数字图像基础

数字图像基础

人眼感知视觉

  • 锥状体(亮视觉)+ 杆状体(暗视觉)
  • 人的视觉系统感知的亮度是进入人眼光强的对数函数
  • 亮度适应现象: 视觉系统不能同时在一个范围内工作,而通过改变其整个灵敏度来实现

光与电磁波谱

  • 可见光波长范围:0.43微米-0.79微米
  • 单色光的唯一属性是强度,也称灰度
  • 彩色光属性:发光强度、光通量和亮度

图像感知与获取

  • 滤光器 + 传感器(光二极管)
  • f ( x , y ) = i ( x , y ) r ( x , y ) f(x, y) = i(x, y) r(x, y) f(x,y)=i(x,y)r(x,y),其中 i ( x , y ) i(x, y) i(x,y) r ( x , y ) r(x, y) r(x,y) 分别为入射分量和反射分量

图像取样与量化

  • 目的:将连续的图像转换为数字形式
  • 对坐标值进行数字化为取样;对幅值数字化称为量化
  • 量化的精度依赖于所用的离散级数和取样信号的噪声
  • 数字图像表示
    • 显示成灰度阵列
    • 显示为二维数字阵列
  • 离散灰度级
    • 为了便于储存,常取2的整数次幂
    • 动态范围:系统中最大可度量灰度与最小可检测灰度之比
      • 上限取决于饱和度,下限取决于噪声
    • 对比度:图像中最高与最低灰度级间的灰度差
    • k 比特图像:图像有 2 k 2^k 2k 个灰度级,需要 M × N × k M\times N\times k M×N×k 比特来储存
  • 空间分辨率
    • 度量方法:每单位距离线对数和每单位距离像素数
  • 灰度分辨率
    • 定义:用于量化灰度的比特数,一般为8比特
  • 图像内插
    • 基本的图像重取样方法,通过内插来调整图像的大小
    • 最邻近内插:会导致某些直边缘的严重失真
    • 双线性内插: v ( x , y ) = a x + b y + c x y + d v(x,y)=ax+by+cxy+d v(x,y)=ax+by+cxy+d
    • 双三次内插: v ( x , y ) = ∑ i = 0 3 ∑ j = 0 3 a i , j x i y j v(x,y)=\sum^3_{i=0}\sum^3_{j=0}a_{i,j}x^iy^j v(x,y)=∑i=03∑j=03ai,jxiyj
  • 像素间基本关系
    • 相邻像素(4邻域): ( x + 1 , y ) , ( x − 1 , y ) , ( x , y + 1 ) , ( x , y − 1 ) (x+1,y),(x-1,y),(x,y+1),(x,y-1) (x+1,y),(x−1,y),(x,y+1),(x,y−1)
    • 对角相邻像素(与相邻像素共称为8邻域): ( x − 1 , y + 1 ) , ( x + 1 , y + 1 ) , ( x − 1 , y − 1 ) , ( x + 1 , y − 1 ) (x-1,y+1),(x+1,y+1),(x-1,y-1),(x+1,y-1) (x−1,y+1),(x+1,y+1),(x−1,y−1),(x+1,y−1)
    • 邻接性、连通性、区域与边界
      • 4邻接、8邻接、m邻接
      • 闭合通路、连通分量、联通集
      • 内边界、外边界
      • 一个有限区域的边界形成一条闭合通路
  • 距离度量
    • 距离或度量必须满足三个条件:
      • D ( p , q ) ≥ 0 D(p,q)≥0 D(p,q)≥0, D ( p , q ) = 0 D(p,q)=0 D(p,q)=0 当且仅当 p = q p=q p=q
      • D ( p , q ) = D ( q , p ) D(p,q)=D(q,p) D(p,q)=D(q,p)
      • D ( p , z ) ≤ D ( p , q ) + D ( q , z ) D(p,z)≤D(p,q)+D(q,z) D(p,z)≤D(p,q)+D(q,z)
    • 欧式距离: D e ( p , q ) = [ ( x − s ) 2 + ( y − t ) 2 ) ] 1 2 D_e(p,q)=[(x-s)^2+(y-t)^2)]^{\frac{1}{2}} De(p,q)=[(x−s)2+(y−t)2)]21
    • D 4 D_4 D4(城市街区距离): D 4 ( p , q ) = ∣ x − s ∣ + ∣ y − t ∣ D_4(p,q)=|x-s|+|y-t| D4(p,q)=∣x−s∣+∣y−t∣
      • 其中 D 4 = 1 D_4 = 1 D4=1 的像素是 ( x , y ) (x,y) (x,y) 的4邻域
    • D 8 D_8 D8 (棋盘距离): D 8 ( p , q ) = m a x ( ∣ x − s ∣ , ∣ y − t ∣ ) D_8(p,q)=max(|x-s|,|y-t|) D8(p,q)=max(∣x−s∣,∣y−t∣)
      • 其中 D 8 = 1 D_8 = 1 D8=1 的像素是 ( x , y ) (x,y) (x,y) 的8邻域
  • 数学工具
    • 阵列与矩阵操作
    • 线性操作与非线性操作
