图像处理复习笔记:
1、证明一个系统是线性系统
如二维连续傅里叶变换
F
(
u
,
v
)
=
∫
−
∞
+
∞
∫
−
∞
+
∞
f
(
x
,
y
)
e
2
π
j
(
u
x
+
v
y
)
d
x
d
y
F(u,v)=\int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}f(x,y)e^{2\pi j(ux+vy)}dxdy
F(u,v)=∫−∞+∞∫−∞+∞f(x,y)e2πj(ux+vy)dxdy
证明:
∫
−
∞
+
∞
∫
−
∞
+
∞
(
K
a
f
a
(
x
,
y
)
+
K
b
f
b
(
x
,
y
)
)
e
2
π
j
(
u
x
+
v
y
)
d
x
d
y
=
K
a
∫
−
∞
+
∞
∫
−
∞
+
∞
f
a
(
x
,
y
)
e
2
π
j
(
u
x
+
v
y
)
d
x
d
y
+
K
B
∫
−
∞
+
∞
∫
−
∞
+
∞
f
b
(
x
,
y
)
e
2
π
j
(
u
x
+
v
y
)
d
x
d
y
=
K
a
F
a
(
u
,
v
)
+
K
b
F
b
(
u
,
v
)
\begin{aligned} &\qquad \int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}(K_af_a(x,y)+K_bf_b(x,y))e^{2\pi j(ux+vy)}dxdy\\ &=K_a\int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}f_a(x,y)e^{2\pi j(ux+vy)}dxdy+K_B\int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}f_b(x,y)e^{2\pi j(ux+vy)}dxdy\\ &=K_aF_a(u,v)+K_bF_b(u,v) \end{aligned}
∫−∞+∞∫−∞+∞(Kafa(x,y)+Kbfb(x,y))e2πj(ux+vy)dxdy=Ka∫−∞+∞∫−∞+∞fa(x,y)e2πj(ux+vy)dxdy+KB∫−∞+∞∫−∞+∞fb(x,y)e2πj(ux+vy)dxdy=KaFa(u,v)+KbFb(u,v)得证。
其他一些属于:
1、参数固定系统(fixed-parameter system):对于任意的
x
0
x_0
x0,有
g
(
x
+
x
0
)
=
H
[
f
(
x
+
x
0
)
]
g(x+x_0)=H[f(x+x_0)]
g(x+x0)=H[f(x+x0)]
当x表示时间时,即为时不变系统。
2、因果系统(causal system):当且仅当输入信号时,系统才会响应,即对于
x
0
x_0
x0,如果有
x
<
x
0
x<x_0
x<x0,则
f
(
x
)
=
0
,
g
(
x
)
=
H
[
f
(
x
)
]
=
0
f(x)=0,\quad g(x)=H[f(x)]=0
f(x)=0,g(x)=H[f(x)]=0
3、稳定系统(stable system)
∣
f
(
x
)
∣
<
K
,
∣
g
(
x
)
∣
<
c
K
|f(x)|<K,\quad |g(x)|<cK
∣f(x)∣<K,∣g(x)∣<cK
2、证明函数卷积的傅里叶变换等于函数傅氏变换后的乘积
即证明:
F
[
f
(
x
)
⋆
g
(
x
)
]
=
F
(
u
)
G
(
u
)
F
[
f
(
x
)
g
(
x
)
]
=
F
(
u
)
⋆
G
(
u
)
\mathscr F[f(x)\star g(x)]=F(u)G(u)\\ \mathscr F[f(x)g(x)]=F(u)\star G(u)
F[f(x)⋆g(x)]=F(u)G(u)F[f(x)g(x)]=F(u)⋆G(u)
证明:
F
[
f
(
x
)
⋆
g
(
x
)
]
=
∫
−
∞
+
∞
[
∫
−
∞
+
∞
f
(
α
)
g
(
x
−
α
)
d
α
]
e
−
2
π
j
u
x
d
x
=
∫
−
∞
+
∞
f
(
α
)
[
∫
−
∞
+
∞
g
(
x
−
α
)
e
−
2
π
j
u
x
d
x
]
d
α
=
∫
−
∞
+
∞
f
(
α
)
[
G
(
u
)
e
−
2
π
j
u
α
]
d
α
=
G
(
u
)
∫
−
∞
+
∞
f
(
α
)
e
−
2
π
j
u
