目录
颜色空间：
RGB颜色空间：
CMY(K)颜色空间：
HSV颜色空间：
CIE-XYZ颜色空间：
图片存储原理：
图像增强的目标：
图像处理方法：
点运算：
直方图：
均衡化：
自适应直方图均衡：
形态学运算 ：
临域运算：
颜色空间：
RGB颜色空间：
- 加法混色，彩色显示屏(越叠加越白)
- 3个通道：红色通道、绿色通道、蓝色通道
- 一个像素颜色值：（b,g,r）
- 取值范围：[0,255] [0.0,1.0]
CMY(K)颜色空间：
- 减法混色，印刷（越叠加越黑）
- 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] [0.0, 1.0]
HSV颜色空间：
- 人类视觉概念，画家配色
- 3个要素：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：（h, s, v）
- 取值范围：[0, 255] [0.0, 1.0]
CIE-XYZ颜色空间：
- 国际照明协会，1931
- 基于人类颜色视觉的直接测定
- 其他颜色空间基础
- 人类视觉系统-视锥细胞：1.短波（S，420-440nm） 2.中波（M，530-540nm） 3.长波（L，560-580nm）
- 3色刺激值通道：1.x, y, z约略对应于红色、绿色、蓝色 2.一种波的刺激等于几种波的混合刺激
图片存储原理：
一张图片是三维张量分为：长、宽、通道
通道分为：红、绿、蓝
如果想让彩色图转变成灰度图 公式为：(Gray=R*0.3+G*0.59+B*0.11)
图像增强的目标：
- 改善图像的视觉效果
- 转换为更合适于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
- 抑制无用的信息，提高图像的使用价值
- 包括图像锐化，平滑，去噪，灰度调整（对比度增强）
图像处理方法：
空间域处理：1.点运算 （HE、CLAHE） 2.形态学运算 (膨胀、腐蚀) 3.临域运算 （卷积、金字塔）
频率域处理：1.傅里叶变换 2.小波变换
点运算：
直方图：
1.对图片数据/特征分布的一种统计：
- 灰度、颜色
- 梯度/边缘、形状、纹理
- 局部特征点、视觉词汇
2.区间：
- 具有一定的统计或物理意义
- 一种数据或特征的代表
- 需要预定义或基于数据进行学习
- 数值是一种统量：概率、频数
3.对数据空间进行量化：
均衡化：
- 利用图像直方图对对比度进行调整的方法
- 通常用来增加许多图像的局部对比度，尤其是当图像的有用数据的对比度相当接近的时候
- 均衡化后，亮度可以更好地在直方图上分布。这样就可以用于增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效地扩展常用的亮度来实现这种功能
- 是对图像进行非线性拉伸
- 重新分配各个灰度单位中的像素点数量，使一定灰度范围像素点数量的值大致相等。
自适应直方图均衡：
直方图均衡的经典算法对整幅图像的像素使用相同的变换，如果图像中包括明显亮的或暗的区域，则经典算法作用有限。
自适应直方图均衡（AHE）算法通过对局部区域进行直方图均衡，来解决上述问题：
- 移动模板在原始图片上岸特定步长滑动
- 每次移动后，模板区域内做直方图均衡，映射后的结果赋值给模板区域内所有点
- 每个点会有多次赋值，最终的取值为这些赋值的均值
限制对比度自适应直方图均衡（CLAHE）
- 由于AHE会过度放大图像中相对均匀区域的噪音，所以可以采用限制对比度自适应直方图均衡（CLAHE）
- 与普通的自适应直方图均衡相比，CLAHE的不同地方在于直方图修剪过程，用修剪后的直方图均衡图像时，图像对比度会更自然。
即将灰色的部分剪切成等面积的矩形抬高直方图
CLAHE算法步骤：
- 图像分块，以块为单位
- 先计算直方图，然后修剪直方图，最后均衡
- 遍历操作各个图像块，进行块间双线性插值
- 与原图做图层滤色混合操作
由于上述步骤2分块后图片变清晰了，但是其块间变得不连续了。所以才有步骤3操作
- 小黑点的灰度直接由映射函数计算得到
- 粉色区域内点的灰度由映射函数计算而得
- 绿色区域内点的灰度由相邻2块灰度映射值线性插值而得
- 其他区域所有点的灰度由相邻4块的灰度映射值双线性插值而得。
形态学运算 ：
- 膨胀是图像中的高亮部分进行膨胀，类似于领域扩张
- 腐蚀是原图的高亮部分被腐蚀，类似于领域被蚕食
腐蚀为B在A边过一遍然后面积变小，膨胀则是恰恰相反。
- 开运算：先腐蚀再膨胀，可以去掉目标外的孤立点
- 闭运算：先膨胀再腐蚀，可以去掉目标内的孔
- 开、闭运算能够将有噪点的图像用阈值二值化后，所得到的边界不平滑的，物体区域具有一些错判的孔洞，背景区域散布一些小的噪声物体，得到进一步改善。
临域运算：
滤波/卷积：
在每个图片位置(x,y)上进行基于领域的函数计算
- 滤波函数->权重相加
- 卷积核、卷积模板
- 滤波器、滤波模板
- 扫描窗、
不同功能需要定义不同的函数
- 平滑/去噪
- 梯度/锐化
- 边缘、显著点、纹理
- 模式检测
卷积公式：
过程图：
边界填充：
- 获得同尺寸输出的情况下
- 卷积核越大，补充越多
补充类型：
- 补零
- 边界复制
- 镜像
- 块复制
填充图：
平滑均值滤波/卷积缺陷：既没有很好的去除噪声点，也破坏了图像的细节反而使图像变得模糊。
为了缓解该缺陷，可以使用平滑中值滤波/卷积。
平滑中值滤波/卷积：
- 奇数尺寸：3×3，5×5，7×7，.....
- 操作原理：卷积域内的像素值从小到大排序 取中间值作为卷积输出
- 有效去除椒盐噪声
将邻域矩阵中的N个像素进行排序，并将这个矩阵的中心点赋值为这N个像素的中间值
平均高斯滤波/卷积：
- 奇数尺寸：3×3，5×5，7×7，.....
- 模拟人眼，关注中心区域：离关注中心越远2，感受精度越模糊
- 有效去除高斯噪声
- 参数：x，y是卷积参数坐标 标准差 越小，关注区域越集中
分解特性：
2D卷积拆分成两个相同的1D卷积： 列卷积和行卷积文章来源：https://www.toymoban.com/news/detail-861303.html
降计算：2D卷积：K×K次计算 2×1D卷积：2K次计算文章来源地址https://www.toymoban.com/news/detail-861303.html
梯度Prewittl滤波/卷积：
- 水平梯度/垂直边缘
- 垂直梯度/水平边缘
梯度Sobel滤波/卷积：
- 水平梯度/垂直边缘
- 垂直梯度/水平边缘
梯度Laplacian滤波/卷积：
- 二阶微分算子：一阶导数极值
- 作用：团块检测：周边高于（低于）中心点 边缘检测：像素值快速变化的区域
到了这里，关于计算机视觉基础的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
