數字圖像處理前六章知識點總結

• 第一章：緒論
• 第二章：數字圖像基礎
• 第三章：灰度變換與空間濾波
• 第四章：頻率域濾波
• 第五章：圖像恢復與重建
• 第六章：彩色圖像處理

---

第一章：緒論

1.數字圖像概念：
數字圖像又稱數碼圖像或數位圖像，是二維圖像用有限數字數值像素的表示，由數組或矩陣表示。其中，數字圖像是由模擬圖像數字化得到，以像素為基本單位，可用數字計算機或數字電路存儲或處理的圖像。
數字圖像特點：精度高、處理內容豐富、方法易變、靈活度高。

2.數字圖像處理步驟：
數字圖像處理內容劃分為兩個主要類別：一類輸入輸出都是圖像，另一類輸入是圖像，輸出可能是圖像中提取的屬性。

1.圖像獲取是數字圖像處理的第一步處理。通常，圖像獲取階段包括圖像預處理，譬如圖像縮放。
2.圖像增強是對一幅圖像進行操作，使其結果在特定應用中比原始圖像更適合進行處理。“特定”一詞很重要，因為增強技術建立在面向問題的基礎上，例如，對增強X射線圖像十分有用的方法，對增強電磁波譜中紅外波段獲取的衛星圖像可能就不是好方法。不存在圖像增強方法的通用理論，圖像增強方法多種多樣，特殊情況特殊對待。
3.圖像復原也是改進圖像外觀的處理領域。與圖像增強不同，圖像增強是主觀的，而圖像復原是客觀的；復原技術傾向于以圖像退化的數學或概率模型為基礎。
4.彩色圖像處理,第6章涵蓋許多彩色模型和數字域彩色處理的基本概念。彩色也是圖像中提取感興趣區域的基礎。
5.小波是以不同分辨率來描述圖像的基礎。本書中為圖像數據壓縮和金字塔表示使用了小波，此時圖像被成功地細分為較小的區域。
6.壓縮指的是減少圖像存儲量或降低圖像帶寬的處理。互聯網是以大量的圖片內容為特征的，例如，jpg文件擴展名用于jpeg的圖像壓縮標準。jpeg格式的圖像可以用最少的磁盤空間得到較好的圖像質量。
7.形態學處理涉及提取圖像成分的工具，這些成分在表示和描述形狀方面很有用。這一章的內容將從輸出圖像處理到輸出圖像屬性處理的轉換開始。
8.分割過程將一幅圖像劃分為其組成部分或目標。通常，自動分割是數字圖像處理中最困難的任務之一。成功地把目標逐一分割出來是一個艱難的分割過程。通常，分割越準確，識別越成功。
9.理解與描述，選擇一種表示僅是把原始數據轉換為適合計算機進行后續處理的形式的一部分。為描述數據以使感興趣的特征更加明顯，必須確定一種方法。描述又稱為特征選擇，它涉及提取特征，可得到某些感興趣的定量信息，或是區分一組目標與其他目標的基礎
10.目標識別，是基于目標的描述給該目標賦予標志（如“車輛”）的過程

3.數字圖像處理實際用例：
伽馬射線成像（核醫學、天文觀測）、X射線成像（醫學、工業、天文觀測）、紫外波段成像、可見光與紅外波段成像（遠程遙感、光學顯微鏡、天文觀測）、微波波段成像（微波遙感）、無線電波段成像（醫學、天文觀測）。

4.數字圖像處理類型：
低級處理：去噪、增強、銳化（輸入：圖像；輸出：圖像）
中級處理：分割、分類、識別（輸入：圖像；輸出：特征）
高級處理：圖像分析（認知、自主感知）

---

第二章：數字圖像基礎

1.電磁波譜：波長由長到短：無線電波、微波、紅外線、紫外線、X射線、伽馬射線

2.數字圖像基本概念：
像素：數字圖像矩陣表示中每個元素（原點、中心）；
動態范圍：灰度跨越的值域；
對比度：灰度的統計方差；
空間分辨率：單位距離內可分辨的最大線對數（點數/英寸dpi）,對最小可分辨細節的測度方式“像素的尺寸”。
灰度分辨率：灰度量化時，所用的比特數。（256級-8bit灰度分辨率）

3.數字圖像數學表示：
f(x,y) = i(x,y)r(x,y)
0<f(x,y)<∞，0<i(x,y)<∞，0<r(i,j)<1;其中i(x,y)為光源的照度，r(x,y)為反射系數率或透射系數率。

4.采樣和量化：
采樣：空間坐標數字化；量化：幅度數字化（灰度級數L）；

5.像素間關系：
鄰域： N4（p）、Nd（p)、N8（p）
鄰接：
4鄰接：q在p的4鄰域內
8鄰接：q在p的8鄰域內
m鄰接：q在p的4鄰域或D鄰域內，且p和q的4鄰域交集元素不在V中
通路：4通路、8通路、m通路
連通性：S為一幅圖像中像素的子集，如果S中的全部像素間存在一條通路，則可以說像素q和p在S中是連通的。
區域：若R表示為圖像中像素的一個子集，R為連通集，則稱R為圖像的一個區域。若兩個區域S1和S2可構成聯通集，則可以成為鄰接區域（4鄰接、8鄰接）
邊界：由R中與R補集中像素相鄰的一組像素。

