啥也先不说，Lena镇个楼。
第一章 绪论
* 数字图像：能够在计算机行显示和处理的图像。
* 数字图像处理：利用计算机对图像进行分析、加工等处理，使其能够满足各种目的。
* 数字图像的特点：
1、图像中信息量大
2、图像处理数据量大
3、处理过程重复运算量大
4、处理技术综合性强
第二章 数字图像处理基础
* 人类视觉构造：
* 锥状细胞：感受光、色。对颜色敏感。
* 杆状细胞：只感受光，不能感受颜色。（缺乏得夜盲症）
* 亮度：光线的明暗程度
* 色调：色彩模式下，原色的明暗程度，如RGB下为红绿蓝三原色的明暗程度。
* 饱和度：色彩的浓度。
* 亮度对比效应：
1、同时对比效应：按对比度感觉物体量度对比。
2、马赫带效应：视觉的主管感受在亮度有变化的地方出现需要的明亮或黑暗的条纹。
* 图像数字化：将连续的模拟信号转为离散的数字信号。
* Nyquist采样定理：
离散信号替代连续信号的条件：
1、原始信号为有限带宽信号。
2、采样频率不小于信号最高频率的2倍。
* 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：将灰度转为整数代表。
eg 8位可以表示2^8个灰度级（ 0 - 256）
幅度分辨率：灰度级越多，该分辨率越高
（虚假轮廓：由于灰度级过少，导致颜色区别在离散化的时候被加大，导致出现类似轮廓的东西）
* 计算数字图像的数据量
像素分辨率为M*N，Q bits/像素
数据量为：M*N*Q/8 Bytes
（该量化级数：2^8）
* 数字图像分类：
1、灰度图像：在纯黑到纯白之间量化。
2、二值图像：只有黑白
3、彩色图像：如RGB图像，每个颜色通道都用相应bits表示。
* 像素间的基本关系：
* 位置关系：
* 邻接性：
邻接条件：
1、4相邻或8相邻
2、灰度值相近
* 连通性：由邻接性产生的性质
连通集：由连通性产生
4-连通：6个
8-连通：2个
区域：R是图像的像素子集，若R为连通集，则R为一个区域。
边界：区域R中，有一个或多个领域像素不在该区域中，则该像素为其边界。（上图都是边界）
像素距离：
1、欧式距离
2、街区距离 = |x1-x2| + |y1 - y2|
3、棋盘距离= max（|x1-x2| ，|y1 - y2|）
数字图像代数运算：
应用：
加法：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
* 点运算：对单个像素进行变换
* 空间滤波：基于领域进行处理
* 灰度变换：
原像素->映射函数->变换后的像素
应用：
1、图像求反（底片效果）
以8bits为例：变换像素灰度 = 255 - 原像素灰度
2、线性变换（1）
扩张：将灰度集中的图像（曝光不足或者过曝）灰度动态范围拉大，加大反差，使得图像更清晰。
压缩：反之，可以柔和图像。
* 分段线性变换（2）：
3、非线性变换：
目的对不同灰度范围的像素做不同程度的处理，比如暗部和高光就没必要拉大灰度值动态范围。
* 对数扩展：
指数扩展：
灰度直方图：反映灰度分布
横轴灰度级，纵轴像素数或者百分比
* 计算：
直方图均衡化
eg 练习题
灰度级 0 - 7
分布概率为：0.19， 0.25，0.21，0.16，0.08，0.06，0.03，0.02
求直方图均匀化后的像素分布：
答案：
均匀化后只有5个灰度级，1，3，5，6，7概率如下：
1:0.19，3:0.25，5:0.21，6:0.24，7:0.11
直方图规定化
简而言之，给定一个模版，使得变换后的图像像素灰度分布与模版相似。
