机器视觉及其应用——数字图像基础

图像产生与表示

景物（Scene）在图像处理中，通常把人眼看到的客观
存在的世界称为景物。
图像（Image）事件或事物的一种表示、写真或临摹，或
一个生动的或图形化的描述。
物体表面的光强，或人眼看到的图像灰度gray 可表示为：
$f(x,y)=i(x,y)r(x,y)$
$0<i(x,y)< \infty$ 反映物体表面反射特性的反射系数
$0 < r(x, y) <1$ 物体上的入射光的光量，称照度分量

根据图像记录方式的不同，图像可分为两大类：一类是模拟图像，另一类是数字图像。  在采样和量化过程中，采样间隔（频率）取多大合适？
以多少个等级表示样本的亮度值为最好？这些都将影响到离散图像能否保持连续图像信息的问题。

数字化

1、采样：将空间上连续的图像变换成离散点的操作；各离散点又称为采样点。
一般图像中细节越多，采样间隔应越小。图像中细节越少，则采样间隔可以适当取大。
2. 量化
将像素灰度转换成离散整数值的过程，即采样点亮度值的离散化。

矩阵中的每一个元素称为像元、像素pixel。矩阵中元素排列的位置代表像素在图像上的空间位置，元素值表示各像素的灰度值。

图像的文件格式

机器视觉及其应用——数字图像基础
Bitmap
特点：通过许多像素点表示一幅图像，每个像素具有颜色属性和位
置属性。适合表现大量的图像细节，可以很好的反映明暗的变化、复
杂的场景和颜色。数字图像处理常用bmp。

图像分类

按照图像的强度或颜色等级分类，图像可分为二值图像、灰度图像、索引图像和RGB图像。

binary image

图像的每个像素只能是黑或白，没有中间的过渡，故又称为黑白图像。二值图像的像素值为0或1。

Gray image

指每个像素由一个量化的灰度值来描述的图像。它不包含彩色信息。

Color images

指每个像素由R、G、B三基色像素构成的图像，其中R、B、G是由不同的灰度级来描述的。
RGB图像也称真彩色图像。在RGB图像中，每一个像素由红、绿和蓝（red，green，blue）三个基色分量组成。

图像深度及存储

图像在内部就是一堆数据矩阵，图像有RGB三个分量。
图像深度不同，RGB分量的存储有区别。

8位灰度图

每个像素值采用8位（一个字节）进行存储，颜色级256种

16位图像

每个像素值采用16位（两个字节）进行存储16位位图表示位图最多有2^16种颜色。每个色素用16位（2个字节）表示。这种格式叫作高彩色，或叫增强型16位色，或64K色当biCompression成员的值是BI_RGB时，没有调色板。16位中，最低的5位表示蓝色分量，中间的5位表示绿色分量，高的5位表示红色分量，一共占用了15位，最高的一位保留，设为0。这种格式也被称作555 16位位图。
当biCompression成员的值是BI_BITFIELDS时，首先是原来调色板的位置被三个DWORD变量占据，称为红、绿、蓝掩码。系统可接受两种格式的位域：555和565，在555格式下，红、绿、蓝的掩码分别是：0x7C00、0x03E0、0x001F，而在565格式下，它们则分别为：0xF800、0x07E0、0x001F，在读取一个像素之后，可以分别用掩码“与”上像素值，从而提取出想要的颜色分量（当然还要再经过适当的左右移操作）。

24位图像

每个像素24位，占据三个字节，每个字节表示RGB的每个分量，真彩色，颜色级2^24

彩色图像

实践证明，光谱上的大多数颜色都可以用红、绿、蓝三种单色加权混合产生。
三基色原理
彩色模型：1. RGB彩色模型2．CMY彩色模型3．HSI彩色模型

RGB彩色模
彩色值都已经过归一化处理，不同的颜色处在立方体上或其内部。
CMY彩色模型
CMY颜色模型是一个由白到黑过程， 1 称为减色过程。
HSI 彩色模型

强度( intensity, brightness): 是指刺激感受器的强度,大
小由物体反射系数来决定。色彩明亮度. *色调(hue):由反射光线中占优势的波长来决定的，不同波长产生不同颜色感觉，如红色、黄色、橘黄色等。
色饱和度(saturation):是指一个颜色的鲜明程度，饱和度越高，颜色越深，白光越少,其饱和度越大．
HSI彩色空间用H 、 S 、 I 三个参数描述颜色特性。这种彩色描述对人来说是自然的、直观的，更适合人的视觉特性。

