《数字图像处理》课件演示文稿

数字图像处理欢迎来到数字图像处理课程！在这个数字化时代，图像处理技术已经渗透到我们生活的方方面面从智能手机拍摄的照片美化，到医学影像诊断，从卫星图像分析到人脸识别系统，数字图像处理无处不在本课程将带领你深入了解数字图像处理的基本原理、核心算法和广泛应用我们将从基础概念开始，逐步探索图像变换、增强、复原、压缩等关键技术，最终达到对图像识别和深度学习的理解课程概述基础理论1掌握数字图像的表示、采样量化、像素关系等基本概念，建立数学模型和理论基础核心技术2学习图像变换、增强、复原、压缩等核心处理技术，理解各种算法的原理和应用高级应用3探索形态学处理、图像分割、目标识别等高级主题，了解深度学习在图像处理中的前沿应用学习目标理解数字图像的基本概念和表示方法掌握各种图像处理技术和算法12掌握像素、分辨率、灰度级等基本概念，理解图像的数学表示能够运用各种空间域和频率域方法对图像进行增强、复原、压和采样量化原理缩和分割开发实际图像处理应用的能力了解图像处理的前沿发展34通过实验和项目练习，培养解决实际图像处理问题的能力，为认识深度学习等新技术在图像处理领域的应用，把握学科发展进一步学习计算机视觉和模式识别奠定基础方向第一章绪论图像处理的基本概念介绍数字图像处理的定义、基本流程和系统组成，建立初步认识历史发展与里程碑回顾数字图像处理从世纪年代至今的发展历程和重要突破2060应用领域探索展示数字图像处理在医学、遥感、工业检测等领域的广泛应用第一章将带领我们进入数字图像处理的世界，了解其基本概念、发展历史和丰富的应用领域通过本章学习，我们将建立对图像处理的整体认识，为后续深入学习奠定基础什么是数字图像处理

1.1定义处理层次数字图像处理是指利用计算机低级处理图像预处理，如噪算法对数字图像进行处理、分声去除、增强对比度；中级处析和理解的技术它将连续的理分割、描述和识别；高级图像信号转换为离散的数字表处理理解图像内容，接近人示，并通过各种算法进行加工工智能范畴和提取信息与计算机视觉的关系数字图像处理专注于图像的变换和改善，是计算机视觉的基础；计算机视觉更关注对图像内容的高级理解和解释数字图像处理的发展历史

1.2年代初期19601数字图像处理的起源，主要用于太空探索和卫星图像改善1964年，喷气推进实验室（JPL）使用计算机处理月球探测器传回的图像年代19702医学影像技术发展，计算机断层扫描（CT）的发明图像处理算法开始系统化发展，傅里叶变换等方法广泛应用年代1980-19903个人计算机兴起，图像处理软件普及图像压缩标准如JPEG建立，为数字图像的存储和传输奠定基础年至今20004深度学习革命性改变图像处理领域，卷积神经网络等模型在图像识别、分割等任务上取得突破性进展移动设备上的实时图像处理应用普及数字图像处理的应用领域

1.3医学成像遥感与地理信息工业自动化X射线、CT、MRI等医学图卫星和航空图像处理，用于产品质量检测、生产线监控像的增强与分析，辅助医生地图制作、环境监测、资源和机器人视觉导航现代工进行疾病诊断现代医学影勘探和城市规划能通过图厂使用机器视觉系统检测产像处理系统能自动检测肿瘤像分析监测森林砍伐、冰川品缺陷，精度远超人工检查、骨折和其他病变融化等环境变化安防监控人脸识别、行为分析和异常事件检测智能监控系统能实时分析视频流，自动识别可疑行为和违规活动数字图像处理系统的基本组成

1.4图像预处理图像获取对获取的原始图像进行去噪、增强等2通过相机、扫描仪等设备将实际场景基础处理1转换为数字图像图像分析分割、特征提取等中级处理，为理解3图像内容做准备结果输出5图像理解处理结果的存储、显示或用于控制其他系统4对图像内容进行高级解释，如目标识别和场景理解一个完整的数字图像处理系统通常包括以上五个关键环节，形成一个循环的工作流程这些环节相互关联，共同完成从图像采集到最终应用的全过程系统的硬件部分包括图像采集设备、处理器和存储单元，软件部分则包括各种算法和用户接口第二章数字图像基础数学表示学习如何用数学模型表示数字图像，包括函数表示和矩阵表示方法采样与量化理解如何将连续图像转换为离散数字信号，掌握空间和灰度分辨率的概念像素关系探索像素之间的空间关系，包括邻域、连通性和距离度量等基本概念基本操作学习线性和非线性操作的原理及应用，为后续图像处理打下基础第二章将介绍数字图像的基础知识，帮助我们理解数字图像的本质和结构这些基础概念是学习后续图像处理技术的必要前提，也是理解各种算法原理的关键图像的数学表示

2.1二维函数模型矩阵表示数字图像可表示为二维函数在计算机中，图像通常表示为，其中和是空间坐标，的矩阵，每个矩阵元素对fx,y x y fM×N在任意点处的值表示该点应一个像素，元素值表示像素x,y的灰度级或颜色信息这种表的灰度级或颜色值这种离散示方法将图像看作是一个连续表示方便计算机存储和处理的二维信号坐标系统通常采用以图像左上角为原点的坐标系统，轴向右，轴向下0,0xy不同于传统数学坐标系，这种表示方法符合计算机屏幕显示的习惯图像采样与量化

2.2采样过程量化过程分辨率概念采样是将连续空间图像转换为离散空间量化是将连续灰度值转换为离散灰度级空间分辨率指单位距离内的像素数量，图像的过程通过在空间上以一定间隔的过程例如，将范围内的连续通常用（每英寸点数）表示；灰度0-255DPI取样，形成二维离散点阵采样频率必亮度值量化为个离散灰度级量化分辨率指可表示的灰度级数量，通常用256须满足奈奎斯特准则，以避免混叠现象级别越多，图像的灰度表现力越丰富比特数表示，如位图像可表示个8256灰度级像素间的基本关系

