文章目录
一、全彩色图像处理基础 P267 - P268
-
全彩色处理方法分为两大类：
① 第一类 是分别处理 每一幅分量图像，然后由分别处理过的分量图像来形成一幅处理过的 合成彩色图像
② 第二类 是直接处理彩色像素。因为全彩色图像至少有3个分量，所以彩色像素实际上是向量。考虑在RGB模型中，从原点延伸到该点的一个向量
a) 令 c 代表RGB彩色空间中的任一向量：
c = [ c R c G c B ] = [ R G B ] c = \begin{bmatrix} c_R\\ c_G\\ c_B\\ \end{bmatrix} = \begin{bmatrix} R\\ G\\ B \end{bmatrix} c= cRcGcB = RGB
b) 若考虑彩色分量是坐标(x,y)的函数，则有：
c ( x , y ) = [ c R ( x , y ) c G ( x , y ) c B ( x , y ) ] = [ R ( x , y ) G ( x , y ) B ( x , y ) ] c(x,y) = \begin{bmatrix} c_R(x,y)\\ c_G(x,y)\\ c_B(x,y)\\ \end{bmatrix} = \begin{bmatrix} R(x,y)\\ G(x,y)\\ B(x,y)\\ \end{bmatrix} c(x,y)= cR(x,y)cG(x,y)cB(x,y) = R(x,y)G(x,y)B(x,y)
对于大小为 M*N 的图像，有MN个这样的向量c(x,y),其中x = 0,1,2,…,M-1;y = 0,1,2,…,N - 1 -
每种彩色分量的处理 要等同于 基于向量的处理，必须满足两个条件：
① 第一，处理必须对 向量 和 标量 都可用（即处理对于直接彩色处理 和 分量处理后整合，效果一致）
② 第二，对 向量的每个分量 的操作对于其他分量必须是 独立 的
二、彩色变换 P268 - P276
彩色变换，主要涉及在 单一彩色模型内(即只在一个彩色模型中讨论)处理彩色图像的分量，而不是这些分量在不同模型间的转换(如：RGB --> GMY等)
2.1 公式 P269 - P271
-
彩色变换函数：
g ( x , y ) = T [ f ( x , y ) ] g(x,y) = T[f(x,y)] g(x,y)=T[f(x,y)]
式中f(x,y) 是 彩色输入图像，g(x,y)是 变换后或处理过的彩色输出图像。这里的像素值是从 彩色空间 选择的用来表示图像的彩色空间的 3元组 或 4元组(即 3个值 或 4个值)。
RGB(三个值)、GMY(三个值)、BMYK(四个值)、HSI(三个值) -
彩色变换只关注各像素点在彩色模型中的 彩色分量的处理
s i = T i ( r 1 , r 2 , . . . , r n ) ， i = 1 , 2 , . . . , n s_i = T_i(r_1,r_2,...,r_n) ，i = 1,2,...,n si=Ti(r1,r2,...,rn)，i=1,2,...,n
其中，
①
r
i
r_i
ri 和
s
i
s_i
si 是 f(x,y) 和 g(x,y) 在任何点处 彩色分量的变量
② n 是 彩色分量数
③
T
1
,
T
2
,
.
.
.
