学习笔记1:数字图像处理（第二章）

第2章 数字图像处理

2.1视觉感知要素

2.1.1人眼的结构

• 锥状体 ：对颜色高度敏感，这种视觉称为白昼视觉或者亮视觉。高照明水平下执行。
• 杆状体 ：没有彩色感觉，对低照明度敏感，称为暗视觉或微光视觉。低照明水平下执行。

2.1.2眼睛中图像的形成

2.1.3亮度适应和辨别

• 亮度适应现象 ：视觉系统不能同时在一个范围内工作，它是通过改变其整个灵敏度来完成这一较大变动的。
• 韦伯比 ： 较大：亮度辨别能力较差；反之，较好。
• 视觉系统往往会在不同强度区域的边界处出现“下冲”或“上冲”现象。
• 同时对比、错觉

2.2光和电磁波谱

• 电磁波是能量的一种，任何有能量的物体都会释放电磁波谱。它可以用 波长 (λ)、频率(v)或能量(E) 来描述，其中
  λ=c/v
  E=hv
• 光是一种特殊的电磁辐射，可以被人眼感知。
  • 单色光 是没有颜色的光，也成为无色光。唯一属性就是它的强度或者大小，用 灰度级 来表示。单色图像常被称为 灰度图像 。
  • 彩色光源 的质量可以用发光强度、光通量和亮度 来表示。

2.3图像感知和获取

2.3.1使用单个传感器获取图像

2.3.2使用条带传感器获取图像

2.3.3使用列阵传感器获取图像

2.3.4简单的图像形成模型

用形如 f(x,y)的二维函数来表示图像，那么： 0<f(x,y)<∞。
f(x,y)可以用两个分量来表征：

• 入射分量 ：入射到被观察场景的光源照射总量，用i(x,y)
  表示;
• 反射分量 ： 场景中物体所反射的光照总量，用r(x,y)
  表示。
• 反射分量限制在 0(全吸收)和 1(全反射)之间。i(x，y)的性质取决于照射源,而r(x, y)的性质取决于成像物体的特性。

所以：f(x,y)=i(x,y)r(x,y),0<i(x,y)<∞,0<r(x,y)<1

2.4图像取样和量化

2.4.1取样和量化的基本概念

• 取样 ：对坐标值进行数字化
• 量化 ：对幅值数字化
• 数字图像的质量在很大程度上取决于取样和量化中作用到的 样本数和 灰度级。

2.4.2数字图像显示

• 令f(s, t)表示一幅具有2个连续变量s和t的连续图像函数，x和y分别对应图像二维阵列的行和列。x和y称为空间变量或空间坐标。第三个坐标是空间变量x和y为函数的f(灰度)值。
• 我们甚至可以将一幅图表示成一个向量。以原二维阵列按列排序，变成一个MN * 1的向量。
• 出于存储和量化硬件的考虑，灰度级数通常取为2的整数次幂，即L = 2^k
• 动态范围 ：系统中最高灰度级和最小灰度级之比。
• 图像对比度 ：最高和最低灰度级间的灰度差定义为对比度。
• 存储数字图像所需的比特数b为：b = M * N * k，当M=N时，该式变成b = N²k。当一幅图像有2^k个比特数时，称该图像为一幅“k比特图像”。

2.4.3空间和灰度分辨率

• 空间分辨率：图像中可辨别的最小细节的度量。在数量上，表示每单位距离线对数和每单位距离的点数是最通用的度量（必须针对空间单位来规定才有意义）。
• 灰度分辨率：指在灰度级中可分辨的最小变化。
• 300dpi是书籍印刷所用的最小空间分辨率。
• 通过等偏爱曲线，对于有大量细节的图像，可能只需要较少的灰度级。

2.4.4图像内插

用已知数据来估计未知位置的数据处理。是基本的图像重取样方法。可以处理图像的放大和缩小，这是基本的图像重取样方法，本质上，内插是用已知数据来估计未知位置数值的处理。

• 最邻近内插：在原图像中寻找最临近的像素，并把该像素的灰度赋给放大的新图像。
• 双线性内插 ：用4个最邻近去估计给定位置的灰度。令(x, y)为我们想要赋以灰度值的位置，令v(x, y)表示灰度值，则：
  $$v(x,y)=ax+by+cxy+d$$
• 双三次内插 ：包括附近的16个最邻近点。
  $$v(x,y)=\sum _{i=0}^3\sum _{j=0}^{3}aij\ast x^i{y}^j$$
• 双线性内插和双三次内插是人们选择的典型方法。

2.5像素间的一些基本关系

2.5.1邻接像素

• 位于坐标 (x,y)处的像素 p有4个水平和垂直上的相邻像素，其坐标是(x+1,y), (x-1, y), (x, y+1), (x, y-1) 。这组像素称为p的4邻域，用 N₄(p )表示。
  
• p的4个对角相邻像素的坐标是：(x+1, y+1), (x+1, y-1), (x-1, y+1), (x-1, y-1)。用N_D(p )表示。
  
  这些点与4个邻点一起称为p的8邻域，用N₈(p )表示。
  
• 如果 p位于图像边界，则某些邻点可能 落在图像外边。

2.5.2邻接性，连通性，区域和边界

令V是用于定义邻接性的灰度值集合。V可能是灰度值范围0-255这256个值的任意一个子集。

• 4邻接：a.像素p，q都在V中。 b.如果q在p的4邻域中(如果q在集合N₄(p )中）。那么称p和q是4邻接的。

• 8邻接：如果q在集合N₈(p )中，那么称p和q是8邻接的。
  

• m邻接(混合邻接):满足(1)q在N₄(p )，(2)q在N₈(p )中，且集合N₄(p )和N₈(p )的交集没有来自V中的数值的像素，则p和q是m邻接的。