α
d
α
=
G
(
u
)
F
(
u
)
\begin{aligned} F[f(x)\star g(x)]&=\int_{-\infty}^{+\infty}\left[\int_{-\infty}^{+\infty}f(\alpha)g(x-\alpha)d\alpha \right]e^{-2\pi jux}dx\\ &=\int_{-\infty}^{+\infty}f(\alpha)\left[\int_{-\infty}^{+\infty}g(x-\alpha)e^{-2\pi jux}dx \right]d\alpha\\ &=\int_{-\infty}^{+\infty}f(\alpha)\left[G(u)e^{-2\pi ju\alpha} \right]d\alpha\\ &=G(u) \int_{-\infty}^{+\infty}f(\alpha)e^{-2\pi ju\alpha} d\alpha\\ &=G(u)F(u) \end{aligned}
F[f(x)⋆g(x)]=∫−∞+∞[∫−∞+∞f(α)g(x−α)dα]e−2πjuxdx=∫−∞+∞f(α)[∫−∞+∞g(x−α)e−2πjuxdx]dα=∫−∞+∞f(α)[G(u)e−2πjuα]dα=G(u)∫−∞+∞f(α)e−2πjuαdα=G(u)F(u)
3、采样定理与混叠
采样:利用单位脉冲函数进行采样,设原函数为
f
(
x
)
f(x)
f(x),采样后的函数为
f
~
(
x
)
\tilde f(x)
f~(x)
f
~
(
x
)
=
f
(
t
)
S
Δ
T
(
t
)
=
∑
n
=
−
∞
+
∞
f
(
t
)
δ
(
t
−
n
Δ
T
)
F
~
(
μ
)
=
1
Δ
T
∑
n
=
−
∞
+
∞
F
(
μ
−
n
Δ
T
)
\tilde f(x)=f(t)S_{\Delta T}(t)=\sum_{n=-\infty}^{+\infty}f(t)\delta(t-n\Delta T)\\ \tilde F(\mu)=\frac{1}{\Delta T}\sum_{n=-\infty}^{+\infty}F(\mu -\frac{n}{\Delta T})
f~(x)=f(t)SΔT(t)=n=−∞∑+∞f(t)δ(t−nΔT)F~(μ)=ΔT1n=−∞∑+∞F(μ−ΔTn)
采样定理:如果以超过信号最高频率2倍的取样率来得到样本,那么连续带限信号能够完全由其样本集合复原。记:
1
Δ
T
>
2
μ
m
a
x
\frac{1}{\Delta T}>2\mu_{max}
ΔT1>2μmax
混叠:指取样后不同信号变得无法区分的取样现象
空间采样:必须保证图像细节占两个像素
4、直方图均衡化
步骤:
①、统计灰度值的频率
p
r
(
r
k
)
=
n
k
M
N
p_r(r_k)=\frac{n_k}{MN}
pr(rk)=MNnk
②、按照灰度值大小进行排序
③、对每个灰度值对于的像素进行变换
s
=
T
(
r
)
=
(
L
−
1
)
∫
0
r
p
r
(
w
)
d
w
s=T(r)=(L-1)\int_0^rp_r(w)dw
s=T(r)=(L−1)∫0rpr(w)dw
作用:增强图像对比度。
理论上来说,当灰度值连续时一定可以得到均匀的直方图,但图像灰度是离散的。另外,只有当图像包含所有灰度值时均衡化之后才能重建图像。
以下内容来自chatGPT:
图像直方图均衡化是一种图像处理技术,通过改变图像的亮度分布来增强图像的对比度。下面是直方图均衡化的一般步骤:
1、计算图像的直方图。
2、计算图像的累积分布函数。
3、根据累积分布函数计算每个像素的新值。
4、将每个像素的新值映射到图像的灰度级上。
5、重新绘制图像。
第一节课知识点
1、二维图像:是一个像素阵列、是一个矩阵、是一个曲面(经过平滑处理)。
2、图像处理的重要性:①改善图像视觉效果,便于人们理解;②为储存、传输和表示对图像进行处理便于机器理解;③获得图像底层视觉;
3、光子能力普朗克定律:
E
=
h
v
=
h
c
λ
E=hv=h\frac{c}{\lambda}
E=hv=hλc,频率越高,能力越大,可见光波长范围约为400-700nm(紫-红)。
4、图像格式:
①PBM:portable bitmap format 二值图像
②PGM:portable graymap format 灰度图像
③PPM:portable pixmap format 像素图像(彩色)