    • 算术操作:对应像素间的加减乘除
      • 对含噪声图片进行图像平均
      • 增强差别的图像相减
      • 使用图像相乘或相除来矫正阴影
      • 图像标准化操作(0-K): f m = f − m i n ( f ) ; f s = K [ f m / m a x ( f m ) ] f_m=f-min(f);\ f_s=K[f_m/max(f_m)] fm=f−min(f); fs=K[fm/max(fm)]
    • 集合与逻辑操作
      • 灰度图像的补集: A c = { ( x , y , K − z ∣ ( x , y , z ) ∈ A } A^c=\{(x,y,K-z|(x,y,z)\in A\} Ac={(x,y,K−z∣(x,y,z)∈A}
      • 灰度图像的并集: A ⋃ B = { m a x z ( a , b ) ∣ a ∈ A , b ∈ B } A\bigcup B=\{max_z(a,b)|a\in A,b \in B\} A⋃B={maxz(a,b)∣a∈A,b∈B}
    • 空间操作
      • 单像素操作:以灰度为基础直接改变单个像素的值, s = T ( z ) s=T(z) s=T(z)
        邻域操作:如取平均, g ( x , y ) = 1 m n ∑ ( r , c ) ∈ S x y f ( r , c ) g(x,y)=\frac{1}{mn}\sum {(r,c)\in S{xy}}f(r,c) g(x,y)=mn1∑(r,c)∈Sxyf(r,c)
      • 几何空间变换与图像配准:仿射变换
    • 向量与矩阵操作
    • 图像变换:对输入图像进行变换,在变换域执行指定的任务,再用反变换返回空间域
      • 二维线性变换
        T ( u , v ) = ∑ u = 0 M − 1 ∑ v = 0 N − 1 f ( x , y ) r ( x , y , u , v ) T(u,v)=\sum^{M-1}{u=0}\sum^{N-1}{v=0}f(x,y)r(x,y,u,v) T(u,v)=∑u=0M−1∑v=0N−1f(x,y)r(x,y,u,v)
        f ( x , y ) = ∑ u = 0 M − 1 ∑ v = 0 N − 1 T ( u , v ) s ( x , y , u , v ) f(x,y)=\sum^{M-1}{u=0}\sum^{N-1}{v=0}T(u,v)s(x,y,u,v) f(x,y)=∑u=0M−1∑v=0N−1T(u,v)s(x,y,u,v)
        其中, r ( x , y , u , v ) r(x,y,u,v) r(x,y,u,v) 称为正变换核, s ( x , y , u , v ) s(x,y,u,v) s(x,y,u,v) 称为反变换核
    • 概率方法
      令 z i , i = 0 , 1 , 2 , ... L − 1 z_i,i=0,1,2,...L-1 zi,i=0,1,2,...L−1 表示一幅 M × N M×N M×N 大小数字图像中所有可能的灰度值
      • 灰度级 z k z_k zk 出现的概率: p ( z k ) = n k M N p(z_k)=\frac{n_k}{MN} p(zk)=MNnk
      • 平均灰度: m = ∑ k = 0 L − 1 p ( z k ) = 1 m=\sum^{L-1}_{k=0}p(z_k)=1 m=∑k=0L−1p(zk)=1
      • 灰度的方差: σ 2 = ∑ k = 0 L − 1 ( z k − m ) 2 p ( z k ) \sigma^2=\sum^{L-1}_{k=0}(z_k-m)^2p(z_k) σ2=∑k=0L−1(zk−m)2p(zk)
相关推荐
昨日之日20062 小时前
Moonshine - 新型开源ASR(语音识别)模型,体积小,速度快,比OpenAI Whisper快五倍 本地一键整合包下载
人工智能·whisper·语音识别
浮生如梦_2 小时前
Halcon基于laws纹理特征的SVM分类
图像处理·人工智能·算法·支持向量机·计算机视觉·分类·视觉检测
深度学习lover2 小时前
<项目代码>YOLOv8 苹果腐烂识别<目标检测>
人工智能·python·yolo·目标检测·计算机视觉·苹果腐烂识别
热爱跑步的恒川3 小时前
【论文复现】基于图卷积网络的轻量化推荐模型
网络·人工智能·开源·aigc·ai编程
阡之尘埃5 小时前
Python数据分析案例61——信贷风控评分卡模型(A卡)(scorecardpy 全面解析)
人工智能·python·机器学习·数据分析·智能风控·信贷风控
孙同学要努力7 小时前
全连接神经网络案例——手写数字识别
人工智能·深度学习·神经网络
Eric.Lee20217 小时前
yolo v5 开源项目
人工智能·yolo·目标检测·计算机视觉
其实吧38 小时前
基于Matlab的图像融合研究设计
人工智能·计算机视觉·matlab
丕羽8 小时前
【Pytorch】基本语法
人工智能·pytorch·python
ctrey_8 小时前
2024-11-1 学习人工智能的Day20 openCV(2)
人工智能·opencv·学习