*數字圖像:可以在計算機線路上顯示和處理的圖像。
*?數字圖像處理:用計算機對圖像進行分析和處理，以滿足各種目的。
*?數字圖像的特征:
1，圖像的信息量很大。
2.圖像處理數據量很大。
3、加工過程有大量的重復操作。
4.加工工藝全面。
*?人類視覺結構:
*?視錐細胞:感受光和顏色。對顏色敏感。
*?桿狀細胞:只感覺到光，感覺不到顏色。(沒有夜盲癥)
*?亮度:光的亮度。
*?色調:色彩模式下原色的亮度，比如RGB中紅綠藍三原色的亮度。
*?飽和度:顏色的強度。
*?亮度對比效果:
1，同時對比效果:根據對比測量對比。
2.馬赫帶效應:視覺主管感覺到亮度變化的地方出現了所需的亮或暗的條紋。
*?數字圖像:將連續的模擬信號轉換成離散的數字信號。
*?奈奎斯特采樣定理；
用離散信號代替連續信號的條件；
1，原信號是有限帶寬信號。
2、采樣頻率不小於信號最高頻率的2倍。
*?空間分辨率:
單位:像素/英寸、像素/厘米、像素*像素。
數字圖像的量化:將灰度轉換為整數表示。
例如8位可以代表2 ^ 8個灰度級(0-256)。
振幅分辨率:灰度越多，分辨率越高。
(假輪廓:由於灰度太少，離散化時增加了色差，導致類似輪廓的東西。)
*計算數字圖像的數據量。
像素分辨率為M*N，Q位/像素。
數據量為:M*N*Q/8字節。
(量化級別:2 8)
*?數字圖像分類:
1.灰度圖像:從純黑到純白量化。
2、二值圖像:只有黑白
3.彩色圖像:例如RGB圖像，每個顏色通道由相應的位表示。
*像素之間的基本關系:
*位置關系:
*鄰接:
鄰接條件:
1，4個相鄰或8個相鄰
2.灰度值相似。
*連通性:由相鄰性產生的質量。
連通集:由連通性生成
4-已連接:6
8-已連接:2
區域:R是圖像中像素的子集。如果R是連通集，則R是壹個區域。
邊界:如果區域R中的壹個或多個域像素不在該區域中，那麽該像素就是它的邊界。(以上圖片均為邊界。)
像素距離:
1，歐洲距離
2.區塊距離= |x1-x2|+|y1-y2|
3.棋盤距離= max(|x1-x2|，|y1-y2|)
數字圖像的代數運算；
應用:
加法:去除加性噪聲和圖像疊加。
減法:檢測圖像變化
乘法:摳圖，改變灰度
*?點操作:變換單個像素。
*?空間過濾:基於域的處理
*?灰度轉換:
原始像素->；映射函數->；變換像素
應用:
1，圖像反轉(負效果)
以8位為例:變換後的像素灰度= 255-原像素灰度。
2.線性變換(1)
擴展:在灰度濃度中放大圖像灰度(曝光不足或曝光過度)的動態範圍，增加對比度，使圖像更清晰。
壓縮:相反，圖像可以被柔化。
*?分段線性變換(2):
3、非線性變換:
目的不必通過對不同灰度範圍的像素進行不同程度的處理來擴大灰度值的動態範圍，如暗部和高光。
*對數擴展:
指數膨脹:
灰度直方圖:反映灰度分布。
水平灰度、垂直像素數或百分比
*計算:
直方圖均衡
例如練習
灰度等級0-7
分布概率為:0.19，0.25，0.21，0.16，0.08，0.06，0.03，0.02。
求直方圖均勻化後的像素分布；
回答:
均勻化後只有五個灰度，1，3，5，6，7的概率如下:
1:0.19,3:0.25,5:0.21,6:0.24,7:0.11
直方圖規定化
簡而言之，給定壹個模板，變換後的圖像像素的灰度分布類似於模板的灰度分布。
比如這個問題，0灰度占0.19，接近目標模板的0.2，所以就變成了目標模板的灰度3。1，2，3的中間灰度加起來是0.62，接近目標模板的0.6，所以變成了5。
*?空間過濾器/模板:矩陣
*?過濾過程:
1.依次將濾鏡與圖像的像素對齊。
2.做卷積(對應像素乘以k，最後求和)。
3.將結果分配給對應於濾鏡中間位置的圖像像素。
*?邊緣問題:因為濾鏡無法超出圖像的範圍，所以無法過濾邊緣。
*?處理方法:
1，忽略
2.假想邊緣外有與邊緣灰度值相同的像素。
空間過濾分類:
1.平滑濾波:對圖像進行平滑處理，去除高頻成分，使圖像灰度值變化不那麽大，降低噪聲。
2.銳化濾波:去除低頻成分使圖像對比度增加，邊緣明顯。
1，域平均法
可以減少噪點，但圖像模糊。
2.加權平均法
不同位置灰度的重要性(權重)不同，中間最重要，邊的重要性降低。
3.非線性平滑濾波
1，用差值來反映相鄰像素的灰度變化(連續的變化程度叫微分，離散的叫微分，其實就是差。是壹個概念)
2，通過微分梯度。(梯度可以用來檢測邊緣，因為邊緣像素的灰度變化很大。)
