数字图像处理复习大纲

数字图像处理复习大纲
2011年12月24日
　　  第二章 数字图像基础（2）
　　1.图像数字化
　　1.1.数字化过程：采样和量化
　　1.2.图像存储空间计算
　　1.3.图像属性：空间分辨率、灰度分辨率
　　1.4.图像分类：图形图像、量化等级、其他
　　2.BMP文件格式
　　2.1.位图文件格式
　　2.2. 文件读写函数
　　2.3.例1――读图像文件
　　2.4.例2――显示图像文件
　　2.5.例3――写图像文件
　　3.基本图像处理操作
　　常见操作
　　算术运算
　　几何变换、插值、配准
　　1.2.图像存储空间计算
　　取样M*N个样本
　　量化成L个灰度等级，L=2k，每个灰度值用k位存储
　　占用的存储空间b=M*N*k
　　1.3.图像的基本属性―分辨率
　　空间分辨率
　　一般提到的分辨率都是指空间分辨率
　　逻辑分辨率：图像尺寸分辨率M × N
　　物理分辨率：每单位距离点数和每单位距离线对数，单位为DPI(dot per inch), PPI(pixel per inch)
　　灰度分辨率：灰度等级
　　图像属性对人眼视觉的影响
　　物理分辨率越大，单位距离上取样点数越多，取得的图像越精密，就越接近实际的图像。
　　单纯的逻辑分辨率的增大或者减小，不会直接对人的视觉产生影响，它代表图像尺寸，直接影响图像占用的存储空间。同一幅图像逻辑分辨率不同也意味着物理分辨率不同。
　　显示器分辨率：显色单元的排列紧密程度
　　人实际观察数字图像要通过显示器，显示器分辨率影响着图像的视觉效果。
　　对液晶显示器来说，分辨率越高，液晶颗粒排列的越紧密，从而显示图像越精密，从而更接近人眼锥状细胞排列的紧密程度，人眼看着更加真实。
　　1.4.图像分类1.4.1.按照量化等级
　　一幅数字图像中不同灰度值的个数称为灰度级，用G表示。若一幅数字图像的量化灰度级G=256=28,灰度的取值范围一般是0~255的整数。通常：
　　根据灰度级不同，图像可以分为二值图像（黑白图像/单色图像）、16色图、256色图像、256级灰度图像、24位真彩色图像等。除了24位真彩色图像之外，都需存储调色板。
　　1.4.2.按照表示形式分为图形和图像
　　矢量图（绘制）
　　矢量图形，是由叫作矢量的数学对象所定义的直线和曲线组成的。矢量根据图形的几何特性来对其进行描述，矢量图形与分辨率无关。
　　点位图（采集）
　　位图图象，也叫作栅格图象。位图图象是用小方形网格（位图或栅格），即人所共知的象素来代表图象，每个象素都被分配一个特定位置和颜色值。
　　矢量图与点位图
　　矢量图是用一系列计算机指令来表示一幅图，如画点、画线、画曲线、画圆、画矩形等。这种方法实际上是用数学方法来描述一幅图。
　　矢量图的优点是：（1）缩放、旋转、移动时图像不会失真。（2）存储和传输时数据量较小。
　　矢量图的缺点是：（1）图像显示时花费时间比较长。（2）真实世界的彩色图像难以转化为矢量图。
　　1.4.3.其他的分类方法
　　彩色图像、灰度图像
　　可见光谱图像、多波段图像
　　运动图像、静止图像
　　模拟图像、数字图像
　　物理图像、数学图像
　　2.1.位图文件的基本格式
　　位图文件一般包括四部分：
　　(1)位图文件头BITMAPFILEHEADER、
　　(2)位图信息头BITMAPINFOHEADER、
　　(3)调色板Palette、
　　(4)像素数据ImageData
　　(1)位图文件头：
　　typedef struct tagBITMAPFILEHEADER {
　　WORD    bfType;
　　DWORD   bfSize;
　　WORD    bfReserved1;
　　WORD    bfReserved2;
　　DWORD   bfOffBits;
　　} BITMAPFILEHEADER, FAR *LPBITMAPFILEHEADER, *PBITMAPFILEHEADER;
　　(2)位图信息头BITMAPINFOHEADER
　　typedef struct tagBITMAPINFOHEADER{
　　DWORD      biSize;
　　LONG       biWidth;
　　LONG       biHeight;
