数字图像处理 第一章

1.1 什么是数字图像处理

1. 数字图像：一幅图像可定义为一个二维函数 f(x,y)，其中x和y是空间（平面）坐标，而在任何一对空间坐标(x,y)处的幅值f 称为图像在该点处的强度或者灰度。当x、y和灰度值f 是有限的离散数值时，我们称该图像为数字图像。
2. 数字图像处理：指借助于数字计算机来处理数字图像。

其实我们日常的图像处理中，基本上接触的是灰度图像和彩色图像。

• 灰度图像：灰度图像其实就类似于我们早期的黑白电视的图像。灰度图像在计算机内，每个像素的灰度用一个数值来表示，数值的取值范围为0~255之间，0表示纯黑，255表示纯白，其他值表示介于纯黑和纯白之间的灰度。
  

• 彩色图像：用红绿蓝三元组（red,green,blue 组合起来便是我们经常见到的RGB）的二维矩阵表示，三元组的每个数值也是介于0~255之间，0表示相应的基色在该像素中没有，255表示相应的基色在该像素中取得最大值。
  

附上一个认识彩色图像的学习过程中学到的OpenCV中的图片截取和颜色通道提取的代码：
1.图片截取：

import cv2 
 
#opencv读取的格式是BGR
 
def cv_show(name,img):
    """
    图片显示函数
    """
    cv2.imshow(name,img) 
    cv2.waitKey(0) 
    cv2.destroyAllWindows() 
 
img=cv2.imread('1.jpg')
# 截取部分图像数据
cat=img[0:50,0:200] 
cv_show('1',cat)
 

2.颜色通道提取：

import cv2 

#opencv读取的格式是BGR
img=cv2.imread('1.jpg')
 
# 拆分成三通道数据
b,g,r=cv2.split(img)
 
# 合并三通道数据
img=cv2.merge((b,g,r))
img.shape
 
 
# split函数的功能就是如同下面的操作
# 只保留R
cur_img = img.copy()
cur_img[:,:,0] = 0
cur_img[:,:,1] = 0
cv_show('R',cur_img)
 
# 只保留G
cur_img = img.copy()
cur_img[:,:,0] = 0
cur_img[:,:,2] = 0
cv_show('G',cur_img)
 
# 只保留B
cur_img = img.copy()
cur_img[:,:,1] = 0
cur_img[:,:,2] = 0
cv_show('B',cur_img)

计算机只认识"0"和"1"。其实不管什么图像，对计算机而言就是一堆数字。所以我认为的数字图像处理，就是处理图片在计算机中所代表的具体的数字。
显然，这一堆数字看起来就像是二维矩阵。所以，用二维矩阵来存储图像数据非常合理。

图像是像素值的矩阵。

3. 图像处理到计算机视觉这个连续的统一体中考虑的 三种典型的计算处理主要分为低级（图像处理）、中级（图像分析）、高级（图像理解）处理。
   • 低级处理：输入输出都是图像。涉及初级操作，如降低噪声的图像预处理（降噪）、对比度增强、图像尖锐化（锐化）等。
   • 中级处理：输入为图像，输出是从输入图像中提取的特征（边缘、轮廓及各物体的标识等）。处理设计诸多任务，如图像分割，减少目标物的描述，以使其更适合计算机处理及对不同目标物的分类（识别）。
   • 高级处理：涉及“理解”已识别目标的总体，以及在连续统一体的远端执行与视觉相关的认知功能。

本篇只是阐述数字图像处理相关概念，具体的图像操作及实验代码会在以后的文章中详写。

1.2 使用数字图像处理领域的实例

阐述数字图像处理应用范围最简方法是根据信息源来分类（如可见光或X射线等）。
在今天的应用中，最主要的图像能源是电磁能谱，其他主要图像能源包括声波、超声波和电子（以用于电子显微镜中的电子束形式）。
用于建模和可视化的合成图像由计算机产生。

如果光谱波段根据光子能量进行分组，则可得到如下光谱，范围从伽马射线（最高能量）到无线电波（最低能量）。
如图可知，电磁波谱的各个波段之间并没有明确的界线，而是由一个波段平滑地过渡到另一个波段。

1.2.1 伽马射线成像

伽马射线成像的主要用途包括核医学和天文观测。

在核医学中，这种方法是将放射性同位素注射到人体内，当这种物质衰变时就会放射出伽马射线，然后用伽马射线检测仪收集到的放射线来阐述图像。

天文观测领域的观测图像，则有利用被成像物体的自然辐射得到。

1.2.2 X射线成像

X射线是最早用于成像的电磁辐射源之一。
最熟悉的X射线应用是医学诊断，但是X射线还被广泛用于工业和其他领域。

1.2.3 紫外波段成像

紫外“光”的应用多种多样，包括平板印刷术、工业检测、显微镜方法、激光、生物成像和天文观测等。

1.2.4 可见光及红外波段成像

由于电磁波谱可见光波段在所有波段中是我们最熟悉的，因此，这一波段的成像应用领域远远超过其他波段的应用领域，包括光显微镜方法、天文学、遥感、工业和法律实施等方面的应用。