• 混合邻接的引入是为了消除采用8邻接时产生的2义性。
  

• 通路：从具有坐标(x,y)的像素p到具有坐标(s,t)的像素q的特定像素序列称为通路，像素序列的坐标为：(x0,y0),(x1,y1),……(xn,yn)。其中(x0,y0)=(x,y)，(xn,yn)=(s,t)，且像素(xi,yi)和(xi-1,yi-1)对于1≤i≤n是邻接的。

  • 4通路：在下图中，从p到q为4通路。
    
    -8通路：
    
    -m通路：
    

• 连通：令S是图像中的一个像素子集，若S的全部像素之间存在一个通路，则可以说S中的两个像素p和q在S中是连通的。也就是说，S中任意2个像素之间都存在一条路可以连通，那么就代表S中的两个像素p和q在S中是连通的。

• 连通分量：对于S中的任何像素p，S中连通到该像素的像素集称为连通分量。

• 连通集：若S只有一个连通分量，则集合S称为连通集。

• 区域：令R是图像的一个像素子集，如果R为连通集，则称R为一个区域。

• 邻接区域：两个区域，如果它们联合形成一个连通集，则区域Ri和Rj称为邻接区域。

• 在谈到区域时，必须指定邻接的类型，比如是4邻接还是8邻接！！！！！

• 内边界：该区域中和其背景相邻接的点的集合。

• 外边界：对应于背景边界。
  
  内边界为1的最外一层，而外边界则是0的最里面一层，可以简单的这么理解。

2.5.3距离度量

2.6数字图像处理中所用数学工具的介绍

2.6.1阵列与矩阵操作

• 在对一幅图像或者多幅图像操作时，要首先明白是列阵操作还是矩阵操作。以2*2图像为例：
  
• 图像求幂意味着每个像素均进行求幂；同样，一幅图像除以一幅图像时，意味着对应像素之间相除。

2.6.2线性操作与非线性操作

2.6.3算术操作

• 图像间的算术操作是阵列操作，即算术操作在相应的像素对之间执行。
  
• 几个利用算术操作处理图像的例子：
  • 利用带噪图像的相加（平均）进行降噪处理。
  • 利用图像相减增强差别。
  • 利用图像相乘和相除来校正阴影。

2.6.4集合和逻辑操作

• 一些常见的集合操作在这里就不意义赘述，下面我们来看看图像中的集合操作。
• 我们一般将全集定义为包含图像中所有像素的正方形。
• 灰度值的并集操作和交集操作通常定义为像素对的最大和最小。而补集操作定义为常数与图像中每个像素的灰度间的两两之差。（常数为2^k-1)。
• 灰度图像的逻辑操作：AND(相当于交集）, OR（相当于并集）, NOT（相当于补集）, XOR（相当于AB的并集去掉AB的交集）。

2.6.5空间操作

空间操作直接在给定图像的像素上进行！

• 单像素操作：
  s = T(z)
  z是原图像中像素的灰度值，s是处理后图像中相应像素的灰度。
• 邻域操作：
  与单像素操作类似，Sxy代表图像f中任意一点(x, y)为中心的邻域集，邻域处理是在Sxy内的像素经指定操作后输出到另一图像相同坐标处，形成新图像g。
• 几何空间变换（橡皮膜变换）和图像配准：
  几何空间变换主要由两个基本操作组成：（1）坐标的空间变换；（2）灰度内插，即对空间变换后的像素赋灰度值；
• 最常用的空间坐标变化之一是仿射变换：
  
  其中(v, w)是原图像中像素的坐标，(x, y)是变换后图像中像素的坐标。

基于上式，改变T的值，可以实现恒等变换、尺度变换、旋转变换、平移变换、垂直偏移变换、水平偏移变换。
下面是一些常用的变换：

• 事实上，我们可以用两种基本方式来使用仿射变换的公式，一种是前向映射，一种是反向映射。对于实现来说，反向映射比前向映射更有效。
• 图像配准：用于对齐两幅或者多幅相同场景的图像。使用参考图像的约束点，然后用约束点配准这两幅图像。
  x = c₁v + c₂2 + c₃vw + c₄
  y = c₅v + c₆2 + c₇vw + c₈

2.6.6向量与矩阵操作

多光谱图像处理是使用向量和矩阵操作的典型领域。
因为每一个RGB图像的每个像素都有3个分量，这些分量可组织成一个列向量的形式：
z = [z₁ z₂ z₃ ]^T
z₁ z₂ z₃ 分别代表红绿蓝像素的亮度。
这样，大小为M*N的RGB彩色图像就可以使用这一大小的3个分量图像来表示，或总共用MN个三维向量来表示。

• 一个像素向量z和任意点a在n维空间的欧式距离D可以用一个向量积来定义：
  D(z, a)=[(z-a)^T(z-a)]^1/2=[ (z₁- a₁)²+…+( z_n- a_n)²]^1/2
• 向量像素的另一个优点就是线性变换。
  w=A(z-a)

2.6.7图像变换

2.6.8概率方法