1.信息量是信息多少的量度,例如灰度范围在0到255,则该图像的信息量为8,因为256个灰度级可以用8位二进制表示。
2.图像与灰度直方图的对应关系为多对一。
3.图像锐化处理:高通滤波法、梯度锐化法、Laplacian增强算子
4.图像平滑处理:局部平滑法、中值滤波(椒盐噪声)……
5.采用模板[-1 1]主要检测垂直方向的边缘。
6.图像灰度值方差说明了图像的对比度。
7.图象边缘检测算子中抗噪性能最好的是Prewitt 算子
8.欧氏距离:xy差值的平方相加再开方
9.图像细节数据在高频域
10.RGB和HSI相转化
色调H、色饱和度S和亮度I
RGB->HSI
HSI->RGB
11.JPEG标准对图像压缩编码采用的是离散余弦变换,它首先将图像分成8*8的图像块。
12.RGB转Ycbcr
Y:表示明亮度,也就是灰阶值。“亮度”是透过RGB输入信号来建立的,方法是将RGB信号的特定部分叠加到一起。
Cb:反映的是RGB输入信号蓝色部分与RGB信号亮度值之间的差异。
Cr:反映了RGB输入信号红色部分与RGB信号亮度值之间的差异。
Y = 0.257*R+0.564*G+0.098*B+16
Cb = -0.148*R-0.291*G+0.439*B+128
Cr = 0.439*R-0.368*G-0.071*B+128
R = 1.164*(Y-16)+1.596*(Cr-128)
G = 1.164*(Y-16)-0.392*(Cb-128)-0.813*(Cr-128)
B =1.164*(Y-16)+2.017*(Cb-128)
1.二维傅里叶变换的可分离性(多次出现)
分离性表明:二维离散傅立叶变换和反变换可用两组一维离散傅立叶变换和反变换来完成。
2.直方图均衡化的过程(多次出现)
①先计算图像中各个灰度级的出现频率,用p(i)表示灰度级i的出现频率,其值等于灰度级出现次数/图像像素个数
②计算累积分布,用s(i)表示灰度级i的累积分布
③将累积分布进行量化,量化后的灰度级用sq(i)表示
④原始图像中的灰度级和均化后图像中的灰度级之间的对应关系
3.伪彩色增强(多次出现)
伪彩色增强是把一副灰色图像的各个不同灰度级按照线性或非线性的映射函数变换成不同的彩色,得到一副彩色的图像的技术
4.真彩色图像增强步骤
①将图像从RGB格式 转换为HSI格式
②采用灰度图像增强的方法(如直方图均衡)作用于亮度分量I图像
③将结果转化为RGB格式用于显示
5.图像分割定义
图像分割是指把图像分成互不相叠的区域并提取出感兴趣目标的技术
6.哈夫变换检测直线的原理
利用点与线的对偶性,将原始图像空间的给定的曲线通过曲线表达形式变为参数空间的一个点。这样就把原始图像中直线检测问题转化为寻找参数空间中的峰值问题。也即把检测整体特性转化为检测局部特性。
7.膨胀的作用是使空洞收缩,目标扩大。对消除图像中目标中的小颗粒噪声和填补凹陷是非常有效的。
腐蚀的作用是使目标收缩,空洞扩大。对去除图像小颗粒噪声和目标之间的粘连是非常有效的。
开运算:先腐蚀后膨胀,光滑目标轮廓,消除小目标,保持原有目标大小
闭运算:先膨胀后腐蚀,填充凹陷,弥合空洞和裂缝,保持原有目标大小
8.区域增长是把图像分割成若干小区域,比较相邻小区域特征的相似性。若足够相似,则作为同一区域合并,以此方法将特征相似的小区域不断合并,直到不能合并为止,最后形成特征不同的各区域。
1.哈夫曼编码、平均码长 (多次出现)
2.形状数(最小查分链码、查分链码)(必考)
https://blog.csdn.net/ok460695972ko/article/details/80198204
3.一致图像参数(分辨率等)求存储空间 位图(必考)
1.行程编码、Z字形(多次出现)
通过改变图像的描述方式,来实现图像的压缩。
将一行中灰度值相同的相邻像素,用一个计数值和该灰度值来代替。
