常用传统图像处理方法梳理

0. 颜色空间

常见颜色空间：

• RGB
• HSI（色调、饱和度、明度）
• YUV
• CMYK

OpenCV为什么是BGR？

• 早期的bmp等图像格式中BGR更广泛一点，所以opencv也遵循这个格式

• BGR与RGB格式转换

  img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
  # 或
  img_rgb = img[:,:,::-1] # 因为img[:,:,0]为b分量， img[:,:,1]为g，img[:,:,2]为r分量
  

  注：python的list中，listA[i:j:s]，表示从i到j的左闭右开区间，s表示步长。

• opencv中通道数是在最后面，也就是上面的不管rgb还是bgr都是[h,w,c]的格式，有时候需要将通道数放到前面，使用transpose方法

  img_channel_first = img.transpose((2,0,1))
  

1. 图像滤波

(1) 图像滤波

• 图像噪声

  • 高斯噪声，噪声的概率密度函数服从高斯分布，一般来自于器件的热噪声、电路噪声；高斯白噪声，功率谱密度均匀分布（高斯滤波）
  • 椒盐噪声，亮暗点噪声（中值滤波）
  • 泊松噪声，概率密度函数服从泊松分布（泊松分布适合于描述单位时间内随机事件发生的次数的概率分布），一般也是由于器件的光电转换过程导致
  • 量化噪声

• 滤波器

  （一般在计算模板的时候就对系数和进行归一化处理了，因此使用模板的时候只需要求加权和）

  • 高斯滤波器：根据高斯函数的形状来选择权值的线性平滑滤波器

  • 均值滤波：窗口下取均值

  • 中值滤波：窗口下取中位数

  • 双边滤波：非线性滤波，具有保持边缘、平滑降噪的功能。

    ​ 对一幅图像而言，边缘区域像素值变化快，而非边缘区域像素变化比较平坦。高斯滤波并没有对这两种区域加以区分，因此会导致边缘模糊。若要比较好的保留图像边缘，就必须引入一个变量去衡量当前像素变化的剧烈程度，所以双边滤波其实就是引入了这样一个图像像素域的核。原来的高斯滤波中就是一个空间域的核，它是一个二维的高斯函数；像素域核就是衡量像素变化剧烈程度的函数。它们俩共同作用的结果：在图像的平坦区域，像素值变化很小，对应的像素范围域权重接近于1，此时空间域权重起主要作用，相当于进行高斯模糊；在图像的边缘区域，像素值变化很大，像素范围域权重变大，从而保持了边缘的信息。

    dst = cv2.bilateralFilter(src=image,d=0,sigmaColor=100,sigmaSpace=15)
    

    ​ 其模板权重的计算方法：先根据sigmaSpace核sigmaColor计算各自的高斯函数下的权重，然后在对应像素位置将二者的乘积作为模板权重。之后就是像一般的卷积那样像素值加权求和。

    ​ Ref：双边滤波原理

(2) 图像增强——常见边缘检测算子

• sobel

  边缘检测，边缘是像素值变化比较剧烈的位置，在连续函数上就是求梯度，在离散的数字图像上就是求差分。sobel算子就是求的水平或者竖直方向的一阶差分，同时带有一定的平滑效果。

  下图给出了两种sobel算子的功能。从本质上来看，上面这个sobel算子是水平差分+垂直平滑的结果，下面这个是水平平滑+垂直差分的结果。

  【优点】计算简单，速度快

  【缺点】计算方向单一，只有水平和垂直方向，难以应对复杂纹理；根据差分结果直接用单一阈值进行判断是否边缘像素，对有的噪声情况无法进行很好的处理

  

• canny

  虽然比较古老，但却是传统图像处理中，边缘检测的首选，性能