航天时代飞鹏图像处理算法

‘壹’ 数字图像压缩技术

‘贰’ 图像的特征提取都有哪些算法

常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。

一 颜色特征

（一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。

（二）常用的特征提取与匹配方法

（1） 颜色直方图

其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。

最常用的颜色空间：RGB颜色空间、HSV颜色空间。

颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。

（2） 颜色集

颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从 RGB颜色空间转化成视觉均衡的颜色空间（如 HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系

（3） 颜色矩

这种方法的数学基础在于：图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。

（4） 颜色聚合向量

其核心思想是：将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。

（5） 颜色相关图

二 纹理特征

（一）特点：纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。但是，纹理特征也有其缺点，一个很明显的缺点是当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差。另外，由于有可能受到光照、反射情况的影响，从2-D图像中反映出来的纹理不一定是3-D物体表面真实的纹理。

例如，水中的倒影，光滑的金属面互相反射造成的影响等都会导致纹理的变化。由于这些不是物体本身的特性，因而将纹理信息应用于检索时，有时这些虚假的纹理会对检索造成“误导”。

在检索具有粗细、疏密等方面较大差别的纹理图像时，利用纹理特征是一种有效的方法。但当纹理之间的粗细、疏密等易于分辨的信息之间相差不大的时候，通常的纹理特征很难准确地反映出人的视觉感觉不同的纹理之间的差别。

（二）常用的特征提取与匹配方法

纹理特征描述方法分类

（1）统计方法统计方法的典型代表是一种称为灰度共生矩阵的纹理特征分析方法Gotlieb 和 Kreyszig 等人在研究共生矩阵中各种统计特征基础上，通过实验，得出灰度共生矩阵的四个关键特征：能量、惯量、熵和相关性。统计方法中另一种典型方法，则是从图像的自相关函数（即图像的能量谱函数）提取纹理特征，即通过对图像的能量谱函数的计算，提取纹理的粗细度及方向性等特征参数

（2）几何法

所谓几何法，是建立在纹理基元（基本的纹理元素）理论基础上的一种纹理特征分析方法。纹理基元理论认为，复杂的纹理可以由若干简单的纹理基元以一定的有规律的形式重复排列构成。在几何法中，比较有影响的算法有两种：Voronio 棋盘格特征法和结构法。

（3）模型法

模型法以图像的构造模型为基础，采用模型的参数作为纹理特征。典型的方法是随机场模型法，如马尔可夫（Markov）随机场（MRF）模型法和 Gibbs 随机场模型法

（4）信号处理法

纹理特征的提取与匹配主要有：灰度共生矩阵、Tamura 纹理特征、自回归纹理模型、小波变换等。

灰度共生矩阵特征提取与匹配主要依赖于能量、惯量、熵和相关性四个参数。Tamura 纹理特征基于人类对纹理的视觉感知心理学研究，提出6种属性，即：粗糙度、对比度、方向度、线像度、规整度和粗略度。自回归纹理模型（simultaneous auto-regressive, SAR）是马尔可夫随机场（MRF）模型的一种应用实例。

三 形状特征

（一）特点：各种基于形状特征的检索方法都可以比较有效地利用图像中感兴趣的目标来进行检索，但它们也有一些共同的问题，包括：①目前基于形状的检索方法还缺乏比较完善的数学模型；②如果目标有变形时检索结果往往不太可靠；③许多形状特征仅描述了目标局部的性质，要全面描述目标常对计算时间和存储量有较高的要求；④许多形状特征所反映的目标形状信息与人的直观感觉不完全一致，或者说，特征空间的相似性与人视觉系统感受到的相似性有差别。另外，从 2-D 图像中表现的 3-D 物体实际上只是物体在空间某一平面的投影，从 2-D 图像中反映出来的形状常不是 3-D 物体真实的形状，由于视点的变化，可能会产生各种失真。