比如该题，0灰度的占0.19接近目标模版0.2，那么就变为目标模版的灰度3。中间灰度1，2，3加起来0.62接近目标模版的0.6所以就变为5。
空域滤波
* 空域滤波器/模版：一个矩阵
* 滤波过程：
1、在图像中依次将滤波器对齐图像的像素
2、做卷积（相应像素与k乘，最后求和）
3、将结果赋值给滤波器中间位置对应的图像像素
* 边缘问题：因为滤波器无法超出图像范围，所以边缘无法滤波。
* 处理方法：
1、忽略
2、假想边缘外有与边缘灰度值一样的像素
空域滤波分类：
1、平滑滤波：平滑图像，去除高频分量，使得图像灰度值变化不那么大，同时降低噪声。
2、锐化滤波：去除低频分量，使得图像反差增大，边缘明显。
平滑滤波
1、领域平均法
可以减少噪声，但图像也模糊了
2、加权平均法
不同位置的灰度重要性（权重）不一样，中间的最为重要，旁边的重要性降低。
3、非线性平滑滤波
锐化滤波
1、利用差分反映相邻像素的灰度变化大小（连续的变化程度叫微分，离散的叫差分，其实就是差值。是一个概念）
2、通过差分的出梯度。（梯度可用来检测边缘，因为边缘像素灰度变化很大）
3、锐化后的像素灰度值 = 原像素灰度值 + 锐化程度系数*梯度
实际应用：
1、
2、二阶差分模版——拉普拉斯算子
算梯度：
直接锐化：
第四章 频率域滤波
> 前面我们用的矩阵滤波器是在空域对图像进行处理，现在要转到频率区域。
> 对频域不理解的同学，可以去知乎搜一搜。
> 简单介绍：
> 天才数学家傅立叶发现，任何周期信号都能用正弦函数级数表示，任何非周期信号都可以用正弦信号的加权积分表示。
> 所以这些正弦函数的分布就产生了频域的概念。
将图像二维离散傅立叶变换后：
四个角，为低频部分。中心为频率最高处。
最亮说明低频能量最高（看图片，黑大衣，背景等这些灰度变化小的像素占了大多数，它们就是低频分量）。
由于二维DFT的周期性和共轭对称性，我们可以将频率谱中心化。
频谱图的纵横交错性：
* 频率滤波基础
步骤：
1、图像空域转频域
2、将频谱与频率滤波器相乘
3、进行傅立叶反变换得到图像
* 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、同态滤波
* 陷波滤波器
低通滤波器
思想：噪声和边缘属于高频成分，低通，顾名思义低频通过，滤去高频。
分类：
1、理想低通滤波器
其中D0为人为确定的截止频率
缺点：可能产生振铃现象
振铃现象产生的原因：
2、Butterworth低通过滤器
缺点：平滑效果不如理想低通
当Butterworth的阶数n升高时，振铃现象加大。但是优于理想低通，因为低频与高频之间是平滑过度的。而阶数越高，平滑程度越低，所以振铃现象增强。
3、高斯低通过滤器（GLPF）
缺点：平滑效果不如前两个
平滑效果与截止频率的关系：
高通滤波器
高频通过，滤去低频。实现锐化。
高通滤波模版 = 1 - 低通滤波模版
效果：
同样IHPF有振铃现象。
高通滤波得到的仅仅为边缘信息，非边缘信息全变黑了。为了得到增强的锐化图像，使用高频增强滤波方法。
方法：
k * 高通滤波器 + c
k 为 > 1 的系数，c为常数
带通-带阻滤波器
同态滤波器
对于动态范围很大图像（黑的很黑，白的很白），而且细节在黑或者白的部分。
使用灰度级扩展提高反差，图像动态范围进一步加大。
压缩灰度级，动态范围变小，但是细节更加无法分辨。
此时需要将频率过滤与灰度变换结合起来——同态滤波。
* 理论基础：
图像是根据照度/反射率模型组成的。
照度：太阳光或者其他光源，一般变化较小，为低频。
反射率：由物体表面材质决定，变化大，为高频。
（举个例子，比方你望去窗外，太阳光照射所有物体的光几乎是一致的。但呈现出的不同细节等是由花草房子之类的反射率决定的）
