数字图像系统

    在光照的情况下，通过成像系统将大自然中的物体拍摄出来，成像系统手机自带有，这里面我们关心的是分辨率，成像系统显示的点数越多，阵列越大，越能真实的反映出当时物体的形象颜色。

图形与图像的区别：存储格式不一样，图形是由指令来构成的，命令在计算机里是语句，记录的是坐标，颜色。图像没有命令，是一个大数据，里面是像素值，直观，信息量大

图像的表示由颜色值这样一个矩阵表示，而颜色值对应于颜色表里面的索引值。点的处理有领域法，平域法，空域法。

复原，增强，分割

1 图像的文件格式。

   （1）黑白图像：0 1

   （2）索引图像：有索引表，索引表矩阵，数据内容不一样，造成有灰度图像（RGB三个分量值相等，索引号等于颜色的灰度值），伪彩色图像（分度值不相等，只能表示256中的一色），真彩色数据区是三个矩阵。

  有调色板了，意味着我们要用我们带的调色板去显示这张图。有颜色表，八位，调到计算机内存，创建调色板，把调色板放到设备环境里面。没有，真彩色，直接用RGB显示图像。

   位图文件来说：最常用的几种格式。BMP位图可以直接进行绘画操作，GIF（Graphics Interchange format图像转换格式，用来传输，在文件里面进行插入，容量小，颜色数有限）位图，TIFF(Tag image file format标签图像文件格式)位图，JPEG(Join photographics experts group联合图像专家组)位图

BMP文件：BITmapfileheader(位图文件头结构)，bitmapinfoheader（位图信息头结构），位图颜色表rgbquad，位图像素数据

2 图像滤波与增强：

图像滤波：让信号波一部分可以通过，一部分不通过，根据图像的高低频，设置高通和低通滤波器，高通滤波器可以检测变化尖锐的地方，低通滤波器可以让图像变得平滑，消除噪声，高通可以用于边缘检测，低通可以用于图像的平滑去燥

线性滤波：方框滤波，均值滤波，高斯滤波

非线性滤波：中值滤波，双边滤波

领域算子：利用周边的信息进行计算，

线性滤波：输入像素的加权和，类似于卷积

2.1 方框滤波：boxFilter

使他更模糊

import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread("2.jpg")
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
plt.subplot(131),plt.imshow(img),plt.title('original')
plt.xticks([]), plt.yticks([])
arry=np.array(img).tolist()
r=cv2.boxFilter(img,-1,(3,3),normalize=1)
d=cv2.boxFilter(img,-1,(3,3),normalize=0)
plt.subplot(132),plt.imshow(r),plt.title('equa')
plt.xticks([]),plt.yticks([])
plt.subplot(133),plt.imshow(d),plt.title('equa')
plt.xticks([]),plt.yticks([])
plt.show()

2.2 均值滤波：blur()

import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread("2.jpg")
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
plt.subplot(121),plt.imshow(img),plt.title('original')
plt.xticks([]), plt.yticks([])
# 彩色图像均衡化,需要分解通道 对每一个通道均衡化
(b, g, r) = cv2.split(img)
bH = cv2.equalizeHist(b)
gH = cv2.equalizeHist(g)
rH = cv2.equalizeHist(r)
# 合并每一个通道
result = cv2.merge((bH, gH, rH))

plt.subplot(122),plt.imshow(result),plt.title('equa')
plt.xticks([]),plt.yticks([])
plt.show()

2.3 高斯滤波（）

能有效的消除高斯噪声，保留更多的图像细节

import cv2
import numpy as np
from matplotlib import pyplot as plt

img=cv2.imread('2.jpg')
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
blur=cv2.GaussianBlur(img,(7,7),7)
plt.subplot(121),plt.imshow(img),plt.title('original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(img),plt.title('blurres')
plt.xticks([]),plt.yticks([])
plt.show()

2.4 非线性中值滤波

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('3.jpg')
median = cv.medianBlur(img,7)


plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(median),plt.title('median')
plt.xticks([]), plt.yticks([])
plt.show()

2.5 非线性双边滤波

import cv2
from matplotlib import pyplot as plt
img = cv2.imread('bilateral.jpg')
img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
blur = cv2.bilateralFilter(img,-1,15,10)
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur),plt.title('Blurred')
plt.xticks([]), plt.yticks([])
plt.show()

2.6 数据增强

直方图均衡化：将分布不均匀的图片变成分布均匀的方法.

import cv2

from matplotlib import pyplot as plt
img = cv2.imread("./image/dark1.jpg")
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
# 彩色图像均衡化,需要分解通道 对每一个通道均衡化
(b, g, r) = cv2.split(img)
bH = cv2.equalizeHist(b)
gH = cv2.equalizeHist(g)
rH = cv2.equalizeHist(r)
# 合并每一个通道
result = cv2.merge((bH, gH, rH))
plt.subplot(121),plt.imshow(img),plt.title('original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(result),plt.title('blurres')
plt.xticks([]),plt.yticks([])
plt.show()

Gamma变换：是对图像灰度值进行的非线性操作，使输出图像灰度值与输入图像灰度值呈指数的关系，目的就是用来图像增强 ，提升暗部细节，通过非线性变换，让图像从曝光强度的线性响应变得更加 接近人眼感受的响应

import cv2
import numpy as np
from matplotlib import pyplot as plt
img=cv2.imread('2.jpg')
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
def adjust_gamma(image, gamma=1.0):
    invGamma = 1.0/gamma
    table = []
    for i in range(256):
        table.append(((i / 255.0) ** invGamma) * 255)
    table = np.array(table).astype("uint8")
    print(table)
    return cv2.LUT(image, table)

img_gamma = adjust_gamma(img, 0.8)
#print(img_gamma)
plt.subplot(121),plt.imshow(img),plt.title('original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(img_gamma),plt.title('blurres')
plt.xticks([]),plt.yticks([])
plt.show()