第一章：导论

第二章：数字图像处理基础

第三章：图像变换

第四章：图像增强

第五章：图像复原与重建

第六章：图像编码与压缩（无内容）

第七章：图像分割

第一章：导论

图像（按图像空间坐标和亮度的连续性分类）：模拟图像，数字图像

定义：图像是对客观存在对象的一种相似性的、生动性的描述或写真。

模拟图像

定义：空间坐标和明暗程度都是连续变化的、计算机无法直接处理的图像

数字图像（这本书展开讨论的重点）

定义：空间坐标和灰度均不连续的、用离散的数字（一般整数）表示的图像（计算机能处理）。是图像的数字表示，像素是其最小的单位。

数字图像处理（Digital Image Processing）（下列带*都是数字图像处理的有关内容）

利用计算机对数字图像进行（去除噪声、增强、复原、分割、特征提取、识别等）系列操作，从而获得某种预期的结果的技术。（计算机图像处理）

*数字图像处理的特点（优势）

（1）处理精度高，再现性好，通用性，灵活性强。

（2）易于控制处理效果。

（3）处理的多样性。

（4）图像数据量庞大。

（5）图像处理技术综合性强。

*数字图像处理的目的

（1）提高图像的视感质量，以达到赏心悦目的目的

a.去除图像中的噪声；

b.改变图像的亮度、颜色；

c.增强图像中的某些成份、抑制某些成份；

d.对图像进行几何变换等，达到艺术效果；

（2）提取图像中所包含的某些特征或特殊信息。

a.模式识别、计算机视觉的预处理

（3）对图像数据进行变换、编码和压缩，以便于图像的存储和传输。

*数字图像处理的主要研究内容

（1）图像的数字化

a.如何将一幅光学图像表示成一组数字，既不失真又便于计算机分析处理

b.主要包括的是图像的采样与量化

（2）图像的增强

a.加强图像的有用信息，消弱干扰和噪声

（3）图像的恢复

a.把退化、模糊了的图像复原。模糊的原因有许多种，最常见的有运动模糊，散焦模糊等

（4）图像的编码

a.简化图像的表示，压缩表示图像的数据，以便于存储和传输。

（5）图像的重建

a.由二维图像重建三维图像（如CT）

（6）图像的分析

a.对图像中的不同对象进行分割、分类、识别和描述、解释。

（7）图像分割与特征提取

a.图像分割是指将一幅图像的区域根据分析对象进行分割。

b.图像的特征提取包括了形状特征、纹理特征、颜色特征等。

（8）图像隐藏

a.是指媒体信息的相互隐藏。

b.数字水印。

c.图像的信息伪装。

（9）图像通信

*图像工程（数字图像处理)的三个层次

1.狭义图像处理：对输入图像进行某种变换得到输出图像（过程：图像→图像）

2.图像分析：图像分析主要是对图像中感兴趣的目标进行检测和测量，以获得它们的客观信息，从而建立对图像的描述。（过程：图像→数值/符号）

3.图像理解：图像理解的重点是在图像分析的基础上，进一步研究图像中各个目标的性质和他们之间的相互联系，并得出对图像内容含义的理解以及对原来客观场景的解释，从而指导和规划行动。（以观察者为中心研究客观世界）

即：区别:

图像处理：【图像输入——（图像处理<增强、复原、编码、压缩等>）——图像输出）

图像识别：【图像输入——（图像预处理<增强、复原>）——（图像分割）——（特征提取）——（图像分类）——类别、识别结果】

图像理解：【图像输入——（图像预处理）——（图像描述）——（图像分析和理解）——图像解释】

联系：三者的抽象程度逐渐提高，数据量逐渐减少

*5.数字图像处理的应用领域：

通信：图象传输，电视电话等。

宇宙探测：星体图片处理。

遥感：地形、地质、矿藏探查，森林、水利、海洋、农业等资源调查，自然灾害预测，环境污染的监测，气象云图。

生物医学：CT，X射线成象，B超，红外图象，显微图象。

工业生产：产品质量检测，生产过程控制，CAD，CAM。

军事：军事目标侦察，制导系统，警戒系统，自动火器控制，反伪装等。

公安：现场照片，指纹，手迹，印章，人像等处理和鉴别。

档案：过期的文字、图片档案的修复和处理。

机器人视觉

娱乐：电影特技，动画，广告，MTV等

*6.数字图像处理的发展动向

（1）提高精度，提高处理速度

（2）加强软件研究，开发新方法

（3）加强边缘学科的研究工作

（4）加强理论研究

（5）图像处理领域的标准化问题

数字图像系统组成：是研究图像获取，传输，存储，变换，显示，理解与综合利用的一门崭新学科

主要由硬件和软件组成（采集，显示，存储，通信，主机，图像处理软件）

图像处理软件：由系统管理，图像数据管理和图像处理模块组成

第二章：数字图像处理基础

物体的色是人的视觉器官受光之后在大脑的一种反映。物体的色取决于物体对各种波长光线的吸收，反射和透射能力。

物体可分为：消色物体和有色物体

消色物体：是指黑白灰色的物体

有色物体：呈现出各种不同颜色的物体

加色混合原理，减色混合原理（图片来自网络）

马赫带（明度对比现象）：人眼会在明暗交界处感到亮处更亮，暗处更暗的现象——由于人类的视觉系统造成的

连续图像的描述（模拟图像）

一幅图像可定义成一个二维函数f(x,y)。由于幅值f实质上反映了图像源的辐射能量，所以f(x,y)一定是非零且有限的，也即有： 0<f(x,y)<A0

图像是由于光照射在景物上，并经其反射或透射作用于人眼的结果。所以： f(x,y)可由两个分量来表征，一是照射到观察景物的光的总量，二是景物反射或透射的光的总量.

