航天時代飛鵬圖像處理演算法

『壹』 數字圖像壓縮技術

『貳』 圖像的特徵提取都有哪些演算法

常用的圖像特徵有顏色特徵、紋理特徵、形狀特徵、空間關系特徵。

一 顏色特徵

（一）特點：顏色特徵是一種全局特徵,描述了圖像或圖像區域所對應的景物的表面性質。一般顏色特徵是基於像素點的特徵，此時所有屬於圖像或圖像區域的像素都有各自的貢獻。由於顏色對圖像或圖像區域的方向、大小等變化不敏感，所以顏色特徵不能很好地捕捉圖像中對象的局部特徵。另外，僅使用顏色特徵查詢時，如果資料庫很大，常會將許多不需要的圖像也檢索出來。顏色直方圖是最常用的表達顏色特徵的方法，其優點是不受圖像旋轉和平移變化的影響，進一步藉助歸一化還可不受圖像尺度變化的影響，基缺點是沒有表達出顏色空間分布的信息。

（二）常用的特徵提取與匹配方法

（1） 顏色直方圖

其優點在於：它能簡單描述一幅圖像中顏色的全局分布，即不同色彩在整幅圖像中所佔的比例，特別適用於描述那些難以自動分割的圖像和不需要考慮物體空間位置的圖像。其缺點在於：它無法描述圖像中顏色的局部分布及每種色彩所處的空間位置，即無法描述圖像中的某一具體的對象或物體。

最常用的顏色空間：RGB顏色空間、HSV顏色空間。

顏色直方圖特徵匹配方法：直方圖相交法、距離法、中心距法、參考顏色表法、累加顏色直方圖法。

（2） 顏色集

顏色直方圖法是一種全局顏色特徵提取與匹配方法，無法區分局部顏色信息。顏色集是對顏色直方圖的一種近似首先將圖像從 RGB顏色空間轉化成視覺均衡的顏色空間（如 HSV 空間），並將顏色空間量化成若干個柄。然後，用色彩自動分割技術將圖像分為若干區域，每個區域用量化顏色空間的某個顏色分量來索引，從而將圖像表達為一個二進制的顏色索引集。在圖像匹配中，比較不同圖像顏色集之間的距離和色彩區域的空間關系

（3） 顏色矩

這種方法的數學基礎在於：圖像中任何的顏色分布均可以用它的矩來表示。此外，由於顏色分布信息主要集中在低階矩中，因此，僅採用顏色的一階矩（mean）、二階矩（variance）和三階矩（skewness）就足以表達圖像的顏色分布。

（4） 顏色聚合向量

其核心思想是：將屬於直方圖每一個柄的像素分成兩部分，如果該柄內的某些像素所佔據的連續區域的面積大於給定的閾值，則該區域內的像素作為聚合像素，否則作為非聚合像素。

（5） 顏色相關圖

二 紋理特徵

（一）特點：紋理特徵也是一種全局特徵，它也描述了圖像或圖像區域所對應景物的表面性質。但由於紋理只是一種物體表面的特性，並不能完全反映出物體的本質屬性，所以僅僅利用紋理特徵是無法獲得高層次圖像內容的。與顏色特徵不同，紋理特徵不是基於像素點的特徵，它需要在包含多個像素點的區域中進行統計計算。在模式匹配中，這種區域性的特徵具有較大的優越性，不會由於局部的偏差而無法匹配成功。作為一種統計特徵，紋理特徵常具有旋轉不變性，並且對於雜訊有較強的抵抗能力。但是，紋理特徵也有其缺點，一個很明顯的缺點是當圖像的解析度變化的時候，所計算出來的紋理可能會有較大偏差。另外，由於有可能受到光照、反射情況的影響，從2-D圖像中反映出來的紋理不一定是3-D物體表面真實的紋理。

例如，水中的倒影，光滑的金屬面互相反射造成的影響等都會導致紋理的變化。由於這些不是物體本身的特性，因而將紋理信息應用於檢索時，有時這些虛假的紋理會對檢索造成「誤導」。