5、常用成像设备:CCD(电荷耦合器件)、CMOS(互补金属氧化物半导体)
6、采样与量化:空间离散化(由物理像素决定)其反应光子的分布、灰度离散化(由模拟-数字转换决定)其反应光子的数量。
7、像素的位深度:8比特位深度,灰度值范围为0~255。
8、彩色模型:
①RGB模型:即red/ green/ blue三原色(光的三原色)
②CYM模型:即cyan/ yellow/ magenta(颜料三原色)
③CYMK模型:在CYM基础上加black,原因是CYM产生的黑色不纯。适合于打印。
③HSI模型:即hue/ saturation/ intensity(色调、饱和度、强度)H控制颜色成分,S控制颜色占比,I控制颜色亮度。
第二节课知识点
1、像素运算:
①算术运算:加减乘除
②集合运算:交并补差
③逻辑运算:与或非
④集合变换:复制、缩放、旋转、平移、垂直剪切、水平剪切
[
x
′
y
′
1
]
=
A
[
x
y
1
]
=
[
a
11
a
12
a
13
a
21
a
22
a
23
0
0
1
]
[
x
y
1
]
\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}
⎣⎡x′y′1⎦⎤=A⎣⎡xy1⎦⎤=⎣⎡a11a210a12a220a13a231⎦⎤⎣⎡xy1⎦⎤
[
c
x
0
0
0
c
y
0
0
0
1
]
缩
放
[
c
o
s
θ
−
s
i
n
θ
0
s
i
n
θ
c
o
s
θ
0
0
0
1
]
旋
转
[
1
0
t
x
0
1
t
y
0
0
1
]
平
移
[
1
s
v
0
0
1
0
0
0
1
]
剪
切
v
[
1
0
0
s
h
1
0
0
0
1
]
剪
切
h
\begin{bmatrix} c_x & 0 & 0\\ 0& c_y & 0\\ 0 & 0 &1 \end{bmatrix}_{缩放} \begin{bmatrix} cos\theta & -sin\theta& 0\\ sin\theta& cos\theta & 0\\ 0 & 0 &1 \end{bmatrix}_{旋转}\begin{bmatrix} 1& 0 & t_x\\ 0& 1 & t_y\\ 0 & 0 &1 \end{bmatrix}_{平移}\begin{bmatrix} 1& s_v & 0\\ 0& 1 & 0\\ 0 & 0 &1 \end{bmatrix}_{剪切v}\begin{bmatrix} 1& 0& 0\\ s_h& 1 & 0\\ 0 & 0 &1 \end{bmatrix}_{剪切h}
⎣⎡cx000cy0001⎦⎤缩放⎣⎡cosθsinθ0−sinθcosθ0001⎦⎤旋转⎣⎡100010txty1⎦⎤平移⎣⎡100sv10001⎦⎤剪切v⎣⎡1sh0010001⎦⎤剪切h
第三节课知识点
1、点扩散函数:点扩散函数psf(point spread function)是成像系统对点光源的响应,一般复杂图像可以表示为一个真实图像与psf的卷积。
T
(
x
,
y
)
=
O
(
x
,
y
)
⋆
p
s
f
(
x
,
y
)
F
{
I
(
X
,
Y
)
}
=
F
{
O
(
x
,
y
)
}
⋅
F
{
p
s
f
(
x
,
y
)
}
=
F
{
O
(
x
,
y
)
}
⋅
O
T
F
(
⋅
)
T(x,y)=O(x,y)\star psf(x,y) \\F\{I(X,Y)\}=F\{O(x,y)\}\cdot F\{psf(x,y)\}=F\{O(x,y)\}\cdot OTF(\cdot)
T(x,y)=O(x,y)⋆psf(x,y)F{I(X,Y)}=F{O(x,y)}⋅F{psf(x,y)}=F{O(x,y)}⋅OTF(⋅)
O
T
F
OTF
OTF被称作光学传递函数,是
p
s
f
psf
psf的傅氏变换。
2、图像模型:
①
g
(
x
,
y
)
=
f
(
x
,
y
)
⋆
h
(
x
,
y
)
+
η
(
x
,
y
)
g(x,y)=f(x,y)\star h(x,y) + \eta (x,y)
g(x,y)=f(x,y)⋆h(x,y)+η(x,y),指图像
f
(
x
,
y
)
f(x,y)
f(x,y)经过衰减和加噪声变成
g
(
x
,
y
)
g(x,y)
g(x,y)。
②
f
(
x
,
y
)
=
i
(
x
,
y
)
r
(
x
,
y
)
c
(
x
,
y
)