设i(x,y)表示照射到观察景物表面(x,y)处的白光强度，r(x,y)表示观察景物表面(x,y)处的平均反射(或透射)系数，则有： f(x,y)=i(x,y)·r(x,y) （式1）

其中： 0 < i(x,y) < A1 ， 0 ≤ r(x,y) ≤ 1

对于消色光图像(有些文献称其为单色光图像)，f(x,y)表示图像在坐标点(x,y)的灰度值l，且： l=f(x,y) 。这种只有灰度属性没有彩色属性的图像称为灰度图像。

由式(1)，显然有：Lmin ≤ l ≤ Lmxa

区间[Lmin，Lmax]称为灰度的取值范围（亮度范围）。在实际中，一般取Lmin的值为0，这样,灰度的取值范围就可表示成[0，Lmax]。

图像数字化

当一幅图像的x和y坐标及幅值f都为连续量时，称该图像为连续图像。为了把连续图像转换成计算机可以接受的数字形式，必须先对连续的图像进行空间x，y下和幅值 f 的离散化处理。即

(1)图像的采样：对图像的连续空间坐标x和y的离散化。

(2)图像灰度级的量化：对图像函数的幅值 f 的离散化。

采样：将空间上连续的图像变换成离散点的操作。两个重要的参数是:采样间隔，采样孔径大小

均匀采样：对一幅二维连续图像f(x,y)的连续空间坐标x和y的均匀采样，实质上就是把二维图像平面在x方向和y方向分别进行等间距划分，从而把二维图像平面划分成M×N个网格，并使各网格中心点的位置与用一对实整数表示的笛卡尔坐标(I,j)相对应。二维图像平面上所有网格中心点位置对应的有序实整数对的笛卡尔坐标的全体就构成了该幅图像的采样结果。

量化：将像素灰度转换成离散的整数值的过程

灰度级数(G):一幅数字图像中不同灰度值的个数

一幅数字图像的量化灰度级数G=256=2的八次方，灰度值的取值范围是0~255

均匀量化：对一幅二维连续图像f(x,y)的幅值f的均匀量化，实质上就是将图像的灰度取值范围[0，Lmax]划分成L个等级（L为正整数，Lmax=L-1），并将二维图像平面上M×N个网格的中心点的灰度值分别量化成与L个等级中最接近的那个等级的值。

数字图像的表示: 为了描述上的方便,本书仍用f(x,y)表示数字图像。设x∈[0，M-1]，y∈[0，N-1]，f∈[0，L-1]，则数字图像可表示成式一个M×N的二维数字阵列。

每个(x,y)对应数字图像中的一个基本单元，称其为图像元素(picture element)，简称为像素（pixel）且一般取M、N和的灰度级L为2的整次幂

空间分辨率

(1)空间分辨率是图像中可分辨的最小细节，主要由采样间隔值决定。

(2)对于一个同样大小的景物来说，对其进行采样的空间分辨率越高，采样间隔就越小，景物中的细节越能更好地在数字化后的图像中反映出来，也即反应该景物的图像的质量就越高。

(3) 一幅数字图像的阵列大小（简称为图像大小）通常用M×N表示。在景物大小不变的情况下，采样的空间分辨率越高，获得的图像阵列M×N就越大；反之，采样的空间分辨率越低，获得的图像阵列M×N就越小。在空间分辨率不变的情况下，图像阵列M×N越大，图像的尺寸就越大；反之，图像阵列M×N越小，图像的尺寸就越小。（可理解为一幅图像包含了M×N个像素，相机的分辨率是一定的（即1个像素的大小的一定的），M×N阵列越大，该图像的像素越多，图像尺寸越大）

采样数（1、2）、空间分辨率（3）变化对图像视觉效果的影响：

（1）在图像的空间分辨率不变（这里指线对宽度不变）的情况下，采样越少，图像越小。

（2）在景物大小不变的情况下，图像阵列M×N越小，图像的尺寸越小。

（3）随着空间分辨率的降低，图像中的细节信息在逐渐损失，棋盘格似的粗颗粒像素点变得越来越明显。由此也说明，图像的空间分辨率越低，图像的视觉效果越差。

灰度分辨率

灰度级分辨率是指在灰度级别中可分辨的最小变化，通常把灰度级级数L称为图像的灰度级分辨率

灰度分辨率变化（量化）对图像视觉效果的影响：

量化等级越少，灰度分辨率降低，图像的细节信息在逐渐损失，伪轮廓信息在逐渐增加。由于伪轮廓信息的积累，图像已显现出了木刻画的效果（有明显边界，不光滑连续），质量变差。由此也说明：灰度分辨率越低，图像的视觉效果越差。