（二）常用的特征提取与匹配方法

Ⅰ几种典型的形状特征描述方法

通常情况下，形状特征有两类表示方法，一类是轮廓特征，另一类是区域特征。图像的轮廓特征主要针对物体的外边界，而图像的区域特征则关系到整个形状区域。

几种典型的形状特征描述方法：

（1）边界特征法该方法通过对边界特征的描述来获取图像的形状参数。其中Hough 变换检测平行直线方法和边界方向直方图方法是经典方法。Hough 变换是利用图像全局特性而将边缘像素连接起来组成区域封闭边界的一种方法，其基本思想是点—线的对偶性；边界方向直方图法首先微分图像求得图像边缘，然后，做出关于边缘大小和方向的直方图，通常的方法是构造图像灰度梯度方向矩阵。

（2）傅里叶形状描述符法

傅里叶形状描述符(Fourier shape descriptors)基本思想是用物体边界的傅里叶变换作为形状描述，利用区域边界的封闭性和周期性，将二维问题转化为一维问题。

由边界点导出三种形状表达，分别是曲率函数、质心距离、复坐标函数。

（3）几何参数法

形状的表达和匹配采用更为简单的区域特征描述方法，例如采用有关形状定量测度（如矩、面积、周长等）的形状参数法（shape factor）。在 QBIC 系统中，便是利用圆度、偏心率、主轴方向和代数不变矩等几何参数，进行基于形状特征的图像检索。

需要说明的是，形状参数的提取，必须以图像处理及图像分割为前提，参数的准确性必然受到分割效果的影响，对分割效果很差的图像，形状参数甚至无法提取。

（4）形状不变矩法

利用目标所占区域的矩作为形状描述参数。

（5）其它方法

近年来，在形状的表示和匹配方面的工作还包括有限元法（Finite Element Method 或 FEM）、旋转函数（Turning Function）和小波描述符（Wavelet Descriptor）等方法。

Ⅱ 基于小波和相对矩的形状特征提取与匹配

该方法先用小波变换模极大值得到多尺度边缘图像，然后计算每一尺度的 7个不变矩，再转化为 10 个相对矩，将所有尺度上的相对矩作为图像特征向量，从而统一了区域和封闭、不封闭结构。

四 空间关系特征

（一）特点：所谓空间关系，是指图像中分割出来的多个目标之间的相互的空间位置或相对方向关系，这些关系也可分为连接/邻接关系、交叠/重叠关系和包含/包容关系等。通常空间位置信息可以分为两类：相对空间位置信息和绝对空间位置信息。前一种关系强调的是目标之间的相对情况，如上下左右关系等，后一种关系强调的是目标之间的距离大小以及方位。显而易见，由绝对空间位置可推出相对空间位置，但表达相对空间位置信息常比较简单。

空间关系特征的使用可加强对图像内容的描述区分能力，但空间关系特征常对图像或目标的旋转、反转、尺度变化等比较敏感。另外，实际应用中，仅仅利用空间信息往往是不够的，不能有效准确地表达场景信息。为了检索，除使用空间关系特征外，还需要其它特征来配合。

（二）常用的特征提取与匹配方法
提取图像空间关系特征可以有两种方法：一种方法是首先对图像进行自动分割，划分出图像中所包含的对象或颜色区域，然后根据这些区域提取图像特征，并建立索引；另一种方法则简单地将图像均匀地划分为若干规则子块，然后对每个图像子块提取特征，并建立索引。

‘叁’ 在图像处理中有哪些算法

1、图像变换：

由于图像阵列很大，直接在空间域中进行处理，涉及计算量很大。采用各种图像变换的方法，如傅立叶变换、沃尔什变换、离散余弦变换等间接处理技术，将空间域的处理转换为变换域处理，可减少计算量，获得更有效的处理。它在图像处理中也有着广泛而有效的应用。

