各位老铁们，大家好，今天由我来为大家分享深入解析数字图像处理核心知识点，以及的相关问题知识，希望对大家有所帮助。如果可以帮助到大家，还望关注收藏下本站，您的支持是我们最大的动力，谢谢大家了哈，下面我们开始吧！
Lena
第一章 绪论
* 数字图像：可以在计算机上显示和处理的图像。
*数字图像处理：利用计算机对图像进行分析和处理，使其满足各种目的。
*数字图像的特点：
1.图像信息量大
2.图像处理数据量大
3、处理过程需要大量的重复计算
4、加工技术综合性强
第二章 数字图像处理基础
*人类视觉结构：
*视锥细胞：感知光和颜色。对颜色敏感。
*杆状细胞：只感知光，不感知颜色。 （没有夜盲症）
*亮度：光的亮度或暗度
*色调：色彩模式下，原色的明暗度，如RGB中的红、绿、蓝三基色的明暗度。
*饱和度：颜色的强度。
*亮度对比效果：
1、同时对比效果：通过感觉物体的对比来测量对比。
2、马赫带效应：视觉监督者感觉在亮度变化的地方出现了所需要的亮或暗条纹。
*图像数字化：将连续的模拟信号转换为离散的数字信号。
*奈奎斯特采样定理：
离散信号替代连续信号的条件：
1. 原始信号是有限带宽信号。
2、采样频率不低于信号最高频率的2倍。
信号带宽
*空间分辨率：
单位：像素/英寸、像素/厘米、像素*像素
数字图像的量化：将灰度转换为整数表示。
例如8位可以表示2^8个灰度级（0 - 256）
幅度分辨率：灰度级越多，分辨率越高
（虚假轮廓：由于灰度太少，离散化时色差增大，导致类似于轮廓的东西）
* 计算数字图像的数据量
像素分辨率为M*N，Q 位/像素
数据量为：M*N*Q/8 Bytes
（量化级数：2^8）
*数字图像分类：
1、灰度图像：在纯黑和纯白之间进行量化。
2.二值图像：只有黑白
3. 彩色图像：例如RGB图像，每个颜色通道由相应的位表示。
*像素之间的基本关系：
* 位置关系：
像素4-邻居/4-相邻像素-4 对角邻居像素8-邻居/8-相邻* 邻接：
邻接条件：
1、4 个相邻或8 个相邻
2.灰度值相似
* 连接性：由邻接产生的属性
连通集：由连通性生成
4-连接：6
8-连接：2
区域：R 是图像中像素的子集。如果R是连通集，则R是区域。
边界：在区域R中，如果一个或多个域像素不在该区域内，则该像素为其边界。 （以上图片均为边框）
像素距离：
1.欧氏距离
2. 方块距离=|x1-x2| + |y1 - y2|
3. 棋盘距离=max (|x1-x2|, |y1 - y2|)
数字图像代数运算：
应用：
Additive：去除加性噪声，图像叠加。
减法：检测图像变化
乘法：抠图、改变灰度
第三章 灰度变换与空间滤波
图像增强
*点操作：变换单个像素
*空间过滤：基于域的处理
*灰度变换：
原始像素映射函数变换像素
应用：
1.图像否定（负面效果）
以8bits为例：变换后的像素灰度=255-原始像素灰度
2. 线性变换（1）
扩展：扩展灰度集中（曝光不足或曝光过度）图像的灰度动态范围，增加对比度，使图像更加清晰。
压缩：这反过来又软化了图像。
*分段线性变换(2)：
3.非线性变换：
目的是对不同灰度范围的像素进行不同程度的处理。例如，不需要放大暗部和高光部分灰度值的动态范围。
* 对数展开：
指数展开：
灰度直方图：反映灰度分布
横轴灰度级，纵轴像素数或百分比
* 计算：
直方图均衡化
例如练习
灰度0 - 7
分布概率为：0.19、0.25、0.21、0.16、0.08、0.06、0.03、0.02
求直方图均质化后的像素分布：
回答：
均质化后，只有5个灰度级，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
直方图规格
简而言之，给定一个模板，变换后的图像像素的灰度分布与模板相似。
比如这道题，0灰度占0.19，接近目标模板0.2，那么就变成了目标模板的灰度3。中间灰度1、2、3的和是0.62，接近目标模板的0.6，所以变成5。
空域滤波
*空间过滤器/模板：矩阵
空间滤波器*滤波过程：
1. 按顺序将滤镜与图像的像素对齐。
2.做卷积（对应像素乘以k，最后求和）
3、将结果赋值给滤镜中间位置对应的图像像素
*边缘问题：无法过滤边缘，因为过滤器无法超出图像范围。
*加工方法：
1. 忽略
2. 假想边缘之外存在与边缘具有相同灰度值的像素。
空间域过滤分类：
1、平滑滤波：对图像进行平滑处理，去除高频成分，使图像的灰度值变化不大，减少噪声。
2.锐化滤波器：去除低频成分，增加图像对比度，使边缘明显。
平滑滤波
1.域平均法
噪点可以减少，但图像也模糊
2、加权平均法
不同位置的灰度重要性（权重）不同。中间的最重要，侧面的重要性降低。
3.非线性平滑滤波器
锐化滤波
1.用差异来反映相邻像素的灰度变化（变化的连续程度称为微分，离散程度称为差异，实际上就是差异，是一个概念）
2、通过微分输出梯度。 （可以利用梯度来检测边缘，因为边缘像素的灰度变化很大）
3、锐化后的像素灰度值=原始像素灰度值+锐化度系数*梯度
实际应用：
1.