灰度直方图

图像的灰度直方图，是一种表示数字图像中各级灰度值及其出现频率的关系的函数。（以灰度级为横坐标，出现频率为纵坐标）

灰度直方图具有如下一些特征：

（1）直方图仅能描述图像中每个灰度级具有的像素个数,不能表示图像中每个像素的位置（空间）信息；

（2）任一特定的图像都有惟一的直方图，不同的图像可以具有相同的直方图；

（3）对于空间分辨率为M×N，且灰度级范围为[0，L-1]的图像，有关系：

A为图像的面积大小，n是图像像素总数，vi是灰度级为i的像素出现的频率

（4）如果一幅图像分成多个区域，多个区域的直方图之和即为原直方图

直方图的应用

(1).用于判断图像量化是否恰当

(2).确定图像分割的阈值

显示分辨率是指显示屏上能够显示的数字图像的最大像素行数和最大像素列数，取决于显示器上所能够显示的像素点之间的距离。

图像分辨率反映了数字化图像中可分辨的最小细节，也即图像的空间分辨率。在这里将图像分辨率看成是图像阵列的大小。

同一显示器（或显示分辨率相同的不同显示器）显示的图像大小只与被显示的图像（阵列）的空间分辨率大小有关，与显示器的显示分辨率无关。

当同一幅图像（或图像分辨率相同的不同图像）显示在两个不同显示分辨率的显示器上时，显示的图像的外观尺寸与显示器的显示分辨率有关：显示分辨率越高，显示的最小单元就越小，描绘物体越细致，显示出的图像的外观尺寸越小；显示分辨率越低，显示的最小单元就越大，描绘物体越粗糙，显示出的图像的外观尺寸越大。

光分辨率是指显示系统在每个像素位置产生正确的亮度或光密度的精度，部分地依赖于控制每个像素亮度的比特数。

灰度分辨率是指在灰度级别中可分辨的最小变化,一般把灰度级数L称为数字图像的灰度级分辨率。

位映像，是指一个二维的像素阵列。（方法）

位图，是指采用位映像方法显示和存储的图像。（图像）

位映像设备，是指把位映像形式的二维像素阵列图像，按先行后列的顺序，通过逐像素地重复扫描的方式来显示位图的设备（显示器）。

图像数据结构&文件格式

*常用的图像文件格式有：

BMP、GIF、TIFF、PCX、JPEG等。

BMP文件（Bitmap File）是一种Windows采用的点阵式图像文件格式。

BMP图像文件的组成：

（1）位图文件头（Bitmap File Header）标识名称：（BITMAPFILEHEADER）：说明文件的类型和位图数据的起始位置等，共14个字节。

（2）位图信息头（Bitmap Information Header）（BITMAPINFORMATION）：说明位图文件的大小、位图的高度和宽度、位图的颜色格式和压缩类型等信息。共40个字节。

（3）位图调色板（Bitmap Palette）（RGBOUAD）：由位图的颜色格式字段所确定的调色板数组，数组中的每个元素是一个RGBQUAD结构，占4个字节。

（4）位图数据（Bitmap Data）（BYTE）：位图数据，位图的压缩格式确定了该数据阵列是压缩数据或是非压缩数据。

图像的位图数据表示的图像共有biWidth×biHeight个像素。

图像的位图数据是按行存储的，每一行的字节数按照4字节边界对齐,也即每一行的字节数是4的倍数，不足的字节用0补齐。

图像的位图数据是按行从下到上、从左到右排列的。也就是说，从图像的位图数据中最先读到的是图像最下面一行的最左边的像素，最后读到的是图像最上面一行的最右边的一个像素。

存储一幅M×N的数字图像，k是指图像是单色，16色，24色，256色的数据图像

需要的存储位数（bit）为：b = M × N × k

字节数（byte)为：B=b/8

几种具体算法

局部处理：计算某一输出像素的值JP(i，j)由输入图像像素IP(i，j)的小邻域N[IP(i，j)]中的像素值确定的处理（可理解为该像素的输出值由该像素邻域的值确定，与该像素本身的值无关)