2、图像编码压缩：

图像编码压缩技术可减少描述图像的数据量，以便节省图像传输、处理时间和减少所占用的存储器容量。

压缩可以在不失真的前提下获得，也可以在允许的失真条件下进行。

编码是压缩技术中最重要的方法，它在图像处理技术中是发展最早且比较成熟的技术。

3、图像增强和复原：

图像增强和复原的目的是为了提高图像的质量，如去除噪声，提高图像的清晰度等。

图像增强不考虑图像降质的原因，突出图像中所感兴趣的部分。如强化图像高频分量，可使图像中物体轮廓清晰，细节明显；如强化低频分量可减少图像中噪声影响。

4、图像分割：

图像分割是数字图像处理中的关键技术之一。

图像分割是将图像中有意义的特征部分提取出来，其有意义的特征有图像中的边缘、区域等，这是进一步进行图像识别、分析和理解的基础。

5、图像描述：

图像描述是图像识别和理解的必要前提。

一般图像的描述方法采用二维形状描述，它有边界描述和区域描述两类方法。对于特殊的纹理图像可采用二维纹理特征描述。

6、图像分类：

图像分类属于模式识别的范畴，其主要内容是图像经过某些预处理（增强、复原、压缩）后，进行图像分割和特征提取，从而进行判决分类。

图像分类常采用经典的模式识别方法，有统计模式分类和句法模式分类。

(3)航天时代飞鹏图像处理算法扩展阅读：

图像处理主要应用在摄影及印刷、卫星图像处理、医学图像处理、面孔识别、特征识别、显微图像处理和汽车障碍识别等。

数字图像处理技术源于20世纪20年代，当时通过海底电缆从英国伦敦到美国纽约传输了一幅照片，采用了数字压缩技术。

数字图像处理技术可以帮助人们更客观、准确地认识世界，人的视觉系统可以帮助人类从外界获取3/4以上的信息，而图像、图形又是所有视觉信息的载体，尽管人眼的鉴别力很高，可以识别上千种颜色，

