目錄
（知識點來源：課本《數字圖像處理》（賈永紅），總結的內容是我們學校老師劃的期末範圍，主要目的是掌握基本概念）
第二章：數字圖像處理的基本概念
2.3 圖像數字化
數字化是將一幅畫面轉化成計算機能處理的數字圖像的過程。
包括：採樣和量化。
2.3.1、2.3.2採樣與量化
1.採樣：將空間上連續的圖像變換成離散點。（採樣間隔、採樣孔徑）
2.量化：採樣後的圖像被分割成空間上離散的像素，但是灰度是連續的，量化就是將像素灰度轉換成離散的整數值。
一幅數字圖像中不同灰度值的個數稱爲灰度級。二值圖像是灰度級只有兩級的。（通常是0和1）
存儲一幅大小爲M×N、灰度級數爲G的圖像所需的存儲空間：
2.3.3像素數、量化參數與數字化所得到的數字圖像間的關係
1.一般來說，採樣間隔越大，所得圖像像素數越少，空間分辨率低，質量差，嚴重時會出現國際棋盤效應。
採樣間隔越小，所的圖像像素數越多，空間分辨率高，圖像質量好，但是數據量大。
2.量化等級越多，圖像層次越豐富，灰度分辨率高，圖像質量好，但數據量大。
量化等級越少，圖像層次欠豐富，灰度分辨率低，會出現假輪廓，質量變差，但數據量小。
2.4 圖像灰度直方圖
2.4.1定義
灰度直方圖是反映一幅圖像中各灰度級像素出現的頻率，反映灰度分佈情況。
2.4.2性質
（1）只能反映灰度分佈，丟失像素位置信息
（2）一幅圖像對應唯一灰度直方圖，反之不一定。
（3）一幅圖像分成多個區域，多個區域的直方圖之和是原圖像的直方圖。
2.4.3應用
（1）判斷圖像量化是否恰當
（2）確定圖像二值化的閾值
（3） 物體部分灰度值比其他部分灰度值大的時候可以統計圖像中物體面積。
（4）計算圖像信息量（熵）
2.5圖像處理算法的形式
2.5.1基本功能形式
（1）單幅->單幅
（2）多幅->單幅
（3）多幅/單幅->數字或符號
2.5.2圖像處理的幾種具體算法形式
（1）局部處理（鄰域，如4-鄰域，8-鄰域）（移動平均平滑法、空間域銳化等）
![JP(i,j)=\phi [N(i,j)]](https://pic1.xuehuaimg.com/proxy/csdn/https://private.codecogs.com/gif.latex?JP%28i%2Cj%29%3D%5Cphi%20%5BN%28i%2Cj%29%5D)
（2）迭代處理
反覆對圖像進行某種運算直到滿足給定條件。
（3）跟蹤處理
選擇滿足適當條件的像素作爲起始像素，檢查輸入圖像和已得到的輸出結果，求出下一步應該處理的像素。
特點：依賴起始像素位置，避免徒勞處理，可能會提高精度，用於邊界線等高線的跟蹤。
（4）位置不變處理/位置可變處理
輸出像素的值的計算方法與像素位置無關-位置不變處理。
（5）窗口處理/模板處理
只對特定部分進行處理。（矩形->窗口，任意形狀->模板）
（6）串行處理和並行處理
串行處理：後一像素輸出結果依賴於前面像素處理的結果，並且只能依次處理各像素。
並行處理：對各像素同時進行相同形式運算。
第三章 圖像變換
目的：使圖像處理問題簡化，有利於特徵提取。
線性位移不變系統：
傅里葉變換是全局變換。
第四章 圖像增強
目的：改善圖像清晰度，將圖像轉換成一種更適合人或者機器進行分析處理的形式。
抑制沒有用的信息，提高圖像使用價值。
4.1圖像增強的點運算
（這一節在上一篇博客裏寫過了，這裏不再重複。）
4.2空間域平滑
噪聲會使圖像退化、質量下降、圖像模糊、特徵淹沒。
爲了抑制噪聲改善圖像質量所進行的處理稱爲平滑或去噪，可以在空間域和頻率域中進行。