第三章：灰度變換與空間濾波

1.空間濾波概念：將每個像素的值替換為該像素及其領域函數的值，若運算為線性，則為線性濾波器。

2.灰度變換函數：
圖像反轉：s = L-1-r 適合增強黑暗區灰度或白色細節。
對數變換：s = clog(r+1)
適用場景：壓縮動態范圍，在低灰度值時，將一個較窄范圍映射為一個較寬范圍。在高亮度區，對灰度進行壓縮。（與冪函數相比，其對亮區壓縮更大）

3.直方圖處理：
直方圖均衡化：灰度非線性插值使得直方圖均勻分布，原始圖像灰度級r歸一化在0-1之間，p（r）為原始圖像灰度分布概率密度函數，直方圖均衡化處理實際就是尋找一灰度變換函數T，使得s=T（r）,即建立r與s之間的映射關系，要求處理后的圖像灰度分布概率密度函數ps（r）,期望所有灰度級出現概率相同。

4.平滑空間濾波器（低通）
用于降低圖像灰度的急劇過度（隨機噪聲），不同濾波器核有所不同。
盒式濾波器：目的（去噪、圖像平滑、模糊）
處理方法：用一個區域的平均灰度代替中心點的灰度，從而減少圖像灰度變化。噪聲點通常表現為灰度變化較快的點。
缺點：丟失邊緣變化信息與精細信息。
歸一化：保證濾波前后圖像灰度平均值恒定，和恒定。

高斯濾波器：目的：去噪、圖像平滑，同時更好的保留細節信息與強幾何分量。
處理方法：借助歐氏距離構建高斯核 ，歸一化
G(s,t) = Ke^(-r/2(σ*σ))

統計排序濾波器：
目的：針對特定隨機噪聲具有良好降噪性能（椒鹽噪聲）
處理方法：鄰域像素集進行排序后的結果選取值代替中心像素（非線性）
典型濾波器：中值濾波

銳化空間濾波器（高通）
銳化：突出灰度過渡區域信息，采用微分（差分）實現，增強邊緣以及不連續區域信息，忽略灰度緩慢變化區域。

拉普拉斯銳化：

鈍化掩蔽與高提升濾波：

羅伯特交叉梯度算子、索貝爾梯度算子：

第四章：頻率域濾波

1.離散傅里葉變換相關概念：
對時域經過抽樣的函數的傅里葉變換頻譜中一個周期進行抽樣

2.頻域濾波基礎

理想低通濾波器：平滑濾波，中心主瓣模糊（平滑），旁瓣引起振鈴現象；

高斯低通濾波器：
H（u，v）=-D(u,v)^2/（2D0*D0）;
D0:截至頻率；空間域和頻域滿足高斯函數形式，無振鈴現象；
利用高斯低通濾波可以去除鋸齒等不連續邊緣，修復圖像。

巴特沃斯低通濾波器：H（u,v） = 1/[1+(D(u,v)/D0)^(2n)]
截止頻率D0，濾波器階數：n

理想高通濾波器
高斯高通濾波器
巴特沃斯高通濾波器
功能：銳化，去除低頻分量，保留高頻分量，使得圖像邊緣信息更加突出，對比度明顯。

第五章：圖像恢復與重建

1.圖像復原定義：
利用退化現象的某種先驗知識，重建或恢復被退化的圖像。
首先，根據圖像退化的先驗知識建立退化模型，以此模型為基礎，采用濾波等手段進行處理，使得復原后圖像符合一定準則，達到改善圖像目的。
處理流程：

2.典型噪聲模型
高斯噪聲、瑞利噪聲、伽馬噪聲、指數噪聲、椒鹽噪聲（脈沖噪聲）

3.噪聲復原濾波：均值濾波器、統計排序濾波器
均值濾波器：包括算術均值濾波器、幾何均值濾波器、諧波平均濾波器、反諧波平均濾波器。
其中算術平均濾波器平滑局部圖像、降低噪聲、但會造成圖像模糊。幾何均值濾波器效果好于算術平均濾波器，可保留更多細節效果。
諧波平均濾波器處理鹽粒噪聲、高斯噪聲，但對胡椒噪聲無效。
反諧波平均濾波器用于消除椒鹽噪聲。

統計排序濾波器：包括極值濾波器（最大值用于降低胡椒噪聲、最小值降低鹽粒噪聲）、中點濾波器（處理隨機噪聲，如高斯噪聲、均勻噪聲）、中值濾波器（適用于降低單極或雙極隨機噪聲）。

4.選擇性濾波： 陷波濾波器（消除周期噪聲）

---

第六章：彩色圖像處理

1.彩色基礎：
描述特征（區分顏色）
亮度：發光強度的消色概念（強度）
色調：混合光中的主波長特性
飽和度：相對純度，混合白光亮的多少（純色完全飽和）
亮度、色調、飽和度統稱為色度。

2.彩色模型

RGB模型：紅綠藍模型，彩色圖像的邊緣檢測、圖像分割應該在RGB空間進行處理

HSI模型：適用于人類解譯色彩， 更符合人描述和解釋顏色的方式，這種模型名字字母代表著色調、亮度、飽和度。

總結

以上是生活随笔為你收集整理的数字图像处理总结（冈萨雷斯版）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。