图像预处理
图像预处理
- 1. 图像数据的挑战
- 2. 图像预处理
-
- 2.1 图像显示
-
- 2.1.1 RGB颜色空间
- 2.1.2 CMY(K)颜色空间
- 2.1.3 HSY颜色空间
- 2.2 图片存储原理
- 2.3 图像增强的目标
-
- 2.3.1 空域分析及其变换
- 2.3.2 频域分析及其变换
1. 图像数据的挑战
视角变化：将一张图像经过旋转、对称变换后，模型是否还能正确识别出
光照变化：光线的明暗，灯光的位置
尺度变化： 一个 物体缩小或放大
形态变换：同一物体，但不同姿态
背景混淆干扰：具有相同花色的不同物体
遮挡情况：
类内物体的外观差异：
2. 图像预处理
图像预处理包含：
- 图像显示与存储原理
- 图像增强的目标
- 点运算：基于直方图的对比度增强
- 形态学处理
- 空间域处理、卷积
- 卷积的应用（平滑、边缘检测、锐化等）
- 频率域处理：傅里叶变换、小波变换
2.1 图像显示
2.1.1 RGB颜色空间
RGB颜色空间：加法混合、彩色显示器；包含3个通道：Red通道、Green通道、Blue通道。一个像素颜色值：(b,g,r)。取值范围有两种：[0, 255]和[0.0, 1.0]
2.1.2 CMY(K)颜色空间
CMY(K)颜色空间：减法混色、印刷；包含4个通道：Cyan通道、Magenta通道、yellow通道、key通道；一个像素颜色值（c, m, y, k）；取值范围：[0, 255]和[0.0, 1.0]
2.1.3 HSY颜色空间
HSY颜色空间为：人类视觉概念、画家配色；包含3个通道：H/Hue（色调、颜色种类）、S/Saturation（饱和度，颜色 的纯度）、V/Value（明度、颜色明亮度）；一个像素颜色值为（h, s, v）；取值范围：[0, 255]和[0.0, 1.0]
2.2 图片存储原理
- 主流颜色空间为RGB三通道彩色图，将图片分为三维矩阵
- 单通道灰度图：亮度信息为[0, 255]，和RGB颜色空间有如下的转换方式： G r a y = R ∗ 0.3 + G ∗ 0.59 + B ∗ 0.11 Gray = R * 0.3 + G * 0.59 + B * 0.11 Gray=R∗0.3+G∗0.59+B∗0.11
- 常见的存储格式有：
2.3 图像增强的目标
- 改善图像的视觉效果
- 转换为更适合人或机器分析处理的形式
- 突出对人或机器分析有意义的信息
- 抑制无用信息，提高图像的使用价值
操作有：图像锐化、平滑、去噪、灰度调整（对比度增强）
2.3.1 空域分析及其变换
滤波/卷积：在每个图片位置 ( x , y ) (x, y) (x,y)上进行基于领域的函数计算。
滤波函数 → \to →权重相加，包含卷积核（卷积模板）；滤波器（滤波模板）；扫描窗
h [ x , y ] = ∑ k , l f [ k , l ] I [ x + k , y + l ] h[x, y] = \sum_{k, l} f[k, l] I[x + k, y + l] h[x,y]=k,l∑f[k,l]I[x+k,y+l]
其中： h [ x , y ] h[x, y] h[x,y]为滤波结果； f [ k , l ] f[k, l] f[k,l]为滤波函数，即卷积核中在 ( k , l ) (k, l) (k,l)上的权重参数； I [ x + k , y + l ] I[x + k, y + l] I[x+k,y+l]为像素领域值，即与 f [ k , l ] f[k, l] f[k,l]相对应的图片像素值； x ， y x， y x，y为像素在图片中的位置/坐标； k , l k, l k,l为卷积核中的位置/坐标（卷积核的中心点坐标为 ( 0 , 0 ) (0, 0) (0,0)）
边界填充（padding）：可获得同尺寸输出。
边界填充类型有：补零、边界复制、镜像、块复制。
不同功能需要的定义不同的函数：
- 平滑/去噪
- 梯度/锐化
- 边缘、显著点、纹理
- 模式检测
平滑 中值滤波/卷积：奇数尺寸的卷积核（33，55， 77，2n1 * 2n-1）
即将卷积域内的像素值从小到大排序，并取中间值作为卷积输出。平滑中值滤波/卷积可有效去除椒盐噪声
平滑 高斯滤波/卷积：采用奇数尺寸的卷积核，模拟人眼只关注中心区域，可有效去除高斯噪声。
G σ = 1 2 π σ 2 e − x 2 + y 2 2 σ 2 G_\sigma = \frac{1}{2 \pi \sigma^2} e^{-\frac{x^2 + y^2}{2 \sigma^2}} Gσ=2πσ21e−2σ2x2+y2
分解特性：级联高斯。将2D卷积拆分成两个相同的1D卷积：行卷积、列卷积。
作用：降低计算量，1D卷积只进行2K次计算，而2D卷积需要进行K*K次计算。
G σ = 1 2 π σ 2 e − x 2 + y 2 2 σ 2 = ( 1 2 π σ e − x 2 2 σ 2 ) ( 1 2 π σ e − y 2 2 σ 2 ) G_\sigma = \frac{1}{2 \pi \sigma^2} e^{-\frac{x^2 + y^2}{2 \sigma^2}} = (\frac{1}{\sqrt{2 \pi} \sigma} e^{-\frac{x^2}{2 \sigma^2}})(\frac{1}{\sqrt{2 \pi} \sigma} e^{-\frac{y^2}{2 \sigma^2}}) Gσ=2πσ21e−2σ2x2+y2=(2πσ1e−2σ2x2)(2πσ1e−2σ2y2)
梯度 Prewitt滤波/卷积
- 水平梯度/垂直边缘
- 垂直梯度/水平边缘
laplacian滤波的条件：卷积核中所有参数相加后为0
2.3.2 频域分析及其变换
高斯金字塔：先进行图像平滑，再进行降采样；根据降采样率，得到一系列尺度逐渐减小的图像。
操作：n次（高斯卷积 → \to → 2倍降采样） → \to → n层金字塔
目的：捕捉不同尺寸的物体
高斯金字塔本质为信号的多尺度表示法