3.銳化像素灰度值=原始像素灰度值+銳化程度系數*梯度。
實際應用:
1、
2.二階差分模板-拉普拉斯算子
計算梯度:
直接銳化:
& gt我們之前用的矩陣濾波器是在空間域處理圖像，現在要轉向頻域。
& gt不懂頻域的同學可以去知乎搜壹下。
& gt簡介:
& gt天才數學家傅立葉發現，任何周期信號都可以用正弦函數級數表示，任何非周期信號都可以用正弦信號的加權積分表示。
& gt所以這些正弦函數的分布產生了頻域的概念。
在圖像的二維離散傅立葉變換之後:
四角，低頻部分。中心是最高頻率。
最亮表示低頻能量最高(見圖片，黑色外套、背景等灰度變化小的像素占大多數，屬於低頻成分)。
由於二維DFT的周期性和軛對稱性，我們可以集中頻譜。
光譜的交錯；
*頻率過濾的基礎
步驟:
1，圖像空間到頻域
2.用頻率濾波器乘以頻譜。
3、進行傅裏葉逆變換，得到圖像。
*?頻域濾波分類:
1，低通濾波
2.高通濾波。
3、帶通和帶阻濾波
4.同態濾波
*陷波濾波器
思想:噪聲和邊緣屬於高頻成分，低通，顧名思義，低頻通過，濾除高頻。
分類:
1，理想低通濾波器
其中D0是人工確定的截止頻率。
缺點:可能會出現響鈴。
振鈴現象的原因:
2.巴特沃茲低通濾波器
缺點:平滑效果不如理想的低通。
當巴特沃茲階數n上升時，振鈴現象增加。但是它比理想低通要好，因為在低頻和高頻之間有平滑的過渡。階數越高，平滑度越低，因此振鈴現象增強。
3.高斯低通濾波器(GLPF)
缺點:平滑效果不如前兩者。
平滑效果與截止頻率的關系；
高頻通過，低頻被濾除。實現銳化。
高通濾波模板= 1-低通濾波器模板。
效果:
同樣，IHPF也有振鈴現象。
高通濾波只得到邊緣信息，非邊緣信息全部變黑。為了得到增強的銳化圖像，采用了高頻增強濾波方法。
方法:
K *高通濾波器+c
k是？& gt系數1，其中c是常數。
對於動態範圍較大的圖像(黑的很黑，白的很白)，細節在黑或白的部分。
灰度擴展用於提高對比度，並進壹步擴大圖像的動態範圍。
壓縮灰度降低了動態範圍，但細節更加難以分辨。
這時候就需要把頻率濾波和灰度變換結合起來——同態濾波。
*理論基礎:
圖像是根據照明/反射率模型合成的。
照度:太陽光或其他光源，壹般變化不大，屬於低頻。
反射率:由物體表面材料決定，變化很大，是高頻。
例如，如果妳向窗外看，陽光幾乎均勻地照射在所有物體上。但是呈現的不同細節是由花、植物和房屋的反射率決定的)
所以，
減弱入射光i(x，y)可以縮小灰度範圍。
如何強反射光線r(x，y)可以提高圖像對比度。
流程:
通過這種方式，同態濾鏡自動削弱低頻入射光，降低動態範圍。增強高頻以提高對比度。
圖像退化:在圖像生成、存儲和傳輸過程中，由於設備的不完善，導致圖像質量受損。
圖像恢復:在圖像退化模型的基礎上，根據先驗知識建立退化模型，然後通過逆運算恢復原始圖像。
*圖像增強和圖像恢復的聯系和區別
聯系:都是為了提高圖像的視覺質量。
區別:增強是主觀的，不考慮圖像退化的原因。還原是客觀的，目的是最大程度的還原原貌。
圖像退化模型:
用概率密度函數來描述。
分類:
1，高斯噪聲
2.瑞利噪聲
3.伽馬噪聲
4、均勻分布的噪聲
5、脈沖噪聲(椒鹽噪聲)
6.周期性噪聲
壹些噪聲的灰度直方圖:
案例:
分析:
取壹個變化不大的地方，畫壹個直方圖。這是壹個高斯噪聲模型。
處理加性噪聲(高斯噪聲、均勻分布噪聲)-空間濾波
1，算術平均濾波，算術平均。
2，幾何均值濾波，幾何均值。
優點:幾何均值濾波保留了圖像更多的細節，平滑度類似算術。
3.諧波均值濾波
處理“鹽”噪聲的效果不錯，不適合“辣椒”噪聲。
4.逆諧波均值濾波
q濾波器階數:
Q & gt0來處理“胡椒”噪聲
Q == 0是算術平均濾波。
Q & lt0處理“鹽”噪聲(Q == -1，諧波均值濾波)
5、統計排序篩選:
中值濾鏡:同樣大小下，比壹般濾鏡模糊少。處理脈沖噪聲非常有效。但是用多了會模糊圖像。
最大濾鏡:處理“胡椒”噪點有效，但會去除壹些黑色物體邊緣的黑色色素。
最小濾鏡:處理“鹽”噪點有效，但會去除白色物體邊緣的壹些白色色素。
中點篩選:計算篩選模板中最大值和最小值的算術平均值，即為中點值。高斯和均勻噪聲最好。
6.自適應濾波器(修復強度可以根據當前處理的像素信息自行確定)
效果:
7.自適應中值濾波
求模板中的中位數。如果中值不是脈沖，看中心值Zxy是不是脈沖。中心值Zxy為