但很多情况下，图像对于人眼来说是模糊的甚至是不可见的，通过图象增强技术，可以使模糊甚至不可见的图像变得清晰明亮。

‘肆’ 鏁板瓧锲惧儚澶勭悊镄勫彂灞曟傚喌

鏁板瓧锲惧儚澶勭悊链镞╁嚭鐜颁簬20涓栫邯50骞翠唬锛屽綋镞剁殑鐢靛瓙璁＄畻链哄凡缁忓彂灞曞埌涓瀹氭按骞筹纴浜轰滑寮濮嫔埄鐢ㄨ＄畻链烘潵澶勭悊锲惧舰鍜屽浘镀忎俊鎭銆傛暟瀛楀浘镀忓勭悊浣滀负涓闂ㄥ︾戝ぇ绾﹀舰鎴愪簬20涓栫邯60骞翠唬鍒濇湡銆傛棭链熺殑锲惧儚澶勭悊镄勭洰镄勬槸鏀瑰杽锲惧儚镄勮川閲忥纴瀹冧互浜轰负瀵硅薄锛屼互鏀瑰杽浜虹殑瑙呜夋晥鏋滀负鐩镄勚傚浘镀忓勭悊涓锛岃緭鍏ョ殑鏄璐ㄩ噺浣庣殑锲惧儚锛岃緭鍑虹殑鏄鏀瑰杽璐ㄩ噺钖庣殑锲惧儚锛屽父鐢ㄧ殑锲惧儚澶勭悊鏂规硶链夊浘镀忓炲己銆佸嶅师銆佺紪镰併佸帇缂╃瓑銆傞栨¤幏寰楀疄闄呮垚锷熷簲鐢ㄧ殑鏄缇庡浗锽锋皵鎺ㄨ繘瀹为獙瀹わ纸JPL锛夈备粬浠瀵硅埅澶╂帰娴嫔櫒寰桦緤钥7鍙峰湪1964骞村彂锲炵殑鍑犲崈寮犳湀鐞幂収鐗囦娇鐢ㄤ简锲惧儚澶勭悊鎶链锛屽傚嚑浣曟牎姝ｃ佺伆搴﹀彉鎹銆佸幓闄ゅ櫔澹扮瓑鏂规硶杩涜屽勭悊锛屽苟钥冭槛浜嗗お阒充綅缃鍜屾湀鐞幂幆澧幂殑褰卞搷锛岀敱璁＄畻链烘垚锷熷湴缁桦埗鍑烘湀鐞冭〃闱㈠湴锲撅纴銮峰缑浜嗗法澶х殑鎴愬姛銆傞殢钖庡张瀵规帰娴嬮炶埞鍙戝洖镄勮繎鍗佷竾寮犵収鐗囱繘琛屾洿涓哄嶆潅镄勫浘镀忓勭悊锛屼互镊磋幏寰椾简链堢悆镄勫湴褰㈠浘銆佸僵镩插浘鍙婂叏鏅闀跺祵锲撅纴銮峰缑浜嗛潪鍑＄殑鎴愭灉锛屼负浜虹被锏绘湀鍒涗妇濂犲畾浜嗗潥瀹炵殑锘虹锛屼篃鎺ㄥ姩浜嗘暟瀛楀浘镀忓勭悊杩欓棬瀛︾戠殑璇炵敓銆傚湪浠ュ悗镄勫畤鑸绌洪棿鎶链锛屽傚圭伀鏄熴佸湡鏄熺瓑鏄熺悆镄勬帰娴嬬爷绌朵腑锛屾暟瀛楀浘镀忓勭悊鎶链閮藉彂鎸ヤ简宸ㄥぇ镄勪綔鐢ㄣ傛暟瀛楀浘镀忓勭悊鍙栧缑镄勫彟涓涓宸ㄥぇ鎴愬氨鏄鍦ㄥ尰瀛︿笂銮峰缑镄勬垚鏋溿
1972骞磋嫳锲绋MI鍏鍙稿伐绋嫔笀Housfield鍙戞槑浜嗙敤浜庡ご棰呰瘖鏂镄刋灏勭嚎璁＄畻链烘柇灞傛惮褰辫呯疆锛屼篃灏辨槸鎴戜滑阃氩父镓璇寸殑CT锛圕omputer Tomograph锛夈侰T镄勫熀璇ユ柟娉曟槸镙规嵁浜虹殑澶撮儴鎴闱㈢殑鎶曞奖锛岀粡璁＄畻链哄勭悊𨱒ラ吨寤烘埅闱㈠浘镀忥纴绉颁负锲惧儚閲嶅缓銆
1975骞碋MI鍏鍙稿张鎴愬姛镰斿埗鍑哄叏韬鐢ㄧ殑CT瑁呯疆锛岃幏寰椾简浜轰綋钖勪釜閮ㄤ綅椴沧槑娓呮榈镄勬柇灞傚浘镀忋1979骞达纴杩欓”镞犳崯浼よ瘖鏂鎶链銮峰缑浜呜鸿礉灏斿栵纴璇存槑瀹冨逛汉绫讳綔鍑轰简鍒掓椂浠ｇ殑璐＄尞銆备笌姝ゅ悓镞讹纴锲惧儚澶勭悊鎶链鍦ㄨ稿氩簲鐢ㄩ嗗烟鍙楀埌骞挎硾閲嶈嗗苟鍙栧缑浜嗛吨澶х殑寮𨰾撴ф垚灏憋纴灞炰簬杩欎簺棰嗗烟镄勬湁鑸绌鸿埅澶┿佺敓鐗╁尰瀛﹀伐绋嬨佸伐涓氭娴嬨佹満鍣ㄤ汉瑙呜夈佸叕瀹夊徃娉曘佸啗浜嫔埗瀵笺佹枃鍖栬压链绛夛纴浣垮浘镀忓勭悊鎴愪负涓闂ㄥ紩浜烘敞鐩銆佸墠鏅杩滃ぇ镄勬柊鍨嫔︾戙傞殢镌锲惧儚澶勭悊鎶链镄勬繁鍏ュ彂灞曪纴浠70骞翠唬涓链熷紑濮嬶纴闅忕潃璁＄畻链烘妧链鍜屼汉宸ユ櫤鑳姐佹濈淮绉戝︾爷绌剁殑杩呴熷彂灞曪纴鏁板瓧锲惧儚澶勭悊钖戞洿楂樸佹洿娣卞眰娆″彂灞曘备汉浠宸插紑濮嬬爷绌跺备綍鐢ㄨ＄畻链虹郴缁熻В閲婂浘镀忥纴瀹炵幇绫讳技浜虹被瑙呜夌郴缁熺悊瑙ｅ栭儴涓栫晫锛岃繖琚绉颁负锲惧儚鐞呜В鎴栬＄畻链鸿呜夈傚緢澶氩浗瀹讹纴鐗瑰埆鏄鍙戣揪锲藉舵姇鍏ユ洿澶氱殑浜哄姏銆佺墿锷涘埌杩欓”镰旂┒锛屽彇寰椾简涓嶅皯閲嶈佺殑镰旂┒鎴愭灉銆傚叾涓浠ｈ〃镐х殑鎴愭灉鏄70骞翠唬链猡IT镄凪arr鎻愬嚭镄勮呜夎＄畻鐞呜猴纴杩欎釜鐞呜烘垚涓鸿＄畻链鸿呜夐嗗烟鍏跺悗鍗佸氩勾镄勪富瀵兼濇兂銆傚浘镀忕悊瑙ｈ槠铹跺湪鐞呜烘柟娉旷爷绌朵笂宸插彇寰椾笉灏忕殑杩涘𪾢锛屼絾瀹冩湰韬鏄涓涓姣旇缉闅剧殑镰旂┒棰嗗烟锛屽瓨鍦ㄤ笉灏戝汹闅撅纴锲犱汉绫绘湰韬瀵硅嚜宸辩殑瑙呜夎繃绋嬭缮浜呜В鐢氩皯锛屽洜姝よ＄畻链鸿呜夋槸涓涓链夊緟浜轰滑杩涗竴姝ユ帰绱㈢殑鏂伴嗗烟銆
鏁板瓧锲惧儚澶勭悊鍦ㄥ浗姘戠粡娴庣殑璁稿氶嗗烟宸茬粡寰楀埌骞挎硾镄勫簲鐢ㄣ傚啘鏋楅儴闂ㄩ氲繃阆ユ劅锲惧儚浜呜В妞岖墿鐢熼暱𨱍呭喌锛岃繘琛屼及浜э纴鐩戣嗙梾铏瀹冲彂灞曞强娌荤悊銆傛按鍒╅儴闂ㄩ氲繃阆ユ劅锲惧儚鍒嗘瀽锛岃幏鍙栨按瀹崇伨𨱍呯殑鍙桦寲銆傛皵璞￠儴闂ㄧ敤浠ュ垎鏋愭皵璞′簯锲撅纴鎻愰珮棰勬姤镄勫嗳纭绋嫔害銆傚浗阒插强娴嬬粯閮ㄩ棬锛屼娇鐢ㄨ埅娴嬫垨鍗鏄熻幏寰楀湴锘熷湴璨屽强鍦伴溃璁炬柦绛夎祫鏂欍傛満姊伴儴闂ㄥ彲浠ヤ娇鐢ㄥ浘镀忓勭悊鎶链锛岃嚜锷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悇绉嶆暟瀛楀浘镀忔妧链瀵瑰悇绉岖柧䦅呰繘琛岃嚜锷ㄨ瘖鏂銆
鏁板瓧锲惧儚澶勭悊鍦ㄩ氢俊棰嗗烟链夌壒娈婄殑鐢ㄩ斿强搴旂敤鍓嶆櫙銆备紶鐪熼氢俊銆佸彲瑙嗙数璇濄佷细璁鐢佃嗐佸氩獟浣挞氢俊锛屼互鍙婂藉甫缁煎悎涓氩姟鏁板瓧缃戯纸B-ISDN锛夊拰楂樻竻鏅板害鐢佃嗭纸HDTV锛夐兘閲囩敤浜嗘暟瀛楀浘镀忓勭悊鎶链銆
锲惧儚澶勭悊鎶链镄勫簲鐢ㄤ笌鎺ㄥ箍锛屼娇寰椾负链哄櫒浜洪厤澶囱呜夌殑绉戝﹂勬兂杞涓虹幇瀹炪傝＄畻链鸿呜夋垨链哄櫒瑙呜夎繀阃熷彂灞曘傝＄畻链鸿呜夊疄闄呬笂灏辨槸锲惧儚澶勭悊锷犲浘镀忚瘑鍒锛岃佹眰閲囩敤鍗佸垎澶嶆潅镄勫勭悊鎶链锛岄渶瑕佽捐￠珮阃熺殑涓撶敤纭浠躲
鏁板瓧锲惧儚澶勭悊鎶链鍦ㄥ浗鍐呭栧彂灞曞崄鍒呜繀阃燂纴搴旂敤涔熼潪甯稿箍娉涳纴浣嗘槸灏卞叾瀛︾戝缓璁炬潵璇达纴杩树笉鎴愮啛锛岃缮娌℃湁骞挎硾阃傜敤镄勭爷绌舵ā鍨嫔拰榻愬叏镄勮川閲忚瘎浠蜂綋绯绘寚镙囷纴澶氭暟鏂规硶镄勯傜敤镐ч兘闅忓垎鏋愬勭悊瀵硅薄钥屽悇寮伞傛暟瀛楀浘镀忓勭悊镄勭爷绌舵柟钖戞槸寤虹珛瀹屾暣镄勭悊璁轰綋绯汇

