数字图像处理复习(part1)

数字图像处理复习（part1）

之前看学长大四发了学习笔记，看着复习挺方便的，我也试试吧。初次在CSDN上写东西，写的还不是代码，本人学习能力也一般，可能写的不是很好啊。见谅~

Chapter1 绪论

引入：什么是图像？
摄像机：物体通过光学系统，将光信号传递给成像器件，然后通过光电转换，编程电信号，传递给显示设备，成像。

模拟图像和数字图像

模拟图像：又称连续图像，是指在二维坐标系中连续变化的图像，图像的像点是无限稠密的，同时具有灰度值（明暗变化）。
模拟图像介质：模拟录像带、电影胶片、底片、照片
数字图像：凡是能用计算机处理的图像。空间坐标和明暗程度是离散的、不连续的。
数字图像介质：DVD、VCD、CD，硬盘，闪存卡

输出设备：显示器、投影仪、打印机、绘图仪

应用领域

图像通信、宇宙探测、遥感、生物医学、高速摄影、军事、工业生产、公安、交通管理、机器人视觉、娱乐

一些应用解释：
多光谱遥感：对电磁波谱不同谱段做同步摄影遥感，分别获得各个颜色的物体的影像（如水域、植被、土壤），最后再合成。

气象云图：对大气中红外长波辐射观测所形成的图。白色是云，越白或越亮，表示伸展高度越高，温度越低，反之，无云区，颜色越深，温度越高。

计算机视觉和机器人视觉区别：前者主要研究视觉检验，精度要求高；后者偏向工程应用，实时性要求，考虑环境。

VR和AR：
VR是把你全面带入虚拟世界，AR是把虚拟的时间带到现实中来（增强现实）

图像处理的三个层次

图像处理：改良视觉体验，从图像到图像（本课程主要研究内容）
图像分析：对图像提取、分割，获得目标的客观信息，从图像到数据
图像理解：对图像内容含义的理解，符号运算。高层操作

接下来几节会学的概念：
图像增强、图像复原、图像压缩、图像分析、图像识别、图像融合、伪彩色处理（自动上色）、图像描述（提取点、线、物体）、其他处理方法…
图像对比度定义：I是亮度
有趣知识科普：人眼视觉

适应亮度范围宽，但同时识别范围窄。例如从亮屋到黑屋啥都看不见，从黑屋带亮屋适应快。
很难判断亮度的绝对值（换个底色就觉得不一样亮了）
马赫带现象，
空间错觉

图像二维数组表示：f(x,y)
采样：决定图像的尺寸大小
量化：决定图像的灰度级（不同灰度值的个数）
像素：一个一个点，图像最小的不可分割单位。

Chapter2 matlab基础

（可能考的比较多？…）因为我没做过数模，matlab小白，所以基本知识多写一点
matlab可以单行命令执行，也可以写成文件，
M文件有两种：命令(script)文件和函数(function)文件
全局变量/局部变量：和python的jupyter用法一样

基本函数

%全零矩阵的生成
A=zeros(n);% n*n全零矩阵
A=zeros(m,n);%m*n全零矩阵,也可写成zeros([m,n])
A=zeros(a1,a2,a3,...);%a1*a2*a3的全零矩阵
A=zeros(size(B));生成与矩阵B大小相同的全零
%全1矩阵：把zeros换成ones就行了
%单位矩阵：单词换成eye（可能是因为eye和字母I同音吧）
%均匀分布的随机矩阵，单词换成rand，元素在(0,1)区间

%自定义矩阵：
A=[1,2,3;4,5,6;
7,8,9;
10,11,12];%每一行用分号隔开

%冒号“:”生成均匀等分向量，和python比较像
x=j:k %如果j>k,生成空向量，生成范围在[j,k]
x=j:i:k %不要求k刚好等于j+n*i，生成范围在[j,k]

%矩阵变换
diag(A) %返回A对角元素成列向量，如果是m*n，返回左上方那个正方形的
diag(v) %用向量v作为对角元素建立矩阵
flipud(A) fliplr(A) rot90(A)逆时针旋转90度
tril(A) lower下三角 triu(A) upper上三角

%访问矩阵元素。。。毕竟是数学软件，矩阵序号从1开始，小心
x=[1,2,3,4,5]
b=x(3) % [3]
b=x([1 2 5]) 或者 x([1,2,5]) 中括号一定得加 % [1,2,5]
b=x(3:end) % [3,4,5]
b=x(find(x>3)) 找元素值大于3的，组合成数组 % [4,5]
b=x(3:-1:1) 前三个倒序排列 % [3,2,1]
b=x([1 2 3 4 4 3 2 1]) 找对应位置，组成数组% [1,2,3,4,4,3,2,1]

%修改数据
x(2,2)=10 %改这个位置
x(3,:)=20 %第三行全部改成20, 第一位是行，第二位是列
x(2:4,2:4)=0 %改第2、3、4行的2、3、4列
C=A(1:2,2:3) %提取A的这部分
A(:,2)=[] %删除第二列，4*3变成4*2