点处理：在局部处理中，当输出像素的值JP(i，j)仅与输入图像像素IP(i，j)的值有关的处理

大局处理：在局部处理中，输出像素的值JP(i，j)取决于输入图像较大范围或整幅图像像素像素值

还有迭代处理，跟踪处理，窗口处理和模板处理，串行处理和并行处理

图像的特征分为自然特征和人工特征；也可分为点特征，局部特征，区域特征，整体特征

自然特征：数字图像的像素亮度，边缘轮廓等视觉能分辨的自然特征，包括：光谱特征，几何特征，时相特征

人工特征：图像经过变换得到的频谱和灰度直方图等，包括：直方图特征，灰度边缘特征，角点与线特征，纹理特诊

特征提取：获取图像特征信息的操作

图像噪声（随机性）：妨碍人的视觉器官或系统传感器对所接收图像信息进行理解或分析的各种因素。用n(x,y)表示

图像噪声种类：（1)由光和电的基本性质引起的（2）机械运动产生的噪声（3）元器件噪声（4）系统内部电路噪声

噪声模型（按噪声对图像的影响）分为：加性噪声模型，乘性噪声模型

加性噪声特征：噪声与图像光强大小无关

g（x，y）为实际输出图像，f（x，y）为理想无噪声的灰度图像

g（x，y）=f（x，y）+n（x，y）

乘性噪声特征：噪声与图像光强大小有关,随亮度的大小变化而变化

（对于灰度图像可看作二维亮度分布）

g（x，y）=f（x，y）[1+n（x，y）]=f（x，y）+f（x，y）*n（x，y）

第三章：图像变换

图像变换：为了用正交函数或正交矩阵表示图像而对原图像所作的二维线性可逆变换。(百度)

为了能够有效的对图像进行分析、识别、传输，使图像分析工作简化，通常要对原始图像进行数学变换。（课本）

目的：1.使图像处理问题简化

2.有利于图像特征提取，增强，压缩和图像编码

3.有助于从概念上增强对图像信息的理解

要求：

1.正交变换必须是可逆的

2.正变换和逆变换算法不能太复杂

3.正交变换特点是变换域中图像能量集中分布在低频率成分上，边缘、线状信息反映在高频成分上，有利于图像处理

傅里叶变换是什么:

理解这个，后面积分什么的就很容易了

傅里叶变换的意义

一种特殊的积分变换。它能将满足一定条件的某个函数表示成正弦基函数的线性组合或者积分。
图像的频率：是表征图像中，灰度变化剧烈程度的指标，是灰度在平面空间上的梯度。
从物理效果看，傅里叶变换是将图像从空间域转换到频率域，其逆变换是将图像从频率域转换到空间域。换句话说，傅里叶变换的物理意义是将图像的灰度分布函数变换为图像的频率分布函数，傅里叶逆变换是将图像的频率分布函数变换为灰度分布函数。
对图像进行二维傅里叶变换得到频谱图，就是图像梯度的分布图；
频谱图上的各点与图像上各点并不存在一一对应的关系。
频谱图上明暗不一的亮点，是图像上某一点与邻域点差异的强弱，即梯度的大小，也即该点的频率的大小。
可以看出，图像的能量分布，如果频谱图中暗的点数更多，那么实际图像是比较柔和的，反之，是尖锐的，边界分明且边界两边像素差异较大的。
对频谱移频到原点以后，可以看出图像的频率分布是以原点为圆心，对称分布的。
将频谱移频到圆心除了可以清晰地看出图像频率分布以外，它可以分离出有周期性规律的干扰信号，比如正弦干扰，一副带有正弦干扰，移频到原点的频谱图上可以看出除了中心以外还存在以某一点为中心，对称分布的亮点集合，这个集合就是干扰噪音产生的，这时可以很直观的通过在该位置放置带阻滤波器消除干扰。

第四章：图像增强

图像增强的应用

像处理最基本的目的之一是改善图像，而改善图像最常用的技术就是图像增强

图像增强有两大类应用

改善图像的视觉效果，提高图像清晰度

突出图像的特征，便于计算机处理。

图像增强按作用域分为两类，即空（间）域处理和频（率）域处理。

图像增强的内容：

（1）消除噪声，改善图像的视觉效果

（2）突出边缘，有利于识别和处理

空间域——点运算

灰度级校正：在图像采集系统中对图像像素进行修正，使整幅图像成像均匀

f（i，j）为校正后恢复的原始图像，g（i，j）为实际获取降质图像，采用一幅灰度级为常数C的图像成像，经成像系统的实际输出为gc（i，j）

灰度变换线性拉伸

原图像f(i,j),灰度范围[a,b],线性变换后的图像g[i,j],灰度范围[a',b'](可理解为横坐标是f(i,j)的值，纵坐标是g(i,j)的值,然后是已知两坐标(a,b)和(a',b'),求解一次函数的问题)

直方图修正法

直方图均衡化和规定化

直方图均衡化：通过对原图像进行某种变换使原图像的灰度直方图修正为均匀的直方图

直方图规定化：使原图像灰度直方图变成某种规定形状的直方图而对图像作修正的增强的方法（在均衡化的基础上继续进行)

局部统计法

空间域——局部运算：平滑，锐化

图像平滑：为抑制噪声，改善图像质量所进行的处理（可理解为使图像变模糊）

目的：通过积分使图像边缘变得模糊

下面介绍9种平滑法：

局部平滑法：例子：有一个N×N的图像，其目标像素的灰度值等于若采用的8-邻域，则是以该点为中心的3×3邻域灰度值之和除以9

超限像素平滑法；自己设定一个阈值T，拿处理后该点的像素灰度值与原图像该点的像素灰度值作差的绝对值与T比较，写成一个分段函数，如若大于T，则输出处理后的灰度值，否则输出原像素的灰度值

