图像处理基础知识点简记

简单记录一下图像处理的基础知识点

一、取样

1、释义

图像的取样就是图像在空间上的离散化处理，即使空间上连续变化的图像离散化, 决定了图像的空间分辨率。

2、过程

简单描述一下图象取样的基本过程，首先用一个网格把待处理的图像覆盖，然后把每一小格上模拟图像的各个亮度取平均值，将该值作为该小方格中点的值。

如下图所示

图中，采样行与采样列确定一个采样点的像素位置，相邻两个像素点的间隔按行列称为行间隔和采样间隔

3、采样点数与图像质量

图象采样时，图象采点数量与图象质量正相关，见下图

从左到右分别为采样点 256X256 64 X64 32X32 16X16时的图像，明显看出采样点数越多，图像越清晰

二、量化

1、释义

采样后所得的各像素灰度值从模拟量到离散量的转换称为图像灰度的量化，量化是对图像坐标值幅度的离散化，它决定了图像的灰度级分辨率。

2、属性

量化时，用A/D转换器对图像的每个像元的亮度值进行数字化，用比特（bits）数表示像元亮度，每个像元至少具有两个属性：位置和灰度。

表示像元亮暗程度的整数称为灰度。

量化的阶数应该保证人的视觉能够发现图像的亮暗细节。如果像元亮度值是8 bits ，则量化的阶数k=28

我们从下图可以直观地看出灰阶，灰度级与图象质量的关系

再进一步，以具体图象为例，下图分别为2级 16级 256级的灰度图

3、图像质量小结

对一幅图像，当量化级数一定时，采样点数对图像质量有着显著的影响。采样点数越多，图像质量越好； 当采样点数减少时，图上的块状效应就逐渐明显

同理，当图像的采样点数一定时，采用不同量化级数的图像质量也不一样。量化级数越多，图像质量越好，当量化级数越少时，图像质量越差，量化级数最小的极端情况就是二值图像，图像出现假轮廓。

三、图象数字化

记录一下图像数字化的知识，以灰度图为例，最基本的二值黑白图像，最低值对应黑色，最高值对应白色。而在黑白之间的亮度值叫灰度。图像数字化的过程，就是将一幅图分割成一个个小区域，这个小区域被称为像素，然后每个像素用整数来表示。

1、图象的质量与分辨率的关系

图像的质量与以下分辨率成正比：

空间分辨率：近似为图像平面的采样率

灰度级分辨率：也叫辐射分辨率

时间分辨率：由采集图像的时间间隔给出

光谱分辨率：由图像传感器响应的光波的带宽决定

2、图象函数

数字图像函数通常使用矩阵表示

坐标是整数，取值范围是坐标平面的一个范围R

R={(x,y), 1≦x ≦xm ， 1≦y ≦yn}

习惯上，图象处理时采用直角坐标系，x代表水平轴，y代表垂直轴，如下图

以棋盘格的形式表示MXN的图象，s[x,y]代表x行y列像素，如下图所示

图象函数f(x,y)如下式所示

一幅图像在采样时，假定图像取M×N个样点，每个像素量化后的灰度二进制位数为Q，一般Q总是取为2的整数幂，即Q=2k, 则存储一幅数字图像所需的二进制位数b为 MxNxk bit

四、图象几何变换

几何运算可以改变图像中物体之间的空间关系。这种运算可以看成是图像内的各物体在图像内移动的过程。例如，物体的转动、扭曲、倾斜、拉伸等等，都是几何运算的结果。

图象的几何变换有如下几种

1、旋转：图象沿特定轴旋转某一角度

2、水平镜像： 图象沿垂直轴生成堆成图

3、垂直镜像： 图象沿水平轴生成对称图

4、平移：图象移动一定位置

5、放缩：图象坐标位置按比例变化

还有更复杂的变换，比如在失真和相应的校正图像中的四边形区域，四边的顶点是相应的“控制点”。用双线性方程对就可以对四边形区域中的几何形变过程进行建模

几何运算可以改变图像中物体之间的空间关系。这种运算可以看成是图像内的各物体在图像内移动的过程。例如，物体的转动、扭曲、倾斜、拉伸等等，都是几何运算的结果。

五、失真与校正

1、图象失真

图像在生成过程中，由于系统本身具有非线性或拍摄角度不同，会使生成的图像产生几何失真。

几何失真一般分为系统失真和非系统失真。系统失真是有规律的、能预测的，非系统失真则是随机的。

失真也称为畸变，实际光学系统成像总存在光学畸变。光学畸变包括径向和切向畸变，通常只顾及径向畸变，径向畸变和视场的三次方成正比，忽略次高项，通常按畸变系数k乘以视场r的三次方计算。