一维:‘aaabbccccdddaa’ 行程编码->‘3a2b4c3d2a’
二维:Z字形去形成一条一维长数据,然后同理得行程编码
优点:在处理包含大量重复信息时可以有很好的压缩效率
2.DPCM(差分预测编码)
预测编码:实质上只是对新的信息进行编码,以消除相邻像素之间的相关性和冗余性。因为像素的灰度是连续变化的,所以在一个区域中,相邻像素之间灰度值的差别可能很小。
例如:可以用 238,2,0,1,1,3 来代表 238,240,240,241,242,245
3.熵编码
熵编码即编码过程中按熵原理不丢失任何信息的编码。信息熵为信源的平均信息量(不确定性的度量)。
常见的熵编码有:香农(Shannon)编码、哈夫曼(Huffman)编码和算术编码(arithmetic coding)。
4.标记是什么
对属于同一个1像素连接成分的所有像素分配相同的编号,对不同的连接成分分配不用的编号的处理,叫做连接成分的标记。
5.滤波
原理 | 效果 | 备注 | |
理想高通滤波 | 频域图像的高频部分通过而抑制低频部分。理想是指该滤波器不能用电子元器件来实现(下同) | 在图像中图像的边缘、细节对应高频分量,因此高通滤波的效果是图像锐化 | 会存在一定的振铃效应 |
巴特沃斯高通滤波 | 通频带内的频率响应曲线最大限度平坦,没有起伏,而在阻频带则逐渐下降为零。 | ||
理想低通 | 将频域图像中的高频部分滤除而通过低频部分 | 图像的边缘和噪声对应于频域图像中的高频部分,而低通滤波的作用即是减弱这部分的能量,从而达到图像平滑去噪的目的。 | 会存在一定的振铃效应 |
巴特沃斯低通 | 通频带内的频率响应曲线最大限度平坦,没有起伏,而在阻频带则逐渐下降为零。 |
理想高通滤波和巴特沃斯高通滤波效果的差异
6.理想低通与巴特沃斯低通区别
1.直方图均衡化算法
https://blog.csdn.net/xcmax/article/details/40352161
或课本70页
2.中值滤波的过程和应用
基本原理:把数字图像中的一点的值用该点的一个邻域中的各点值的中值代替,让周围的像素值更接近真实值,从而消除孤立噪声点。
算法描述:
[1] 获得源图像的首地址及图像的宽和高
[2] 开辟一块内存缓冲区,用以暂存结果图像,并初始化为0
[3] 逐个扫描图像中的像素点,将其邻域各元素的像素值从小到大进行排序,将求得到的中间值赋值给目标图像中与当前点对应的像素点
[4] 循环步骤[3],直到处理完源图像的全部像素点
[5] 将结果从内存缓冲区复制到源图像的数据区
应用:对消除椒盐噪声表现较好
(如果是均值滤波的化适当修改,应用是对消除高斯噪声表现较好)
3.空间低通滤波法的过程和应用
是应用模板卷积方法对图像的每一像素进行局部处理。
过程:
①将模板(低通滤波器)在图像中按从左到右、从上到下的顺序移动,将模板中心与每个像素一次重合
②将模板中的各个系数与其对应的像素一一相乘,并将所有的结果相加
③将结果赋给图像中对应模板中心位置的像素
优点:计算量小、使用灵活、使用于并行计算
应用:图像平滑、模糊一幅图像
4.JPEG压缩编码的算法过程
①正向离散余弦变换(FDCT)。
②量化(quantization)。
③Z字形编码(zigzag scan)。
④使用差分脉冲编码调制(differential pulse code modulation,DPCM)对 直流系数(DC)进行编码。
⑤使用行程长度编码(run-length encoding,RLE)对交流系数(AC) 进行编码。
⑥熵编码(entropy coding)。
5.二维图像卷积的全过程
二维离散傅里叶变换的性质:变换可分性、线性、比例性质、空间(频率)位移、对称性(共轭对称)、差(积)分、旋转不变性、能量定理、自(互)相关、周期性
图像的自相关函数与功率谱之间的关系是一对傅里叶变换