2.3像素间的空间关系是图像处理的基础概念邻域关系定义了像素周围的相邻点，常见的有邻域和邻域邻域包括像素上下左右四个方向的484相邻点，而邻域还包括四个对角方向的点8像素间的连通性基于邻域关系，用于确定哪些像素属于同一个区域或目标通常有连通和连通两种定义方式，这在区域标记和边界跟踪算48法中非常重要像素间的距离度量包括欧氏距离、城市街区距离（也称曼哈顿距离）和棋盘距离不同的距离度量适用于不同的图像处理任务线性和非线性操作

2.4线性操作特性非线性操作特性12满足叠加原理和比例原理的不满足线性条件的操作称为操作称为线性操作如果非线性操作非线性操作在T是线性操作，则对于任意图处理复杂图像时往往更有效像和以及任意常数和，，特别是在边缘保持和噪声f ga b有线去除方面典型的非线性操Taf+bg=aTf+bTg性操作的典型例子包括图像作包括中值滤波、形态学处加法、减法和线性滤波理和阈值操作操作的空间依赖性3当操作结果与像素位置相关时，称为空间变化操作；当操作结果与像素位置无关时，称为空间不变操作大多数基本的图像处理操作都是空间不变的第三章图像变换傅里叶变换分析图像的频率特性1离散余弦变换2能量集中性好，广泛用于图像压缩变换Walsh-Hadamard3计算简单，仅使用加减运算小波变换4提供时频局部化特性图像变换是数字图像处理中的核心技术，它将图像从空间域转换到频率域或其他变换域，使特定的处理任务变得更加容易本章将详细介绍几种重要的图像变换方法，包括它们的数学原理、计算方法和应用场景通过学习不同的变换方法，我们可以根据具体问题选择最合适的变换技术，为图像增强、复原和压缩等后续处理奠定基础二维离散傅里叶变换

3.1傅里叶变换原理1二维离散傅里叶变换DFT将图像从空间域变换到频率域，表示为正弦和余弦函数的加权和它揭示了图像中的频率成分，低频对应图像的缓慢变化部分，高频对应边缘和细节部分数学公式2M×N图像的DFT定义为Fu,v，其中u=0,1,...,M-1，v=0,1,...,N-1，表示频率域坐标F0,0代表图像的直流分量，即平均灰度值幅度谱|Fu,v|显示各频率成分的强度，相位谱表示各成分的相对位置快速傅里叶变换3快速傅里叶变换FFT是计算DFT的高效算法，将计算复杂度从ON²降低到ONlogN它通过将变换分解为更小的变换来减少计算量，广泛应用于实际图像处理系统中应用场景4频率域滤波通过修改频率域系数进行图像增强和去噪；频谱分析分析图像的频率特性，如周期性和方向性；图像配准通过相位相关方法进行图像对齐离散余弦变换

3.2原理计算方法应用优势DCT离散余弦变换使用余弦函数作为二维通常对图像的小块（如像在图像压缩中的优势在于能量集DCT DCT8×8DCT基函数，将图像转换为频率域表示与素块）分别进行变换对于每个块，计中度高，便于后续量化；计算复杂度相相比，只有实部，没有虚部，算其系数矩阵，然后根据应用需求对较低；有快速算法实现；边界效应小DFT DCT DCT且具有更好的能量集中性，即大部分能进行处理，如量化、阈值处理等于DFT量集中在少数低频系数上变换有多种形式，包括、除了压缩外，还应用于图像去噪、DCT DCT-I DCT由于这种能量集中特性，在图像压、和，其中特征提取和水印嵌入等领域在现代图DCTDCT-II DCT-III DCT-IV DCT-缩中有着广泛应用，是等标准压最常用于图像处理，也是标准像处理系统中，是最常用的变换之JPEG IIJPEG DCT缩算法的核心中采用的形式一变换

3.3Walsh-Hadamard基本原理矩阵Hadamard变换是基于矩阵，这是Walsh-Hadamard WHTWHT Hadamard一种使用方块波函数作为基函数一种元素为或的正交矩阵+1-1的正交变换它的基函数只有的矩阵₂可以递2×2Hadamard H和两个值，因此计算过程只归地生成更高阶的矩阵，如₄+1-1H涉及加法和减法，不需要复杂的、₈等这种结构使得可H WHT乘法运算，计算效率很高以通过快速算法高效计算应用场景由于计算简单，在计算资源有限的系统中很有优势，如嵌入式图像WHT处理它也用于图像压缩、特征提取和模式识别等领域，尽管其性能通常不如和小波变换DCT小波变换

3.4小波基本概念多分辨率分析滤波器组实现小波变换使用局部化的基函数小波变换通过多尺度分析，可小波变换通常通过滤波器组实（小波）分析信号，可以提供以在不同分辨率下检查图像特现，包括低通和高通滤波器时间（或空间）和频率的联合征它将图像分解为近似部分通过这些滤波器对图像进行分表示与傅里叶变换不同，小和细节部分，近似部分可以进解和重构，可以实现图像的多波变换能够捕捉信号的瞬态特一步分解，形成层次化表示分辨率分析和处理性和局部特征应用优势小波变换在图像压缩（如JPEG2000标准）、去噪、边缘检测和纹理分析等领域有广泛应用它能有效处理具有尖锐边缘和局部特征的图像第四章图像增强频率域增强空间滤波在变换域中进行操作，如低通滤直方图处理使用空间滤波器进行平滑和锐化波和高通滤波空间域增强通过修改图像灰度直方图改善图处理直接在图像像素上进行操作，包像对比度和亮度括点处理和邻域处理图像增强是指通过各种技术改善图像的视觉效果，使图像更适合特定应用增强的目的可能是改善对比度、减少噪声、锐化边缘或突出某些特征本章将介绍空间域和频率域中的各种图像增强技术，以及它们的应用场景和实现方法空间域增强