在檢索具有粗細、疏密等方面較大差別的紋理圖像時，利用紋理特徵是一種有效的方法。但當紋理之間的粗細、疏密等易於分辨的信息之間相差不大的時候，通常的紋理特徵很難准確地反映出人的視覺感覺不同的紋理之間的差別。

（二）常用的特徵提取與匹配方法

紋理特徵描述方法分類

（1）統計方法統計方法的典型代表是一種稱為灰度共生矩陣的紋理特徵分析方法Gotlieb 和 Kreyszig 等人在研究共生矩陣中各種統計特徵基礎上，通過實驗，得出灰度共生矩陣的四個關鍵特徵：能量、慣量、熵和相關性。統計方法中另一種典型方法，則是從圖像的自相關函數（即圖像的能量譜函數）提取紋理特徵，即通過對圖像的能量譜函數的計算，提取紋理的粗細度及方向性等特徵參數

（2）幾何法

所謂幾何法，是建立在紋理基元（基本的紋理元素）理論基礎上的一種紋理特徵分析方法。紋理基元理論認為，復雜的紋理可以由若干簡單的紋理基元以一定的有規律的形式重復排列構成。在幾何法中，比較有影響的演算法有兩種：Voronio 棋盤格特徵法和結構法。

（3）模型法

模型法以圖像的構造模型為基礎，採用模型的參數作為紋理特徵。典型的方法是隨機場模型法，如馬爾可夫（Markov）隨機場（MRF）模型法和 Gibbs 隨機場模型法

（4）信號處理法

紋理特徵的提取與匹配主要有：灰度共生矩陣、Tamura 紋理特徵、自回歸紋理模型、小波變換等。

灰度共生矩陣特徵提取與匹配主要依賴於能量、慣量、熵和相關性四個參數。Tamura 紋理特徵基於人類對紋理的視覺感知心理學研究，提出6種屬性，即：粗糙度、對比度、方向度、線像度、規整度和粗略度。自回歸紋理模型（simultaneous auto-regressive, SAR）是馬爾可夫隨機場（MRF）模型的一種應用實例。

三 形狀特徵

（一）特點：各種基於形狀特徵的檢索方法都可以比較有效地利用圖像中感興趣的目標來進行檢索，但它們也有一些共同的問題，包括：①目前基於形狀的檢索方法還缺乏比較完善的數學模型；②如果目標有變形時檢索結果往往不太可靠；③許多形狀特徵僅描述了目標局部的性質，要全面描述目標常對計算時間和存儲量有較高的要求；④許多形狀特徵所反映的目標形狀信息與人的直觀感覺不完全一致，或者說，特徵空間的相似性與人視覺系統感受到的相似性有差別。另外，從 2-D 圖像中表現的 3-D 物體實際上只是物體在空間某一平面的投影，從 2-D 圖像中反映出來的形狀常不是 3-D 物體真實的形狀，由於視點的變化，可能會產生各種失真。

（二）常用的特徵提取與匹配方法

Ⅰ幾種典型的形狀特徵描述方法

通常情況下，形狀特徵有兩類表示方法，一類是輪廓特徵，另一類是區域特徵。圖像的輪廓特徵主要針對物體的外邊界，而圖像的區域特徵則關繫到整個形狀區域。

幾種典型的形狀特徵描述方法：

（1）邊界特徵法該方法通過對邊界特徵的描述來獲取圖像的形狀參數。其中Hough 變換檢測平行直線方法和邊界方向直方圖方法是經典方法。Hough 變換是利用圖像全局特性而將邊緣像素連接起來組成區域封閉邊界的一種方法，其基本思想是點—線的對偶性；邊界方向直方圖法首先微分圖像求得圖像邊緣，然後，做出關於邊緣大小和方向的直方圖，通常的方法是構造圖像灰度梯度方向矩陣。

（2）傅里葉形狀描述符法

傅里葉形狀描述符(Fourier shape descriptors)基本思想是用物體邊界的傅里葉變換作為形狀描述，利用區域邊界的封閉性和周期性，將二維問題轉化為一維問題。

由邊界點導出三種形狀表達，分別是曲率函數、質心距離、復坐標函數。

（3）幾何參數法

形狀的表達和匹配採用更為簡單的區域特徵描述方法，例如採用有關形狀定量測度（如矩、面積、周長等）的形狀參數法（shape factor）。在 QBIC 系統中，便是利用圓度、偏心率、主軸方向和代數不變矩等幾何參數，進行基於形狀特徵的圖像檢索。

