（全新）数字图像基础.docVIP

数字图像 定义：数字图像可以定义为与之相对应的物体的数字表示。通常用一个二维数组表示一幅图像，也可以认为一幅图像就是一个二维矩阵。二维矩阵的每个位置对应于图像上的每个像素点，而二维矩阵每个位置上存储的数值对应于图像上每个像素点所具有的信息，比如：灰度等等。 既然数字图像可以用二维矩阵来表示，那么数字图像的处理就可以认为是对对二维矩阵的操作。 图像的数字化： 将一幅图像进行数字化的过程就是在计算机上创建生成一个二维矩阵的过程。数字化过程包括三个步骤：扫描、采样、量化。 扫描：就是按照一定的先后顺序（如：行优先）对图像进行遍历的过程。像素是遍历过程中寻址的最小单位，对应于数组寻址的单位。 采样：即遍历过程中在在图像的每个最小寻址单位即像素位置上测量灰度值，采样的结果是得到每一像素的灰度值。 量化：就是将采样得到的像素灰度值经过模数转换等器件转化为离散的整数值。 数字图像处理中的基本图像类型： 二值图像：二值图像的矩阵仅有两个值构成即“0”和“1”。0 表示黑色，1表示白色。因此二值图像在计算机中的数据类型为一个二进制位。 灰度图像：灰度图像的二维矩阵每个元素的值可能都不一样，它有一个范围【0~255】，其中0表示纯黑色，255表示纯白色，中间数字表示由黑到白的过度。其数据类型一般为8位无符号数。 索引图像：索引图像可以表示彩色图像，其结构比较复杂，除了存储图像数据的二维矩阵以外，还有一个存储RGB颜色的二维矩阵，称为颜色索引矩阵（COLORMAP）。存储数据的二维矩阵里面存储的仍然是图像各个像素的灰度值，而颜色索引矩阵是一个【256】【3】形式的二维矩阵，256对应于0~255个灰度值，而每行的三个分量表示对应于每个灰度值的像素点，它的RGB分量的值。例如：COLORMAP[38][0~2]表示灰度值为38的像素点的RGB各分量值。由于每个像素只有256个灰度值，而每个灰度值决定了一种颜色，所以索引图像最多有256种颜色。 RGB图像：它与索引图像一样可以表示彩色图像，分别用R，G,，B三原色表示每个像素的颜色，但是他们的数据结构不同。RGB图像的数据结构是一个三维矩阵，它的每一像素的颜色值直接存储在矩阵中。因此这个矩阵可用M*N*3来表示。M：表示矩阵每行的像素数，N：表示每列的像素数，3表示每一像素的三个颜色分量。由于每个像素的颜色值都 直接放在图像矩阵中，所以其颜色理论上多达（2*2*2）种。 图像的统计特征： 1. 信息量：一幅图像如果共有ｑ种灰度值并且出现的概率分别是，，，…， 则根据香农定理，这幅图像的信息量可有下式表示： 　　　　　（１）； Ｈ　通称为熵，当图像中个灰度值出现的概率彼此相等时，图像的熵最大。 计算灰度平均值：灰度平均值是指一幅图像中所有像素灰度值的算术平均数，它反应图像中不同物体的平均反射强度，一般用下式表示： 　　 （2） 计算灰度中值：灰度中值是指图像中所有灰度处于中间的值，当当灰度级数为偶数时，则取中间的两个灰度的平均值。 计算灰度众数：灰度众数就是指图像中出现次数最多的灰度值，它是一幅图像中面积占优的物体的灰度特征的反应。 计算灰度标准差：灰度标准差是反映各像素灰度值与图像平均灰度值的总的离散程度，它与熵一样是衡量一幅图像信息量大小的主要指标，是图像统计特征中最重要的统计量之一。一般情况下，标准差越大图像信息量越大。计算公式如下： （3） 6．计算灰度值域：灰度值域是图像最大灰度与最小灰度的差值，即 (4) 计算多为图像的统计特征： 计算协方差矩阵：设和是大小为的两幅图像，则两者之间的协方差计算公式为： （5） 式中和 ——图像和的均值 将N个波段相互间的协方差排列在一起所组成的矩阵称为协方差矩阵，即 （6） 2.计算相关系数 相关系数是描述图像波段间的相关程度的统计量，反映了两个波段图像所含信息的重叠程度。如果两个波段的相关系数较大，则说明仅选择一个波段就可以表示两个波段的信息。特别的，一个波段与其本身的相关系数是1，表明完全重叠。计算公式为： （7） 式中、——图像、的标准差 ——图像、的协方差 将N个波段相互间的相关系数排列在一起组成的矩阵称为相关矩阵R，即 （8） 另外，图像的统计特征还包括直方图特征，直方图指图像中所有灰度值的概率分布，对于数字图像来说，实际上就是图像灰度值的概率密度函数的离散化图形。 图像处理 图像处理的一般步骤： 获取原始图像 预处理 滤波降噪 图