图像处理预习笔记1

#1.1什么是线阵传感器.面阵传感器?
线阵CCD工业相机主要应用于工业、医疗、科研与安全领域的图象处理。在机器视觉领域中，线阵工业相机是一类特殊的视觉机器。与面阵工业相机相比，它的传感器只有一行感光元素，因此使高扫描频率和高分辨率成为可能。线阵工业相机的典型应用领域是检测连续的材料，例如金属、塑料、纸和纤维等。被检测的物体通常匀速运动,利用一台或多台工业相机对其逐行连续扫描,以达到对其整个表面均匀检测。可以对其图象一行一行进行处理,或者对由多行组成的面阵图象进行处理。另外线阵工业相机非常适合测量场合，这要归功于传感器的高分辨率,它可以准确测量到微米。

相机像素是指这个相机总共有多少个感光晶片，通常用万个为单位表示，以矩阵排列，
像素的多少不决定图像的分辨率（清晰度），那么大像素工业相机有何好处呢？答案只有一个：减少拍摄次数，提高测试速度。
对于面阵CCD来说，应用面较广，如面积、形状、尺寸、位置，甚至温度等的测量。面阵CCD的优点是可以获取二维图像信息，测量图像直观。缺点是像元总数多，而每行的像元数一般较线阵少，帧幅率受到限制，而线阵CCD的优点是一维像元数可以做得很多，而总像元数角较面阵CCD工业相机少，而且像元尺寸比较灵活，帧幅数高，特别适用于一维动态目标的测量。

**优点对比：**

面阵CCD：可以获取二维图像信息，测量图像直观。

线阵CCD：一维像元数可以做得很多，而总像元素较面阵相机少，而且像元尺寸比较灵活，帧幅数高，特别适用于一维动态目标的测量。而且线阵分辨率高，价格低廉，可满足大多数测量现场要求。

**缺点对比：**

面阵CCD：像元总数多，而每行的像元数一般较线阵少，帧幅率受到限制，因此其应用面较广，如面积、形状、尺寸、位置，甚至温度等的测量。由于生产技术的制约，单个面阵的面积很难达到一般工业测量现场的需求。
线阵CCD：要用线阵获取二维图像，必须配以扫描运动，而且为了能确定图像每一像素点在被测件上的对应位置，还必须配以光栅等器件以记录线阵每一扫描行的坐标。一般看来，这两方面的要求导致用线阵获取图像有以下不足：图像获取时间长，测量效率低；由于扫描运动及相应的位置反馈环节的存在，增加了系统复杂性和成本；图像精度可能受扫描运动精度的影响而降低，最终影响测量精度

本文来自 傻子与倩倩 的CSDN 博客 ，全文地址请点击：https://blog.csdn.net/zhu_hongji/article/details/80854815?utm_source=copy

#1.2图像的取样和量化
p30

**采样**是把空域上或时域上连续的图像（模拟图像）转换成离散采样点（像素）集合（数字图像）的操作。 即,对坐标值进行数字化成为取样.
 (采样越细，像素越小，越能精细地表现图像。)

**量化**是把像素的灰度（浓淡）变换成离散的整数值的操作。最简单的量化是用黑（0）白（255）两个数值（即2级）来表示，成为二值图像。即,对幅值数字化成为量化.
量化越细致，灰度级数（浓淡层次）表现越丰富。计算机中一般用8bit(256级)来量化，这意味着像素的灰度（浓淡）是0—255之间的数值。

---------------------

本文来自 luoweifu 的CSDN 博客 ，全文地址请点击：https://blog.csdn.net/luoweifu/article/details/8043967?utm_source=copy

#1.3图像的空间分辨率,灰度级分辨率是指的是什么
课本P34~36 
###一、空间分辨率:
  是指图像中可以辨别的最小细节的度量 
  表示方法：每单位距离(mm)线对(黑白线)数目 
                    每单位距离(mm)点(像素点)数 
                    在美国，用每英寸点数（dpi）表示 
    key：空间分辨率的度量必须针对空间单位来规定才有意义，单纯的图像大小本身没有意义。 
###二、灰度分辨率 
   类似的,灰度分辨率是指在灰度级中可以分辨的最小变化
   灰度级，指的是用于量化灰度的比特数，通常用2的整数次幂来表示，最常用8bit，bit数的减小倾向于对比度增加 
   即 2^8   灰度范围[0~255] 
###三、等偏爱曲线解读 
  key：对于有大量细节的图像，可能只需要很少的灰度级

本文来自 jacob6_b 的CSDN 博客 ，全文地址请点击：https://blog.csdn.net/jacob6_b/article/details/78418267?utm_source=copy