需要說明的是，形狀參數的提取，必須以圖像處理及圖像分割為前提，參數的准確性必然受到分割效果的影響，對分割效果很差的圖像，形狀參數甚至無法提取。

（4）形狀不變矩法

利用目標所佔區域的矩作為形狀描述參數。

（5）其它方法

近年來，在形狀的表示和匹配方面的工作還包括有限元法（Finite Element Method 或 FEM）、旋轉函數（Turning Function）和小波描述符（Wavelet Descriptor）等方法。

Ⅱ 基於小波和相對矩的形狀特徵提取與匹配

該方法先用小波變換模極大值得到多尺度邊緣圖像，然後計算每一尺度的 7個不變矩，再轉化為 10 個相對矩，將所有尺度上的相對矩作為圖像特徵向量，從而統一了區域和封閉、不封閉結構。

四 空間關系特徵

（一）特點：所謂空間關系，是指圖像中分割出來的多個目標之間的相互的空間位置或相對方向關系，這些關系也可分為連接/鄰接關系、交疊/重疊關系和包含/包容關系等。通常空間位置信息可以分為兩類：相對空間位置信息和絕對空間位置信息。前一種關系強調的是目標之間的相對情況，如上下左右關系等，後一種關系強調的是目標之間的距離大小以及方位。顯而易見，由絕對空間位置可推出相對空間位置，但表達相對空間位置信息常比較簡單。

空間關系特徵的使用可加強對圖像內容的描述區分能力，但空間關系特徵常對圖像或目標的旋轉、反轉、尺度變化等比較敏感。另外，實際應用中，僅僅利用空間信息往往是不夠的，不能有效准確地表達場景信息。為了檢索，除使用空間關系特徵外，還需要其它特徵來配合。

（二）常用的特徵提取與匹配方法
提取圖像空間關系特徵可以有兩種方法：一種方法是首先對圖像進行自動分割，劃分出圖像中所包含的對象或顏色區域，然後根據這些區域提取圖像特徵，並建立索引；另一種方法則簡單地將圖像均勻地劃分為若干規則子塊，然後對每個圖像子塊提取特徵，並建立索引。

『叄』 在圖像處理中有哪些演算法

1、圖像變換：

由於圖像陣列很大，直接在空間域中進行處理，涉及計算量很大。採用各種圖像變換的方法，如傅立葉變換、沃爾什變換、離散餘弦變換等間接處理技術，將空間域的處理轉換為變換域處理，可減少計算量，獲得更有效的處理。它在圖像處理中也有著廣泛而有效的應用。