f(x,y)=i(x,y)r(x,y)c(x,y)
f(x,y)=i(x,y)r(x,y)c(x,y),
i
(
0
→
∞
)
i(0\to \infty)
i(0→∞)为光照函数,
r
(
0
→
1
)
r(0\to 1)
r(0→1)为反射函数,
c
(
0
→
1
)
c(0\to 1)
c(0→1)为系数。
3、图像空间域滤波:一个图像滤波器可以描述为一个线性系统(卷积就是线性运算)
①均值滤波:窗口
(
W
)
(W)
(W)越大,高频信号衰减越快。
②高斯滤波:高斯函数连续可导、可分、傅氏变换任为高斯函数(不会出现振铃现象)
4、图像频率域滤波:
①理想低通滤波器ILPF(有振铃现象)
②高斯低通滤波器GLPF
③巴特沃斯低通滤波器BLPF(阶数越高越接近ILPF,故高阶时会导致出现振铃现象)
第四节课知识点
4、图像的二维离散傅氏变换:
二维连续傅里叶变换:
F
(
u
,
v
)
=
∫
−
∞
+
∞
f
(
t
,
z
)
e
−
j
2
π
(
u
t
+
v
z
)
d
t
d
z
f
(
t
,
z
)
=
∫
−
∞
+
∞
F
(
u
,
v
)
e
j
2
π
(
u
t
+
v
z
)
d
u
d
v
F(u,v)=\int_{-\infty}^{+\infty}f(t,z)e^{-j2\pi (ut+vz)}dtdz\\ f(t,z)=\int_{-\infty}^{+\infty}F(u,v)e^{j2\pi (ut+vz)}dudv
F(u,v)=∫−∞+∞f(t,z)e−j2π(ut+vz)dtdzf(t,z)=∫−∞+∞F(u,v)ej2π(ut+vz)dudv二维离散傅里叶变换:
F
(
u
,
v
)
=
∑
x
=
0
M
−
1
∑
y
=
0
N
−
1
f
(
x
,
y
)
e
−
j
2
π
(
u
x
/
M
+
y
/
N
)
f
(
x
,
y
)
=
1
M
N
∑
u
=
0
M
−
1
∑
v
=
0
N
−
1
F
(
u
,
v
)
e
j
2
π
(
u
x
/
M
+
y
/
N
)
F(u,v)=\sum_{x=0}^{M-1}\sum_{y=0}^{N-1}f(x,y)e^{-j2\pi (ux/M+y/N)}\\ f(x,y)=\frac{1}{MN}\sum_{u=0}^{M-1}\sum_{v=0}^{N-1}F(u,v)e^{j2\pi (ux/M+y/N)}
F(u,v)=x=0∑M−1y=0∑N−1f(x,y)e−j2π(ux/M+y/N)f(x,y)=MN1u=0∑M−1v=0∑N−1F(u,v)ej2π(ux/M+y/N)
①频谱(sprctrum):
∣
F
(
u
,
v
)
∣
=
[
R
2
+
I
2
]
1
/
2
|F(u,v)|=[R^2+I^2]^{1/2}
∣F(u,v)∣=[R2+I2]1/2
②功率谱(power sprctrum):
P
(
u
,
v
)
=
∣
F
(
u
,
v
)
∣
2
P(u,v)=|F(u,v)|^2
P(u,v)=∣F(u,v)∣2
③离散傅里叶变换的卷积(注意共轭):
F
[
f
(
x
,
y
)
⋆
g
(
x
,
y
)
]
=
F
∗
(
u
,
v
)
G
(
u
,
v
)
F
[
f
∗
(
x
,
y
)
g
(
x
,
y
)
]
=
F
(
u
,
v
)
⋆
G
(
u
,
v
)
\mathscr F[f(x,y)\star g(x,y)]=F^*(u,v)G(u,v)\\ \mathscr F[f^*(x,y)g(x,y)]=F(u,v)\star G(u,v)
F[f(x,y)⋆g(x,y)]=F∗(u,v)G(u,v)F[f∗(x,y)g(x,y)]=F(u,v)⋆G(u,v)
5、图像的二维离散傅氏逆变换:
f
(
x
,
y
)
=
1
M
N
∑
u
=
0
M
−
1
∑
v
=
0
N
−
1
F
(
u
,
v
)
e
j
2
π
(
u
x
/
M
+
y
/
N
)
⇓
M
N
f
∗
(
x
,
y
)
=
∑
u
=
0
M
−
1
∑
v
=
0
N
−
1
F
∗
(
u
,
v
)
e
−
j
2
π
(
u
x
/
M
+
y
/
N
)
f(x,y)=\frac{1}{MN}\sum_{u=0}^{M-1}\sum_{v=0}^{N-1}F(u,v)e^{j2\pi (ux/M+y/N)}\\ \Downarrow \\ MNf^*(x,y)=\sum_{u=0}^{M-1}\sum_{v=0}^{N-1}F^*(u,v)e^{-j2\pi (ux/M+y/N)}