4.1灰度变换最基本的空间域增强技术，包括线性变换（如对比度拉伸）和非线性变换（如对数变换和幂律变换）这些操作可以调整图像的动态范围，改善对比度算术操作包括图像加法、减法、乘法和除法等图像加法可用于降噪（多帧平均）；减法可用于变化检测；乘法可用于掩膜操作；除法可用于消除不均匀照明位平面分解将图像分解为个位平面（对于位图像），分别处理各位平面88高位平面包含主要的灰度结构信息，低位平面包含细节信息通过操作特定位平面可实现特殊的增强效果直方图处理

4.2直方图概念直方图均衡化直方图规定化图像直方图是图像灰度分布的图形表示直方图均衡化是一种自动调整图像对比直方图规定化是将图像的直方图变换为，横轴为灰度级，纵轴为具有该灰度级度的技术，它将原始图像的直方图变换指定形状的技术与均衡化不同，它允的像素数量直方图提供了图像灰度分为近似均匀分布的直方图，从而扩展动许用户控制处理后的灰度分布，更灵活布的统计信息，是图像处理中的重要工态范围，增强对比度地满足特定需求具它对于对比度较低、灰度分布集中的图在医学图像处理和艺术图像处理中，规通过分析直方图，可以评估图像的对比像特别有效，能自动找到适合的灰度变定化常用于标准化不同图像的灰度特性度、亮度和动态范围，并指导后续的增换函数强操作空间滤波

4.3空间滤波是通过在图像空间域中应用滤波器（或称为掩模、卷积核）实现的图像增强技术滤波器定义了一个邻域操作，计算中心像素周围邻域的加权和来产生新值平滑滤波器用于减少噪声和细节，包括均值滤波、高斯滤波等它们通过局部平均化操作，使图像变得更平滑，但可能导致边缘模糊锐化滤波器用于增强边缘和细节，包括拉普拉斯滤波器、高提升滤波等它们通过强调图像中的高频成分，使图像变得更清晰，但可能同时放大噪声频率域增强

4.4低通滤波高通滤波抑制高频成分（边缘和噪声），保留低频抑制低频成分，保留高频成分，实现图像成分（平滑区域），实现图像平滑化常锐化和边缘增强常用的高通滤波器包括12用的低通滤波器包括理想低通、巴特沃斯理想高通、巴特沃斯高通和高斯高通滤波低通和高斯低通滤波器器同态滤波带通滤波将乘性噪声转换为加性噪声处理，常用于只保留特定频率范围内的成分，可用于提光照不均图像的增强它基于图像的光照-43取纹理或去除周期性噪声带通滤波器结反射模型，分别处理低频照明分量和高频合了低通和高通滤波器的特性反射分量第五章图像复原图像复原与图像增强的区别复原的主要挑战12图像复原旨在恢复被退化的图像图像复原面临的主要挑战包括，基于退化过程的数学模型，而退化模型的不确定性，无法完全图像增强则侧重于改善图像的主准确地建模；复原过程的病态性观视觉效果，不一定考虑退化原，即解对输入的微小变化非常敏因复原是一个逆过程，试图恢感；噪声的存在使复原变得更加复原始图像；增强则是一个改进困难；计算复杂度通常较高过程，不一定关注原始图像是什么本章内容概述3本章将首先介绍图像退化模型，然后讨论各种噪声模型，接着探讨逆滤波和维纳滤波等复原技术这些知识对于处理模糊、有噪声或其他形式退化的图像至关重要图像退化模型

5.1数学模型点扩散函数图像退化通常表示为点扩散函数描述了成像系统gx,y=PSF，其中是观对点光源的响应，它表征了系统hx,y*fx,y+nx,y g察到的退化图像，是原始图像，引入的模糊常见的包括运f PSF是退化函数（点扩散函数），动模糊（相机或物体移动导致）h*表示卷积，是叠加噪声在频域、散焦模糊（焦点不准确导致）n中，这个模型可表示为和大气湍流模糊（通过大气层观Gu,v=测导致）Hu,vFu,v+Nu,v退化模型的估计在实际应用中，退化函数往往是未知的，需要通过各种方法进行估计这h些方法包括使用已知的系统参数（如相机移动速度）；通过图像中的特征（如点光源或边缘）进行盲估计；或使用特殊的校准图案进行测量噪声模型

5.2高斯噪声椒盐噪声斑点噪声高斯噪声是最常见的噪声类型，其概率椒盐噪声（也称为脉冲噪声）表现为随斑点噪声是一种乘性噪声，常见于雷达密度函数服从正态分布它通常来源于机分布的黑点和白点它通常由图像传、超声波和激光成像系统它表现为粒电子元件的热噪声和放大器噪声，在弱感器、传输通道或模数转换过程中的错状图案，与图像信号强度成正比斑点光条件下尤为明显高斯噪声影响图像误引起椒盐噪声只影响部分像素，但噪声使图像变得粗糙，降低细节可见度中的所有像素，表现为随机的灰度波动影响强度大逆滤波

5.3直接逆滤波受限逆滤波伪逆滤波直接逆滤波是最简单的图像复原方法，为了克服直接逆滤波的问题，受限逆滤伪逆滤波是直接逆滤波的另一种改进形基于退化模型的逆运算在频域中，它波在小于某阈值时将逆滤波器的式，它使用奇异值分解等方法计Hu,v SVD表示为，其中响应限制为常数或零这可以防止噪声算退化矩阵的伪逆这种方法在理论上F̂u,v=Gu,v/Hu,v F̂是复原图像的估计，是观察图像，过度放大，但可能导致部分高频信息丢更加稳健，但计算复杂度较高G H是退化函数失伪逆滤波对于处理严重退化的图像效果这种方法的主要问题是，当接近受限逆滤波的效果高度依赖于阈值的选有限，通常需要与其他方法结合使用Hu,v零时，噪声会被极大放大，导致复原结择，不同图像可能需要不同的阈值果不稳定维纳滤波