2、圖像編碼壓縮：

圖像編碼壓縮技術可減少描述圖像的數據量，以便節省圖像傳輸、處理時間和減少所佔用的存儲器容量。

壓縮可以在不失真的前提下獲得，也可以在允許的失真條件下進行。

編碼是壓縮技術中最重要的方法，它在圖像處理技術中是發展最早且比較成熟的技術。

3、圖像增強和復原：

圖像增強和復原的目的是為了提高圖像的質量，如去除雜訊，提高圖像的清晰度等。

圖像增強不考慮圖像降質的原因，突出圖像中所感興趣的部分。如強化圖像高頻分量，可使圖像中物體輪廓清晰，細節明顯；如強化低頻分量可減少圖像中雜訊影響。

4、圖像分割：

圖像分割是數字圖像處理中的關鍵技術之一。

圖像分割是將圖像中有意義的特徵部分提取出來，其有意義的特徵有圖像中的邊緣、區域等，這是進一步進行圖像識別、分析和理解的基礎。

5、圖像描述：

圖像描述是圖像識別和理解的必要前提。

一般圖像的描述方法採用二維形狀描述，它有邊界描述和區域描述兩類方法。對於特殊的紋理圖像可採用二維紋理特徵描述。

6、圖像分類：

圖像分類屬於模式識別的范疇，其主要內容是圖像經過某些預處理（增強、復原、壓縮）後，進行圖像分割和特徵提取，從而進行判決分類。

圖像分類常採用經典的模式識別方法，有統計模式分類和句法模式分類。

(3)航天時代飛鵬圖像處理演算法擴展閱讀：

圖像處理主要應用在攝影及印刷、衛星圖像處理、醫學圖像處理、面孔識別、特徵識別、顯微圖像處理和汽車障礙識別等。

數字圖像處理技術源於20世紀20年代，當時通過海底電纜從英國倫敦到美國紐約傳輸了一幅照片，採用了數字壓縮技術。

數字圖像處理技術可以幫助人們更客觀、准確地認識世界，人的視覺系統可以幫助人類從外界獲取3/4以上的信息，而圖像、圖形又是所有視覺信息的載體，盡管人眼的鑒別力很高，可以識別上千種顏色，

