python--数字图像处理--opencv- jupyter-notebook(大作业实验理论部分)

 实践部分分步讲解：     参考        ：实践操作--各个步骤

• 数字图像基础知识

数字图像，又称为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。数字图像是由模拟图像数字化得到的、以像素为基本元素的、可以用数字计算机或数字电路存储和处理的图像。

1. 数字图像处理

        图像数字化；图像变换；图像增强；图像恢复；图像压缩编码；图像分割；图像分析与描述；图像的识别分类。

2.图像的数字化

        采样：将空间上连续的图像变换成离散的点，采样频率越高，还原的图像越真实。

        量化：将采样出来的像素点转换成离散的数量值，一幅数字图像中不同灰度值的个数称为灰度等级，级数越大，图像越是清晰。

3.灰度图

        灰度也可以认为是亮度，简单说就是色彩的深浅程度。

        所谓颜色或灰度级指黑白显示器中显示像素点的亮暗差别，在彩色显示器中表现为颜色的不同，灰度级越多，图像层次越清楚逼真。

4.图像增强

        目的是要改善图像的视觉效果，针对给定图像的应用场合，有目的的增强图像的整体或局部特性，将原来不清晰的图像变得清晰或增强某些感兴趣的特征，扩大图像中不同物体的特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，将强图像判读和识别效果，满足某些特征分析的需求。

 2.算法方面

1.图像的灰度化处理的基本原理

        将彩色图像转化成为灰度图像的过程成为图像的灰度化处理。彩色图像中的每个像素的颜色有R、G、B三个分量决定，而每个分量有255中值可取，这样一个像素点可以有1600多万（255*255*255）的颜色的变化范围。而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像，其一个像素点的变化范围为255种。

        第一种方法使求出每个像素点的R、G、B三个分量的平均值，然后将这个平均值赋予给这个像素的三个分量。

        第二种方法是根据YUV的颜色空间中，Y的分量的物理意义是点的亮度，由该值反映亮度等级，根据RGB和YUV颜色空间的变化关系可建立亮度Y与R、G、B三个颜色分量的对应：Y=0.3R+ 0.59G +0.11B，以这个亮度值表达图像的灰度值。

2.滤波（去噪）

        线性滤波： 对邻域中的像素的计算为线性运算时，如利用窗口函数进行平滑加权求和的运算，或者某种卷积运算，都可以称为线性滤波。常见的线性滤波有：方框滤波、均值滤波、高斯滤波、拉普拉斯滤波等等，通常线性滤波器之间只是模版的系数不同。

        非线性滤波： 非线性滤波利用原始图像跟模版之间的一种逻辑关系得到结果，如最值滤波器，中值滤波器。比较常用的有中值滤波器和双边滤波器。

        椒盐噪声也称为脉冲噪声，是图像中常常见到的一种噪声，它是一种随机出现的白点或者黑点，可能是亮的区域有黑色像素或是在暗的区域有白色像素（或是两者皆有）。

        高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。高斯白噪声的二阶矩不相关，一阶矩为常数，是指先后信号在时间上的相关性。高斯噪声是与光强没有关系的噪声，无论像素值是多少，噪声的平均水平（一般是0）不变。

 

 

 

3.图像分割

       将数字图像细分为多个图像子区域（像素的集合）（也被称作超像素）的过程，就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。

图像分割的目的是简化或改变图像的表示形式，使得图像更容易理解和分析。图像分割通常用于定位图像中的物体和边界（线，曲线等）。更精确的，图像分割是对图像中的每个像素加标签的一个过程，这一过程使得具有相同标签的像素具有某种共同视觉特性。

现有的图像分割方法主要分以下几类：基于阈值的分割、区域生长、区域分裂合并、分水岭算法、边缘分割（边缘检测）、直方图法、聚类分析、小波变换等。

 

 

 

 实践操作：详情请见：文章开头的链接。