2.二阶差分模板——拉普拉斯算子
计算梯度：
直接锐化：
第四章 频率域滤波
我们之前使用的矩阵滤波器在空间域中处理图像，现在我们想要移动到频域。
不懂频域的同学可以去知乎搜索一下。
简介：
天才数学家傅里叶发现，任何周期信号都可以用正弦函数级数来表示，任何非周期信号都可以用正弦信号的加权积分来表示。
因此，这些正弦函数的分布产生了频域的概念。
将图像变换为二维离散傅里叶变换后：
右侧所示频域图的四个角是低频部分。中心是最高频率点。
最亮意味着低频能量最高（看图片，黑色外套，背景等，这些灰度变化较小的像素占大多数，它们就是低频成分）。
由于二维DFT 的周期性和共轭对称性，我们可以将频谱居中。
居中后的频谱图（右）
频谱图的交叉性质：
* 频率过滤基础知识
步：
1.将图像空间域转换到频域
2. 将频谱与频率滤波器相乘
3. 进行傅里叶逆变换，得到图像
*频域滤波分类：
1. 低通滤波
2. 高通滤波
3. 带通和带阻滤波
4. 同态过滤
* 陷波滤波器
低通滤波器
思路：噪声和边缘都属于高频成分，低通顾名思义就是通过低频，滤掉高频。
分类：
1.理想的低通滤波器
理想低通理想低通，其中D0 是人为确定的截止频率
缺点：可能会出现振铃现象
振铃原因：
2.巴特沃斯低通滤波器
Butterworth缺点：平滑效果不如理想低通
当巴特沃斯阶数n增加时，振铃现象增加。但它比理想的低通更好，因为低频和高频之间有平滑的过渡。阶数越高，平滑度越低，因此振铃现象增强。
巴特沃斯振铃现象强度3.高斯低通滤波器（GLPF）
缺点：平滑效果不如前两者
平滑效果与截止频率的关系：
高通滤波器
通过高频并滤除低频。实现锐化。
高通滤波器模板=1 - 低通滤波器模板
影响：
IHPF也有振铃现象。
高通滤波只获取边缘信息，非边缘信息全部变黑。为了获得增强的清晰图像，使用高频增强滤波方法。
方法：
k * 高通滤波器+ c
k 是系数1，c 是常数
带通-带阻滤波器
同态滤波器
适用于动态范围较大的图像（黑色非常黑，白色非常白），并且细节在黑色或白色部分。
使用灰度扩展来提高对比度，进一步增加图像的动态范围。
压缩灰度会降低动态范围，但细节会变得更加难以区分。
这时就需要将频率滤波与灰度变换——同态滤波结合起来。
* 理论基础：
图像根据照明/反射率模型合成。
照明：阳光或其他光源一般变化不大，频率较低。
反射率：由物体表面材质决定，变化较大，频率较高。
（例如，如果你向窗外看，阳光照射到所有物体上几乎是相同的。但所呈现的不同细节是由花卉、植物、房屋等的反射率决定的）
照度/反射率模型然后，
减弱入射光i(x,y)可以减小灰度范围。
反射光r(x, y) 的强度可以提高图像对比度。
过程：
同态滤波：这种同态滤波器自动减弱低频入射光并降低动态范围。增强高频并提高对比度。
同态滤波效果
第五章 图像的复原与重建
图像劣化：在图像生成、存储、传输过程中，由于设备不完善等原因导致图像质量受损。
图像恢复：在图像退化模型的基础上，根据先验知识建立退化模型，然后进行逆操作，恢复原始图像。
* 图像增强与图像修复的联系与区别
接触：两者都能提高图像的视觉质量
区别：增强是主观的，没有考虑图像质量下降的原因。修复是客观的，旨在最大程度地恢复原始图像。
图像退化模型：
噪声模型
使用概率密度函数来描述。
分类：
1. 高斯噪声
2.瑞利噪声
3.伽马噪声
4. 噪声分布均匀
5.脉冲噪声（椒盐噪声）
6.周期性噪音
一些噪声的灰度直方图：
案件：
—— ISO夜间拍照分析：
取一小块变化区域，画出直方图。发现是高斯噪声模型。
噪声滤除
处理加性噪声（高斯噪声、均匀分布噪声） —— 空间滤波
1.算术平均滤波，做算术平均
2.几何均值滤波，做几何均值
优点：几何均值滤波保留了更多的图像细节，平滑度与算术相差无几。
3. 调和均值滤波
它更适合处理“盐”噪声，但不适合“胡椒”噪声。
4. 逆调和均值滤波