灰度最邻近的K个邻点平均法：实验证明对于3×3的窗口，k=6为宜。例：对于3×3的窗口，中心像素的灰度值，等于其周围邻域8个像素灰度值，按照与中心像素灰度值的相关(接近)性，从高到低排序，取前K个值求平均

梯度倒数加权平滑法：

梯度:相邻像素灰度差的绝对值

例：在3×3的窗口，求出周围8个像素与中心像素的梯度倒数，然后规定中心像素的权为0.5，其他8个像素权的总和也为0.5，然后每一个像素乘以其对于的权重之和作为中心像素的灰度值

最大均匀性平滑：例：在5×5的窗口中，找到最中心的像素3×3正方形窗口，然后在图中找出具有重叠度的3×3正方形邻域，结果是左上，左下，右上，右下和中间一共5个邻域，用梯度衡量灰度变化大小，变化最小的邻域作为计算窗口，该窗口灰度均值作为最中心像素的灰度值

有选择保边缘平滑法：和上一种方法类似，只不过是把5个正方形窗口换成了1个正方形窗口，4个五边形窗口，4个六边形窗口，用方差进行排序，选择最小方差的窗口计算灰度均值

空间低通滤波法：利用选择的模板对对应的像素进行卷积运算

多幅图像平均法：对在不同影像上的同一个地物像素的灰度值进行相加取平均。

中值滤波法

用局部中值代替局部平均值

令[f(x,y)]--原始图象阵列，

[g(x,y)]--中值滤波后图象阵列，

f(x,y) --灰度级，

g(x,y) --以f(x,y)为中心的窗口内各象素的灰度中间值。

中值滤波的特性zh

例：在图像的灰度值图中滑动3×3的窗口，每一次对窗口里的9个数进行排序，取出中位数作为该窗口中心像元的灰度值

（1）对离散阶约信号、斜升信号不产生影响（2）连续个数小于窗口长度一半的离散脉冲将被平滑（3）三角函数的顶部平坦化（4）中值滤波后，信号频率谱基本不变

（2）优点：1、在平滑脉冲噪声方面非常灵敏，同时可以保护图像尖锐的边缘。2、不影响阶跃信号、斜坡信号，连续个数小于窗口长度一半的脉冲受到抑制，三角波信号顶部变平。

（3）缺点：1、对于高斯噪声不如均值滤波。2、图像中点、线、尖角等细节较多，则不宜采用中值滤波。

均值滤波：

例：在图像的灰度值图中滑动3×3的窗口，每一次对窗口里的9个数进行求平均值，平均数作为该窗口中心像元的灰度值

（1）优点：把每个像素都用周围的8个像素做均值操作，平滑图像速度快、算法简单。

（2）缺点：1、在降低噪声的同时，使图像产生模糊，特别是边缘和细节处，而且模糊尺寸越大，图像模糊程度越大。2、对椒盐噪声的平滑处理效果不理想。

图像的锐化：通过微分突出边缘和轮廓信息。

图像的锐化之微分法

常用的梯度算子

（1）Roberts（0* -1//1 0），（-1* 0//0 1）；各向同性；对噪声敏感；模板尺寸为偶数，中心位置不明显。

（2）Prewitt（-1 0 1//-1 0* 1//-1 0 1），（-1 -1 -1//0 0* 0//1 1 1）；引入了平均因素，对噪声有抑制作用；操作简便。

（3）Sobel（-1 0 1//-2 0* 2//-1 0 1），（-1 -2 -1//0 0* 0//1 2 1）；引入了平均因素，增强了最近像素的影响，噪声抑制效果比Prewitt好。

（4）Krisch（-3 -3 5//-3 0* 5//-3 -3 5）；（-3 -3 -3//-3 0* -3//5 5 5）；噪声抑制作用较好；需求出8个方向的响应（这里只给出2个模板）

（5）Isotropic Sobel（-1 0 1//-根2 0* 根2//-1 0 1），（-1 –根2 -1//0 0* 0//1 根2 1）；权值反比于邻点与中心店的距离，检测沿不用方向边缘时梯度幅度一致，即具有各向同性。

频率域增强过程：

f（x，y）进行傅里叶变换得到F（u，v）选择合适的滤波器H（u，v）处理得到F（u，v）×H（u，v）再进行傅里叶逆变换得到g（x，y）

彩色增强技术

彩色图像增强： 在得到的彩色图像中，有时会存在对比度低、颜色偏暗、局部细节不明显等问题，为了改善图像的视觉效果、突出图像的特征，利于进一步的处理，需要对图像进行增强处理。彩色图像增强分类：对于彩色图像的增强依据处理对象的不同可分为：真彩色增强（分为亮度增强、色调增强和饱和度增强三种）、伪彩色增强和假彩色增强三类。