,
T
n
{T_1,T_2,...,T_n}
T1,T2,...,Tn 是对 $ r_i $ 操作产生
s
i
s_i
si 的一组 变换或彩色映射函数
④ n个变换
T
i
T_i
Ti 合并相当于
g
(
x
,
y
)
=
T
[
f
(
x
,
y
)
]
g(x,y) = T[f(x,y)]
g(x,y)=T[f(x,y)] 。式中的 n 由彩色模型决定：RGB(n = 3)、GMY(n = 3)、BMYK(n = 4)、HSI(n = 3)
- 总结
① g ( x , y ) = T [ f ( x , y ) ] g(x,y) = T[f(x,y)] g(x,y)=T[f(x,y)] 函数 依赖于输入图像的所有彩色分量
② s i = T i ( r 1 , r 2 , . . . , r n ) ， i = 1 , 2 , . . . , n s_i = T_i(r_1,r_2,...,r_n) ，i = 1,2,...,n si=Ti(r1,r2,...,rn)，i=1,2,...,n 函数只 与彩色空间的一个分量有关。如：在RGB模型中，红输出的分量 S 1 S_1 S1 独立于 绿( r 2 r_2 r2)输入和蓝( r 3 r_3 r3)输入，它只依赖于红( r 1 r_1 r1)输入
2.2 补色 P271
- 在如图所示的彩色环上，与一种色调直接 相对立的另一端色调 称为补色
2.3 彩色分层 P271 - P272
-
突出图像中某个特定彩色区域对从其周围分离出目标物体很有用(类似于灰度变化中的灰度分层)
-
对于彩色图像进行分层的简单方法之一是，把某些 感兴趣区域之外 的彩色 映射为 不突出的中心点
① 如果感兴趣的颜色 由 宽为 W 、中心在原型(即平均)颜色点并具有分量 ( a 1 , a 2 , . . . , a n ) (a_1,a_2,...,a_n) (a1,a2,...,an) 的立方体(或超立方体，此时n > 3)所 包围，则有一组变换为：
s i = { 0.5 ， [ ∣ r j − a j ∣ > W 2 ] 1 < = j < = n r i ，其他 i = 1 , 2 , . . . , n s_i = \begin{cases} 0.5，[\vert r_j - a_j \vert > \frac{W}{2}]_{1 <= j <= n}\\ r_i，其他 \end{cases} i = 1,2,...,n si={0.5，[∣rj−aj∣>2W]1<=j<=nri，其他i=1,2,...,n
② 如果使用一个 圆球状 来指定感兴趣的颜色，则有：
s i = { 0.5 ， ∑ j = 1 n ( r j − a j ) 2 > R 0 2 r i ，其他 i = 1 , 2 , . . . , n s_i = \begin{cases} 0.5，\displaystyle\sum_{j=1}^{n}(r_j - a_j)^2 > R_0^2\\ r_i，其他 \end{cases} i = 1,2,...,n si=⎩ ⎨ ⎧0.5，j=1∑n(rj−aj)2>R02ri，其他i=1,2,...,n
式中 R 0 R_0 R0 是封闭球形(或超球形，此时 n > 3)的半径， ( a 1 , a 2 , . . . , a n ) (a_1,a_2,...,a_n) (a1,a2,...,an)是其中心的分量(即原型颜色)。
③ ①与② 所讨论的彩色分层模型的空间图像，分别对应在彩色模型中的 立方体 与 球体 -
特别的 在RGB模型 中讨论，对于上述描述的 立方体、球体，其所要映射的中性颜色一般取 灰度或彩色的中点(0.5,0.5,0.5)
2.4 色调和彩色校正(略) P273 - P275
2.5 直方图处理 P275 - P276
- 回忆 直方图均衡 会自动的确定一种变换，改变换试图产生具有 均匀灰度值的直方图的图像
- 灰度图的直方图处理变换可以自动地应用于彩色图像
- 对于彩色图像的直方图处理，一种合乎逻辑的方法是，均匀展开这种彩色的灰度，而保持彩色(即色调)不变。（在HSI模型中，可方便的处理每个像素的亮度属性大小）
三、平滑和锐化 P276 - P278
3.1 彩色图像的平滑 P276 - P278
- 回顾 灰度级图像平滑操作，可视为一种空间操作，在这种操作中，滤波模板的 系数具有相同的值。当模板滑过将被平滑的图像时，每个像素被由该模板定义的领域的像素的 平均值代替。(即均值滤波器的处理过程)
- 在彩色图像中的平滑操作与上述过程类似。主要差别是，我们应使用 分量向量来替代灰度标量值
- 在一幅RGB彩色图像中，令
S
x
y
S_{xy}
Sxy 表示中心位于(x,y)的领域定义的一组坐标。在该领域中 RGB 分量的向量平均值为：
c ‾ ( c , y ) = 1 K ∑ ( s , t ) ∈ S x y c ( s , t ) \overline c(c,y) = \frac{1}{K} \sum_{(s,t) \in S_{xy}} c(s,t) c(c,y)=K1(s,t)∈Sxy∑c(s,t)
它满足 向量的相加性，因此：
