OpenCV学习心得三：图像建模，卷积convolution和相关correlation

明天再写，都尼玛两点了，睡觉保头发。

嘤嘤嘤。

-----------------------------------------------------

待续。

-----------------

嘻嘻，终于想起来写了。

一、图像获取与表示

 

1. 对图像建模，Fi(Xi,Yi)表示坐标→Ci（Ri，Gi，Bi）表示对应坐标的颜色，这样一张m个像素点的图像通过这样的映射到一个n维的表示，n为通道channel。当n为1时表示图像的灰度（黑白），n为3表示彩图，rgb三原色；n为4时通常是rgb三维加上一维为透明度。         
2. 空间离散图像的表示：
3. 一个单通道的图像（黑白）可以有不同的级别，即将灰度的深浅不同的level.
4. 图像的采样个人理解为像素的选择，一张图像划分像素越高，相同通道数下越清晰。
5. 要使图像不失真，引入香农-奈奎斯特定理。 简单理解为：采样频率>=信号源最高频率。

 

二、卷积convolution

1. 定义参考维基百科，个人理解为图像上的像素点F(X,Y)对我们选定的kernel function:h(x)的做出的反应。数学上为f（x）与g（x）经过反转和平移后重叠的面积。
2. 二位的卷积定义为：                       运算如下：              kernel function的选择很重要，简记为说求像素点的周围像素矩阵呢元素的逆序，乘以核函数矩阵的正序，然后求和。我我没学过信号处理，不知道理解为一种滑动平均是否正确，但是这样理解很直观。

三、相关correlation

1. 理解了卷积后，相关的概念就相对容易理解一些。                   通过比较与卷积的定义，发现只是-号变成+号。就是用核函数矩阵逆序去乘像素矩阵逆序，相加后求和。
2. 通过以上定义我们可以想象，当我们选择一个180度对称的核矩阵时，卷积与相关的出的结果是一模一样的。