息实质上是人的视觉系统或者成像系统，对物体辐射、反射或者透射光的反应。
因此我们会看到一些有趣的图片：

2）什么是数字图像

数字图像，又称数码图像或数位图像，是二维图像用有限数字数值像素的表示。
由数组或矩阵表示，其光照位置和强度都是离散的。数字图像是由模拟图像数字化得到的、以像素为基本元素的、可以用数字计算机或数字电路存储和处理的图像。
比如我们使用一张网络上的一张图片：

其像素构成也是三维的。为了让结果直观，我们让其变成二维图像，即灰度图。


至此，数字图像的本质就比较明确了，就是一堆数字而已。我们接下来要做的，就是利用这堆数字，找到他们的规律，来达到改变最终呈现效果的目的。

实际数字图像处理使用时，往往通过数字图像处理系统来实现功能，涉及内容就包括上文中提到的各类概念，分别进行处理。
简单来说，主要内容为：
图象数字化设备-----------> 图象处理计算机------> 图像输出设备
（获取图，并转换为像） （对像进行处理） （对处理结果输出获得最终结果）

接下来就进行分部理解各个组成部分的内容。

2.数字图像处理系统

主要优点：
精度高：采样量化一定，多次处理可保精度。
再现性好：数字图像可多次拷贝，不失真，不退化。
通用性、灵活性强：适用面宽，可处理抽象数据、可做非线性处理。

1）获取图像

Ⅰ成像

几则链接感觉讲的很好，给大家分享一下
图像成像基本原理
曝光基本原理
快门基础
成像方面属于偏硬件方面，了解一下。
并且目前有很多研究在对图像进行二次处理时，设计算法来减少成像时出现的问题，故若想做之后的研究，成像原理等内容必不可少，也是数字图像处理的一大研究方向。

Ⅱ数字化

由模拟照片到获取数字图像的过程。

采样：

图像获取设备（由采样孔，扫描机构，光传感器，量化器和输出存储体组成）将图像在空间上分成离散的（横竖均匀的）网络点。

以上通过网格来确定最终的成像分辨率（即像素点数量与其值）。而当出现采样间隔，行间隔都大时，像素点数目就会变少，分辨率下降，当非常小，或进行同样像素内容填充时，就会出现马赛克效应。

如上图（a），分辨率较高，图像内容清晰，但数据量大。图（f）则分辨率低，分辨率为8x8.

以上为统一的图像采样。但因为对所有的像素点信息一视同仁，让部分重要的图像信息不突出，于是产生了另一种采样思想：

非统一的图像采样：在灰度级变化尖锐的区域，用细腻的采样，在灰度级比较平滑的区域，用粗糙的采样。

该思想被广泛用于实际生活中，并且在数字图像处理中，手机相机有通过算法来实现“后期对焦”等类似功能，并未使用一般对焦方法。

量化

用模数转换技术将图像上各个网格点的黑白及彩色程度做数字量化，如：256级，由0到255，亮度从黑到白变化。

一般情况下，人眼仅能分辨50左右级灰度。

量化等级越多，所得图像层次越丰富，灰度分辨率高，图像质量好，但数据量大；量化等级越少，图像层次欠丰富，灰度分辨率低，会出现假轮廓现象，图像质量变差，但数据量小.

非统一的图像的量化：与采样类似的，在边界附近使用较少的灰度级。剩余的灰度级可用于灰度级变化比较平滑的区域。避免或减少由于量化的太粗糙，在灰度级变化比较平滑的区域出现假轮廓的现象

该方法类似的几种模拟算法处理我们在之后的学习中也会用到。

量化分类：包括均匀量化和非均匀量化。
1.均匀量化：
连续灰值等间隔分层。层越多，产生的量化误差越小。
2.非均匀量化：
不等间隔分层，目的减少量化误差，按灰值出现的概率不同进行量化——灰值经常出现，量化细；灰值不常出现，量化粗。
量化级别不能取得过多，当噪声幅度大于量化间隔，量化器输出量化值会产生错误。屏幕图像上灰值邻近区域边界会出现“忙动”现象。
举例说明主要使用**“量化”**而产生作用的例子：

量化结果

图像将被抽象为数字矩阵的形式进行存储。
数字矩阵一般特征为：（行，列，颜色空间数）

如上图，行=5，列=10，颜色空间数=3.
（ps：颜色空间介绍：颜色空间也称彩色模型，指在某些标准下用通常可接受的方式对彩色加以说明。上图空间为RGB分布，也最为广泛，除此以外，还有CMY，Lab，HSV，HSI，YUV等，都是通过不同的三维数学模型对彩色进行分类的方法。）
颜色空间数=1的图像则只有黑白两色，一般图像的黑白程度（灰度值）范围在0~255之间，0为纯黑，255为纯白。当然，在量化条件下可进行修改。

2）处理图像

该部分的处理方式完全由算法进行。
数字图像相关处理方式有：

① 图像预处理——改善像质，以便于目视判读。

刚获取的图像由于获取时的环境，噪声，意外介入物品，色差区分度，量化，采样等处理等问题，往往不能直接进行使用，并且其特征会比较繁杂，无法快速提取有效特征。于是需要进行图像预处理，以方便进行下一步处理。

1.校正技术：对图像进行几何校正、颜色校正、辐射校正。
2.增强技术：去噪，亮度/对比度增强，突出主要特征。
3.恢复技术：忠实原图，去除干扰，恢复原图像，实用中往往干扰复杂，模型不清，难以准确恢复。

② 图像分析（测量）（analysis）：密度（灰度）、平面几何参数，三维参数测量技术。

个人认为该部分主要目的是提取图像特征。需要用到以上参数进行分析，但实际操作起来，因为目的性比较明确所以会更容易。
多使用的特征点相关：
边缘、角、区域、脊。
多使用的特征提取方法：
形态学、边缘检测、直方图、傅里叶变换。

③ 图像识别（recognition）：模式识别与景物分析

该部分已经可以延伸到各类详尽的视觉图像识别领域，但这已经超出了数字图像处理学科的范畴。
而最基础的对物体进行识别的部分（无法区分具体物体，但是可以找出非背景的物体。）则是我们之后会更熟悉的领域。不依靠神经网络与机器学习，单纯依靠算法实现属于数字图像处理的操作。

无法识别到每一个物体，但是可以处理整个图像。纯数学的魅力。

正文结束。

3）输出结果

举例处：