f(x,y)=MN1u=0∑M−1v=0∑N−1F(u,v)ej2π(ux/M+y/N)⇓MNf∗(x,y)=u=0∑M−1v=0∑N−1F∗(u,v)e−j2π(ux/M+y/N)
可以利用傅里叶变换计算傅里叶逆变换。
6、傅里叶变换的中心化:
f
(
x
,
y
)
(
−
1
)
x
+
y
⟺
F
(
u
−
M
/
2
,
v
−
N
/
2
)
f(x,y)(-1)^{x+y}\Longleftrightarrow F(u-M/2,v-N/2)
f(x,y)(−1)x+y⟺F(u−M/2,v−N/2)
7、离散傅里叶变换时间复杂度:
二维dft时间复杂度:
(
M
N
)
2
(MN)^2
(MN)2
二维dft(行列拆分)时间复杂度:
2
M
N
2MN
2MN
二维fft时间复杂度:
M
N
l
o
g
2
(
M
N
)
MNlog_2(MN)
MNlog2(MN)
8、经典图像滤波算子:
①拉普拉斯算子
▽
2
f
(
x
,
y
)
=
f
(
x
+
1
,
y
)
+
f
(
x
−
1
,
y
)
+
f
(
x
,
y
+
1
)
+
f
(
x
,
y
−
1
)
−
4
f
(
x
,
y
)
\bigtriangledown ^2f(x,y)=f(x+1,y)+f(x-1,y)+f(x,y+1)+f(x,y-1)-4f(x,y)
▽2f(x,y)=f(x+1,y)+f(x−1,y)+f(x,y+1)+f(x,y−1)−4f(x,y)
②Roberts算子:
[
−
1
0
0
1
]
[
0
−
1
1
0
]
\begin{bmatrix} -1 & 0\\ 0 &1 \end{bmatrix}\begin{bmatrix} 0 & -1\\ 1 & 0\end{bmatrix}
[−1001][01−10]
③Sobel算子:
[
−
1
−
2
−
1
0
0
0
1
2
1
]
[
−
1
0
1
−
2
0
2
−
1
0
1
]
\begin{bmatrix} -1 & -2 & -1\\ 0 & 0 & 0\\ 1 & 2 &1 \end{bmatrix}\begin{bmatrix} -1 & 0 & 1\\ -2 & 0 & 2\\ -1 & 0 &1 \end{bmatrix}
⎣⎡−101−202−101⎦⎤⎣⎡−1−2−1000121⎦⎤
④Prewitt算子:
[
−
1
0
1
−
1
0
1
−
1
0
1
]
[
−
1
−
1
−
1
0
0
0
1
1
1
]
\begin{bmatrix} -1 & 0 & 1\\ -1 & 0 & 1\\ -1 & 0 &1 \end{bmatrix}\begin{bmatrix} -1 & -1 & -1\\ 0 & 0 & 0\\ 1 & 1 &1 \end{bmatrix}
⎣⎡−1−1−1000111⎦⎤⎣⎡−101−101−101⎦⎤
⑤Scharr算子:
[
−
3
0
3
−
10
0
10
−
3
0
3
]
[
−
3
−
10
−
3
0
0
0
3
10
3
]
\begin{bmatrix} -3 & 0 & 3\\ -10 & 0 & 10\\ -3 & 0 &3 \end{bmatrix}\begin{bmatrix} -3 & -10 & -3\\ 0 & 0 & 0\\ 3 & 10 &3 \end{bmatrix}
⎣⎡−3−10−30003103⎦⎤⎣⎡−303−10010−303⎦⎤
第五节课知识点
1、采样定理示例:
单
个
像
素
对
于
实
际
物
体
尺
寸
=
像
素
尺
寸
×
放
大
倍
数
=
像
素
尺
寸
×
与
物
体
距
离
焦
距
单个像素对于实际物体尺寸=像素尺寸\times 放大倍数=像素尺寸\times \frac{与物体距离}{焦距}
单个像素对于实际物体尺寸=像素尺寸×放大倍数=像素尺寸×焦距与物体距离
数字孔径Numerical aperture (NA):
N
A
=
n
⋅
s
i
n
(
α
)
NA=n\cdot sin(\alpha)
NA=n⋅sin(α)其是一个衡量元件光聚集能力的物理量,其中
n
n
n是介质折射率,
α
\alpha
α是光从透镜光瞳射出的半锥角。
F
#
F\#
F#也是衡量镜头光通量的指标,其定义为:
F
#
=
f
D
F\#=\frac{f}{D}
F#=Df其中
f
f
f为焦距,