（1）局部平滑法（鄰域平滑法/移動平均法）
用像素鄰域內各像素的灰度平均值代替該像素原來的灰度值，實現圖像的平滑。
常用的鄰域有4-鄰域、8-鄰域。
clc;clear all;
img = imread('412.jpg');
subplot(131),imshow(img),title('原圖');
%添加均值爲0，方差爲0.02的高斯噪聲。
I = imnoise(img,'gaussian',0,0.02);
subplot(132),imshow(I),title('加噪聲');
for i=1:3
J(:,:,i)=filter2(fspecial('average',3),I(:,:,i))/255;
end
subplot(133),imshow(J),title('均值平滑後的圖像');
主要缺點：降低噪聲的同時使圖像產生模糊，特別是邊緣和細節處。
爲了克服簡單局部平滑法的弊端，有許多保邊緣細節的局部平滑算法。
（2）超限像素平滑法
原理：將f(x,y)和g(x,y)之差的絕對值與選定的閾值進行比較，根據比較結果確定最後的灰度。
%超限像素平滑法
clc;clear all;
img = imread('412.jpg');
I=rgb2gray(img);%灰度化
subplot(221),imshow(I);
[m,n]=size(I);
l=3;
L=ones(1);%1x1模板
S=ones(m-l+1,n-l+1);
for i=1:m-l+1
for j=1:n-l+1
S(i,j)=1/(l*l)*sum(sum(I(i:i+l-1,j:j+l-1)));%求平均
end
end
subplot(222),imshow(S,[]);
P=imnoise(I,'salt & pepper',0.05);%椒鹽噪聲
subplot(223),imshow(P);
T=30;%設置閾值
A=P;
for i=1:m-2
for j=1:n-2
if(abs(P(i,j)-S(i,j))>T)
A(i,j)=P(i,j);
else
A(i,j)=S(i,j);
end
end
end
subplot(224),imshow(A)
隨着鄰域增大，去噪能力增強，但是模糊程度也大。
（3）灰度最相近的K個鄰點平均法
原理：在n×n的窗口內屬於同一幾何體的像素，她們灰度值將高度相關。窗口中心像素的灰度值可以用窗口內與中心點灰度最接近的K哥鄰點的平均灰度來代替。
（4）梯度倒數加權平滑法
圖像在一個區域內灰度變化比區域之間的變化小，在邊緣的梯度絕對值比區域內部梯度絕對值高。
在nxn窗口內把中心像素點與各個鄰點之間剃度絕對值的倒數定義爲各個鄰點的加權值，則在區域內部的鄰點加權值大，邊緣、區域外的加權值小。這樣對加權後的nxn鄰域進行局部平均可以使得圖像得到平滑又不至於邊緣細節模糊。
（5）最大均勻性平滑
找出環繞圖中每個像素的最均勻區域（灰度變化最小的鄰域），用這個區域的灰度值代替這個像素原來的灰度值。
優點：消除噪聲的同時保持邊緣的清晰度。
缺點：複雜形狀的邊界會過分平滑並且細節消失。
（6）有選擇保邊緣平滑法
最大均勻性平滑的改進。
（7）空間低通濾波法
（8）多幅圖像平均法
利用對同一景物的多幅圖像加權平均來消除噪聲。
（9）中值濾波（非線性的圖像平滑法）
對一個滑動窗口內的各個像素灰度值排序，用中值代替窗口中心像素的原灰度值。
對脈衝干擾及椒鹽噪聲的抑制效果好，但是對點線等細節較多的圖像不合適。
特性：
