数字图像处理总结（冈萨雷斯版）

---

第一章：绪论

1.数字图像概念：
数字图像又称数码图像或数位图像，是二维图像用有限数字数值像素的表示，由数组或矩阵表示。其中，数字图像是由模拟图像数字化得到，以像素为基本单位，可用数字计算机或数字电路存储或处理的图像。
数字图像特点：精度高、处理内容丰富、方法易变、灵活度高。

2.数字图像处理步骤：
数字图像处理内容划分为两个主要类别：一类输入输出都是图像，另一类输入是图像，输出可能是图像中提取的属性。

1.图像获取是数字图像处理的第一步处理。通常，图像获取阶段包括图像预处理，譬如图像缩放。
2.图像增强是对一幅图像进行操作，使其结果在特定应用中比原始图像更适合进行处理。“特定”一词很重要，因为增强技术建立在面向问题的基础上，例如，对增强X射线图像十分有用的方法，对增强电磁波谱中红外波段获取的卫星图像可能就不是好方法。不存在图像增强方法的通用理论，图像增强方法多种多样，特殊情况特殊对待。
3.图像复原也是改进图像外观的处理领域。与图像增强不同，图像增强是主观的，而图像复原是客观的；复原技术倾向于以图像退化的数学或概率模型为基础。
4.彩色图像处理,第6章涵盖许多彩色模型和数字域彩色处理的基本概念。彩色也是图像中提取感兴趣区域的基础。
5.小波是以不同分辨率来描述图像的基础。本书中为图像数据压缩和金字塔表示使用了小波，此时图像被成功地细分为较小的区域。
6.压缩指的是减少图像存储量或降低图像带宽的处理。互联网是以大量的图片内容为特征的，例如，jpg文件扩展名用于jpeg的图像压缩标准。jpeg格式的图像可以用最少的磁盘空间得到较好的图像质量。
7.形态学处理涉及提取图像成分的工具，这些成分在表示和描述形状方面很有用。这一章的内容将从输出图像处理到输出图像属性处理的转换开始。
8.分割过程将一幅图像划分为其组成部分或目标。通常，自动分割是数字图像处理中最困难的任务之一。成功地把目标逐一分割出来是一个艰难的分割过程。通常，分割越准确，识别越成功。
9.理解与描述，选择一种表示仅是把原始数据转换为适合计算机进行后续处理的形式的一部分。为描述数据以使感兴趣的特征更加明显，必须确定一种方法。描述又称为特征选择，它涉及提取特征，可得到某些感兴趣的定量信息，或是区分一组目标与其他目标的基础
10.目标识别，是基于目标的描述给该目标赋予标志（如“车辆”）的过程

3.数字图像处理实际用例：
伽马射线成像（核医学、天文观测）、X射线成像（医学、工业、天文观测）、紫外波段成像、可见光与红外波段成像（远程遥感、光学显微镜、天文观测）、微波波段成像（微波遥感）、无线电波段成像（医学、天文观测）。

4.数字图像处理类型：
低级处理：去噪、增强、锐化（输入：图像；输出：图像）
中级处理：分割、分类、识别（输入：图像；输出：特征）
高级处理：图像分析（认知、自主感知）

---

第二章：数字图像基础

1.电磁波谱：波长由长到短：无线电波、微波、红外线、紫外线、X射线、伽马射线

2.数字图像基本概念：
像素：数字图像矩阵表示中每个元素（原点、中心）；
动态范围：灰度跨越的值域；
对比度：灰度的统计方差；
空间分辨率：单位距离内可分辨的最大线对数（点数/英寸dpi）,对最小可分辨细节的测度方式“像素的尺寸”。
灰度分辨率：灰度量化时，所用的比特数。（256级-8bit灰度分辨率）

3.数字图像数学表示：
f(x,y) = i(x,y)r(x,y)
0

4.采样和量化：
采样：空间坐标数字化；量化：幅度数字化（灰度级数L）；

5.像素间关系：
邻域： N4（p）、Nd（p)、N8（p）
邻接：
4邻接：q在p的4邻域内
8邻接：q在p的8邻域内
m邻接：q在p的4邻域或D邻域内，且p和q的4邻域交集元素不在V中
通路：4通路、8通路、m通路
连通性：S为一幅图像中像素的子集，如果S中的全部像素间存在一条通路，则可以说像素q和p在S中是连通的。
区域：若R表示为图像中像素的一个子集，R为连通集，则称R为图像的一个区域。若两个区域S1和S2可构成联通集，则可以成为邻接区域（4邻接、8邻接）
边界：由R中与R补集中像素相邻的一组像素。