‘伍’ 图像处理要学什么

图像编码技术、图像分割等。

‘陆’ 数字图像处理的主要方法

数字图像处理的工具可分为三大类：

第一类包括各种正交变换和图像滤波等方法，其共同点是将图像变换到其它域（如频域）中进行处理（如滤波）后，再变换到原来的空间（域）中。

第二类方法是直接在空间域中处理图像，它包括各种统计方法、微分方法及其它数学方法。

第三类是数学形态学运算，它不同于常用的频域和空域的方法，是建立在积分几何和随机集合论的基础上的运算。

由于被处理图像的数据量非常大且许多运算在本质上是并行的，所以图像并行处理结构和图像并行处理算法也是图像处理中的主要研究方向。

(6)航天时代飞鹏图像处理算法扩展阅读

1、数字图像处理包括内容：

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、数字图像处理系统包括部分：

输入（采集）；存储；输出（显示）；通信；图像处理与分析。

3、应用

图像是人类获取和交换信息的主要来源，因 此，图像处理的应用领域必然涉及到人类生活和工作的方方面面。随着人类活动范围的不断扩大，图像处理的应用领域也将随之不断扩大。

主要应用于航天和航空、生物医学工程、通信 工程、工业和工程、军事公安、文化艺术、机器人视觉、视频和多媒体系统、科学可视化、电子商务等方面。

‘柒’ 图像处理的滤镜算法

将颜色的RGB设置为相同的值即可使得图片为灰色，一般处理方法有：
1、取三种颜色的平均值
2、取三种颜色的最大值（最小值）
3、加权平均值：0.3 R + 0.59 G + 0.11*B

顾名思义，就是图片的颜色只有黑色和白色，可以计算rgb的平均值arg，arg>=100，r=g=b=255，否则均为0

就是RGB三种颜色分别取255的差值。

rgb三种颜色取三种颜色的最值的平均值。

就是只保留一种颜色，其他颜色设为0

高斯模糊的原理就是根据正态分布使得每个像素点周围的像素点的权重不一致，将各个权重（各个权重值和为1）与对应的色值相乘，所得结果求和为中心像素点新的色值。我们需要了解的高斯模糊的公式：

怀旧滤镜公式

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;