伪彩色增强：（一幅影像只包含一个波段，相当于是分类后赋予不同等级不同的颜色）

（1）伪彩色增强的处理对象是灰度图像。

（2）定义：伪彩色增强就是将一幅具有不同灰度级的图像通过一定的映射转变为彩色图像，来达到增强人对图像的分辨能力。

（3）分类：伪彩色增强可分为空域增强和频域增强两种，在这两种算法中，密度分层法、灰度级-彩色变换法和频率滤波法是三种较为常用的算法。

*假彩色增强：（一幅影像是有三个波段，只不过这三个波段放在不同于构成真实世界色彩的通道里，如使用标准假彩色432，植被显示出红色）

（1）定义：假彩色增强是从一幅初始的彩色图像或者从多谱图像的波段中生成增强的彩色图像的一种方法，其实质是从一幅彩色图像映射到另一幅彩色图像，由于得到的彩色图像不再能反映原图像的真实色彩，因此称为假彩色增强。

（2）其意义在于：1、把图像中的景物赋以与现实不同的颜色，以达到引人注目的目的。2、对于一些细节特征不明显的彩色图像，可以利用假彩色增强将这些细节赋以人眼敏感的颜色，以达到辨别图像细节的目的。适应人眼对颜色的灵敏度，提高鉴别能力。如人眼对绿色亮度响应最灵敏，可把细小物体映射成绿色。人眼对蓝光的强弱对比灵敏度最大。可把细节丰富的物体映射成深浅与亮度不一的蓝色3、在遥感技术中，利用假彩色图像可以将多光谱图像合成彩色图像，使图像看起来逼真、自然，有利于对图像进行后续的分析与解译。

伪彩色与假彩色处理：

伪彩色(pseudocolor)处理：把黑白图象处理成伪彩色图象。

假彩色(false color)处理：把真实的自然彩色图象或遥感多光谱图象处理成假彩色图象。

伪彩色与假彩色的区别和联系：

（1）伪彩色，相当于假彩色的一个特例，也就是指定某灰度为某种彩色。

（2）通常这种指定最多为16级左右，最高也不超过30级，否则指定彩色太多无法记忆和区分。

（3）当每个像元可指定的彩色数目对红、绿、蓝分别达到256种时，也就是变为模拟自然彩色的假彩色了。

（4）因此假彩色和伪彩色指定是很难严格区分的。通常把黑白图像作少量彩色映射时叫伪彩色指定。

彩色图像增强是在对灰度图像增强的基础上拓展，把对1个通道的处理变成3个而已

图像代数运算：

相加：C(x,y)=A(x,y)+B(x,y)，其中C(x,y)为输出图像，A(x,y)、B(x,y)为输入图像。对同一场景的多幅图像求平均，常常用来减少图像的随机噪声

减运算：又称为减影技术，指对同一景物在不同时间拍摄的图像或同一景物在不同波段的图像进行相减。提供图像间的差异信息，能用以动态监测、运动目标监测和跟踪、图像背景消除及目标识别等。

乘运算：可用来遮掉图像的某些部分。使用一掩模图像（对需要被完整保留下来的区域，掩模图像上的值为1，而对被抑制掉的区域则值为0），去乘图像，可抹去图像的某些部分，即该部分值为0。

除运算：图像相除又称比值处理，是遥感图像处理中常用的方法。可以利用比值图像使图像中各类地物均值拉开，方差缩小，从而易于区别各类。

第五章：图像复原与重建

图像的退化：图像在形成，传输和记录过程中，由于成像系统，传输介质和设备的不完善，导致图像质量下降

造成图像退化的因素：

透镜象差/色差，聚焦不准，模糊，噪声，抖动

四种退化现象的物理模型：

非线性退化，空间模糊退化，平移退化，叠加随机噪声退化

图像的复原：要尽可能恢复退化图像的本来面目，沿图像退化的逆过程恢复图像

即：找到退化原因→建立退化模型→反向推演→恢复图像

图像复原和增强是有区别的：图像复原是需要知道图像退化的机制和过程的先验知识，据此找出一种逆过程解算方法，从而还原原始图像；图像增强是不管图像是如何退化的，只用通过各种技术增强图像的视觉效果。如果图像已经退化，应先复原再增强

图像恢复分类方法：

按图像恢复系统的控制方式：自动恢复方法和交互式恢复方法；

按对图像恢复是否外加约束条件：无约束恢复方法和有约束恢复方法；

按空间域处理和频率域处理方法的不同：空间域恢复方法和频率域恢复方法。

几何失真：图像在生成过程中，由于成像系统本身具有非线性或拍摄角度不同，会使生成的图像产生几何失真，一般分为:系统失真（有规律的，能预测的），非系统失真（随机的）

几何校正：对产生几何失真的图像进行几何校正，步骤为：1.图像空间坐标变换，2.确定校正空间各像素的灰度值（灰度内插）

党对图像作定量分析时，就要对失真的图像进行精确的几何校正，以免影响定量分析的精度

1.图像空间坐标变换有两种方法：直接法，间接法

直接法：利用函数f，把原始图像上每一个点坐标都直接转换为纠正后的点坐标

间接法：先把原始图像的四个角点校正到正确坐标，确定校正后图像的范围，然后在校正图像上反求对应原始图像上的坐标

2.确定校正空间各像素的灰度值（灰度内插）可分为：最近邻元法，双线性内插法，三次内插法

双线性内插：待求像素灰度值f（i+u，j+v）=（1-u）*（1-v）*f（i，j）+（1-（1-u））*（1-v）*f（i，j+1）+（1-u）*（1-（1-v））*f（i+1，j）+u*v*f（i+1，j+1）