5.4维纳滤波原理1基于最小均方误差准则的统计复原方法数学模型2考虑噪声和原始图像的统计特性频域实现3通过频域转换实现高效计算参数优化4通过调整噪信比参数获得最佳结果维纳滤波是一种基于统计原理的复原方法，它考虑了原始图像和噪声的统计特性，试图最小化估计图像与原始图像之间的均方误差与逆滤波不同，维纳滤波在特征值很小的频率上能有效抑制噪声放大维纳滤波的频域表达式为F̂u,v=[H*u,vGu,v]/[|Hu,v|²+K]，其中H*是H的复共轭，K是噪信比参数当噪声很小时，维纳滤波接近逆滤波；当噪声很大时，它会抑制高频响应，减少噪声影响第六章彩色图像处理颜色模型彩色处理颜色变换探索、、学习伪彩色和全彩色图像掌握颜色校正、平衡和色RGB HSIYCbCr等不同颜色空间的特性和处理的基本方法，包括颜调映射等变换技术，了解转换方法，理解如何在不色分割、增强和匹配技术如何改善彩色图像的视觉同应用场景选择合适的颜质量色模型应用实例通过实际案例，学习彩色图像处理在医学、遥感、艺术等领域的具体应用颜色模型

6.1模型模型模型RGB HSIYCbCr模型是一种加色模型，以红、绿模型以色调、饱和度和亮度表模型将颜色分为亮度分量和色度RGB RHSI HS IYCbCr Y、蓝三种基色的不同组合表示颜色示颜色，更符合人类感知颜色的方式色分量和表示亮度信息，表示G B Cb CrY Cb它是基于人眼视锥细胞对这三种颜色的调表示颜色的类型（如红、黄、绿等），蓝色色度，表示红色色度这种分离使Cr敏感性设计的，适合显示设备使用在饱和度表示颜色的纯度，亮度表示颜色的得可以独立处理亮度和色度，在图像和视模型中，颜色表示为三维立方体，每明暗程度模型特别适合图像分割和频压缩中广泛应用，如和标RGB HSIJPEG MPEG个分量通常用位表示（）基于颜色的特征提取准80-255伪彩色处理

6.2灰度到彩色的映射伪彩色处理将灰度图像转换为彩色图像，通过将灰度值映射到预定义的颜色方案这种技术不增加信息量，但可以增强人眼对图像内容的感知，使细微的灰度差异更容易辨别常用映射方法密度分层将灰度范围分成几个区间，每个区间分配不同颜色；线性变换将灰度值线性映射到色调值；查找表方法使用预定义的灰度到颜色的映射表，可以实现复杂的非线性映射应用场景伪彩色处理广泛应用于医学图像（如射线、、热成像）、遥感图X CT像（卫星和航空图像）和科学可视化（温度场、压力场等物理量分布）通过合理的颜色编码，可以突出感兴趣的特征和异常区域全彩色处理

6.3分量处理法将彩色图像分解为各个颜色分量（如RGB三个通道），分别进行处理，然后重新组合这种方法简单直接，但可能导致颜色失真，因为不同通道之间存在相关性，独立处理会破坏这种相关性矢量处理法将颜色视为三维空间中的矢量，直接在颜色空间中进行操作矢量处理能保持颜色之间的关系，但计算复杂度较高典型应用包括颜色聚类、边缘检测和图像分割颜色空间变换法将图像从一个颜色空间转换到另一个更适合特定处理的颜色空间例如，将RGB图像转换到HSI空间，在I通道上进行增强，保持H和S不变，然后转换回RGB这种方法能有效避免颜色失真彩色图像分割基于颜色信息的图像分割是全彩色处理的重要应用常用方法包括基于颜色直方图的阈值法、基于颜色聚类的方法（如K-means）和基于区域生长的方法彩色信息使分割更加准确可靠颜色变换

6.4色彩平衡色彩校正修正色偏，使图像呈现自然色调2调整图像颜色以匹配理想标准1色调映射改变图像的整体色调氛围35伽马校正颜色量化调整图像的亮度非线性响应4减少颜色数量，适应显示或存储限制颜色变换是彩色图像处理中的重要技术，用于改善图像的视觉质量或适应特定应用需求色彩校正通常使用颜色校准设备和标准色卡进行，可以补偿相机或扫描仪的色彩偏差色彩平衡则侧重于消除由光源引起的颜色偏移，使图像呈现自然平衡的色调色调映射允许艺术性地改变图像氛围，常用于摄影后期处理和电影制作颜色量化在有限色彩显示设备和图像压缩中很重要伽马校正则考虑了人眼感知和显示设备的非线性特性，确保图像在不同设备上呈现一致的亮度和对比度第七章小波和多分辨率处理多分辨率分析的意义小波变换的优势12多分辨率分析允许在不同尺度与传统的傅里叶变换相比，小上检查图像特征，这对于理解波变换提供了时间（或空间）图像结构至关重要人类视觉和频率的联合表示，能够捕捉系统也是以多尺度方式感知世信号的非平稳特性小波基函界的，因此多分辨率处理能更数是局部化的，适合分析具有好地模拟人类视觉它提供了尖锐边缘和瞬态特征的图像分析图像局部特征和全局特征此外，小波变换计算效率高，的统一框架可以通过快速算法实现本章内容概述3本章将首先介绍多分辨率展开的概念，然后深入探讨小波变换的理论基础，包括连续小波变换和离散小波变换我们还将学习小波包和图像金字塔等相关技术，以及它们在图像处理中的应用多分辨率展开

