数字图像处理第2章-数字图像基础

GC_718

已于 2023-02-07 14:37:47 修改

阅读量497

点赞数

分类专栏：数字图像处理文章标签：算法计算机视觉人工智能

于 2023-02-06 17:15:36 首次发布

本文链接：https://blog.csdn.net/weixin_45973864/article/details/128903224

版权

数字图像处理专栏收录该内容

5 篇文章 2 订阅

订阅专栏

2.1 数字图像数学表示

图像表示为二维函数 $f(x,y)$ ，可由光源照射量 $i(x,y)$ 和反射（或透射）系数 $r(x,y)$ 表征：

$f(x,y)=i(x,y)r(x,y)$ ， $0\leq f(x,y)<\infty$ ， $0\leq i(x,y)<\infty$ ， $0\leq r(x,y)\leq1$

2.2 数字图像基本概念

采样：对空间坐标数字化。

量化：对幅度值数字化。

亮度级（灰度级）：单色图像 $f(x,y)$ 的取值区间 $\left[L_{\mathrm{min}},L_{\mathrm{max}}\right]$ 。灰度级数 $L$ 通常是2的整数次幂。

动态范围：灰度跨越的值域，通常上限取决于饱和度，下限取决于噪声，但噪声也可能较亮。

对比度：最高灰度和最低灰度的灰度差。

反差比：最高灰度和最低灰度的比率。

空间分辨率：图像中最小可辩别细节的测度，广泛使用的定义是单位距离内可分辨的最大线对数（如每毫米100个线对），可使用点数/英寸(dpi)表示。

灰度分辨率：灰度级中可分辨的最小变化。（256级-8bit灰度分辨率）

2.3 像素间基本关系

邻域：坐标 $(x,y)$ 处像素p 的相邻像素位置集
         $N_{4}(p)$ ：坐标 $(x,y)$ 处像素p的2个水平相邻像素和2个垂直相邻像素
         $N_{D}(p)$ ：像素p的4个对角相邻像素
         $N_{8}(p)$ ： $N_{4}(p)$ 和 $N_{D}(p)$ 合并，称为p的8邻域
闭邻域：邻域包含像素p
      开邻域：邻域不包含像素p

邻接：
        4邻接：q在p的4邻域内
        8邻接：q在p的8邻域内
        m邻接（混合邻接）：q在p的4邻域内或q在p的D邻域内，且p和q的4邻域交集元素不在V中，改进8邻接，消除歧义性

通路：4通路、8通路、m通路

连通性：S为一幅图像中像素的子集，如果S中的像素q和p之间存在一条通路，则可以说像素q和p在S中是连通的

区域：若R表示为图像中像素的一个子集，R为连通集，则称R为图像的一个区域。若两个区域S1和S2可构成连通集，则可以称为邻接区域（该定义必须先指定连接邻接类型是4邻接还是8邻接）

边界（边框、轮廓）：区域R中与R补集中像素相邻的一组像素

距离测度：对于坐标分别为 $(x,y)$ , $(u,v)$ 和 $(w,z)$ 的像素p,q和s，如果

        则D是一个距离函数或距离测度。
p和q之间的欧几里得（欧式）距离： $D_e(p,q)=\bigg[\left(x-u\right)^2+\left(y-v\right)^2\bigg]^{\frac{1}{2}}\quad\text{}$
                p和q之间的城市街区距离： $D_4(p,q)=\left|x-u\right|+\left|y-v\right|$
                p和q之间的棋盘距离： $D_8(p,q)=\max\big(\big|x-u\big|,\big|y-v\big|\big)$

2.4 图像内插

最近邻内插：假设大小为500×500像素的一幅图像要放大1.5倍，即放大到750×750像素。创建一个大小为750×750像素的假想网格，网格的像素间隔完全与原图像的像素间隔相同，然后收缩网格，使它完全与原图像重叠。显然，收缩后的750×750网格的像素间隔要小于原图像的像素间隔。为了对上覆图像中的每个点赋灰度值，我们在下伏原图像中找到最接近的像素，并把该像素的灰度赋给750×750网格中的新像素。为上覆网格中的所有点赋灰度值后，可将图像展开到指定的大小，得到放大后的图像。会产生人为失真，如严重的直边失真。

双线性内插：使用4个最近邻的灰度来计算给定位置的灰度。令 $(x,y)$ 表示待赋灰度值的位置（可将它想象为网格点）的坐标，令 $v(x,y)$ 表示灰度值。对于双线性内插而言，所赋的值由如下公式得到： $v(x,y)=ax+by+cxy+d$ ，式中，4个系数可用由点 $(x,y)$ 的4个最近邻点写出的4个未知方程求出。双线性内插的结果要比最近邻内插的结果好得多,但计算量会随之增大。

双三次内插：包括16个最近邻点，赋给点 $(x,y)$ 的灰度值由公式 $\nu(x,y)=\sum_{i=0}^{\bar{3}}\sum_{j=0}^{\bar{3}}a_{ij}x^i y^j$ 得到，式中，16个系数可用由点 $(x,y)$ 的16个最近邻点写出的16个未知方程求出。观察发现，如果求和的上下限分别为1和0，则其简化为双线性内插。通常，双三次内插在保留细节方面确实要强于双线性内插。

2.5 算术运算在数字图像处理中的作用

1.使用图像相加（平均）降低噪声

2.使用图像相减比较图像

3.使用图像相乘/相除校正阴影和模板

2.6 仿射变换（缩放、平移、旋转、剪切）

二维仿射变换的关键性质：保留点、直线和平面。可用如下形式表示4个仿射变换：

$\begin{bmatrix}x'\\ y'\\ 1\end{bmatrix}=A\begin{bmatrix}x\\ y\\ 1\end{bmatrix}=\begin{bmatrix}a_{11}&a_{12}&a_{13}\\ a_{21}&a_{22}&a_{23}\\ 0&0&1\end{bmatrix}\begin{bmatrix}x\\ y\\ 1\end{bmatrix}$

2.7 图像变换域

正变换： $T(u,v)=\sum_{x=0}^{M-1}\sum_{y=0}^{N-1}f(x,y)r(x,y,u,v)$ ， $f(x,y)$ 是输入图像， $r(x,y,u,v)$ 称为正变换核
反变换： $f(x,y)=\sum_{u=0}^{M-1}\sum_{v=0}^{N-1}T(u,v)s(x,y,u,v)$ ， $s(x,y,u,v)$ 称为反变换核

傅里叶变换对：变换核是可分的和对称的，允许用一维变换计算二维变换

$T(u,v)=\sum_{x=0}^{M-1}\sum_{y=0}^{N-1}f(x,y)\mathrm e^{-j2\pi(ux/M+vy/N)}$
$f(x,y)=\dfrac{1}{MN}\sum\limits_{u=0}^{M-1}\sum\limits_{v=0}^{N-1}T(u,v)\mathrm{e}^{j2\pi(ux/M+vy/N)}$