對離散階躍信號、斜升信號不產生影響，連續個數小於窗口長度一半的離散脈衝將被平滑，三角函數的頂部平坦化。濾波後信號頻譜基本不變。
比超限像素平滑法更有效抑制椒鹽噪聲。
4.3圖像空間域銳化
增強邊緣/輪廓。
4.3.1梯度銳化法
對於一幅圖像突出的邊緣區，梯度值較大，平滑區梯度值較小。灰度級爲常數的區域，梯度爲0。
其他算子：Roberts算子、Sobel算子、Prewitt算子、Laplace算子（線性二階微分算子）等。
4.4圖像頻率域增強
包括：消除噪聲、突出邊緣。
4.4.1頻率域平滑
噪聲主要集中在高頻，所以利用低通濾波器來抑制高頻部分。
常用的頻率域低通濾波器：
（1）理想低通濾波器
（2）巴特沃斯低通
（3）指數低通
（4）梯形低通
4.4.2頻率域銳化
邊緣細節在高頻，圖像模糊是由於高頻成分太弱，所以用高通濾波器使得低頻成分削弱。
常用的高通濾波器：
（1）理想高通
（2）巴特沃斯
（3）指數
（4）梯形
第五章 圖像復原和重建
一般過程：分析退化原因->建立退化模型->反向推演->恢復圖像
圖像復原和圖像增強的區別：
二者的目的都是爲了改善圖像質量，但是圖像增強不考慮圖像是怎麼退化的，只是通過試探各種技術來增強圖像的視覺效果。圖像增強可以不顧增強後的圖像是否失真。圖像復原必須要知道圖像退化的機制和過程的先驗知識，找出一種相應的逆過程方法，從而得到復原的圖像。如果圖像退化，需要先復原，再增強。
第七章 圖像分割
圖像分析：
（1）把圖像分割成不同區域/把不同對象分開。
（2）找出分開的各區域的特徵。
（3）識別圖像中要找的對象/圖像分類。
（4）對不同區域進行描述/尋找不同區域的相互聯繫，進而找出相似結構/相關區域連成一個有意義的結構。
（2）是指各個子區域不重疊。
（3）是指同一個區域的像素應該有某些相同的特徵。
（4）是指不同區域的像素應該有一些不同的特徵。
分割方法：
（1）基於邊緣提取的分割法-先提取區域邊界
（2）區域分割
（3）區域增長
（4）分裂-合併（2,3的組合）
7.2邊緣檢測算子
（和圖像銳化差不多，這裏不寫出來了。）
7.3邊緣跟蹤（將檢測的邊緣點連接成線）
有：光柵掃描跟蹤\全向跟蹤法。
7.4Hough變換
7.5區域分割法
7.5.1最簡單圖像的區域分割法
（1）P參數法（目標所佔圖像面積已知）
（2）狀態法（灰度直方圖雙峯/有明顯的谷）
（3）判斷分析法（不能反映圖像幾何結構）
（4）最佳熵自動閾值法
（5）最小誤差分割（感興趣目標灰度級服從正態分佈）
（6）局部閾值法
7.6區域增長
區域增長/擴張法有：單一性、質心型、混合型。
第八章 二值圖像處理與形狀分析
8.1.3連接成分
0像素和1像素要採用互反的連接形式。
孔：0像素的連接成分中如果存在和圖像外圍的1列/行的0像素不相連接的成分稱爲孔。
不含孔的1像素連接成分叫單連接，否則是多連接成分。
8.1.4歐拉數
歐拉數/示性數：二值圖像中，1像素連接成分數C減去孔數H的值。
E=C-H
8.3形狀特徵提取與分析
分爲：區域內部形狀特徵提取、區域外部形狀特徵提取
第九章 影像紋理分析
9.5灰度共生矩陣
在圖像中任意一點（x,y）及偏離它的一點(x+a,y+b)(其中a，b爲整數，認爲定義)構成點對。設該點對的灰度值爲(f1,f2),假設圖像的最大灰度級爲L,則f1與f2的組合共有L*L種。對於整福圖像，統計每一種(f1,f2)值出現的次數，然後排列成一個方陣，再用(f1,f2)出現的總次數將它們歸一化爲出現的概率P(f1,f2)，由此產生的矩陣爲灰度共生矩陣。
摘錄自：「sunny_develop」我覺得他寫的很好，可以參考這個。