RGB颜色模型到HSI颜色模型的转换：
机器视觉及其应用——数字图像基础

彩色图像的灰度化处理

1）最大值法
$G_{new}=max(R_0,G_0,B_0)$
2）平均值法
$G_{new}=(R_0+G_0+B_0)/3$
3）加权平均值法
$G_{new}=W_RR_0+W_GG_0+W_BB_0$

图像性质

图像分辨率

图像分辨率指：单位长度内（每英寸）所含的像素数，
常用单位是ppi(Pixels Per Inch)
直方图
描述图像中灰度值出现的频率。

直方图

直方图是统计图像中每个像素级出现的数量
直方图性质
（1）只含图像各灰度值像素出现的概率，而无位置信息。
（2）图像与直方图之间是多对一的映射关系。
（3）图像各子区的直方图之和就等于该图像全图的直方图。
一幅给定图像的灰度级分布在0≤r≤1范围内（灰度级进行了归一）。可以对［0, 1］内的任一r值进行变换s=T®
变换函数T®应满足下列条件：
（1）在0≤r≤1区间内，T®值单调增加；
（2）对于0≤r≤1，有 0≤s≤1。

熵

熵，热力学中表征物质状态的参量之一，用符号S表示，其物理意义是体系混乱程度的度量。
熵： $b_E=-\sum_{l=0}^{L-1}p(l)log_2[p(l)]$

一个变量，任意性越大，它的熵就越大。当所有灰度值等概率发生时，熵达到最大值；而当一个灰度值发生的概率为1，其它灰度值的概率均为0时，熵达到最小值0。

图像灰度熵大小即表示图像像素点灰度分布的离散程度，当计算区域内图像像素点的灰度值变化较大时灰度熵也较大。当图像完全模糊时，像素点的灰度值分布离散度较小，灰度熵较小，而当图像较锋利时，像素点灰度值分布离散度大，从而灰度熵较大。所以灰度熵在一定程度上可以表征图像的锋利程度。因此可以用于调焦。

已知图像X，包含N个像素，p1，p2…pN，其中pi为灰度为i的概率，则图像的熵为
H（p1，p2…pN）=‐∑pi*log pi
图像的熵反映了图像包含的信息量
1）当图像为纯色图时（纯白，纯黑图），图像只包含一个灰度值，此时熵最小，H=0，图像的信息量为0。
因为图像为纯色时（灰度为一个值），也就说明图像不包含任何地物目标，信息量为0。（类似于空白地图）
2）当图像包含N个灰度值时，即图像每个像素的灰度值都不同，此时熵最大，图像的信息量最大。
因为此时，图像每个像素灰度都不同，可以认为图像每个单一像素都是一个独立目标，信息量为最大N。
图像的熵越大，包含的像素灰度越丰富，灰度分布越均匀，图像的目标越多，图像的信息量越大，反之则反。

图像品质评价

图像品质评价是对图像压缩与处理系统优劣的评价。评价图像品质时，除了对系统进行客观的数值测试外，还应考虑人的视觉心理等主观因素。

1、主观评价
主观评价工作量大、耗时长,使用起来很不方便
2、客观评价
客观评价方法是由计算机根据一定算法计算得到图像的质量指标，根据评价时是否需要参考图像又可分为全参考、半参考、和无参考三类评价方法。全参考方法在评价失真图像时，需要提供一个无失真的原始图像，经过二者对比，得到一个对失真图像的评价结果。
客观评价是用数学方法计算得到，通常采用图像逼真度和可懂度来评价。
图像逼真度，重建图像与原始图像之间的偏差程度；
图像可懂度，是表示人或机器能从图像中抽取有关信息的程度。

其他统计特征

均值： $\overline{f}=\sum_{l=0}^{L-1}lp(l)$
惯性矩： $\sum_{l_1=0}^{L-1}\sum_{l_2=0}^{L-1}(l_1-l_2)^2p(l_1,l_2)$
方差： $\sigma^2=\sum_{l=0}^{L-1}(1-\overline{f})^2p(l)$
绝对值： $f_a=\sum_{l_1=0}^{L-1}\sum_{l_2=0}^{L-1}\vert l_1-l_2\vert p(l_1,l_2)$
能量： $f_n=\sum_{i=0}^{L-1}p(l)^2$
反差分： $f_d=\sum_{l_1=0}^{L-1}\sum_{l_2=0}^{L-1}\frac{p(l_1,l_2)}{1+(l_1-l_2)^2}$
自相关： $f_h=\sum_{l_1=0}^{L-1}\sum_{l_2=0}^{L-1}l_1l_2p(l_1,l_2)$
协方差： $f_c=\sum_{l_1=0}^{L-1}\sum_{l_2=0}^{L-1}(l_1-\overline{f})(l_2-\overline{f})p(l_1,l_2)$

图像处理运算形式

机器视觉及其应用——数字图像基础