但很多情況下，圖像對於人眼來說是模糊的甚至是不可見的，通過圖象增強技術，可以使模糊甚至不可見的圖像變得清晰明亮。

『肆』 鏁板瓧鍥懼儚澶勭悊鐨勫彂灞曟傚喌

鏁板瓧鍥懼儚澶勭悊鏈鏃╁嚭鐜頒簬20涓栫邯50騫翠唬錛屽綋鏃剁殑鐢靛瓙璁＄畻鏈哄凡緇忓彂灞曞埌涓瀹氭按騫籌紝浜轟滑寮濮嬪埄鐢ㄨ＄畻鏈烘潵澶勭悊鍥懼艦鍜屽浘鍍忎俊鎮銆傛暟瀛楀浘鍍忓勭悊浣滀負涓闂ㄥ︾戝ぇ綰﹀艦鎴愪簬20涓栫邯60騫翠唬鍒濇湡銆傛棭鏈熺殑鍥懼儚澶勭悊鐨勭洰鐨勬槸鏀瑰杽鍥懼儚鐨勮川閲忥紝瀹冧互浜轟負瀵硅薄錛屼互鏀瑰杽浜虹殑瑙嗚夋晥鏋滀負鐩鐨勩傚浘鍍忓勭悊涓錛岃緭鍏ョ殑鏄璐ㄩ噺浣庣殑鍥懼儚錛岃緭鍑虹殑鏄鏀瑰杽璐ㄩ噺鍚庣殑鍥懼儚錛屽父鐢ㄧ殑鍥懼儚澶勭悊鏂規硶鏈夊浘鍍忓炲己銆佸嶅師銆佺紪鐮併佸帇緙╃瓑銆傞栨¤幏寰楀疄闄呮垚鍔熷簲鐢ㄧ殑鏄緹庡浗鍠鋒皵鎺ㄨ繘瀹為獙瀹わ紙JPL錛夈備粬浠瀵硅埅澶╂帰嫻嬪櫒寰樺緤鑰7鍙峰湪1964騫村彂鍥炵殑鍑犲崈寮犳湀鐞冪収鐗囦嬌鐢ㄤ簡鍥懼儚澶勭悊鎶鏈錛屽傚嚑浣曟牎姝ｃ佺伆搴﹀彉鎹銆佸幓闄ゅ櫔澹扮瓑鏂規硶榪涜屽勭悊錛屽苟鑰冭檻浜嗗お闃充綅緗鍜屾湀鐞冪幆澧冪殑褰卞搷錛岀敱璁＄畻鏈烘垚鍔熷湴緇樺埗鍑烘湀鐞冭〃闈㈠湴鍥撅紝鑾峰緱浜嗗法澶х殑鎴愬姛銆傞殢鍚庡張瀵規帰嫻嬮炶埞鍙戝洖鐨勮繎鍗佷竾寮犵収鐗囪繘琛屾洿涓哄嶆潅鐨勫浘鍍忓勭悊錛屼互鑷磋幏寰椾簡鏈堢悆鐨勫湴褰㈠浘銆佸僵鑹插浘鍙婂叏鏅闀跺祵鍥撅紝鑾峰緱浜嗛潪鍑＄殑鎴愭灉錛屼負浜虹被鐧繪湀鍒涗婦濂犲畾浜嗗潥瀹炵殑鍩虹錛屼篃鎺ㄥ姩浜嗘暟瀛楀浘鍍忓勭悊榪欓棬瀛︾戠殑璇炵敓銆傚湪浠ュ悗鐨勫畤鑸絀洪棿鎶鏈錛屽傚圭伀鏄熴佸湡鏄熺瓑鏄熺悆鐨勬帰嫻嬬爺絀朵腑錛屾暟瀛楀浘鍍忓勭悊鎶鏈閮藉彂鎸ヤ簡宸ㄥぇ鐨勪綔鐢ㄣ傛暟瀛楀浘鍍忓勭悊鍙栧緱鐨勫彟涓涓宸ㄥぇ鎴愬氨鏄鍦ㄥ尰瀛︿笂鑾峰緱鐨勬垚鏋溿
1972騫磋嫳鍥紼MI鍏鍙稿伐紼嬪笀Housfield鍙戞槑浜嗙敤浜庡ご棰呰瘖鏂鐨刋灝勭嚎璁＄畻鏈烘柇灞傛憚褰辮呯疆錛屼篃灝辨槸鎴戜滑閫氬父鎵璇寸殑CT錛圕omputer Tomograph錛夈侰T鐨勫熀璇ユ柟娉曟槸鏍規嵁浜虹殑澶撮儴鎴闈㈢殑鎶曞獎錛岀粡璁＄畻鏈哄勭悊鏉ラ噸寤烘埅闈㈠浘鍍忥紝縐頒負鍥懼儚閲嶅緩銆
1975騫碋MI鍏鍙稿張鎴愬姛鐮斿埗鍑哄叏韜鐢ㄧ殑CT瑁呯疆錛岃幏寰椾簡浜轟綋鍚勪釜閮ㄤ綅椴滄槑娓呮櫚鐨勬柇灞傚浘鍍忋1979騫達紝榪欓」鏃犳崯浼よ瘖鏂鎶鏈鑾峰緱浜嗚鴻礉灝斿栵紝璇存槑瀹冨逛漢綾諱綔鍑轟簡鍒掓椂浠ｇ殑璐＄尞銆備笌姝ゅ悓鏃訛紝鍥懼儚澶勭悊鎶鏈鍦ㄨ稿氬簲鐢ㄩ嗗煙鍙楀埌騫挎硾閲嶈嗗苟鍙栧緱浜嗛噸澶х殑寮鎷撴ф垚灝憋紝灞炰簬榪欎簺棰嗗煙鐨勬湁鑸絀鴻埅澶┿佺敓鐗╁尰瀛﹀伐紼嬨佸伐涓氭嫻嬨佹満鍣ㄤ漢瑙嗚夈佸叕瀹夊徃娉曘佸啗浜嬪埗瀵箋佹枃鍖栬壓鏈絳夛