那么，
减弱入射光i（x，y）可以缩小灰度范围。
怎强反射光r（x，y）可以提高图像对比度。
过程：
这样同态滤波器就自动的对低频的入射光进行虚弱，降低动态范围。对高频进行增强，提高对比度。
第五章 图像的复原与重建
图像退化：图像在产生、存储、传输过程中，由于设备等的不完善使得图像质量损坏。
图像复原：在图像退化模型的基础上，根据先验知识建立退化模型，再进行反运算恢复原始图像。
* 图像增强与图像复原的联系与区别
联系：都是改善图像的视觉质量
区别：增强是主观的，不考虑图像退化原因。复原是客观的，目的是最大程度还原成原图像。
图像退化模型：
噪声模型
使用概率密度函数进行描述。
分类：
1、高斯噪声
2、瑞利噪声
3、伽马噪声
4、均匀分布噪声
5、脉冲噪声（椒盐噪声）
6、周期噪声
一些噪声的灰度直方图：
案例：
分析：
取一块变化很小的地方，绘制直方图。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）——空域滤波
1、算数均值滤波，做算术平均
2、几何均值滤波，做几何平均
优点：几何均值滤波图像细节保留更多，平滑程度和算术差不多。
3、谐波均值滤波
处理“盐”噪声效果较好，不适用于“椒”噪声。
4、逆谐波均值滤波
Q-滤波器阶数 ：
Q > 0 处理“椒”噪声
Q == 0 为算术均值滤波
Q < 0 处理“盐”噪声（Q == -1，为谐波均值滤波）
5、统计排序滤波器：
中值滤波器：相同尺寸下，比均值滤波器引起的模糊小。处理脉冲噪声很有效。但多次使用会模糊图像。
最大值滤波器：处理“椒”噪声效果好，但会从黑色物体边缘移走一些黑色色素。
最小值滤波器：处理“盐”噪声效果好，但会从白色物体边缘移走一些白色色素。
中点滤波器：计算滤波模版内最大值最小值的算术平均，即为中点值。处理高斯和均匀噪声效果最好。
6、自适应滤波器（可根据当前处理的像素信息，自行确定修复强度）
效果：
7、自适应中值滤波
在模版内找中值，中值不是脉冲，则看中心值Zxy是不是脉冲。中心值Zxy是脉冲，则用中值代替。不是脉冲，则中心Zxy不变（优点：保存原有样子）。
如果模版已经扩展到最大了，中值还是脉冲，则输出中值。
8、逆滤波
需要先验知识，知道是什么情况的退化模型。但是噪声仍然是随机的，无法确定。
所以，一般用于信噪比高的的图像复原问题。
需要先验知识，知道是什么情况的退化模型。但是噪声仍然是随机的，无法确定。
所以，一般用于信噪比高的的图像复原问题。
如果H（u，v）取非常小的值的时候，原图像被破坏，这时候要认为干预，只在原点周围有限区域做逆滤波。
第六章 彩色图像处理
描述彩色光源3个量：
辐射量：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：主观的描述，与颜色无关，仅仅为强度。
人类对红绿蓝颜色最敏感，从而构成三基色假说，也称之为三原色。
三基色假说：三基色是一组正交基。就是说，它们相互独立，其中任何一种颜色都不能由另外两种混合而成。而其他所有颜色可由三基色按一定比例混合得到。
CIE色度图：
1、x轴：红色，y轴：绿色，蓝色： 1 - x - y；
2、边界上为全饱和的纯色，内部为混合色
3、等能量点：CIE白光标准，x = y = 1 - x - y，饱和度为0
4、任意2点的线段，都可以由线段两端的颜色混合而成。任意3点组成的三角形内的颜色，都可以由3个端点颜色混合而成。
5、等能量点到边界任意点的连线，可以定义特定色谱的所有色调。
6、该图的三原色不是固定的。
色彩模型：
1、RGB彩色模型
像素深度：每个像素所用bits数