7.1多分辨率分析概念多分辨率分解应用优势多分辨率分析是将信号分解为不多分辨率分解将原始图像分离为一个粗多分辨率处理在许多图像处理任务中有MRA同分辨率（或尺度）的近似和细节的方略的近似版本和一系列包含丢失细节的显著优势在图像压缩中，它允许以渐法在图像处理中，允许我们在残差图像这种分解可以递归进行，形进方式编码图像；在图像增强中，可以MRA不同尺度上分析图像的特征，粗尺度捕成一个层次化表示选择性地处理不同尺度的特征；在图像捉整体结构，细尺度捕捉局部细节分析中，提供了从粗到细的特征提取方在实际计算中，多分辨率分解通常通过法低通和高通滤波器实现低通滤波产生的数学基础是嵌套向量空间序列粗略近似，高通滤波提取丢失的细节此外，多分辨率模型更符合人类视觉系MRA的概念，每个空间代表一个分辨率级别统的工作方式，使处理结果更符合人类，较粗的空间是较细空间的子集感知小波变换基础

7.2小波函数小波是一种特殊的数学函数，具有有限持续时间和零平均值特性小波函数ψt（称为母小波）通过平移和缩放可以生成一系列基函数，用于信号分解常用的小波包括Haar小波、Daubechies小波、Symlet小波和Coiflet小波等连续小波变换连续小波变换CWT将信号与缩放和平移后的小波函数进行内积运算，产生时间-尺度表示CWT公式为CWTa,b=∫ftψ*t-b/adt/√a，其中a是尺度参数，b是平移参数，ψ*是小波函数的复共轭离散小波变换离散小波变换DWT使用离散的尺度和平移参数，通常采用二进制尺度（如2^j）和相应的整数平移DWT计算效率高，能完美重构原始信号，是实际应用中最常用的形式一维DWT使用高通和低通滤波器进行分解二维离散小波变换二维DWT用于图像处理，通常采用可分离方法实现先对图像的行进行一维DWT，然后对结果的列进行一维DWT这产生四个子带LL（低频近似）、LH（水平细节）、HL（垂直细节）和HH（对角细节）小波包

7.3小波包概念小波包是对标准小波分解的扩展，提供了更灵活的频率分割方式在标准小波分解中，只有低频部分（近似系数）被进一步分解，而在小波包分解中，高频部分（细节系数）也可以被递归分解分解树结构小波包分解可以表示为一个完全二叉树，每个节点对应一个子带标准小波分解只使用树的左侧分支，而小波包可以使用任意分支组合，提供更丰富的频率划分最佳基选择小波包的优势在于可以根据特定标准（如熵最小化）选择最适合信号特性的分解基这种自适应选择使得小波包能更有效地表示具有复杂频率结构的信号应用领域小波包在信号去噪、特征提取和图像压缩等领域有广泛应用由于其提供的更精细频率分析能力，小波包特别适合处理具有复杂纹理和频率结构的图像图像金字塔

7.4原始图像最高分辨率的完整图像1第一级下采样2分辨率减半的图像及残差第二级下采样3进一步减半分辨率及残差第三级下采样4更低分辨率图像及残差金字塔顶部5最低分辨率的缩略图图像金字塔是一种多分辨率图像表示方法，通过逐级下采样和滤波创建图像的一系列逐渐缩小的版本最常用的有两种高斯金字塔和拉普拉斯金字塔高斯金字塔通过低通滤波和下采样创建，每一级的图像尺寸是上一级的一半它提供了图像的粗略近似，但丢失了一些细节信息拉普拉斯金字塔在高斯金字塔的基础上，存储每级之间的差异（残差），保留了所有细节信息，可以完全重构原始图像第八章图像压缩图像冗余分析理解图像中的各种冗余类型，包括空间冗余、时间冗余、统计冗余和视觉冗余压缩的核心是识别并消除这些冗余无损压缩技术学习无损压缩的基本方法，如熵编码、游程编码和预测编码这些方法在不丢失任何信息的情况下减小文件大小有损压缩技术探索有损压缩的原理和方法，如变换编码、量化和子带编码这些方法通过丢弃人眼不敏感的信息获得更高的压缩率压缩标准了解主要的图像压缩标准，如JPEG、JPEG2000和最新的压缩技术这些标准定义了压缩算法的实现细节和文件格式冗余与压缩

8.1空间冗余统计冗余视觉冗余图像中相邻像素之间通常具有图像中不同灰度值出现的概率人眼对图像某些特征（如高频高度相关性，这种相关性构成不同，这种统计特性可以通过细节）不敏感，这些特征可以了空间冗余利用这种冗余，熵编码利用熵编码（如霍夫在有损压缩中被丢弃通过了可以通过预测编码等方法，只曼编码和算术编码）为出现频解人类视觉系统的特性，可以存储像素与其预测值的差异，率高的值分配短码，为罕见值设计更有效的量化策略，提高大幅减少数据量分配长码，降低平均码长压缩效率编码冗余标准的二进制编码未必是最高效的表示方式通过特殊的编码方案，如可变长编码，可以减少表示相同信息所需的位数，从而降低存储需求无损压缩技术

8.2霍夫曼编码算术编码12霍夫曼编码是一种可变长编码技术，根据符号出现的概率分配码字长度算术编码将整个数据序列编码为区间[0,1内的一个小数相比霍夫曼编出现频率高的符号分配短码，频率低的分配长码霍夫曼编码构建一码，它不受整数位长度的限制，能更接近熵极限，特别是对概率分布倾个二叉树，从树根到叶节点的路径定义了每个符号的编码它能接近信斜的数据算术编码的缺点是计算复杂度较高，且需要处理浮点精度问息熵的理论极限题游程编码编码34Lempel-Ziv游程编码RLE利用图像中连续相同像素的特性，以值-计数对表示连续Lempel-Ziv编码如LZ77和LZ78是字典编码的代表，通过维护已处理数据像素序列对于包含大面积相同颜色区域的图像（如二值图像、简单图的字典，用指向字典的指针替代重复出现的数据片段它是许多通用压表）特别有效RLE是GIF、TIFF等格式的基础缩方法（如ZIP、GIF）的基础，不需要先验统计信息，能自适应地学习数据模式有损压缩技术