紝浣垮浘鍍忓勭悊鎴愪負涓闂ㄥ紩浜烘敞鐩銆佸墠鏅榪滃ぇ鐨勬柊鍨嬪︾戙傞殢鐫鍥懼儚澶勭悊鎶鏈鐨勬繁鍏ュ彂灞曪紝浠70騫翠唬涓鏈熷紑濮嬶紝闅忕潃璁＄畻鏈烘妧鏈鍜屼漢宸ユ櫤鑳姐佹濈淮縐戝︾爺絀剁殑榪呴熷彂灞曪紝鏁板瓧鍥懼儚澶勭悊鍚戞洿楂樸佹洿娣卞眰嬈″彂灞曘備漢浠宸插紑濮嬬爺絀跺備綍鐢ㄨ＄畻鏈虹郴緇熻В閲婂浘鍍忥紝瀹炵幇綾諱技浜虹被瑙嗚夌郴緇熺悊瑙ｅ栭儴涓栫晫錛岃繖琚縐頒負鍥懼儚鐞嗚В鎴栬＄畻鏈鴻嗚夈傚緢澶氬浗瀹訛紝鐗瑰埆鏄鍙戣揪鍥藉舵姇鍏ユ洿澶氱殑浜哄姏銆佺墿鍔涘埌榪欓」鐮旂┒錛屽彇寰椾簡涓嶅皯閲嶈佺殑鐮旂┒鎴愭灉銆傚叾涓浠ｈ〃鎬х殑鎴愭灉鏄70騫翠唬鏈玀IT鐨凪arr鎻愬嚭鐨勮嗚夎＄畻鐞嗚猴紝榪欎釜鐞嗚烘垚涓鴻＄畻鏈鴻嗚夐嗗煙鍏跺悗鍗佸氬勾鐨勪富瀵兼濇兂銆傚浘鍍忕悊瑙ｈ櫧鐒跺湪鐞嗚烘柟娉曠爺絀朵笂宸插彇寰椾笉灝忕殑榪涘睍錛屼絾瀹冩湰韜鏄涓涓姣旇緝闅劇殑鐮旂┒棰嗗煙錛屽瓨鍦ㄤ笉灝戝洶闅撅紝鍥犱漢綾繪湰韜瀵硅嚜宸辯殑瑙嗚夎繃紼嬭繕浜嗚В鐢氬皯錛屽洜姝よ＄畻鏈鴻嗚夋槸涓涓鏈夊緟浜轟滑榪涗竴姝ユ帰緔㈢殑鏂伴嗗煙銆
鏁板瓧鍥懼儚澶勭悊鍦ㄥ浗姘戠粡嫻庣殑璁稿氶嗗煙宸茬粡寰楀埌騫挎硾鐨勫簲鐢ㄣ傚啘鏋楅儴闂ㄩ氳繃閬ユ劅鍥懼儚浜嗚В妞嶇墿鐢熼暱鎯呭喌錛岃繘琛屼及浜э紝鐩戣嗙棶鉶瀹沖彂灞曞強娌葷悊銆傛按鍒╅儴闂ㄩ氳繃閬ユ劅鍥懼儚鍒嗘瀽錛岃幏鍙栨按瀹崇伨鎯呯殑鍙樺寲銆傛皵璞￠儴闂ㄧ敤浠ュ垎鏋愭皵璞′簯鍥撅紝鎻愰珮棰勬姤鐨勫噯紜紼嬪害銆傚浗闃插強嫻嬬粯閮ㄩ棬錛屼嬌鐢ㄨ埅嫻嬫垨鍗鏄熻幏寰楀湴鍩熷湴璨屽強鍦伴潰璁炬柦絳夎祫鏂欍傛満姊伴儴闂ㄥ彲浠ヤ嬌鐢ㄥ浘鍍忓勭悊鎶鏈錛岃嚜鍔ㄨ繘琛岄噾鐩稿浘鍒嗘瀽璇嗗埆銆傚尰鐤楅儴闂ㄩ噰鐢ㄥ悇縐嶆暟瀛楀浘鍍忔妧鏈瀵瑰悇縐嶇柧鐥呰繘琛岃嚜鍔ㄨ瘖鏂銆
鏁板瓧鍥懼儚澶勭悊鍦ㄩ氫俊棰嗗煙鏈夌壒孌婄殑鐢ㄩ斿強搴旂敤鍓嶆櫙銆備紶鐪熼氫俊銆佸彲瑙嗙數璇濄佷細璁鐢佃嗐佸氬獟浣撻氫俊錛屼互鍙婂藉甫緇煎悎涓氬姟鏁板瓧緗戱紙B-ISDN錛夊拰楂樻竻鏅板害鐢佃嗭紙HDTV錛夐兘閲囩敤浜嗘暟瀛楀浘鍍忓勭悊鎶鏈銆
鍥懼儚澶勭悊鎶鏈鐨勫簲鐢ㄤ笌鎺ㄥ箍錛屼嬌寰椾負鏈哄櫒浜洪厤澶囪嗚夌殑縐戝﹂勬兂杞涓虹幇瀹炪傝＄畻鏈鴻嗚夋垨鏈哄櫒瑙嗚夎繀閫熷彂灞曘傝＄畻鏈鴻嗚夊疄闄呬笂灝辨槸鍥懼儚澶勭悊鍔犲浘鍍忚瘑鍒錛岃佹眰閲囩敤鍗佸垎澶嶆潅鐨勫勭悊鎶鏈錛岄渶瑕佽捐￠珮閫熺殑涓撶敤紜浠躲
鏁板瓧鍥懼儚澶勭悊鎶鏈鍦ㄥ浗鍐呭栧彂灞曞嶮鍒嗚繀閫燂紝搴旂敤涔熼潪甯稿箍娉涳紝浣嗘槸灝卞叾瀛︾戝緩璁炬潵璇達紝榪樹笉鎴愮啛錛岃繕娌℃湁騫挎硾閫傜敤鐨勭爺絀舵ā鍨嬪拰榻愬叏鐨勮川閲忚瘎浠蜂綋緋繪寚鏍囷紝澶氭暟鏂規硶鐨勯傜敤鎬ч兘闅忓垎鏋愬勭悊瀵硅薄鑰屽悇寮傘傛暟瀛楀浘鍍忓勭悊鐨勭爺絀舵柟鍚戞槸寤虹珛瀹屾暣鐨勭悊璁轟綋緋匯