Q 滤波器阶数：
Q 0 处理“胡椒”噪音
Q==0 是算术平均滤波
Q 0 处理“盐”噪声（Q==-1，用于调和平均滤波）
5.统计排序过滤器：
中值滤波器：在相同尺寸下，它比均值滤波器造成的模糊更少。对于处理脉冲噪声非常有效。但多次使用会使图像变得模糊。
最大滤镜：适用于胡椒噪声，但会去除黑色物体边缘的一些黑色颜料。
最小过滤器：适用于“盐”噪声，但会去除白色物体边缘的一些白色颜料。
中点滤波器：计算滤波器模板中最大值和最小值的算术平均值，即中点值。最适合高斯和均匀噪声。
6.自适应滤波器（可以根据当前处理的像素信息自行确定修复强度）
影响：
7. 自适应中值滤波
找出模板中的中值。如果中间值不是脉冲，则检查中心值Zxy是否是脉冲。中心值Zxy是一个脉冲，因此使用中值代替。如果不是脉冲，中心Zxy将保持不变（优点：保留原来的样子）。
如果模板已扩展至最大而中值仍为脉冲，则输出中值。
1238.逆过滤
需要先验知识才能知道退化模型是什么。但噪声仍然是随机的，无法确定。
因此，一般用于高信噪比的图像恢复问题。
需要先验知识才能知道退化模型是什么。但噪声仍然是随机的，无法确定。
因此，一般用于高信噪比的图像恢复问题。
如果H(u,v)取很小的值，则原始图像被破坏。这时就应该考虑干预，只在原点周围的有限区域进行逆滤波。
第六章 彩色图像处理
描述了三种颜色光源的数量：
辐射：从光源流出的能量总量。
光通量：观察者从光源感受到的能量。
亮度：一种主观描述，与颜色无关，仅与强度有关。
人类对红、绿、蓝三色最敏感，从而形成三基色假说，也称为三基色。
三基色假设：三基色是一组正交基。也就是说，它们是相互独立的，任何一种颜色都不能通过混合其他两种来制成。所有其他颜色都可以通过三种基色按一定比例混合获得。
CIE色度图：
1. x轴：红色，y轴：绿色，蓝色：1 - x - y；
2.边框为全饱和纯色，内部为混色。
3.等能量点：CIE白光标准，x=y=1-x-y，饱和度为0
4、将线段两端的颜色混合即可形成任意两点的线段。任何由3 个点组成的三角形的颜色都可以由3 个端点的颜色混合而成。
5. 连接等能量点与边界上任意点的线可以定义特定色谱的所有色调。
6、这张图的三基色不是固定的。
国际工程师协会
颜色型号：
1. RGB颜色模型
像素深度：每个像素使用的位数
如果每种颜色使用8位，则像素深度为24
有2^24种颜色表示
2.HSI颜色模型
这是从人类对颜色感知的角度构建的颜色模型。
H (Hue) 色调：观察者接收到的主色。
S（饱和度）：纯色背光的稀释程度。
I（Intensity）：颜色的明度，主观指标。
两种颜色模型的优缺点：
RGB适合图像生成，HSI适合图像描述。
HSI能够更好地反映颜色的本质，广泛应用于计算机视觉、图像视频检索等领域。
伪彩色图像处理
根据一定的标准将颜色分配给灰度值的过程。方法是确定灰度值与颜色之间的映射关系。
1.强度分层技术：不同灰度值的图像使用不同的颜色。
例如
强度分层2、灰度到颜色转换
不同的灰度值分别由RGB值决定，最后合成为颜色。
例如
全彩色图像处理
1.分别处理RGB分量图像，最后合成。
2.直接处理每个像素点的RGB。
色彩变换
1. 补色：色轮上相反的颜色。
2. 分色
突出显示图像中特殊颜色的区域
以球体为例：给定一个颜色向量（r，g，b），如果任意颜色（x，y，z）之间的欧氏距离的平方小于给定距离，则保留该颜色。
第八章 图像压缩
令n1 为原始图像每像素的平均位数，n2 为压缩后的图像。
压缩比CR=n1/n2
相对数据冗余RD=(n1 - n2)/n1
客观保真度标准：
图像压缩过程：
压缩：
映射：将图像从普通像素灰度矩阵的表示形式转换为其他表达形式，以减少时间冗余和空间冗余。这个过程通常是可逆的。
量化：根据预设的保真度标准降低输出的精度。这个过程是不可逆的。
符号编码
解压：
符号解码
逆映射
