数字图像处理学习总结
学习材料就是冈萨雷斯的数字图像处理这本书。
第二章：基本知识
1、 通过图像传感器获取图像的感知数据；
2、 通过取样和量化把图像的感知数据转换成数字形式，以像素表示；数字形式又可分为二值图像、灰度图像、索引图像和真彩色RGB图像四种基本类型；
3、 图像处理主要可以分为空间域处理和频率域处理，包括：图像平滑、图像锐化、图像复原和重建、小波和多分辨率处理、图像压缩、形态学处理、图像分割、表示和描述以及图像的模式识别。
第三章：空间域处理
1、 空间域处理是指在图像的像素上操作，主要分为灰度变换和空间滤波：灰度变换的主要目的是对比度处理和阀值处理；空间滤波的主要目的是改善图像的性能，如锐化图像；
2、 基本的灰度变换函数：图像反转、对数变换、伽马变换、分段线性变换；
3、 还有基于直方图的灰度变换：直方图的横坐标是灰度值，纵坐标是该灰度值的像素个数或者频率；直方图处理包括均衡、匹配、局部处理、局部增强等。
4、 空间滤波：通过用空间滤波器模板对一个邻域里的象素进行操作而得到新的像素，总体可以分为线性和非线性空间滤波。包括：用于模糊处理和降低噪声的平滑空间滤波（线性的平滑线性滤波和非线性的统计排序滤波）、用于突出灰度过渡部分的锐化空间滤波；而在图像改善如图像增强的实际应用中，往往将多种图像增强方法结合起来使用。
5、 使用模糊技术进行灰度变换和空间滤波，在某些情况下会得到很好的效果。
6、 和空间域对应的是频率域，下面是频率域滤波的学习情况。
第四章：频率域滤波
1、 频率域滤波的数学基础，主要是傅里叶变换，包括一维傅立叶变换、二维傅立叶变换、离散傅立叶变换，还有卷积定理等；
2、 简单来讲，就是通过傅立叶变换将图像的空间域变换为频域，在频域里进行滤波操作，再通过反变换得到处理后的图像空间域；
3、 频域滤波有模糊图像或者说平滑图像用的低通滤波器，锐化图像用的高通滤波器，此外还有带通滤波、带阻滤波、陷波滤波等选择性滤波器；空间域滤波和频域滤波是有对应关系的。
4、 通过以上的空间域滤波或者频率域滤波，不仅可以实现图像增强，还可以实现图像的复原和重建，下面是图像复原和重建的学习情况。
第五章：图像复原和重建
1、 图像复原的目的是以预先确定的目标来改善图像；
2、 如果图像退化是因为有噪声，那么用空间域滤波就可以；如果是图像模糊，用频域滤波比较合适。
3、 噪声的主要来源是图像的获取和传输过程，有高斯噪声、瑞利噪声、伽马噪声、指数噪声、均匀噪声、脉冲噪声，还有周期噪声。
4、 空间滤波适合于只存在加性噪声的复原；包含均值滤波、统计排序滤波、自适应滤波。
5、 频域滤波可以有效分析并滤除周期噪声，包含带通、带阻、陷波等选择性滤波器。
6、 此外，通过观察法、试验法、建模法估计出退化函数或已知退化函数后，可以用逆滤波、最小均方误差滤波、约束最小二乘方滤波、几何均值滤波进行图像复原；
7、 以上是图像复原，而图像重建可以通过一系列的投影来实现。主要包括使用平行射线束和扇形射线束滤波反投影进行图像重建。
8、 图像的增强、复原和重建等操作，在彩色图像处理中也同样需要，下面介绍彩色图像处理的学习情况。
第六章：彩色图像处理
1、 在图像处理中，主要的彩色模型有RGB彩色模型、CMY（青、粉红、黄）、CMYK（青、粉红、黄、黑）和HSI（色调、饱和度、亮度）模型。
2、 彩色图像处理的两个主要领域：全彩色处理和伪彩色处理；