最后是一个广告贴，最近新开了一个分享技术的公众号，欢迎大家关注👇

‘捌’ 数字图像处理的基本算法及要解决的主要问题

图像处理，是对图像进行分析、加工、和处理，使其满足视觉、心理以及其他要求的技术。图像处理是信号处理在图像域上的一个应用。目前大多数的图像是以数字形式存储，因而图像处理很多情况下指数字图像处理。此外，基于光学理论的处理方法依然占有重要的地位。

图像处理是信号处理的子类，另外与计算机科学、人工智能等领域也有密切的关系。

传统的一维信号处理的方法和概念很多仍然可以直接应用在图像处理上，比如降噪、量化等。然而，图像属于二维信号，和一维信号相比，它有自己特殊的一面，处理的方式和角度也有所不同。
目录
[隐藏]

* 1 解决方案
* 2 常用的信号处理技术
o 2.1 从一维信号处理扩展来的技术和概念
o 2.2 专用于二维（或更高维）的技术和概念
* 3 典型问题
* 4 应用
* 5 相关相近领域
* 6 参见

[编辑] 解决方案

几十年前，图像处理大多数由光学设备在模拟模式下进行。由于这些光学方法本身所具有的并行特性，至今他们仍然在很多应用领域占有核心地位，例如 全息摄影。但是由于计算机速度的大幅度提高，这些技术正在迅速的被数字图像处理方法所替代。

从通常意义上讲，数字图像处理技术更加普适、可靠和准确。比起模拟方法，它们也更容易实现。专用的硬件被用于数字图像处理，例如，基于流水线的计算机体系结构在这方面取得了巨大的商业成功。今天，硬件解决方案被广泛的用于视频处理系统，但商业化的图像处理任务基本上仍以软件形式实现，运行在通用个人电脑上。

[编辑] 常用的信号处理技术

大多数用于一维信号处理的概念都有其在二维图像信号领域的延伸，它们中的一部分在二维情形下变得十分复杂。同时图像处理也具有自身一些新的概念，例如，连通性、旋转不变性，等等。这些概念仅对二维或更高维的情况下才有非平凡的意义。

图像处理中常用到快速傅立叶变换，因为它可以减小数据处理量和处理时间。

[编辑] 从一维信号处理扩展来的技术和概念

* 分辨率(Image resolution|Resolution)
* 动态范围(Dynamic range)
* 带宽(Bandwidth)
* 滤波器设计(Filter (signal processing)|Filtering)
* 微分算子(Differential operators)
* 边缘检测(Edge detection)
* Domain molation
* 降噪(Noise rection)

[编辑] 专用于二维（或更高维）的技术和概念

* 连通性(Connectedness|Connectivity)
* 旋转不变性(Rotational invariance)

[编辑] 典型问题

* 几何变换（geometric transformations）：包括放大、缩小、旋转等。
* 颜色处理（color）：颜色空间的转化、亮度以及对比度的调节、颜色修正等。
* 图像合成（image composite）：多个图像的加、减、组合、拼接。
* 降噪（image denoising）：研究各种针对二维图像的去噪滤波器或者信号处理技术。
* 边缘检测（edge detection）：进行边缘或者其他局部特征提取。
* 分割（image segmentation）：依据不同标准，把二维图像分割成不同区域。
* 图像制作（image editing）：和计算机图形学有一定交叉。
* 图像配准（image registration）：比较或集成不同条件下获取的图像。
* 图像增强（image enhancement）：
* 图像数字水印（image watermarking）：研究图像域的数据隐藏、加密、或认证。
* 图像压缩（image compression）：研究图像压缩。

[编辑] 应用

* 摄影及印刷 (Photography and printing)
* 卫星图像处理 (Satellite image processing)
* 医学图像处理 (Medical image processing)
* 面孔识别, 特征识别 (Face detection, feature detection, face identification)
* 显微图像处理 (Microscope image processing)
* 汽车障碍识别 (Car barrier detection)

[编辑] 相关相近领域

* 分类（Classification）
* 特征提取（Feature extraction）
* 模式识别（Pattern recognition）
* 投影（Projection）
* 多尺度信号分析（Multi-scale signal analysis）
* 离散余弦变换（The Discrete Cosine Transform）