『伍』 圖像處理要學什麼

圖像編碼技術、圖像分割等。

『陸』 數字圖像處理的主要方法

數字圖像處理的工具可分為三大類：

第一類包括各種正交變換和圖像濾波等方法，其共同點是將圖像變換到其它域（如頻域）中進行處理（如濾波）後，再變換到原來的空間（域）中。

第二類方法是直接在空間域中處理圖像，它包括各種統計方法、微分方法及其它數學方法。

第三類是數學形態學運算，它不同於常用的頻域和空域的方法，是建立在積分幾何和隨機集合論的基礎上的運算。

由於被處理圖像的數據量非常大且許多運算在本質上是並行的，所以圖像並行處理結構和圖像並行處理演算法也是圖像處理中的主要研究方向。

(6)航天時代飛鵬圖像處理演算法擴展閱讀

1、數字圖像處理包括內容：

圖像數字化；圖像變換；圖像增強；圖像恢復；圖像壓縮編碼；圖像分割；圖像分析與描述；圖像的識別分類。

2、數字圖像處理系統包括部分：

輸入（採集）；存儲；輸出（顯示）；通信；圖像處理與分析。

3、應用

圖像是人類獲取和交換信息的主要來源，因 此，圖像處理的應用領域必然涉及到人類生活和工作的方方面面。隨著人類活動范圍的不斷擴大，圖像處理的應用領域也將隨之不斷擴大。

主要應用於航天和航空、生物醫學工程、通信 工程、工業和工程、軍事公安、文化藝術、機器人視覺、視頻和多媒體系統、科學可視化、電子商務等方面。

『柒』 圖像處理的濾鏡演算法

將顏色的RGB設置為相同的值即可使得圖片為灰色，一般處理方法有：
1、取三種顏色的平均值
2、取三種顏色的最大值（最小值）
3、加權平均值：0.3 R + 0.59 G + 0.11*B

顧名思義，就是圖片的顏色只有黑色和白色，可以計算rgb的平均值arg，arg>=100，r=g=b=255，否則均為0

就是RGB三種顏色分別取255的差值。

rgb三種顏色取三種顏色的最值的平均值。

就是只保留一種顏色，其他顏色設為0

高斯模糊的原理就是根據正態分布使得每個像素點周圍的像素點的權重不一致，將各個權重（各個權重值和為1）與對應的色值相乘，所得結果求和為中心像素點新的色值。我們需要了解的高斯模糊的公式：

懷舊濾鏡公式

公式：
r = r 128/(g+b +1);
g = g 128/(r+b +1);
b = b*128/(g+r +1);

公式：
r = (r-g-b) 3/2;
g = (g-r-b) 3/2;
b = (b-g-r)*3/2;

公式：
R = |g – b + g + r| * r / 256

G = |b – g + b + r| * r / 256;

B = |b – g + b + r| * g / 256;

公式：
r = r * 0.393 + g * 0.769 + b * 0.189;
g = r * 0.349 + g * 0.686 + b * 0.168;
b = r * 0.272 + g * 0.534 + b * 0.131;