D
D
D为直径,由几何关系可以得到:
α
=
a
r
c
t
a
n
(
D
2
f
)
\alpha=arctan(\frac{D}{2f})
α=arctan(2fD)空气的折射率近似为
n
=
1
n=1
n=1,则可以推导出:
N
A
=
s
i
n
(
a
r
c
t
a
n
(
1
2
F
#
)
)
≈
1
2
F
#
NA=sin(arctan(\frac{1}{2F\#}))\approx \frac{1}{2F\#}
NA=sin(arctan(2F#1))≈2F#1分辨率的计算式为(Rayleigh limit):
D
=
0.61
λ
N
A
D=\frac{0.61\lambda}{NA}
D=NA0.61λ由上面推导可以看出,图像分辨率只与光学系统本身相关,与像素、放大倍数等无关。如果分辨率大于两倍的单个像素尺寸,则说明满足空间采样频率要求(采样频率主要由放大倍数决定),即一个分辨率内至少需要采样两次才能保证图像质量。
2、不同的频率域滤波器:
①Lowpass filter 低通
②Highpass filter 高通
③Bandreject filter 带阻(高通加低通)
④Bandpass filter 带通
3、正交变换:
4、距离变换:
①欧几里得(Euclidean)距离
D
=
(
x
2
−
x
1
)
2
+
(
y
2
−
y
1
)
2
D=\sqrt{(x_2-x_1)^2+(y_2-y_1)^2}
D=(x2−x1)2+(y2−y1)2
②曼哈顿(Manhattan)距离(街区距离)
D
=
∣
x
2
−
x
1
∣
+
∣
y
2
−
y
1
∣
D=\left | x_2-x_1 \right |+\left | y_2-y_1 \right |
D=∣x2−x1∣+∣y2−y1∣
③切比雪夫(Chebyshev)距离 (棋盘距离)
D
=
m
a
x
(
∣
x
2
−
x
1
∣
,
∣
y
2
−
y
1
∣
)
D=max(\left | x_2-x_1 \right |,\left | y_2-y_1 \right |)
D=max(∣x2−x1∣,∣y2−y1∣)
④豪斯多夫(Hausdorff)距离
D
=
m
a
x
{
s
u
p
x
∈
X
i
n
f
y
∈
Y
d
(
x
,
y
)
,
s
u
p
y
∈
Y
i
n
f
x
∈
X
d
(
x
,
y
)
}
D=max\{\mathop{sup}\limits_{x\in X}\,\mathop{inf}\limits_{y\in Y}\,d(x,y),\mathop{sup}\limits_{y\in Y}\,\mathop{inf}\limits_{x\in X}\,d(x,y)\}
D=max{x∈Xsupy∈Yinfd(x,y),y∈Ysupx∈Xinfd(x,y)}
二值图像距离变换对噪声非常敏感。
第六节课知识点
1、图像的特征值(奇异值)分解:
特征值分解
A
=
P
D
P
−
1
A=PDP^{-1}
A=PDP−1,奇异值分解
A
=
U
Σ
V
T
A=U\Sigma V^T
A=UΣVT,其中有:
A
∈
R
n
×
m
,
Σ
∈
R
n
×
m
,
U
U
T
=
I
n
×
n
,
V
T
V
=
I
m
×
m
A\in R^{n\times m},\Sigma \in R^{n\times m},UU^T=I_{n\times n},V^TV=I_{m\times m}
A∈Rn×m,Σ∈Rn×m,UUT=In×n,VTV=Im×m对一个图像
B
B
B左乘
C
=
A
B
C=AB
C=AB相当于做旋转-拉伸-旋转三次变换,即:
C
=
U
Σ
V
T
B
C=U\Sigma V^TB
C=UΣVTB。
图像的SVD逼近:
A
=
U
Σ
V
T
=
[
u
1
,
⋯
,
u
r
]
[
σ
1
⋱
σ
r
]
[
v
1
T
⋮
v
r
T
]
=
u
1
σ
1
v
1
T
+
⋯
+
u
r
σ
r
v
r
T
=
∑
i
=
1
r
u
i
σ
i
v
i
T
=
∑
i
=
1
r
A
i
\begin{aligned} A&=U\Sigma V^T\\ &=\left [ u_1,\cdots ,u_r \right ] \begin{bmatrix} \sigma_1& & \\ &\ddots& \\ & &\sigma_r \end{bmatrix}\begin{bmatrix} v_1^T \\ \vdots \\ v_r^T \end{bmatrix}\\ &=u_1\sigma_1v_1^T+\cdots+u_r\sigma_rv_r^T\\ &=\sum_{i=1}^ru_i\sigma_iv_i^T\\ &=\sum_{i=1}^rA_i \end{aligned}