　　WORD       biPlanes;
　　WORD       biBitCount;
　　DWORD      biCompression;
　　DWORD      biSizeImage;
　　LONG       biXPelsPerMeter;
　　LONG       biYPelsPerMeter;
　　DWORD      biClrUsed;
　　DWORD      biClrImportant;
　　} BITMAPINFOHEADER, FAR *LPBITMAPINFOHEADER, *PBITMAPINFOHEADER;
　　第三章 灰度变换与空间滤波
　　基本图像处理操作
　　常见图像处理操作
　　图像输入输出：获取图像属性、不同格式文件的读写、从屏幕、扫描仪、摄像头导入图像
　　像素操作（3.1）
　　颜色通道操作：通道分离、通道合并
　　调色板操作：降低颜色位数、增加颜色位数、彩图灰度化、调色板/颜料盒的更改
　　像素运算：算术运算
　　集合运算：逻辑运算
　　灰度变换：图像反色（反转、负片）、对数变换、伽马变换、分段线性变换、灰度级分层、比特平面分层
　　直方图处理(3.2) ：直方图均衡化、直方图规定化、局部直方图处理
　　几何空间变换(3.3)：平移、缩放、镜像、翻转、旋转、剪裁/剪切、错切、仿射、扭曲、图像大小调整、画布更改、增加边框、插值、配准、镜头失真校正
　　邻域操作(3.4)：模糊、锐化、柔化、噪声添加和去除、红眼去除
　　主要插值方法
　　最近邻内插法
　　双线性内插法
　　不是线性内插，是执行x方向线性后，再执行y方向线性，所以称为双线性。
　　双三次内插法
　　双三次是在两个方向上用三次函数插值。
　　样条内插法
　　用样条去插值
　　插值和逼近
　　插值是通过曲线上的位置，逼近是指接近曲线上的位置但不通过
　　灰度变换
　　：图像取反
　　对数变换
　　伽马变换
　　分段线性变换
　　灰度级分层
　　位平面分层
　　直方图均衡化：
　　寻找一个变换T，使得新图像的直方图中每一个灰度等级的像素数是均匀的。
　　只要保证转换前后两图阴影部分面积相同，即两个函数曲线的定积分值相同。
　　对直方图的定积分一定是单增的。
　　局部直方图处理
　　前面讨论的都是对整幅图像进行的直方图处理，因此称为全局直方图处理。全局直方图处理对于图像大片区域显示效果不理想的情况具有较好的处理效果。
　　但如果局部效果增强，全局直方图处理效果就不理想了（它只能照顾到整体，无法照顾到局部），应该使用局部直方图增强方法。
　　局部直方图增强就是根据具体问题的需要，在一个小的邻域内进行局部直方图变换。
　　定义一个邻域，那么图像中以某一座标为中心的邻域可以有多个。
　　一般来说从左上角为起点，选取第一个邻域，然后依次处理每个邻域，直到图像中所有邻域处理完。
　　对一个邻域的处理办法是：把这个邻域当成一个小图像，执行直方图均衡化或者规定化操作。
　　图像平滑及其滤波器
　　均值滤波器
　　盒状滤波器―加性噪声
　　加权均值滤波器
　　统计排序滤波器
　　中值滤波器―椒盐噪声
　　最大值滤波器
　　最小值滤波器
　　图像锐化及其滤波器
　　拉普拉斯算子―二届微分算子
　　梯度锐化―一阶微分算子
　　非锐化掩蔽和高提升滤波
　　图像平滑及其滤波器：
　　主要功能：去除图像中的噪声
　　均值滤波器：
　　盒状滤波器
　　想一下前面的例子，通过多幅图像相加求平均来去除图像中存在的噪声。(p44)
　　设想局部图像块具有相同的灰度值，图像中引入了类似的噪声，那么可通过相加求平均的方法消除。
　　均值滤波器特点：
　　平滑后噪声方差为处理前的 1/M 。
　　简单局部平均会使图象模糊，特别是轮廓边缘不清晰。
　　加权均值滤波器
　　实际上，在用均值滤波器进行滤波时，模板不同位置的重要性是不同的，越是靠近中心像素，其重要性越强。因此，一般采用盒状滤波器的改进形式――加权均值滤波器。
　　重要性：实际上与中心像素灰度接近程度不同
　　灰度越接近，参考的价值越高
　　灰度越不接近，权重应该越小
　　统计排序滤波器：均值滤波器会模糊边界，一些情况下，滤波效果不如统计排序滤波器。
　　中值滤波器是对窗口范围内的像素按照灰度值大小进行排序，滤波的结果取灰度排序的中间值。
　　在统计排序滤波器中，中值滤波器应用最为广泛。