第三章：灰度变换与空间滤波

1.空间滤波概念：将每个像素的值替换为该像素及其领域函数的值，若运算为线性，则为线性滤波器。

2.灰度变换函数：
图像反转：s = L-1-r 适合增强黑暗区灰度或白色细节。
对数变换：s = clog(r+1)
适用场景：压缩动态范围，在低灰度值时，将一个较窄范围映射为一个较宽范围。在高亮度区，对灰度进行压缩。（与幂函数相比，其对亮区压缩更大）

3.直方图处理：
直方图均衡化：灰度非线性插值使得直方图均匀分布，原始图像灰度级r归一化在0-1之间，p（r）为原始图像灰度分布概率密度函数，直方图均衡化处理实际就是寻找一灰度变换函数T，使得s=T（r）,即建立r与s之间的映射关系，要求处理后的图像灰度分布概率密度函数ps（r）,期望所有灰度级出现概率相同。

4.平滑空间滤波器（低通）
用于降低图像灰度的急剧过度（随机噪声），不同滤波器核有所不同。
盒式滤波器：目的（去噪、图像平滑、模糊）
处理方法：用一个区域的平均灰度代替中心点的灰度，从而减少图像灰度变化。噪声点通常表现为灰度变化较快的点。
缺点：丢失边缘变化信息与精细信息。
归一化：保证滤波前后图像灰度平均值恒定，和恒定。

高斯滤波器：目的：去噪、图像平滑，同时更好的保留细节信息与强几何分量。
处理方法：借助欧氏距离构建高斯核 ，归一化
G(s,t) = Ke^(-r/2(σ*σ))

统计排序滤波器：
目的：针对特定随机噪声具有良好降噪性能（椒盐噪声）
处理方法：邻域像素集进行排序后的结果选取值代替中心像素（非线性）
典型滤波器：中值滤波

锐化空间滤波器（高通）
锐化：突出灰度过渡区域信息，采用微分（差分）实现，增强边缘以及不连续区域信息，忽略灰度缓慢变化区域。

拉普拉斯锐化：

钝化掩蔽与高提升滤波：

罗伯特交叉梯度算子、索贝尔梯度算子：

第四章：频率域滤波

1.离散傅里叶变换相关概念：
对时域经过抽样的函数的傅里叶变换频谱中一个周期进行抽样

2.频域滤波基础

理想低通滤波器：平滑滤波，中心主瓣模糊（平滑），旁瓣引起振铃现象；

高斯低通滤波器：
H（u，v）=-D(u,v)^2/（2D0*D0）;
D0:截至频率；空间域和频域满足高斯函数形式，无振铃现象；
利用高斯低通滤波可以去除锯齿等不连续边缘，修复图像。

巴特沃斯低通滤波器：H（u,v） = 1/[1+(D(u,v)/D0)^(2n)]
截止频率D0，滤波器阶数：n

理想高通滤波器
高斯高通滤波器
巴特沃斯高通滤波器
功能：锐化，去除低频分量，保留高频分量，使得图像边缘信息更加突出，对比度明显。

第五章：图像恢复与重建

1.图像复原定义：
利用退化现象的某种先验知识，重建或恢复被退化的图像。
首先，根据图像退化的先验知识建立退化模型，以此模型为基础，采用滤波等手段进行处理，使得复原后图像符合一定准则，达到改善图像目的。
处理流程：

2.典型噪声模型
高斯噪声、瑞利噪声、伽马噪声、指数噪声、椒盐噪声（脉冲噪声）

3.噪声复原滤波：均值滤波器、统计排序滤波器
均值滤波器：包括算术均值滤波器、几何均值滤波器、谐波平均滤波器、反谐波平均滤波器。
其中算术平均滤波器平滑局部图像、降低噪声、但会造成图像模糊。几何均值滤波器效果好于算术平均滤波器，可保留更多细节效果。
谐波平均滤波器处理盐粒噪声、高斯噪声，但对胡椒噪声无效。
反谐波平均滤波器用于消除椒盐噪声。

统计排序滤波器：包括极值滤波器（最大值用于降低胡椒噪声、最小值降低盐粒噪声）、中点滤波器（处理随机噪声，如高斯噪声、均匀噪声）、中值滤波器（适用于降低单极或双极随机噪声）。

4.选择性滤波： 陷波滤波器（消除周期噪声）

---

第六章：彩色图像处理

1.彩色基础：
描述特征（区分颜色）
亮度：发光强度的消色概念（强度）
色调：混合光中的主波长特性
饱和度：相对纯度，混合白光亮的多少（纯色完全饱和）
亮度、色调、饱和度统称为色度。

2.彩色模型

RGB模型：红绿蓝模型，彩色图像的边缘检测、图像分割应该在RGB空间进行处理

HSI模型：适用于人类解译色彩， 更符合人描述和解释颜色的方式，这种模型名字字母代表着色调、亮度、饱和度。