A=UΣVT=[u1,⋯,ur]⎣⎡σ1⋱σr⎦⎤⎣⎢⎡v1T⋮vrT⎦⎥⎤=u1σ1v1T+⋯+urσrvrT=i=1∑ruiσiviT=i=1∑rAi由此可以看出,图像可以看作秩为1的矩阵加权和。应用:图像逼近、压缩、去噪
2、图像的空间描述:
图像的邻接性(4邻接、8邻接)、连通性(4连通、8连通、混合m连通)、前景、背景、边界。
图像边界跟踪算法。。。
3、图像的统计描述:
对于
i
→
p
(
i
)
i\to p(i)
i→p(i),有
①均值(mean):
∑
i
p
(
i
)
\sum ip(i)
∑ip(i)
②方差(variance):
∑
(
i
−
μ
)
2
p
(
i
)
\sum (i-\mu)^2p(i)
∑(i−μ)2p(i)
③偏度(Skewness):
∑
(
i
−
μ
)
3
p
(
i
)
\sum (i-\mu)^3p(i)
∑(i−μ)3p(i)
④峰度(Kurtosis):
∑
(
i
−
μ
)
4
p
(
i
)
\sum (i-\mu)^4p(i)
∑(i−μ)4p(i)
⑤均匀度(uniformity):
∑
p
2
(
i
)
\sum p^2(i)
∑p2(i)
⑥交叉熵(entropy):
∑
p
(
i
)
l
o
g
2
p
(
i
)
\sum p(i)log_2p(i)
∑p(i)log2p(i)
4、随机场用于图像分割:
马尔可夫随机场
吉布斯随机场
条件随机场
高斯随机场
5、图像的图表示:
第七节课知识点
1、图像增强:
①目的:采样一系列技术去改善图像的视觉效果,或者将图像转换成一种更适合人或机器进行分析和处理的形式,例如有选择地突出感兴趣的信息,抑制不需要的信息,提高图像的使用价值。
②方法:
灰度变换
1、线性变换(可以扩大灰度值范围,拉伸对比度)
2、分段线性变换(抑制和突出部分区域)
3、反转变换
s
=
L
−
r
s=L-r
s=L−r
4、对数变换
5、指数变换
6、伽马变换
s
=
c
r
γ
s=cr^\gamma
s=crγ
直方图调整法
1、均衡化
2、规定化
①对原始图像做直方图均衡化处理
②按照希望得到的图像的灰度概率密度函数
p
z
(
z
)
p_z(z)
pz(z),求得变换函数
G
(
z
)
G(z)
G(z);
③用步骤1得到的灰度级s做逆变换
z
=
G
−
1
(
s
)
z=G^{-1}(s)
z=G−1(s)。
经过以上处理得到图像的灰度级将具有规定的概率密度函数
p
z
(
z
)
p_z(z)
pz(z)。
模板运算
模板保持不变时即为卷积运算。
1、均值滤波
改进:
①超限像素平滑法
②灰度k近邻平均法
③最大均匀性平滑
④有选择保边缘平滑法
2、中值滤波(非线性)对脉冲干扰和椒盐噪声抑制效果好。
伪彩色增强
1、密度分割法
2、灰度级彩色变换(进行红变换、绿变换、蓝变换然后合成)
3、频率域伪彩色增强:对原灰度图像中的不同频率分量赋予不同颜色
彩色图像增强
1、假彩色增强:对原色彩通过映射变成新的颜色,使之呈现出与人眼色觉相匹配的颜色。
2、真彩色增强:将RGB分量转换成ISH分量,利用灰度增强方法对ISH某个分量进行增强,再将结果转为RGB。
图像代数运算
对两幅图像进行加减乘除操作
1、加:消除随机加性噪声(噪声与图像信号强度不相关)、生成图像叠加效果;
2、减:背景消除、动态监测、运动检测;
3、乘:用模板对图像进行处理,例如部分掩盖;
第八节课知识点
1、膨胀:
A
⊕
B
=
{
x
∣
[
(
B
^
)
x
∩
A
]
≠
ϕ
}
A\oplus B=\{x|[(\hat B)_x\cap A]\ne \phi \}
A⊕B={x∣[(B^)x∩A]=ϕ}A被B膨胀是所有位移x的集合,B的映射与A至少有一个元素是重叠的。
作用:
1)使目标扩展
2)平滑物体边界(背景变成目标)
3)连接狭窄断开
4)去除小孔
2、腐蚀:
A
⊖
B
=
{
x
∣
(
B
)
x
⊆
A
}
A\ominus B=\{x|(B)_x\subseteq A \}
A⊖B={x∣(B)x⊆A}A被B腐蚀是所有位移x的集合,其中B平移x后B仍包含于A中。
作用:
1)使目标收缩