8.3有损压缩通过丢弃人眼不敏感的信息来获得更高的压缩率变换编码是最常用的有损压缩技术，它将图像转换到频率域（如DCT或小波域），然后量化变换系数，丢弃不重要的高频信息JPEG使用8×8块的DCT变换，JPEG2000则采用小波变换矢量量化将图像分割成小块，用预定义码本中的最佳匹配向量替代分形压缩利用图像的自相似性，用变换函数表示图像块之间的关系最新的基于深度学习的方法使用神经网络直接学习最优的压缩表示，性能超过传统方法，但计算复杂度较高图像压缩标准

8.4JPEG19921最广泛使用的图像压缩标准，基于离散余弦变换DCT和熵编码将图像分为8×8块，每块进行DCT，然后量化DCT系数，最后用霍夫曼编码压缩JPEG能达到10:1到20:1的压缩率而保持良好的视觉质量，但在高压缩率下会出现块状2JPEG20002000伪影基于小波变换的标准，提供比JPEG更好的压缩性能，特别是在高压缩率下支持无损和有损压缩，以及渐进解码、感兴趣区域编码等高级特性尽管技术先进，但由于复杂度高和专利问题，普及度不如JPEGWebP20103由Google开发的格式，旨在提供更小的文件尺寸和更好的视觉质量使用预测编码和熵编码，支持有损和无损压缩以及透明度在相同视觉质量下，WebP比JPEG小约25-34%，现已被大多数网络浏览器支持4HEIF/HEIC2015高效图像文件格式，作为HEVC视频压缩标准的一部分在相同质量下，HEIF文件比JPEG小约50%它支持透明度、动画和多种图像在一个文件中苹果设备从iOS11开始默认使用HEIF格式保存照片第九章形态学图像处理形态学处理基础基本形态学操作高级应用形态学图像处理是一种基于集合论的技膨胀和腐蚀是最基本的形态学操作膨形态学处理在边缘检测、目标提取和图术，主要用于分析和处理二值和灰度图胀扩大图像中的明亮区域（或二值图像像分割中有广泛应用形态学梯度（膨像的几何结构它使用一个称为结构元中的前景），腐蚀则收缩这些区域这胀结果减去腐蚀结果）可以有效检测边素的小形状来探测和修改图像中的结构两种操作可以组合形成更复杂的操作，缘；击中击不中变换用于识别特定形状如开运算和闭运算；骨架提取可以提取物体的中轴线形态学操作的核心思想是使用结构元素开运算（先腐蚀后膨胀）可以去除小的在图像上滑动，检查结构元素与图像明亮区域和突出物；闭运算（先膨胀后灰度形态学将二值形态学的概念扩展到当前区域的匹配情况，根据特定规则确腐蚀）可以填充小的暗区域和缝隙灰度图像，使得形态学技术可以应用于定输出像素值更广泛的图像处理任务膨胀与腐蚀

9.1膨胀操作腐蚀操作灰度形态学膨胀是一种基本的形态学操作，它扩大腐蚀是膨胀的对偶操作，它收缩图像中灰度膨胀和腐蚀是二值操作的扩展灰图像中的前景区域（二值图像中的，灰的前景区域数学上定义为⊖度膨胀用局部最大值替代像素值，定义1A B={z|度图像中的亮区）数学上，膨胀是集⊆，即结构元素完全包含在图为⊕；灰Bz A}B fbx,y=max{fx-s,y-t+bs,t}合论中的闵可夫斯基加法，定义为⊕像中的所有点腐蚀可以去除小于结构度腐蚀用局部最小值替代像素值，定义A BA∅，其中是输入图像元素的物体，断开纤细连接，缩小物体为⊖={z|B̂z∩A≠}A fbx,y=min{fx+s,y+t-bs,t}，是结构元素，是的反射尺寸B B̂B开运算与闭运算

9.2开运算开运算是先腐蚀后膨胀的组合操作，数学表示为A∘B=A⊖B⊕B它可以平滑物体轮廓，断开狭窄的连接，去除比结构元素小的突出部分开运算保持比结构元素大的物体特征，同时抑制小于结构元素的细节闭运算闭运算是先膨胀后腐蚀的组合操作，数学表示为A•B=A⊕B⊖B它也能平滑轮廓，但与开运算不同，它通常连接窄的断裂，填充小于结构元素的孔洞和凹陷闭运算在保持物体总体形状的同时，消除内部的小孔形态学滤波开闭运算是形态学滤波的基础，可以根据物体的形状和大小进行选择性滤波开运算倾向于保留明亮背景上的暗目标，闭运算倾向于保留暗背景上的明亮目标结构元素的选择对滤波效果有关键影响灰度开闭运算灰度图像的开闭运算是二值操作的直接扩展在灰度图像中，开运算可以去除亮的小细节，同时保持整体灰度水平和大的亮区域；闭运算可以去除暗的小细节，同时保持整体灰度水平和大的暗区域击中击不中变换

9.3击中击不中变换是一种形态学模式匹配技术，用于在图像中检测特定形状或模式它使用两个互补的结构元素一个匹配前景，一个匹配背景数学上表示为⊗⊖⊖，其中用于匹配前景，用于匹配背景，是的补集A B,C=A B∩A^c CBCA^c A此变换在物体检测、特征点提取和模式识别中有重要应用它能够精确定位特定形状，如角点、交叉点或断点在工业视觉中，常用于零件定位和缺陷检测击中击不中变换也是细化算法的基础细化是将二值物体减小到单像素宽的过程，常用于提取物体的骨架通过反复应用不同方向的击中击不中变换，可以逐渐剥离物体边缘，最终得到骨架表示形态学边缘检测