2、图象校正

在对图像作定量分析时，就要对失真的图像进行几何校正，需要将存在几何失真的图像校正成无几何失真的图像，以免影响分析精度。

简单记录一下校正的基本方法和步骤，不做具体剖析和列举案例。

校正的基本方法：先建立几何校正的数学模型，利用已知条件确定模型参数，最终根据模型对图像进行几何校正。

校正的基本步骤：

(1)图像空间的坐标变换；

(2)确定校正空间各象素的灰度值。

六、图像插值

如下图例，图象A放大四倍到图象B，将有大量的点像素值需要计算，计算这些像素值的方法就是像素插值，记录一下两种简单的插值方法，最近邻域插值和双线性插值

1、最近领域插值

最简单的方法，通过反向变换得到一个浮点数坐标，对其进行简单取整，得到一个整数型坐标，此整数型坐标对应的像素值就是目的像素值

2、双线性插值

对于一个目的像素，设其坐标通过反向变换得到的浮点坐标为（i＋u，j＋v），其中i，j为非负整数，u，v为[0，1）区间的浮点数，则目的像素的灰度值由原图像中的坐标为 (i,j)、(i+1,j)、(i,j+1)、(i+1,j+1)所对应的周围四个像素的值决定， 具体为：f (i+u,j+v)= (1-u)(1-v)f(i,j)+ (1-u)vf(i,j+1)+ u(1-v)f(i+1,j)+uvf(i+1,j+1)

可以理解为根据图像最近的四个点计算像素中值作为像素值。

优点 双线性内插值法计算量大，但缩放后图像质量高，不会出现像素值不连续的的情况。

缺点 双线性插值具有低通滤波器的性质，使高频分量受损，所以可能会使图像轮廓在一定程度上变得模糊

七、像素间的基本关系

1、相邻像素

邻域是指一个像素周围的所有像素，通常是以该像素为中心的矩形区域。 邻接是指像素之间的空间关系

4-邻域，D-邻域，8-邻域

下图从左到右表示4-，D-，8-三种基本邻接关系，绿色格子表示对应邻域

以上三种邻接关系的各自，满足连通条件也可以描述连通关系，并引申出m-连通的概念

m连通时4连通和d连通的混合，满足以下情况的为m连通

1） q在p的4邻域中

2） q在p的D邻域中，并且p的4邻域与q的4邻域的交集是空的（即没有灰度值在V集合中的像素点）

2、距离度量

欧氏距离

城市距离

棋盘距离

3、路径

以上数种邻接关系，也可以用于定义相应的路径，举例说明，以下是8-路径，m-路径和4-路径的示意图

每种路径中相邻的格子间均满足相应的邻接关系

4、连通性

象素间的连通性在建立图象中目标的边界和确定区域的元素时是一个重要的概念，上文记录的连接是连通的一种特例。

要确定2个象素是否连通需要在某种意义上确定它们是否接触，例如它们是否为4－近邻象素，以及它们的灰度值是否满足某个特定的相似准则，例如它们灰度值相等。

举一个最简单的例子，在一幅只有灰度0和1的二值图中，2个4-近邻象素只有在它们具有相同的灰度值时才可以说是连通的。

5、区域与边界

下图表示一个图象中名为R的区域及其边界：

边界是关于区域的整体概念，在区域R内，与区域外邻接一个或多个像元的像元集合，称为边界。

边缘表示的是图像的局部特性，它是由幅度和方向给出的向量。边缘的方向与图像函数梯度的方向垂直。