[r,c]=size(A) %返回r为行数，c为列数，换言之，size(A)返回的是二元值
r=size(A,1) %只返回第一个变量，行数
c=size(A,2) %只返回第二个变量，列数

（好吧，写这些代码基础的东西我也好烦…）

图像类型

（这个看起来还比较有趣，但表格用起来不方便…）

真彩色图像RGB	索引色图像index	灰度图像intensity	二值图像binary
R、G、B三分量，mn 3数组	调色板map（图像的各种颜色）+数据矩阵X（每个像素点存的是第几个颜色）	只需要一个数据矩阵，存灰度，调色板相当于只有一个颜色了	只需要一个数据矩阵，只有两个灰度值0/1
double或uint8存储	double或uint8存储	double或uint8存储	uint8存储

图像序列（感觉不怎么重要，将几幅图像合并成一个图像序列）
一些事项：索引图像，如果调色板的颜色数目少于图像的，超出调色板颜色范围的图像像素都将设置成调色板的最后一个颜色。
[0, 1] 和 [0, 225]
对索引图像进行滤波，应首先将其转换为RGB
dither函数，使显色数量少的设备显示色彩丰富的图片，变得模糊，如RGB->index, 灰度->二值
图像加法：值相加，别超上限

Chapter3 灰度变换与空间滤波

常见问题：
对比度局部或全部偏低，影响图像视觉
噪声干扰，一堆黑白点点
清晰度下降问题，是图片模糊，甚至严重失真

图像增强enhancement：不能增加原始图像的信息，甚至可能减少原始图像的信息，目标是基于研究的问题，让人主观看起来更舒服。

图像增强的方法：

空间域方法：直接以像素操作为基础
频率域方法：卷积、模板（滤波核）

灰度变换函数 s=T ( r )

有很多种

图像反转：[0,L-1] s=L-1-r
如：黑色占主体，可以反过来
对数函数：s=c log(1+r)
如：0到10⁶，使用对数表示
幂律函数：s=c r^γ
如：伽马校正。比如让最后的成像的系数更接近1
其他特殊非线性：1/(1+(m/r)^E)
如：分段函数

直方图Histogram

定义：灰度级范围[0,L-1]
关于灰度级的离散函数：h(r_k)=n_k，反映灰度的频率
r: 第k级灰度值
n: 灰度值为r的像素的个数

灰度直方图归一化：p(r_k)=n_k/n，转换成[0,1]的概率
常规目标：一幅图像其像素占有全部可能的灰度级并且分布均匀，得到的图像是灰度细节丰富且动态范围较大。
直方图均衡：寻找一个变换函数，，使变换后的图像的像素值占有全部的灰度级并且分布均匀
注意：严格单调递增，保证反函数存在
变换后的灰度级减少了，这叫“简并”现象

离散状况下的直方图归一化增强处理步骤：

计算原始图像的p_r(r_k)=n_k/n
直方图均衡化，选择适当的点对，使均衡，建立关系

空间域滤波

线性空间滤波：和之前讲的差不多，模版、卷积运算
图像边界处理方法：
3. 忽略图像边界数据，减去外框
4. 在图像四周复制原图像边界像素的值，或者补0

平滑空间滤波器
用于模糊处理和减小噪声，因为典型的随机噪声是由灰度级的尖锐变化组成的。
*副作用：图像边缘也是尖锐的，所以平滑滤波存在边缘模糊的负面效应。
可以减弱或消除图像的高频分量，因为高频分量对应图像中变化较大的地方。

平滑线性滤波器：
均值滤波器
加权均值滤波器：区分邻域中不同位置像素对输出值的影响，“加权模板”
统计排序滤波器
一圈排序，然后选值。常见的是中值滤波器（非线性）。不适合用于细节多的图像。

锐化空间滤波器
突出灰度的过渡部分，增强图像中的细节
采用微分（差分）的方法，缺点是有方向性，需要找到各向异性的。

拉普拉斯算子：各向同性
中心赋值
4或-4，上下左右是-1或1
8或-8，周围八个是-1或1

叠加以后，g(x,y)=f(x,y)-▽²f(x,y)
中心的系数成5了。根据下图来理解，拉普拉斯（中心系数4）是强化细节，然后需要和原图片结合起来，在原图片基础上增加细节。所以系数变成5

反锐化掩蔽和高频提升滤波
反锐化掩蔽：从原图像中减去其反锐化（平滑过的）图像的过程
procedure：模糊原图像、原图像减去模糊图像，得到模版、把模版加到原图像上。（个人理解：双倍的细节部分）
高频提升
gmask(x,y)为模版，k>1，使细节部分更加明显
基于一阶微分的梯度法

梯度的方向在函数f(x,y)最大变化率的方向上。
梯度的模 M(x,y)=mag(▽f)=根号(g_x²+g_y²)，简化为|g_x|+|g_y|