2)平滑物体边界(目标变成背景)
3)断开狭长连接
4)去除细长突出物
3、开运算:
A
∘
B
=
(
A
⊖
B
)
⊕
B
A\circ B=(A\ominus B)\oplus B
A∘B=(A⊖B)⊕B先腐蚀后膨胀。同一结构元对图像做多次开运算只有一次有效。
4、闭运算:
A
∙
B
=
(
A
⊕
B
)
⊖
B
A\bullet B=(A\oplus B)\ominus B
A∙B=(A⊕B)⊖B先膨胀后腐蚀。开运算与闭运算可以在不明显改变目标面积时平滑目标边缘。
先做开运算后做闭运算可以构成一个噪声滤波器,如对一张指纹图像来说:
腐蚀(去背景噪声)——膨胀(恢复指纹粗细)——膨胀(连接断线)——腐蚀(恢复粗细)
5、击中或击不中变换:
形态学的应用
1、边界提取:
β
(
A
)
=
A
−
(
A
⊖
B
)
\beta (A)=A-(A\ominus B)
β(A)=A−(A⊖B)即A减去A的腐蚀。
2、区域填充:
迭代算法:
X
k
+
1
=
(
X
k
⊕
B
)
∩
A
C
k
=
1
,
2
,
3
⋯
X_{k+1}=(X_k\oplus B)\cap A^C\quad k=1,2,3\cdots
Xk+1=(Xk⊕B)∩ACk=1,2,3⋯
3、连通分量提取:
迭代算法:
X
k
+
1
=
(
X
k
⊕
B
)
∩
A
k
=
1
,
2
,
3
⋯
X_{k+1}=(X_k\oplus B)\cap A\quad k=1,2,3\cdots
Xk+1=(Xk⊕B)∩Ak=1,2,3⋯
4、凸包:
凸包简单来说是指能包住图像的凸集。
5、细化:
A
⊗
B
=
A
−
(
A
⊛
B
)
{
B
}
=
{
B
1
,
B
2
,
⋯
,
B
8
}
A
⊗
{
B
}
=
(
(
⋯
(
(
A
⊗
B
1
)
⊗
B
2
)
⋯
)
⊗
B
n
)
A\otimes B=A-(A\circledast B)\\ \{B\}=\{B^1,B^2,\cdots,B^8\}\\ A\otimes \{B\}=((\cdots((A\otimes B^1)\otimes B^2)\cdots)\otimes B^n)
A⊗B=A−(A⊛B){B}={B1,B2,⋯,B8}A⊗{B}=((⋯((A⊗B1)⊗B2)⋯)⊗Bn)
6、粗化:
A
⊙
B
=
A
∪
(
A
⊛
B
)
{
B
}
=
{
B
1
,
B
2
,
⋯
,
B
8
}
A
⊙
{
B
}
=
(
(
⋯
(
(
A
⊙
B
1
)
⊙
B
2
)
⋯
)
⊙
B
n
)
A\odot B=A\cup (A\circledast B)\\\{B\}=\{B^1,B^2,\cdots,B^8\}\\ A\odot \{B\}=((\cdots((A\odot B^1)\odot B^2)\cdots)\odot B^n)
A⊙B=A∪(A⊛B){B}={B1,B2,⋯,B8}A⊙{B}=((⋯((A⊙B1)⊙B2)⋯)⊙Bn)
7、骨架:
主要用到腐蚀与开运算
S
(
A
)
=
⋃
k
=
0
K
S
k
(
A
)
S
k
(
A
)
=
(
A
⊖
k
B
)
−
(
A
⊖
k
B
)
∘
B
K
=
m
a
x
{
k
∣
(
A
⊖
k
B
)
≠
ϕ
}
S(A)=\bigcup_{k=0}^{K}S_k(A) \\ S_k(A)=(A\ominus kB)-(A\ominus kB)\circ B\\ K=max\{k|(A\ominus kB)\ne \phi \}
S(A)=k=0⋃KSk(A)Sk(A)=(A⊖kB)−(A⊖kB)∘BK=max{k∣(A⊖kB)=ϕ}其中
(
A
⊖
k
B
)
(A\ominus kB)
(A⊖kB)表示连续做k次腐蚀运算。
恢复:
A
=
⋃
k
=
0
K
(
S
k
(
A
)
⊕
k
B
)
A=\bigcup_{k=0}^{K}(S_k(A)\oplus kB)
A=k=0⋃K(Sk(A)⊕kB)
变体:
做腐蚀操作时,不立即删除像素,只打标记,在不破坏连通性时将标记点删除。
距离变换
串行距离算法:
基于距离变换的骨架提取:
①求二值图像的边界
②对二值图像求取距离变换
③求距离变换图中的局部极大值
④落入原二值图像中的局部极大值就是图像的骨架
8、裁剪:
第九节课知识点
考完了……
寄了,有一些知识点没复习到,比如说采样定理的证明、巴特沃斯滤波器公式、自适应中值滤波等等。(下次老师说不用背公式,谁信谁天真)