最後是一個廣告貼，最近新開了一個分享技術的公眾號，歡迎大家關注👇

『捌』 數字圖像處理的基本演算法及要解決的主要問題

圖像處理，是對圖像進行分析、加工、和處理，使其滿足視覺、心理以及其他要求的技術。圖像處理是信號處理在圖像域上的一個應用。目前大多數的圖像是以數字形式存儲，因而圖像處理很多情況下指數字圖像處理。此外，基於光學理論的處理方法依然佔有重要的地位。

圖像處理是信號處理的子類，另外與計算機科學、人工智慧等領域也有密切的關系。

傳統的一維信號處理的方法和概念很多仍然可以直接應用在圖像處理上，比如降噪、量化等。然而，圖像屬於二維信號，和一維信號相比，它有自己特殊的一面，處理的方式和角度也有所不同。
目錄
[隱藏]

* 1 解決方案
* 2 常用的信號處理技術
o 2.1 從一維信號處理擴展來的技術和概念
o 2.2 專用於二維（或更高維）的技術和概念
* 3 典型問題
* 4 應用
* 5 相關相近領域
* 6 參見

[編輯] 解決方案

幾十年前，圖像處理大多數由光學設備在模擬模式下進行。由於這些光學方法本身所具有的並行特性，至今他們仍然在很多應用領域佔有核心地位，例如 全息攝影。但是由於計算機速度的大幅度提高，這些技術正在迅速的被數字圖像處理方法所替代。

從通常意義上講，數字圖像處理技術更加普適、可靠和准確。比起模擬方法，它們也更容易實現。專用的硬體被用於數字圖像處理，例如，基於流水線的計算機體系結構在這方面取得了巨大的商業成功。今天，硬體解決方案被廣泛的用於視頻處理系統，但商業化的圖像處理任務基本上仍以軟體形式實現，運行在通用個人電腦上。

[編輯] 常用的信號處理技術

大多數用於一維信號處理的概念都有其在二維圖像信號領域的延伸，它們中的一部分在二維情形下變得十分復雜。同時圖像處理也具有自身一些新的概念，例如，連通性、旋轉不變性，等等。這些概念僅對二維或更高維的情況下才有非平凡的意義。

圖像處理中常用到快速傅立葉變換，因為它可以減小數據處理量和處理時間。

[編輯] 從一維信號處理擴展來的技術和概念

* 解析度(Image resolution|Resolution)
* 動態范圍(Dynamic range)
* 帶寬(Bandwidth)
* 濾波器設計(Filter (signal processing)|Filtering)
* 微分運算元(Differential operators)
* 邊緣檢測(Edge detection)
* Domain molation
* 降噪(Noise rection)

[編輯] 專用於二維（或更高維）的技術和概念

* 連通性(Connectedness|Connectivity)
* 旋轉不變性(Rotational invariance)

[編輯] 典型問題

* 幾何變換（geometric transformations）：包括放大、縮小、旋轉等。
* 顏色處理（color）：顏色空間的轉化、亮度以及對比度的調節、顏色修正等。
* 圖像合成（image composite）：多個圖像的加、減、組合、拼接。
* 降噪（image denoising）：研究各種針對二維圖像的去噪濾波器或者信號處理技術。
* 邊緣檢測（edge detection）：進行邊緣或者其他局部特徵提取。
* 分割（image segmentation）：依據不同標准，把二維圖像分割成不同區域。
* 圖像製作（image editing）：和計算機圖形學有一定交叉。
* 圖像配准（image registration）：比較或集成不同條件下獲取的圖像。
* 圖像增強（image enhancement）：
* 圖像數字水印（image watermarking）：研究圖像域的數據隱藏、加密、或認證。
* 圖像壓縮（image compression）：研究圖像壓縮。

[編輯] 應用

* 攝影及印刷 (Photography and printing)
* 衛星圖像處理 (Satellite image processing)
* 醫學圖像處理 (Medical image processing)
* 面孔識別, 特徵識別 (Face detection, feature detection, face identification)
* 顯微圖像處理 (Microscope image processing)
* 汽車障礙識別 (Car barrier detection)

[編輯] 相關相近領域

* 分類（Classification）
* 特徵提取（Feature extraction）
* 模式識別（Pattern recognition）
* 投影（Projection）
* 多尺度信號分析（Multi-scale signal analysis）
* 離散餘弦變換（The Discrete Cosine Transform）