以（1-x方向上的距离）*（1-y方向上的距离）作为权重，离该点远的，权重小

例：已知f（1，1）=1，f（1，2）=5，f（2，1）=3，f（2，2）=4

求f（1.2，1.6）

u=0.2，v=0.6；f（1.2，1.6）=0.8*0.4*1+0.2*0.4*5+0.8*0.6*3+0.2*0.6*4

第六章：图像编码与压缩

第七章：图像分割

图像分析：是一种通过对图像中不同对象进行分割(把图像分为不同区域或目标物)来对图像中目标进行分类和识别的技术。/–对图像中感兴趣的目标进行检测和测量，以获得它们的客观信息，从而建立对图像的描述

图像分析系统的基本构成：预处理→图像分割→特征提取→对象识别

图像分割：图像分割就是依据图像的灰度、颜色、纹理、边缘等特征，把图像分成各自满足某种相似性准则或具有某种同质特征的连通区域的集合的过程。/把图像分成互不重叠的区域并提取感兴趣目标的技术

图像分割的依据：

（1）图像分割的依据是各区域具有不同的特性，这些特性可以是灰度、颜色、纹理等。而灰度图像分割的依据是基于相邻像素灰度值的不连续性和相似性(原理)。也即，子区域内部的像素一般具有灰度相似性，而在区域之间的边界上一般具有灰度不连续性。

（2）灰度图像分割是图像分割研究中最主要的内容，其本质是按照图像中不同区域的特性，将图像划分成不同的区域。

分割方法：基于边缘的分割方法；区域分割；区域生长；分裂—合并分割

基于边缘检测的图像分割方法的基本思路是先确定图像中的边缘像素，然后就可把它们连接在一起构成所需的边界。

图像边缘：图像的边缘是指图像灰度发生空间突变的象素的集合。

图像中的边缘可以通过对它们求导数来确定，而导数可利用微分算子来计算。对于数字图像来说，通常是利用差分来近似微分。

图像边缘的两个特征：方向和幅度（边缘检测属于局部处理）

（1）沿边缘走向，像素值变化比较平缓；

（2）沿垂直于边缘的走向，像素值则变化比较剧烈。

（3）一般常用一阶和二阶导数来描述和检测边缘。

对于阶跃状边缘一阶导数等于极值时，处于边缘，二阶导数等于0时，处于边缘；

对于屋顶状边缘一阶导数等于0时，处于边缘，二阶导数等于极值时，处于边缘；

这张图左边是阶跃式，右边是屋顶式；从上到下分别是该图像三维函数，二维函数，一阶导数，二阶导数。从图像中就能很好理解为什么这时候能检测出边缘了。

（4）上升阶跃边缘、下降阶跃边缘、脉冲状边缘、屋顶边缘。

边缘检测算子有：梯度算子，Roberts梯度算子，Prewitt和Sobel算子，方向算子，拉普拉斯算子，马尔算子，Canny边缘检测算子，沈俊边缘检测方法，曲面拟合法

边缘追踪:将检测的边缘点连接成线

由边缘形成线的两个过程：1.提取可构成线特征的边缘 2.将边缘连接成线

方法有：光栅跟踪扫描，全向跟踪

Hogh（哈夫）变换的基本思想：（线到点的变换）（属于全局处理）

是将图像空间X-Y变换到参数空间P-Q，利用图像空间X-Y与参数空间P-Q的点－线对偶性，通过利用图像空间X-Y中的边缘数据点去计算参数空间P-Q中的参考点的轨迹，从而将不连续的边缘像素点连接起来，或将边缘像素点连接起来组成封闭边界的区域，从而实现对图像中直线段、圆和椭圆的检测。

对哈夫变换，我的理解是：

图a是y=kx+b在XY坐标系下的函数图像，图b是y=kx+b在极坐标系下的函数图像（笛卡尔坐标系上的一条直线都对应极坐标上的一个点，因为k，b是定值，在极坐标上对应的点也是固定的，无论是变大变小还是变大变小，所对应的都不会是图a的那条直线）

y=kx+b直线进行变换为b=-xk+y（此时把k，b看作未知数，x，y是已知数），然后若想要在图c中唯一确定y=kx+b这条直线，就是无数已知不同的x，y相交于（k，b）这一点。然后把图c的直线在图d的极坐标系中表示，无数的点连成了一条曲线

取图d中任意一点，对应XY坐标系上的一条直线，即图e展示的图形，也是图c中的某一条直线。在图e中的同一条直线中取不同的三个点A,B,C，它们代表的是相同已知x，y，但不同k，b的点，然后像图c那样形成点集，在图f的极坐标中分别形成三条曲线，且有交点。这交点是它们图e的那条直线

