图像基础

图像二值化：是指将图像中的每个像素点的灰度值转换为两个可能的值之一，通常为0（黑色）或255（白色）
图像归一化：是为了调整图像的亮度和对比度，使得图像的数据分布符合特定的要求，例如将像素值缩放到 [0, 1] 或者 [-1, 1] 的范围(比如除255，变成小数 0.2333)。这有助于减少光照条件的影响，提高不同图像之间的可比性，并且可以使某些算法的表现更加稳定，

像素宽度：指的是图像实际的宽度，以像素为单位。例如，一个720x720的图像，其像素宽度是720
行宽度（stride）：指的是每行图像数据在内存中占用的字节数。它可能大于或等于像素宽度乘以每个像素的字节数，具体取决于图像格式和对齐要求
- 对于单通道图像（如灰度图），stride通常是图像宽度乘以每个像素的字节数。例如，对于一个720x720的灰度图，每个像素占1个字节，那么stride就是720字节
- 假设你有一个720x720的YUV420P图像，每个像素平均占1.5个字节。Y平面的stride是720字节（因为每个Y像素占1个字节），而U和V平面的stride是720 / 2 = 360字节（因为U和V每个分量共享4个像素）// 注意每个平面不一样
- 如果你有一个720x720的RGB图像，每个像素占3个字节，且要求4字节对齐，那么stride将是720 * 3 = 2160字节，因为它已经是4的倍数，不需要额外填充

算子：

OpenAI算子是OpenAI API中提供的一种函数，它用于对文本或图像进行操作，如文本生成、文本分类、图像生成等。这些算子可以基于预训练的模型，通过调用API接口来执行特定的任务。

OpenCV算子是指OpenCV库中提供的一系列用于图像处理的函数和算法。这些算子可以对图像进行各种操作，如滤波、边缘检测、特征提取等。
例如，Sobel算子是一种用于边缘检测的算子，它可以提取图像的一阶梯度信息，用于识别图像中的边缘。其他的算子如Laplacian、Canny等也有各自的特点和应用场景。
在使用OpenCV算子时，通常需要指定相应的参数，以控制算子的行为。不同的算子可能需要不同的参数，因此在使用时需要根据具体情况进行设置。

1. 向量： 有大小有方向(比如带箭头的线段, 箭头所指代表方向，线段长度代表大小)

　　图片数据通常以向量的形式保存并进行处理。向量将图片分解成一个个像素，向量元素记录着各个像素点的颜色信息，所以这个向量表达的是图片色彩的分布，反过来根据向量包含的信息也能渲染出对应的图片

　　黑白图片（灰度图）通过2维向量（矩阵）来表达。2个维度的长度分别代表了图片的高度和宽度（以像素为单位），向量元素记录着每一个像素的灰度（数值越大，颜色越浅）

　　彩色图片通过3维向量来表达。3个维度的长度分别代表了图片的高度、高度（以像素为单位）和通道数。在RGB模式下，彩色图片有3个通道，保存着图片各个像素红色（Red）、绿色（Green）和蓝色（Blue）的量化数值

2.数量(标量) ：只有大小，没有方向

======================================================== 1

1和2用到卷积核的地方，最好都声明卷积核的width和height都为正奇数，否则卷积核中心与原图像中心点难以对齐，造成不对称。

1.图像形态学操作
a.膨胀：在规定的卷积核中取最大值代替原图像的中心点，目的是扩大较明亮物体的边界。(卷积核取最大值)

b.腐蚀：在规定的卷积核中取最小值代替原图像的中心点，目的是缩小较明亮物体的边界。(卷积核取最小值)

c.开运算：先腐蚀，再膨胀。腐蚀操作去除物体边界的毛刺，膨胀操作恢复已经被腐蚀操作缩小过的物体边界。（因为腐蚀的话是把图像的所有部分都腐蚀了(取最小值变暗)，所以完了我们要把主体部分膨胀还原）
　　应用：去除物体边界的毛刺

d. 闭运算：先膨胀，再腐蚀。膨胀操作去除物体内部的黑点（洞），腐蚀操作缩小已经被膨胀操作扩大的物体边界。（因为膨胀的话是把图像的所有部分都膨胀了(取最大值变亮)，所以完了我们要把主体部分腐蚀还原）

e.基本梯度：经过膨胀后的图像减去经过腐蚀后的图像
　　应用：提取物体的边界

2.图像模糊处理（blur，滤波)
a.均值滤波：取原图像中心点的值为卷积核范围内的均值。或者用卷积的语言说：原图像中心点的值变为原图像与矩阵中每个元素都是 1/(width*height)的卷积核的卷积。（卷积核取均值）

b.中值滤波：取原图像中心点的值为卷积核范围内的像素值的中位数。（卷积核取中值）
应用：去除椒盐噪声。在图像的某些像素点采样时，可能由于外界噪声导致某些像素点过敏或过暗，就像盐粒或胡椒粉一样的颜色，称为椒盐噪声。（但要求卷积核的尺寸大于椒盐粒的尺寸）

c.高斯滤波：卷积核其实就是一种权重，而在均值滤波中，卷积核内的像素点的权重都相同**。而高斯滤波考虑了空间因素，以像素点中心为二维高斯分布的中心，卷积核内的取值按高斯分布减小。**高斯分布考虑了空间信息，因此对部分解决了均值滤波损失了物体边界信息的缺陷。(卷积核根据权重相乘取值(权重相加为1 所以超不出255))

d.双边滤波：同时考虑空间因素和像素因素。有空域核，值域核两个卷积核。（卷积核根据权重相乘取值(权重相加为1 所以超不出255)，同时考虑差值(也就是边缘)，如果超过多少那这部分就保留）

空域核：元素取值是空间位置的高斯函数。
值域核：当周围像素与中心像素的像素值差距过大时，就不把此像素计算在内。

======================================================== 2

设

1.值域：某个空间中所有向量经过变换矩阵后形成的向量的集合，通常用R（A）来表示

2.核：所有经过变换矩阵后变成了零向量的向量组成的集合，通常用Ker(A)来表示。

======================================================== 3

傅立叶变换是实现从空域或时域到频域的转换工具

1. 空间域（spatial domain): 也叫空域，即所说的像素域，在空域的处理就是在像素级的处理，如在像素级的图像叠加。或者说就是描述像素空间分布的信息，经过傅立叶变换可以得到频率域

2.频率域（frequency domain): 任何一个波形都可以分解成多个正弦波之和。每个正弦波都有自己的频率和振幅。所以任意一个波形信号有自己的频率和振幅的集合。频率域就是空间域经过傅立叶变换的信号

3.时域（时间域)：自变量是时间,即横轴是时间,纵轴是信号的变化。其动态信号x（t）是描述信号在不同时刻取值的函数。

__EOF__

本文作者：封兴旺
本文链接：https://www.cnblogs.com/fxw1/p/16883408.html
关于博主：评论和私信会在第一时间回复。或者直接私信我。
版权声明：本博客所有文章除特别声明外，均采用 BY-NC-SA 许可协议。转载请注明出处！
声援博主：如果您觉得文章对您有帮助，可以点击文章右下角【推荐】一下。您的鼓励是博主的最大动力！