统计编码（无损）
1.霍夫曼编码：数据结构已经学会。
2.算术编码：
整条消息只有一个码字（浮点数）
缺点：错误敏感，精度有限，需要结束符号。
编码：
解码：
3.笔画编码
当图像由大面积的色块组成时，压缩效果较好。
但对于灰度变化较大的图像，数据量可能会增加。 （最坏的情况是下一个像素与前一个像素不同，那么每个像素都要多存储一个笔划1，数据量会增加一倍）
预测编码
根据“过去时间”的像素值估计当前像素值。消除相邻像素之间的冗余。
根据是否有量化步长判断是否是有损压缩。
变换编码
将图像变换到另一个空间进行编码操作。
一般采用正交变换（优点）：
1.正交变换是可逆的，不会丢失信息。
2.正交变换具有能量守恒的特性。
3.能量重新分配和集中。
离散余弦变换(DCT)：
1、信息承载能力强。
2.可以用单个集成电路来实现。
3. 可以最大限度地减少图像块效应。
块变换编码：将图像划分为大小相等且不重叠的小块，并对每个块单独进行编码。
块越大，块效应减弱，压缩率提高，但计算复杂度增加。
位分配：截取、量化和编码变换后的图像块。
通过保留变换图像的一部分“重要系数”并丢弃其他部分，可以重建更高质量的图像。
如何保留系数
1. 区号：
该值保留能量集中部分的面积系数，其余设置为0。
系数保留的位置是固定的，因此并不对所有图像都具有良好的损失控制能力。
2. 阈值编码：
设定一个阈值，超过阈值的保留，其余的丢弃。
具有一定的适应能力。
但是，会需要额外的数据量来存储超过阈值的像素位置（比如右下脚的像素系数超过阈值，我们就得花费数据来记录它的位置），所以压缩比会减少。
JEEG联合照片专家组
标准：
有损压缩：基于DCT
无损压缩：基于预测技术
步：
1.使用DCT变换获得频域。
2. 使用加权函数进行量化。
3. 使用霍夫曼编码对量化系数进行编码。
JPEG编码过程
RGB仅支持YCbCr颜色模式，RGB模式的图像需要转换为颜色模式。
嗨，莉娜又见到你了！
好了，本文到此结束，如果可以帮助到大家，还望关注本站哦！
【深入解析数字图像处理核心知识点】相关文章：
2.米颠拜石
3.王羲之临池学书
8.郑板桥轶事十则
用户评论
这篇文章讲的是如何用计算机来处理图片吗？
有19位网友表示赞同！
我对图像处理一直很感兴趣，希望这篇文章能讲到一些常用的算法。
有16位网友表示赞同！
学习数字图像处理对很多领域的应用都很重要吧！
有11位网友表示赞同！
数字图像处理的知识点这么多？会不会很难学啊？
有7位网友表示赞同！
我想了解一下图片编辑软件里的一些功能背后是哪些数学原理驱动着。
有12位网友表示赞同！
希望这篇文章能讲清楚一些基础的概念，方便小白学习。
有12位网友表示赞同！
现在很多领域都用到数字图像处理，例如医疗影像和计算机视觉。
有20位网友表示赞同！
我之前看过一些关于图像去噪的介绍，还挺神奇的。
有11位网友表示赞同！
这篇文章能帮助我把之前的零散知识点串联起来吗？
有8位网友表示赞同！
希望这篇文章能够深入浅出地讲解算法实现过程。
有6位网友表示赞同！
我很想了解一下图像处理在医学诊断中的应用。
有17位网友表示赞同！
学习数字图像处理需要掌握哪些编程语言？
有19位网友表示赞同！
最近在研究计算机视觉，这个文章能帮到我吗？
有16位网友表示赞同！
数字图像处理越来越重要了，想要提前了解一些相关知识点。
有6位网友表示赞同！
希望能看到一些实际案例和应用场景，更直观地理解知识点。
有11位网友表示赞同！
我想问问文章中会介绍哪些经典的图像处理算法？
有11位网友表示赞同！
对图片进行分析和识别很有意思！ 期待学习更多关于数字图像处理的知识。
有18位网友表示赞同！
这篇文章适合什么层次的人阅读呢？
有6位网友表示赞同！
希望这篇文章能提供一些学习资料和资源，方便后续深入了解。
有6位网友表示赞同！
看标题就知道是干货满满的文章了！ 期待深入学习。
有5位网友表示赞同！