基本图像操作

作者: 萧风萧雨 | 来源:发表于2019-04-23 20:27 被阅读0次

OpenCV入门
基本图像操作
图像的基本操作
着色器图像处理(亮度/对比度/反像)
Matlab 简单图像处理
OpenCV for Android (5)——腐蚀、膨胀、开闭
机器视觉常见库
Python-Image 基本的图像处理操作
python Image 模块处理图片
PHP基础 —— 图形处理

基本图像操作

1.直方图(histograms)

定义

直方图是对图像在某个指标的不同值的数量的统计，如亮度直方图，灰度直方图，颜色直方图。
例子：
亮度直方图 -> 表达了每个亮度级的像素数，图像对比度
亮度 = (R + B + G) / 3 范围 0-255

优缺点

优点：简单，快速，高效
缺点：不能描述空间信息；不能描述图像细节（因为仅表达了不同级的统计值分布，不同图像可以有很接近的直方图）

金字塔直方图

将图片分为n x n的子图，每个子图一个直方图，从而能够区分总体直方图相近的不同图像。
<img src="/visual_images/pyramid_histogram.png" width="800" height="400"/>

Q: 图像的局部不变特征

图像在经过一些变换后仍保持不变的特征，变换有尺度，平移，旋转，仿射，投影，光度，卷积等。
基本问题：局部不变特征的检测，描述，匹配。
特征除了具备不变性，还应具有可靠性，对噪声等的鲁棒性等。目前的特征算子有SIFT等。【HOG(方向梯度直方图)，用于物体检测的特征。介绍】
综述：Tinne Tuytelaars. Local Invariant Feature Detectors: A Survey, 2007 Computer Graphic & Vision

2.点运算(point operation)

点运算将输入图象映射为输出图象，输出图象每个象素点的灰度值仅由对应的输入象素点的值决定。它常用于改变图象的灰度范围及分布，是图象数字化及图象显示的重要工具。点运算因其作用性质有时也被称为对比度增强、对比度拉伸或灰度变换。
点运算实际上是灰度到灰度的映射过程，设输入图象为A(x,y)，输出图象为B(x,y)，则点运算可表示为
B(x,y)=f(A(x,y))

Basic点运算

linear brightness relation

$N_{x,y}=k*O_{x,y}+l x,y\[1,N]$
其中k为增益，l为偏移
<img src="/visual_images/linear_func.jpg" width="600" height="300"/>

锯齿算子sawtooth

$y=x \ mod \ n$
<img src="/visual_images/sawtooth.jpg" width="250" height="350"/>

其他数学函数

logarithm
<img src="/visual_images/log.jpg" width="600" height="250"/>
exponent
<img src="/visual_images/exp.png" width="600" height="250"/>

直方图操作histogram

直方图正则化normalization

拉伸平移原始直方图
$N_{x,y}=\frac {N_{max}-N_{min}}{O_{max}-O_{min}}\times(O_{x,y}-O_{min})+N_{min}$
其中 $N_{min},N_{max}$ 是想要归一化到的范围，如0，255。
<img src="/visual_images/histogram_norm.jpg" width="600" height="400"/>

直方图均衡化equalization

使直方图分布均匀
对于连续值：
<img src="/visual_images/histogram_equalization.jpg" width="650" height="400"/>
对于离散值：
$s(i)=\sum_{k=0}^ip(k),i=0,1,...,255$
其中s表示累积概率分布。
变换函数g：
$g=\begin{cases} 0, & \text {i=0} \\ 255s(i), & \text{i=1,2,...,255} \end{cases}$
example:
<img src="/visual_images/he_example.png" width="650" height="300"/>
<img src="/visual_images/he_example2.png" width="600" height="380"/>
<img src="/visual_images/he_example3.png" width="650" height="450"/>
可以看出均衡化增强了对比度，使得表示的级数范围更大了

均衡化和归一化也可以对颜色通道进行的。
<img src="/visual_images/color_histogram_trans.png" width="600" height="300"/>
均衡化与归一化对比：
归一化：线性可逆过程，对比度变化比较缓和soft
均衡化：非线性不可逆变换，对比度变化明显，强烈。

直方图匹配specification

直方图匹配将原图的直方图转变为目标直方图的形式。
<img src="/visual_images/histogram_specification_steps.png" width="650" height="450"/>
步骤是：将两个直方图做均衡化(求累积概率)，取最接近的级数匹配，匹配关系就是转换关系。最接近匹配的目的就是让转换后的累积概率近似，从而原始级数概率分布就会相似。
<img src="/visual_images/histogram_specification.png" width="650" height="450"/>

阈值处理Thresholding

阈值处理是给定一个阈值T，让大于T的为255白色，小于T的为0黑色的二值化处理。
<img src="/visual_images/threshold.png" width="600" height="200"/>

自适应阈值处理

Otsu's method
最大化下面的值：
<img src="/visual_images/ada_threshold.png" width="700" height="400"/>

