目标

学习图形图像形成的基本知识，并完成图片亮度变化的应用。

开始

图像是二维的，来看一张二维的高斯正态分布(x轴代表水平，y轴代表垂直 z轴代表深度请暂时忽略)

image.png
图像是利用二维坐标指定的空间数据 (想象一下，你的眼睛看到你所有画面可以是二维的)
那么摄像机的拍摄到图片呈现在计算机上的过程是什么呢？用文字简单描述过程是

摄像机(捕捉)->坐标x,y处像素亮度(转换)->信号(A/D处理)->数值矩阵->图像内存->计算机界面

A/D处理是将模拟信号转换成数字信号的过程，不要忘了计算机只存储数字

整个流程图是这样子的

image.png

由此可见最终存储在计算机中的图形应该是像素矩阵图a。就像这样，矩阵中每一个数值代表一个像素值。图b代表了曲面图。图c是真正一张黑色背景上有白色的图片。当像素矩阵中越趋向0的值越暗，越趋向255的越量。亮度范围就是0~255 (计算机一个字节8位，取值范围0~255 最多代表256个数值)

image.png

像素矩阵可以看做一帧图片
像素矩阵通常是正方形，可以用NxN的m位像素来表示，其中N代表点的数目，m代表亮度的级数。m位(bit)给出 0~2的m次方 -1 的范围，通常8位灰度图的亮度就为0~255 0 代表黑色，255代表白色，他们之间的数值代表灰色.

另外我们观察图a 像素矩阵表示为 pic x,y 而 x代表水平轴行，y代表竖直轴列 。 因此原点表示为 pic(0,0) 终点表示为 pic(7,7) m的级别为什么选取8位呢，因为与摄像机的信噪比(带宽)有关系，摄像机的信噪比约为45，所以8位可以完全包括有效范围。还有计算机中1个字节正好是8位，而且8位A/D转换器比高分辨率转换器更加便宜。所以m越小，亮度越小。来看原图

image.png

通过图像的位分解

image.png

图像反转

假设，我们想把该图做一下反转。可以通过使用像素矩阵中最大的亮度值将矩阵中每一个坐标点相减，得到差值，从而重新获得一个新的矩阵。结果如图

image.png

我们观察最大的亮度值应该是 pic3,2=45 与矩阵中每一个点相减求差得到如上结果。

提醒

我们常听到的图像噪声处理，噪声就是上面矩阵图中无论是黑色还是白色亮度都是有变化的，那个变化就是噪声。

知识一总结

通过上面的学习，我们明白了，一幅灰度图像，可以用矩阵表示，并且通过对矩阵中每个点的加减一定值，可以达到使得图片变量或者变暗。你可以想象现在有些图片处理软件，也是通过该方式使得图片的亮度增加或者变暗

应用

矩阵中每个点+20

image.png