3、 伪彩色处理：基于某种规则对灰度值赋以颜色的处理，主要包括灰度分层和灰度到彩色的变换。
4、 全彩色处理的处理方法分为两类：分别处理每一幅分量图像和直接处理彩色像素；
5、 彩色变换：通过对各分量的处理，达到调整亮度、色调或彩色校正等目的。彩色分层：分离出目标物。
6、 彩色图像处理也包括去噪声、直方图处理、平滑、锐化等。
第七章：小波和多分辨率处理
1、刚才所总结的频率域处理的数学基础是傅立叶变换，相比傅立叶变换，小波变换使得图像的压缩、传输和噪声去除、边缘检测等分析更为容易。（小波，频率不同、时间有限的小型波）。接下来总结的图像压缩就是使用的小波变换。
第八章：图像压缩
1、图像压缩的理论基础：数据和信息是不同的事情，可以理解为数据是信息的表示，因此相同的信息用不同的表示所占的数据空间是不同的，也就是存在冗余数据。冗余数据主要包括编码冗余、时间空间冗余、不相关信息冗余。
2、压缩方法分为有损压缩和无损压缩，基本的压缩方法有：霍夫曼编码、Golomb（戈洛姆）编码、算术编码、LZW编码、行程编码等。
3、以上的汇报，输入和输出都是图像，而接下来讨论的处理是输入图像而输出特征，也就是从图像中提取感兴趣的特征。首先，汇报形态学图像处理。
第九章：形态学图像处理
1、图像的腐蚀和膨胀是两个基本的形态学操作，利用一些基于腐蚀和膨胀的形态学算法如边界提取、孔洞填充、凸壳、细化、骨架、裁剪等，可以从输入的图像中，输出感兴趣的特征。
第十章：分割
1、 分割是指将图像细分为构成它的子区域。
2、 多数分割算法基于灰度值的不连续性和相似性：基于不连续性的算法有边缘提取；基于相似性的算法有阀值处理、区域生长、区域分裂和聚合等。
3、 下面介绍四种主要的分割算法：
4、 边缘检测分割：（点检测、线检测、边缘检）首先寻找边缘线段，然后连接为边界，识别区域，进行图像的分割；
5、 阀值处理分割：阀值处理是重要的分割算法，是基于灰度值来将图像直接划分区域；有全局阀值处理、可变阀值处理。
6、 直接寻找区域的分割：区域生长，将像素或子区域根据预先定义的准则组合为更大区域的过程；区域分裂与聚合，将一幅图像细分为一组不相交的区域，然后聚合或分裂这些区域。
7、 基于形态学分水岭的分割算法，提供了一种能有效使用先验知识的框架。
8、 分割后的区域经常以一种适合于计算机进一步处理的形式来表示和描述；下面总结表示和描述的学习情况。
第十一章：表示和描述
1、 表示的方法有：边界追踪、链码、多边形近似法等；
2、 边界的描绘子有：偏心率、形状数、傅立叶描绘子、统计矩等；
3、 区域的描绘子有：圆度率、拓扑描绘子、纹理、不变矩等；
4、 使用主分量进行的描述和关系描绘子适用于边界描述和区域描述；
5、 最后总结目标识别的学习情况。
第十二章：目标识别
1、 根据识别任务的不同，选择合适的描绘子的组合，就也就是模式，进行图像的模式识别或目标识别；
2、 目标识别的算法主要分为：使用定量描绘子的决策理论方法和使用定性描绘子的结构方法。
3、 决策理论方法有：最小距离分类器、相关匹配、贝叶斯分类器和神经网络等算法。
4、 结构方法是运用模式形状中的结构关系来实现模式识别，有匹配形状数、串匹配等算法。
以上就是图像处理的学习情况汇报，总的感觉是图像处理的各个内容是互相有联系的。尤其是完成机器视觉这样的任务，就需要用到很多图像处理的环节。