图像噪声

图像噪声可以分为两类：

高斯噪声gaussian noise
来源：传感器噪声，光照不足，高温；电子电路噪声。
公示表示：
$g(x,y,i)=f(x,y,i)+noise$
其中x，y是位置，i是通道；noise是高斯噪声满足 $G(\mu,\sigma)$
<img src="/visual_images/gaussian_noise.png" width="500" height="200"/>
椒盐噪声salt and pepper noise
来源：信号到数字转换错误，位传输错误。
salt：指某个像素为255； pepper：某个像素为0；噪声密度为常数
<img src="/visual_images/salt_pepper_noise.png" width="530" height="230"/>

组操作

指利用了像素周围的信息。

模版卷积

这个其实就是一个卷积操作

平均算子

当卷积核数值都为为1/n时，称平均算子。
作用是可以减少噪声，但是平均操作会造成图片模糊和细节丢失。
<img src="/visual_images/average_filter.png" width="700" height="400"/>

高斯平均

为了保留更多原始细节，有了高斯平均算子：
<img src="/visual_images/gaussian_averageing.png" width="600" height="400"/>
与平均算子对比：
<img src="/visual_images/averageing_gaussian.png" width="600" height="300"/>
减少噪声对比：

中值滤波

用中值代替。
有个有趣的应用就是找背景：
<img src="/visual_images/median_filter.png" width="700" height="400"/>
相比于模版平均，时空平均，中值能完全得到背景。

mode filter

用最频繁的像素值;
当每个值只有一个时，使用截断中值去逼近mode
truncated median filter:
<img src="/visual_images/truncated_median.png" width="600" height="400"/>
结果：
<img src="/visual_images/truncated_results.png" width="700" height="400"/>

方法对比

平均算子
减少很多噪声但是图片更模糊了
高斯平均
相比于平均算子保留了跟多细节，但是优势不明显
中值
保留了一些噪声但是有清晰的边界
截断中值
减少噪声，保留了很多细节
<img src="/visual_images/reduce_comparision.png" width="700" height="400"/>

二值形态变化操作

对二值图像进行膨胀(放大)，腐蚀(缩小)操作。

erosion

腐蚀操作：扫描图像的每一个像素，用结构元素(可自定义的，水平线竖线等等)与其覆盖的二值图像做“与”操作：如果都为1，结果图像的该像素为1，否则为0。
<img src="/visual_images/erosion.png" width="600" height="250"/>

dilation

膨胀操作：扫描图像的每一个像素，用结构元素与其覆盖的二值图像做“与”操作：如果都为0，结果图像的该像素为0，否则为1。
<img src="/visual_images/dilation.png" width="600" height="250"/>

opening operator

在腐蚀后加膨胀操作

closing operator

在膨胀后加腐蚀操作
<img src="/visual_images/opening_closing.png" width="700" height="200"/>

作用

膨胀: 最直接的就是对物体形状的扩展，且能连接相近物体，填充物体内空白
腐蚀：缩小形状，看起来细些，做多次后会得到形状线条，比如指纹，提取形态骨架；分离邻近物体；去除小噪声，小点。
开运算：分离邻近物体和平滑边界
闭运算：填充物体内细小空洞，连接邻近物体和平滑边界
关于操作的代码可以参考文章Matlab DIP(瓦)ch9形态学图像处理

OpenCV入门
图像处理的基本操作在图像处理的过程中，读取图像、显示图像和保存图像是最基本的操作 1. 读取图像 retval...
基本图像操作
基本图像操作 1.直方图(histograms) 定义直方图是对图像在某个指标的不同值的数量的统计，如亮度直方图...
图像的基本操作
图像的点运算线性点运算定义一像素线性点运算函数，如下所示：对以上函数，取不同参数，会取得不同的效果：若 ,经过运...
着色器图像处理(亮度/对比度/反像)
基于固定基图像的图像混合操作:针对图像各像素与常量值之间的混合操作图像的基本属性。首先是亮度，也称灰度，它是大 ...
Matlab 简单图像处理
一、图像处理的基本操作 1.从图形文件读取图像通过 matlab 自带的 imread 读入图像，函数内为图像的...
OpenCV for Android (5)——腐蚀、膨胀、开闭
1. 形态学操作形态学操作就是基于形状的一系列图像处理操作。通过将结构元素作用于输入图像来产生输出图像。最基本的...
机器视觉常见库
图像处理中的常见任务包括显示图像、基本操作（如裁剪、翻转、旋转等）、图像分割、分类和特征提取、图像恢复和图像识别。...
Python-Image 基本的图像处理操作
Python-Image 基本的图像处理操作，有需要的朋友可以参考下。 Python 里面最常用的图像操作库是 I...
python Image 模块处理图片
Python-Image 基本的图像处理操作，有需要的朋友可以参考下。 Python 里面最常用的图像操作库是 I...
PHP基础 —— 图形处理
图像处理 GD和图像处理，不仅可以创建文件，而且可以处理已有图像创建图像基本步骤创建图像所有的操作都需要在此...