第二章 基本图像处理（Image Processing）

主要内容：

1. 图像的表示----介绍图像是如何表示的，以及全部基本操做的做用对象
2. 高斯滤波-----滤波操做的原理与应用
3. 图像金字塔-----高斯和拉普拉斯
4. 边缘检测-----Sobel算子和Laplace算子

 

---

一、图像的表示

       图像是由一个个的像素表示的，一个图像的像素点能够用 (x,y) 来表示位置，v来表示像素值（灰度图像的话表示一个0~255的值），所以整个图像的表示就是 {（x,y,v）} 像素点的集合。我在以前看不少图像处理的书，基本都是这样介绍的，可是CMU的课件上提出了一个我认为特别好的介绍，是把图像做为一个函数来介绍，f(x,y)=v，函数的自变量为像素点位置，函数值为像素值，画出来的函数图像以下（它把不一样的像素值赋予了对应的颜色）。这个表示对后续的边缘检测、特征点获取理解帮助很大。

 

 

      图像的变换基本有两个方面，一是不改变大小，改变像素点的值（即改变函数f(x,y)的值），这个操做是基于像素点的（CMU课件2.0_Point_Processing这一节对此举了很多例子 ）。第二种是改变大小和像素值，这种操做通常能够改为描述为两部，第一步更改特定像素的值，第二步，在集合中删除掉部分像素点。（好比高斯图像金字塔）

 

二、高斯滤波

      为何须要滤波？个人理解是使图像更平滑（或者说更模糊），同时去除掉了一些噪声的干扰，为何能够作到这样，个人理解是滤波本质上至关于把一个像素的值，跟他周围的像素值紧密联系起来，那么一个干扰点会把他的干扰分散到周围像素上，干扰强度缩小，而其自己受周围像素影响，包含了周围像素的特征，干扰强度更是大大减少，所以干扰项便不存在。

     OK，CMU的课件上来说了一个均值滤波的例子（CMU课件2.0_Box_Filter）。均值滤波的滤波器是左下这种样子的，滤波操做的公式

               

      滤波操做的基本公式以下：h[m,n]是通过滤波操做以后，（m,n）位置处的像素值，至关于f(m+k,n+l)*g(k,l)的和，k,l是滤波器的大小，g(0,0)是中心位置。均值滤波其实就是把每一个像素值，变成已它为中心，绘制1个3*3的矩形，矩形内的全部像素值的平均值。

                                    

 

     除了均值滤波，还有中值滤波比较常见（CMU课件上没写），并且我以前应用比较多，对其很有好感，中值滤波的原理其实根均值滤波同样，画一个矩阵，可是中值滤波中取的的是像素的中位数，这其实更适合去噪，由于咱们噪声通常都是像素值比周围突出的点（这样咱们人眼才能看出来他是噪声，若是隐藏在周围像素点，隐藏的比较好，那就不是噪声了），这样中值化后，它就不存在了。而后就是CMU课件中疯狂介绍的高斯滤波。

     为何是高斯滤波？首先须要明白高斯分布，高中和本科数学都学过正态分布，高斯分布其实就是正态分布，那么正态分布当初的那些性质就适合高斯分布（关于正态分布和高斯分布的介绍请移步  http://blog.csdn.net/rns521/article/details/6953591）。经过上面的介绍，其实滤波操做就是对像素进行取周围全部像素的加权和，根据经验咱们知道距离该像素点越远的点对当前像素影响越小，可是不管中值滤波仍是均值滤波均没考虑才到这一点，而一维高斯分布值是经过终将向两端不断减小的，二维高斯分布是向四面八方递减，那么把高斯分布做为滤波器，就能够实现不一样距离的像素点的影响不一样这一目的。下图左边是二维高斯分布，右边是一维高斯分布（两张图片来源于下述博客，此外关于高斯滤波的滤波矩阵推导见 http://blog.csdn.net/lonelyrains/article/details/46463987）。

   

    那么高斯滤波有什么做用呢？CMU的课件给出了一个特别有意思的例子，就是去实现一个简单的移轴摄影，就是怎么样把左边的图像变成右边的图像。其实很简单，把第二幅图像中跟第一幅图像同样清晰的像素块取出来，加上第一幅图像中剩余的像素点，作一次高斯滤波。

课件上给出的解决方案：

 

三、图像金字塔

      提出图像金字塔的主要目的是为了压缩图像。好比把一个图像压缩到1/2，能够怎么办？

      高斯金字塔解决方案：一、将原图作一次高斯滤波  二、把作完高斯滤波图像的全部偶数行列全去掉。

      整个方法看上去很不错，可是存在一个问题，怎么还原？咱们先复原大小（位置值先用0表示，而后再作一次相似逆滤波的操做），可是这个时候还原回去以后，数据会存在偏差。Laplacian金字塔就是把偏差保存下来——实际上是每次高斯滤波以后丢弃的数据。用代码去实现整个压缩过程以下：

 

for i from 0 to sacle:
     li=blur(fi) #对图像fi作一次滤波
     hi=li-fi #保存丢失信息，Laplacian金字塔
     fi+1=subSample(li)  #更改图像大小

######复原代码
for i for scale to 0:
     li=unSample(fi) #大小复原
     fi+1=li+hi #加上偏差

 

四、边缘检测

      什么是边缘？从图像上来讲是像素值的分解线，从第一小节中的二维函数图像中来看，就是周围函数值发生忽然变化的像素点就是边缘。这样目的就明确了，找到附近函数值变化比较大的点，高中学的导数的定义就是函数的变化率，导数大的地方函数值变化大。问题在于图像函数是没法用表达式表达出来，所以不能用既定的求导公式去计算，在高等数学的极限和中学数学中，咱们学过用下面这个公示去近似导数

                                                        

 

      CMU的课件（4.0_Image_Gradients_And_Gradient_Filtering）中列出了下面的一个例子，假设下面这一行数据是某个图像中的x方向一行的像素值，利用近似导数的方法求某个像素点附件的x导数，其实至关于乘以了右侧的过滤器。假设成了多个过滤器，即跟X在同一列上的相邻像素的近似梯度值，这样，若是这个梯度值比较大，其实就至关于这块有一条近似垂直的边界线（y方向）。

         

     图像都是二维的，所以求x方向梯度值大的求出来都是近似垂直的边界，同时须要再利用一样的方法在求一遍y方向的梯度值变化，最后把梯度值转换成灰度值。这就是Sobel算子的原理

     

      在CMU的课件中，还提到了一点，固然也是实际应用中很是重要的一点，Sobel算子对噪声比教敏感，所以须要在处理以前进行去噪（高斯滤波等）。

      在介绍完Sobel算子以后，CMU的课件又介绍了Laplace过滤器。Laplace的原理在于求像素点的二阶导数（其实是二阶梯度，表达式没有，二阶导数求不出来o(╯□╰)o），二阶导数是对一阶导数求导的结果，二阶导数为0，意味着一阶导数再次取到了极值，一阶导数表示灰度值的变换状况，一阶导数取到了极值，也就是说原图在此灰度值变换巨大。下图是截取自CMU课件中关于Laplace过滤器推倒的过程。

     

  下面这张图展现了图像通过Sobel算子和Laplace过滤器以后的不一样，能够看到利用Laplace过滤器的中间为0的这个特性，能够更好的定位边缘。