图像特征提取

（1）图像特征提取是图像处理研究中的重要内容，而图像特征提取的关键则是图像特征的描述和定义。

（2）图像的人工特征是指人们为了便于对图像进行处理和分析而人为认定的特征，比如图像直方图和图像频谱等。

（3）自然特征是指图像固有的特征，比如图像中的边缘、纹理、形状和颜色等。

图像分类的概念

物体识别从根本上讲就是为物体标明类别，更通用的说法就是图像分类，是一种将图像中的所有像元或区域按其性质分为若干类别中的一类，或若干专题要素中的一种的技术过程。

图像分类的技术层次：

（1）人工目视解译方法。也即凭借成像机理、光谱规律、地学规律、生物学规律和人的知识和经验，从影像的亮度、色调、位置、时间、纹理、结构等特征推断出图像中景物的类型。

（2）计算机识别分类方法。也即根据图像中地物信息和数据特征的差异和变化，通过计算机对图像的处理和定量分析，实现对图像中地物属性的识别和分类，以便给出图像中地物的识别分类结果。

一般情况下提到的图像分类概念就是指基于计算机的图像识别分类方法。

图像分割与图像分类

（1）图像分割是一种依据图像中各区域的灰度、颜色、纹理等特征，将图像划分成不同区域的技术。其目的或是通过分割出的某些区域的形状来识别目标（比如可根据区域的形状判别出某些区域是飞机，或是铁路等），或是进而在分割成的区域中进行特征提取，再根据提取的特征或结构信息进行物体识别。可见，图像分割强调从地物边界和形状信息中进行物体识别。

（2）图像分类则着眼于从地物的光谱特征出发对地物类别进行区分，图像分类的结果通常是给人工目视解译提供定量信息，而不是提供简单的形状结构信息。

因为我不是遥感专业的，所以其他章节没有讲

数字图像处理学习记录相关推荐

Matlab数字图像处理学习记录【7】——形态学图像处理
形态学图像处理一.预备知识 1.1 集合论中的基本概念 1.2 二值图像.集合和逻辑运算符二.膨胀与腐蚀 2.1 膨胀 2.2 结构元素的膨胀 2.3 strel函数 2.4 腐蚀三. 腐蚀和膨 ...
Matlab数字图像处理学习记录【9】——表示与描述
表示与描述零.前言一.背景知识 1.1 单元数组与结构 1.1.1 单元数组 1.1.2 结构 1.2 一些基本的M函数二.表示 2.1 链码 2.2 使用最小周长多边形的多边形近似 2.3 标 ...
Matlab数字图像处理学习记录【2】——亮度变换与空间滤波
亮度变换与空间滤波一.背景知识二.亮度变换函数 2.1函数imadjust 2.2对数和对比度拉伸变换 2.3整合三.直方图处理与绘图函数 3.1生成并绘制直方图 3.2直方图均衡化 3.2直方 ...
数字图像处理与python实现_数字图像处理学习（2）—— 图像直方图均衡与图像匹配（python实现）...
数字图像处理学习(2)-- 直方图均衡与图像匹配 1. 直方图均衡(Histogram Equalization) 1.1 直方图均衡化概念 1.2 直方图均衡实现简单思路 1.3 直方图均衡实现代码 ...
数字图像处理学习笔记（三）：ORB算法（尺度不变特征变换）Oriented FAST and Rotated BRIEF
数字图像处理学习笔记(三):ORB算法(尺度不变特征变换)Oriented FAST and Rotated BRIEF 一.概述参考:特征点匹配+特征检测方法汇总 ORB的全称是Oriented ...
数字图像处理学习笔记（二）：SIFT（尺度不变特征变换）算法
数字图像处理学习笔记(二):SIFT(尺度不变特征变换)算法一.概述: 提到特征点算法,首先就是大名鼎鼎的SIFT算法了.SIFT的全称是Scale Invariant Feature Transf ...
数字图像处理学习笔记（一）：特征检测和匹配概述
数字图像处理学习笔记(一):特征检测和匹配概述参考博客: 特征点的匹配 SIFT特征详解数字图像处理学习笔记(二):SIFT(尺度不变特征变换)算法 1.特征点概述如何高效且准确的匹配出两个不同 ...
数字图像处理学习路线大体介绍
数字图像处理学习路线大体介绍这是中国科学院大学人工智能学院的图像课大体重要内容图像增强直方图增强空域增强频域增强图像去噪空域去噪频域去噪图像复原退化模型逆滤波维纳滤波图像色彩 ...
数字图像处理学习笔记（三）——空间分辨率和灰度分辨率、等偏爱曲线
数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声.增强.复原.分割.提取特征等处理的方法和技术.本专栏将以学习笔记形式对数字图像处理的重点基础知识进行总结 ...

数字图像处理学习记录

第一章：导论

第二章：数字图像处理基础

第三章：图像变换

第四章：图像增强

第五章：图像复原与重建

第六章：图像编码与压缩

第七章：图像分割

数字图像处理学习记录相关推荐

最新文章

热门文章