若每个颜色用8bits，则像素深度为24
表示的颜色有2^24种
2、HSI彩色模型
这是从人对色彩的感知角度建立的彩色模型。
H（Hue）色调：观察者接受的主要颜色。
S（Saturation）饱和度：纯色背白光稀释的程度。
I（Intensity）亮度：色彩的明亮度，主观指标。
两种彩色模型利弊：
RGB适合图像生成，HSI适合图像描述。
HSI更加能够反映色彩本质，被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
根据一定的准则对灰度值赋予彩色的处理，方法就是确定灰度值与彩色的映射关系。
1、强度分层技术：不同灰度值的图像用不同颜色。
eg
2、灰度级到彩色的转换
不同的灰度值，分别确定RGB值，最后合成为彩色。
eg
全彩色图像处理
1、分别处理RGB分量图像，最后合成。
2、直接对每个像素的RGB进行处理。
色彩变换
1、补色：色环上对面的颜色。
2、色彩分离开
突出图像中特殊彩色的区域
以球形为例：给定一个颜色向量（r，g，b），任何颜色（x，y，z）两者欧式距离平方小于给定距离时，则保留。
第八章 图像压缩
设n1为原始图像每个像素平均bits数，n2为压缩后的。
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：把图像由普通像素灰度矩阵的表形势转换为其他表达形式，以降低时间冗余与空间冗余。这一过程通常可逆。
量化：根据预设保真准则降低输出的精度，这一过程不可逆。
符号编码
解压缩：
符号解码
逆映射
统计编码（无损）
1、Huffman编码：数据结构已经学习。
2、算术编码：
整个消息就只有一个码字（浮点数）
缺点：对错误敏感，精度有限，需要结束符号。
编码：
解码：
3、行程编码
当图像由大面积色块组成，压缩效果好。
但灰度变化大的图像，数据量可能还会增大。（最坏情况，下一个像素都和上一个像素不一样，那么，对每一个像素都要多存一个行程1，数据量将加倍）
预测编码
根据“过去时刻”的像素值，估计当前像素值。消除相邻像素的冗余。
根据有无量化步骤来确定是否是有损压缩。
变换编码
将图像变换到另一个空间进行编码操作。
一般使用正交变换（优点）：
1、正交变换可逆，不会丢失信息。
2、正交变换有能量保持性质。
3、能量重新分配与集中。
离散余弦变换（DCT）：
1、携带信息能力强。
2、单片集成电路就可以实现。
3、可使图像块效应最小。
块变换编码：把图像分为大小相等且不重叠的小块，对每块进行单独编码。
块越大，块效应减弱，压缩率上升，但计算复杂度上升。
比特分配：对变换后的图像块进行截取、量化、编码。
通过保留变换后图像的一部分“重要系数”，丢弃其他部分，可以重建较高质量的图像。
保留系数的方法
1、区域编码：
值保留能量集中部分的区域系数，其余置0。
系数保留的位置固定，所以不是对所有图像都有很好的控损能力。
2、阈值编码：
设定一个阈值，超过阈值的保留，其余舍弃。
有一定自适应能力。
但是会花费而外数据量存储超过阈值的像素位置（比如最右下脚的像素系数超过阈值，我们就得花数据记录它的位置），所以，压缩比会下降。
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
步骤：
1、使用DCT变换，得到频域。
2、用加权函数进行量化。
3、用Huffman编码对量化系数进行编码。
RGB仅支持YCbCr颜色模式，需要对以RGB模式的图像进行色彩模式转换。
Hi, Lena see u again!
Reference:
武汉大学 涂卫平教授《数字图像处理》课件