　　除中值滤波器之外，还有其他的统计排序滤波器：最大值滤波器和最小值滤波器。都要对窗口范围内的像素按照灰度值大小进行排序，对于最大值滤波器，滤波的结果，取灰度排序的最大值；对于最小值滤波器，滤波的结果取灰度排序的最小值。
　　图像锐化及其滤波器
　　主要功能：
　　去除图像中的模糊
　　增强图像中的边缘
　　低通滤波器：
　　理想低通滤波器ILPF
　　巴特沃斯低通滤波器BLPF
　　高斯低通滤波器GLPF
　　高通滤波器：
　　理想高通滤波器
　　巴特沃斯高通滤波器
　　高斯高通滤波器
　　第5章 图像复原与重建
　　图像退化与复原的模型
　　噪声消除
　　噪声模型
　　基于空间滤波的噪声消除
　　基于频域滤波的噪声消除
　　图像退化复原
　　逆滤波、维纳滤波、约束最小二乘方、几何均值
　　投影图像重建
　　计算机断层原理
　　拉登变换（雷登变换）
　　投影图像重建
　　图像增强主要是增强显示效果，主观色彩比较强。
　　图像退化：图像在获取或者传输过程中数据改变引起失真。
　　图像复原主要是将退化图像恢复到本来面貌，图像原来的面貌是比较客观的。
　　退化的原因
　　传感器噪声
　　摄像机聚焦不佳
　　物体育摄像机之间的相对移动
　　随机大气湍流
　　光学系统的象差
　　成像光源和射线的散射
　　退化的基本表现：图像模糊
　　噪声模型
　　按照空域特征：独立/相关
　　按照强度（分布/谱）
　　均匀/高斯/瑞利/伽马（爱尔兰）/指数/脉冲
　　按照和图像之间的关系：加性/乘性
　　去噪
　　空域滤波
　　频域滤波
　　常见噪声的概率分布
　　高斯
　　瑞利
　　伽马/爱尔兰
　　指数
　　均匀
　　脉冲
　　椒盐
　　盐粒
　　胡椒
　　基于空间滤波的噪声消除：
　　均值滤波器
　　{算术均值滤波器
　　几何均值滤波器
　　谐波均值滤波器
　　逆谐波均值滤波器
　　}
　　统计滤波器
　　{中值滤波器
　　最大值滤波器
　　最小值滤波器
　　中点滤波器
　　修正的阿尔法均值滤波器
　　}
　　自适应滤波器
　　{自适应局部降低噪声滤波器
　　自适应中值滤波器
　　}
　　基于频域滤波的噪声消除
　　带阻滤波器
　　带通滤波器
　　陷波滤波器
　　第10章 图像分割
　　阈值分割是最直观、实现最简单、速度最快的分割技术，在图像分割应用中处于核心地位。
　　图像特点：正常获取的图像中，存在目标和背景，一般背景的亮度低于目标的亮度。目标和背景都对应一定区域，包含大量的像素，每个像素有一个亮度/灰度值。
　　图像分割主要是用计算机自动获取人们感兴趣的目标。那么根据上述图像特点，需要采用基于阈值的分割技术：设定一个介于背景和目标的中间亮度作为阈值，对图像进行分割。
　　阈值分割分类：
　　全局阈值分割：整体设置一个阈值
　　可变阈值分割
　　局部阈值处理：阈值取决于邻域
　　区域阈值处理：阈值取决于所在区域
　　自适应阈值处理：阈值取决于空间坐标
　　多阈值分割：存在多个目标
　　阈值分割需要考虑的一些因素：
　　波峰间的间隔
　　物体和背景的相对尺寸
　　图像中的噪声内容
　　光源的均匀性
　　图像反射特性的均匀性
　　全局阈值处理;
　　基本全局阈值处理
　　Otsu方法（大津法）：最佳全局阈值处理
　　图像平滑与阈值处理:应对噪声的办法
　　边缘检测与阈值处理:图形存在多个目标:
　　单一阈值与多阈值
　　自动全局阈值分割算法:
　　1 设定一个初始阈值T，这个值设置为图像的平均灰度；
　　2 使用T对图像进行分割，得到两组像素：G1和G2，分别是大于和小于等于T的像素；
　　3 分别计算G1和G2的平均灰度m1和m2；
　　4 计算新的分割阈值
　　5 重复步骤2~4，直到两次迭代T差值很小，小于∆T， ∆T>=0。
　　Otsu方法:
　　Ostu方法， 也叫大津法，是从概率的角度推导出的最佳全局阈值处理方法，它在图像类间方差最大的情况下是最佳策略。
　　算法的实现:
　　一个灰度图像直方图有0~255级灰度，在直方图上有256个位置，可以在每个位置设置阈值分割图像，从而有256种分割方法，每种分割方法都可以算出一个归一化类间方差。
　　最好的分割方法是保证类间方差最大，也就是对算出的256个归一化类间方差进行搜索，寻找取得最大值的位置。
　　然后在此位置进行阈值分割。