1.2.5 微波波段成像

微波波段成像的典型应用是雷达。
成像雷达的独特之处是在任何范围和任何时间内，不考虑气候、周围光照条件的收集数据的能力。
在许多情况下，雷达是探测地球表面不可接近地区的唯一方法。

1.2.6 无线电波段成像

正像波普另一端（伽马射线）的成像情况那样，无线电波段成像主要应用于医学和天文学。

1.2.7 使用其他成像方式的例子

虽然电磁波谱成像一直占主导地位，但大量的其他成像方式也很重要，如声波成像、电子显微镜方法和（由计算机产生的）合成成像。

1.3 数字图像处理的基本步骤

具体步骤如上图所示。

图像获取：图像获取是数字图像处理的第一步处理。图像获取与给出一幅数字形式的图像一样简单。通常，图像获取阶段包括图像预处理，譬如图像缩放。

图像增强：是对一幅图像进行操作，使其结果在特定应用中比原始图像更适合进行处理。“特定”一词很重要，因为增强技术建立在面向问题的基础上。
例如，对增强X射线图像十分有用的方法，对增强电磁波谱中红外波段获取的卫星图像可能就不是好方法。不存在图像增强方法的通用理论，图像增强方法多种多样，特殊情况特殊对待。

图像复原：也是改进图像外观的处理领域。与图像增强不同，图像增强是主观的，而图像复原是客观的；复原技术倾向于以图像退化的数学或概率模型为基础。而增强以什么是好的增强效果这种主观偏爱为基础。

彩色图像处理：已经成为一个重要领域，因为互联网在数字图像的使用在不断增长。第6章涵盖了许多彩色模型和数字域彩色处理的基本概念。彩色也是图像中提取感兴趣区域的基础。

小波：以不同分辨率来描述图像的基础。本书中为图像数据压缩和金字塔表示使用了小波，此时图像被成功地细分为较小的区域。

形态学处理：涉及提取图像成分的工具，这些成分在表示和描述形状方面很有用。这一章的内容将从输出图像处理到输出图像属性处理的转换开始。

分割：将一幅图像划分为其组成部分或目标。通常，自动分割是数字图像处理中最困难的任务之一。成功地把目标逐一分割出来是一个艰难的分割过程。通常，分割越准确，识别越成功。

表示和描述：选择一种表示仅是把原始数据转换为适合计算机进行后续处理的形式的一部分。为描述数据以使感兴趣的特征更加明显，必须确定一种方法。描述又称为特征选择，它涉及提取特征，可得到某些感兴趣的定量信息，或是区分一组目标与其他目标的基础。

识别：是基于目标的描述给该目标赋予标志（如“车辆”）的过程。

1.4 图像处理系统的组成

下图显示了用于数字图像处理的一个典型通用系统的组成。

下面讨论上图每个组件的功能。

感知：需要两个部件来获取数字图像。第一个部件是物理设备，该设备对我们希望成像的目标辐射的能量很敏感。第二个部件称为数字化器，数字化器是一种把物理感知装置的输出转换为数字形式的设备。例如，在数字视频摄像机中，传感器产生一个与光强成正比的输出，数字化器把该输出转换为数字数据。

专用图像处理硬件通常由刚刚谈到的数字化器与执行其他原始操作的硬件【如算术逻辑单元（ALU）】组成，算术逻辑单元对整个图像并行执行算术与逻辑运算。这种类型的硬件有时称为前端子系统，其显著特点就是速度快。换句话说，该单元执行要求快速数据吞吐的功能，典型的主机不能胜任该工作。

图像处理系统中的计算机是通用计算机，其范围从PC到超级计算机。

图像处理软件由执行特定任务的专用模块组成。一个设计优良的软件包还包括为用户写代码的能力，例如，最小化就可以使用专用模块。更完善的软件包集成了这些模块，并至少能用一种计算机语言编写通用软件命令集。

大容量存储能力在图像处理应用中是必需的。

图像显示器主要是彩色电视监视器（更好一些的是平面屏幕）。

用于记录图像的硬拷贝设备包括激光打印机、胶片相机、热敏装置、喷墨装置和数字单元，如CD-ROM等。

网络在今天所用的计算机系统中几乎都是默认的功能。在图像处理应用中会形成大量数据，图像传输中主要考虑的问题是带宽。

小结

本章只是阐述数字图像处理相关概念，具体的图像操作应用实例应该在后续的章节中会提及。通过本章的学习，我明白了数字图像处理的起源、重要意义、该技术当前及未来的应用领域，也了解到数字图像处理领域的大多数当前研究进展情况。希望在后续的学习中进一步学到图像处理技术的相关理论及应用。