9.4内边缘形态学梯度原图与腐蚀结果之差，检测内部边界2膨胀与腐蚀结果之差，增强边缘1外边缘膨胀结果与原图之差，检测外部边界35黑帽变换顶帽变换闭运算结果与原图之差，增强暗细节4原图与开运算结果之差，增强亮细节形态学提供了多种边缘检测方法，相比传统的基于微分的方法，它们更为鲁棒，尤其是在有噪声的情况下形态学梯度是最基本的形态学边缘检测器，它通过计算膨胀结果与腐蚀结果之差来增强边缘内边缘提取内部边界，外边缘提取外部边界，两者结合提供物体边缘的完整信息顶帽变换特别适合从非均匀背景中提取亮目标，黑帽变换则适合提取暗目标这些变换在医学图像处理、遥感图像分析和工业检测中有广泛应用，能有效提取特定亮度特征和局部极值点第十章图像分割边缘检测阈值分割区域分割基于图像中灰度不连续性基于图像灰度直方图的分基于像素相似性的分割方的分割方法，使用各种边割方法，将图像像素分为法，包括区域生长、分裂缘检测算子识别图像中的不同的类别，适用于目标合并等技术，适合处理复边界和轮廓和背景灰度差异明显的情杂纹理和渐变图像况分水岭分割将图像视为地形表面的分割方法，特别适合分割接触或重叠的目标，广泛应用于医学和生物图像分析点、线和边缘检测

10.1点检测线检测边缘检测点检测用于识别图像中与周围像素显著不线检测用于识别图像中的线性结构，通常边缘检测是图像分割的重要技术，用于识同的孤立点，通常使用拉普拉斯算子实现使用特定方向的掩模例如，水平线检测别图像中灰度变化显著的区域常用的边典型的点检测掩模为掩模缘检测算子包括一阶微分算子如、和Roberts Prewitt-1-1-1-1-1-1算子，它们通过计算图像的梯度幅值Sobel-18-1222检测边缘-1-1-1-1-1-1二阶微分算子如拉普拉斯算子，它通过寻找梯度变化的零交叉点检测边缘掩模与图像卷积后，响应值超过阈值的位通过旋转此掩模，可以检测不同方向的线高级边缘检测器如边缘检测器，它Canny置被认为是点点检测在识别图像中的小线检测在提取道路、血管、裂缝等细长结合了高斯平滑、梯度计算、非极大值抑目标、星点和噪声斑点方面很有价值结构时非常有用，广泛应用于医学图像分制和滞后阈值处理，能提供更精确的边缘析和遥感图像处理阈值处理

10.2全局阈值全局阈值法为整个图像使用单一阈值进行分割理想情况下，图像直方图呈现双峰分布，阈值选在两峰之间的谷底常用的自动阈值选择方法包括Otsu方法，它寻找使类间方差最大的阈值，以及最小误差法、最大熵法等局部自适应阈值局部阈值法根据像素局部邻域确定阈值，适用于光照不均匀的图像常见方法包括基于局部均值、标准差或中值的自适应阈值，以及基于局部灰度直方图的方法这些方法能更好处理光照变化和纹理差异多阈值分割多阈值分割使用多个阈值将图像分为多个区域，适用于包含多个目标类别的复杂图像可以使用多级Otsu方法、K均值聚类或期望最大化算法确定多个阈值多阈值分割在多材料分析和多组织分类中很有价值特殊阈值技术除基本阈值方法外，还有针对特定问题的高级技术，如基于边缘信息的阈值选择，考虑空间关系的阈值处理，以及结合形态学操作的混合方法这些技术在噪声敏感区域和复杂背景下表现更好区域分割

10.3区域生长区域生长是一种从种子点开始，逐步将相似像素纳入区域的自下而上分割方法它首先选择初始种子点，然后检查相邻像素，如果它们满足预定的相似性准则（如灰度差异小于阈值），则添加到区域中这个过程继续进行直到没有新的相似像素可以添加区域分裂合并区域分裂合并是一种同时使用自上而下和自下而上策略的分割方法它首先将整个图像视为一个区域，然后递归地分裂不均匀区域（不满足同质性标准的区域）分裂后，检查相邻区域是否可以合并（如果合并后仍满足同质性标准）这个过程一直持续到无法进一步分裂或合并分水岭变换分水岭变换将图像视为地形表面，灰度值代表海拔高度从局部最小值开始注水，当来自不同盆地的水即将汇合时，建立分水岭线（边界）分水岭算法特别适合分割接触或重叠的目标，但容易过度分割通常需要结合标记技术或预处理步骤来减少过度分割分水岭算法

10.4应用与优化标记控制分水岭在医学图像（如细胞分割）、梯度图像直接应用分水岭算法通常会导致过度遥感图像和工业视觉中有广泛应用基本原理在实际应用中，分水岭通常应用于图分割，产生大量细小区域标记控制为提高性能，常结合形态学操作（如分水岭算法基于地貌学概念，将图像像的梯度幅值图，而不是原始图像分水岭通过预先指定感兴趣区域的标开闭运算）进行预处理，或应用层次视为地形表面，每个像素的灰度值表在梯度图中，边缘对应高值（山脊）记（种子点），显著减少过度分割化分水岭策略此外，还可以使用距示该点的海拔高度算法模拟从局部，均匀区域对应低值（盆地）这使标记可以通过自动算法（如局部最小离变换或者其他特征图来增强分割效最小值（山谷底部）开始的注水过程得分水岭线能够更好地定位在真实物值提取）或用户交互来定义果，随着水位上升，来自不同盆地的水体边界上梯度图的质量直接影响分将在山脊处汇合，这些山脊形成分水割结果岭线，也就是分割边界第十一章图像表示与描述边界表示边界描述研究如何用链码、多边形近似等方法表示物学习基于边界的形状描述方法，如傅里叶描12体轮廓，为后续形状分析提供基础述子、统计矩和形状数等纹理描述区域表示掌握统计方法、结构方法和频谱方法等纹理43探索四叉树、骨架等区域表示方法，了解它特征提取技术们的应用场景和优缺点图像表示与描述是连接低级图像处理与高级图像理解的桥梁通过将分割得到的区域转换为紧凑的数学表示，我们可以更有效地进行目标识别、场景理解和内容检索等高级任务本章将介绍如何用各种方法表示和描述图像中的物体，重点关注边界表示与描述、区域表示与描述以及纹理描述这些技术为后续的图像分析和模式识别奠定基础边界表示与描述