c ‾ ( c , y ) = [ 1 K ∑ ( s , t ) ∈ S s y R ( s , t ) 1 K ∑ ( s , t ) ∈ S s y G ( s , t ) 1 K ∑ ( s , t ) ∈ S s y B ( s , t ) ] \overline c(c,y) = \begin{bmatrix} \frac{1}{K} \displaystyle\sum_{(s,t) \in S_{sy}} R(s,t)\\ \frac{1}{K} \displaystyle\sum_{(s,t) \in S_{sy}} G(s,t) \\\frac{1}{K} \displaystyle\sum_{(s,t) \in S_{sy}} B(s,t)\\ \end{bmatrix} c(c,y)= K1(s,t)∈Ssy∑R(s,t)K1(s,t)∈Ssy∑G(s,t)K1(s,t)∈Ssy∑B(s,t)
我们将该向量的分量视为几幅 标量图像(即只用一个数值对应的像素值表示的图像)，这些标量图像可通过 传统的灰度级领域处理
3.2 彩色图像锐化 P278
- 使用 拉普拉斯算子 对图像进行锐化处理。从向量分析可知，一个向量的拉普拉斯变换定义为一个向量，其分量等于输入向量的各个标量分量的拉普拉斯变换。在RGB模型中，彩色图像的像素向量c可表示为：
∇ 2 [ c ( x , y ) ] = [ ∇ 2 R ( x , y ) ∇ 2 G ( x , y ) ∇ 2 B ( x , y ) ] \nabla^2[c(x,y)] = \begin{bmatrix} \nabla^2R(x,y)\\ \nabla^2G(x,y)\\ \nabla^2B(x,y)\\\end{bmatrix} ∇2[c(x,y)]= ∇2R(x,y)∇2G(x,y)∇2B(x,y)
在实际的操作中，可通过 分别计算 每幅图像(分量图像)的拉普拉斯变换 来计算 全彩色图像的拉普拉斯变换
四、基于彩色的图像分割 P279 - P283
分割是把一幅图像分成多个区域处理。分割是第10章的主题，但出于连续性的原因，这里简单的介绍下彩色分割
4.1 HSI 彩色空间的分割 P279
- 如果希望以 彩色为基础 来分割一幅图像，并想在各个平面上执行这一处理，可以考虑在HSI空间中实现，因为在 色调图像中描绘彩色(以红轴为基准轴的夹角表示色调) 很方便。通常，为了在色调图像中提取出更多感兴趣的区域，我们会把 饱和度用作一幅掩模图像。
- 在彩色图像分隔中不常使用亮度(灰度)图像，因为它不携带彩色信息。即在上述的分隔过程中，会使用到图像的 色调 与 饱和度，而亮度(灰度)图像中各像素 没有 色调值 与 饱和度值（或 色调值 与 饱和度值均为0）
4.2 RGB 向量空间的分割 P279 - P281
-
虽然在HSI空间中分割更直观，但分割却是用 RGB 彩色向量能得到更多结果的领域。这种方法更直接。
-
当分割的目的是 将给定图像中的每个 RGB 像素按照是否具有指定频率范围内的颜色来划分。（即RGB彩色图像中的各像素点 是否在 某定义的彩色空间内）
-
令 z 表示 RGB 空间中的任意一点。如果它们之间的距离小于特定的阈值 D 0 D_0 D0，则称 z 与 α 是相似的。z 和 α 间的欧氏距离由下式给出：
D ( z , α ) = ∥ z − α ∥ = [ ( z − α ) T ( z − α ) ] 1 2 = [ ( z R − α R ) 2 + ( z G − α G ) 2 + ( z b − α b ) 2 ] 1 2 D(z,\alpha) = \Vert z - \alpha \Vert = [(z - \alpha)^T(z - \alpha)]^{\frac{1}{2}} = [(z_R - \alpha_R)^2 + (z_G - \alpha_G)^2 + (z_b - \alpha_b)^2]^{\frac{1}{2}} D(z,α)=∥z−α∥=[(z−α)T(z−α)]21=[(zR−αR)2+(zG−αG)2+(zb−αb)2]21
其中下标 R,G,B 表示向量 α 和 z 的RGB分量。满足 D ( z , a ) < = D 0 D(z,a) <= D_0 D(z,a)<=D0 的点的轨迹是半径为 D 0 D_0 D0的实心球体。如下图(a)。包含在 球体内部和表面上的点 满足指定的颜色准则；在 球之外的点 则不满足 指定的颜色准则。在图像中对这两组点编码，比如说黑或白，就产生了一幅二值分割图像
4.3 彩色边缘检测(略) P281 - P283
五、彩色图像中的噪声(略) P283 - P284
六、彩色图像中压缩(略) P283 - P284
本章知识总结
- 伪彩色处理 是对应于将 灰度图像（或单色图像）转换为彩色图，使观察者能更好的分辨图像中的细节
- 全(真)彩色处理 是将 原始的彩色图像 在指定的 彩色模型 中进行处理得到 所需要的彩色图像
font> 是将 原始的彩色图像 在指定的 彩色模型 中进行处理得到 所需要的彩色图像
1756
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