#1.4像素间的关系
**邻域：**图像中的各个像素都是相关的，每个像素和邻域具有相同或者相似的一些特性，对此，可以进行图像的分割处理
（1）4邻域N4(p)：像素p(x,y)的4邻域是：(x+1,y)；(x-1,y)；(x,y+1)；(x,y-1)(上下左右)

（2）D邻域ND(p)：像素p(x,y)的D邻域是：对角上的点
 (x+1,y+1)；(x+1,y-1)；(x-1,y+1)；(x-1,y-1)

（3）8邻域N8(p):4邻域的点+8邻域的点

3、**连通性：**描述区域和边界的重要概念，有：4连通、8连通、m连通
两像素连通的必要条件：1）两像素位置是否相邻；2）两像素灰度值是否满足特定的相似性准则
（1）4连通：两个像素p和q，如果p在q的4邻域中，称这两个像素是4连通

（2）8连通：两个像素p和q，如果p在q的8邻域中，称这两个像素是8连通

（3）m连通：1）两个像素p和q,p在q的4邻域内，或者p在q的D邻域内，2）且p和q的4邻域的交集为空，即m连通是4连通和D连通的混合（mixture）连通，（特别注意第二个条件！）

图像里的每个连通集构成图像的一个区域，这样我们就引入了区域的概念

3、**像素之间的距离**
（1）欧式距离定义：像素p(x,y)和q(s,t)间的欧式距离（就是二维坐标两点的距离）

（2）D4距离（城市距离）：

（3）D8距离（棋盘距离）：

---------------------

本文来自 xumi13 的CSDN 博客 ，全文地址请点击：https://blog.csdn.net/xumi13/article/details/61614854?utm_source=copy

#图像的算术运算.逻辑算法

代数运算

􀁺 算术运算

加

减

乘

除:一幅图像取反和另一幅图像相乘

􀁺 逻辑运算

非

与

或

异或

##代数运算——加法

􀁺 加法运算的定义

C(x,y) = A(x,y) + B(x,y)

􀁺 主要应用举例

去除叠加性噪声

生成图像叠加效果

􀁺 去除叠加性噪声（对于图像噪声现在还不甚了解，今后用到再来仔细学习）

对于原图像f(x,y),有一个噪声图像集

{ gi(x,y) } i =1,2,...N  其中：gi(x,y) = f(x,y) + h(x,y)i

假设噪声h(x,y)均值为0，且互不相关

N个图像的均值定义为：

g(x,y) = 1/N(g0(x,y)+g1(x,y)+…+ gN(x,y))

期望值E(g(x,y)) = f(x,y)

上述图像均值将降低噪声的影响

􀁺 去除叠加性噪声——星系图举例

􀁺 生成图像叠加效果

对于两个图像f(x,y)和h(x,y)的均值有：

g(x,y) = 1/2f(x,y) + 1/2h(x,y)

推广这个公式为：

g(x,y) = αf(x,y) + βh(x,y)

其中α+β= 1

可以得到各种图像合成的效果，也可以用于两张图片的衔接

##代数运算——减法

􀁺 减法的定义：C(x,y) = A(x,y) - B(x,y)

􀁺 主要应用举例

1. 显示两幅图像的差异，检测同一场景两幅图像之间的变化

如：视频中镜头边界的检测

2．去除不需要的叠加性图案

3．图像分割：如分割运动的车辆，减法去掉静止部分，剩余的是运动元素和噪声

􀁺 检测同一场景两幅图像之间的变化

设：时间1的图像为T1(x,y)，

时间2的图像为T2(x,y)

g(x,y) = T2 (x,y) - T1(x,y)

例：视频中镜头边界的检测

􀁺 去除不需要的叠加性图案

设： 背景图像b(x,y) ， 前景背景混合图像f(x,y)

g(x,y) = f(x,y) – b(x,y)

g(x,y) 为去除了背景的图像。

##代数运算——乘法

􀁺 乘法的定义

C(x,y) = A(x,y) * B(x,y)

􀁺 主要应用举例

图像的局部显示

用二值蒙板图像（是指每个像素不是黑就是白，其灰度值没有中间过渡的图像）与原图像做乘法

##逻辑运算——1、非

􀁺 非的定义

g(x,y) = 255 - f(x,y)

􀁺 主要应用举例

获得一个阴图像

获得一个子图像的补图像

##逻辑运算——2、与

􀁺 与运算的定义

g(x,y) = f(x,y) ∧ h(x,y)

􀁺 主要应用举例

求两个子图像的相交子图

模板运算：提取感兴趣的子图像

##逻辑运算——3、或

􀁺 或运算的定义

g(x,y) = f(x,y) v h(x,y)

􀁺 主要应用举例

合并子图像

##逻辑运算——4、异或

􀁺 异或运算的定义

g(x,y) = f(x,y) ⊕ h(x,y)

􀁺 主要应用举例

获得相交子图像

lee-romantic 's Blog

导航

最近发表

友情链接