11.1边界表示是描述物体形状的基本方法，常用的技术包括链码、多边形近似和曲线参数化链码通过编码连续边界点之间的方向关系，提供紧凑的轮廓表示通常使用方向或方向编码系统，可以从中计算周长、面积等基本特征48多边形近似将复杂轮廓简化为顶点数量较少的多边形，减少数据量的同时保留重要形状特征常用算法包括算法和分裂合并算法Douglas-Peucker，它们在保持形状精度和简化之间寻求平衡边界描述符用于量化物体形状特征，便于比较和识别傅里叶描述子将轮廓表示为频率成分的集合，低频描述整体形状，高频描述细节形状矩（如矩）提供了旋转、缩放和平移不变的形状描述曲率函数描述轮廓各点的弯曲程度，对识别角点和关键形状特征很有帮助Hu区域表示与描述

11.2四叉树表示骨架表示12四叉树是一种递归分解的区域表示方法它从整个图像开始，如果区域不骨架（或中轴）表示将物体简化为一组连接的中心线，保留其拓扑特性满足均匀性条件，则分裂为四个等大的子区域这一过程递归进行，直到常用的骨架提取方法包括基于形态学细化的算法和基于距离变换的算法所有子区域满足均匀性条件或达到预设的最小区域大小四叉树适合表示骨架表示能有效捕捉物体的主要结构特征，在字符识别、血管分析和模式不规则形状和非均匀纹理，在图像压缩和快速检索中有广泛应用匹配中有重要应用统计矩描述拓扑描述34统计矩是描述区域分布的有效工具几何矩（如面积、质心和惯性矩）描拓扑描述关注区域的连接性和孔洞等特性欧拉数（物体组件数减去孔洞述区域的大小和位置特性；Hu矩提供对几何变换不变的形状描述；Zernike数）是一个重要的拓扑描述符，在字符识别中特别有用连通性分析和区矩在圆形区域上定义，具有旋转不变性，常用于表示复杂形状不同阶数域关系图也是描述复杂场景中物体空间关系的重要工具的矩捕捉区域的不同层次细节纹理描述

11.3统计方法结构方法频谱方法统计方法通过分析像素灰度值的统计分布结构方法将纹理视为基本图元（纹理元素频谱方法在变换域分析纹理特征傅里叶描述纹理一阶统计量（如平均值、方差）按照某种规则排列的模式它通过识别变换分析纹理的方向性和周期性；小波变、偏度、峰度）描述灰度直方图特性；二纹理元素及其空间安排规则来描述纹理换提供多尺度纹理表示，能同时捕捉局部阶统计量基于灰度共生矩阵，计形态学方法是常用的结构分析工具，可以和全局特征；滤波器组模拟人类视GLCM Gabor算特定距离和方向上像素对的灰度关系，提取纹理元素和评估其分布这种方法适觉系统的感知特性，针对特定方向和尺度从中可以导出能量、熵、对比度、同质性合描述规则性强的纹理，如织物和建筑表提取纹理特征等纹理特征面第十二章目标识别模式识别基础1理解特征提取、分类和决策过程传统识别方法2掌握统计、结构和模板匹配等方法机器学习技术3学习支持向量机、决策树等经典算法深度学习应用4探索CNN、RNN等深度网络在图像识别中的应用目标识别是数字图像处理的高级应用，它将前面学习的图像处理、分割和描述技术与模式识别方法结合，实现对图像内容的理解和解释随着计算机视觉技术的发展，目标识别已经从简单的形状匹配发展到能够识别复杂场景中的多类物体本章将介绍模式识别的基本概念和方法，包括传统的基于特征的方法和现代的基于深度学习的方法我们将学习如何选择和提取有效特征，如何设计和训练分类器，以及如何评估识别系统的性能模式识别基础

12.1特征提取特征选择与降维分类技术性能评估特征提取是将原始图像转换为更紧凑、特征选择旨在从大量候选特征中选择最分类器根据特征将样本分配到预定义的识别系统的性能通常通过混淆矩阵、精更有区分力的表示的过程好的特征应有区分力的子集，减少冗余和噪声影响类别常用的分类方法包括最近邻分类确率、召回率、F1分数和ROC曲线等该在类内具有相似性，在类间具有差异常用方法包括过滤法（基于特征与类器（基于样本相似性）、贝叶斯分类器指标评估交叉验证技术用于估计分类性，并对噪声、光照变化等干扰具有鲁别相关性）、包装法（基于分类性能）（基于概率模型）、决策树（基于特征器的泛化能力，避免过拟合在实际应棒性常用的图像特征包括颜色特征（和嵌入法（在学习过程中选择特征）序列决策）和支持向量机（寻找最优分用中，还需考虑计算复杂度、存储需求如颜色直方图）、纹理特征（如GLCM降维技术如主成分分析PCA和线性判割超平面）分类器的选择取决于数据和实时性等因素特征）、形状特征（如矩特征和傅里叶别分析LDA则通过将高维特征映射到特性、样本数量和计算资源等因素描述子）和局部特征（如SIFT和HOG低维空间来减少计算复杂度）神经网络与深度学习在图像处理中的应用

12.22012突破ImageNetAlexNet在ImageNet竞赛中的胜利标志着深度学习时代的开始60M+参数规模现代图像处理神经网络的参数数量，使其具有强大的表示能力99%识别准确率顶尖深度学习模型在某些图像识别任务中的准确率，超越人类水平100+应用领域深度学习已经在医疗、安防、自动驾驶等超过100个图像处理领域取得突破深度学习已经彻底改变了图像处理领域，尤其是在目标识别方面卷积神经网络CNN是处理图像数据的主要架构，其特点是局部连接和权重共享，能够自动学习层次化特征基础CNN结构包括卷积层、池化层和全连接层，现代架构如ResNet、Inception和DenseNet引入了跳跃连接、多尺度处理等创新机制深度学习的其他重要应用包括图像分类（识别图像的主要内容）、物体检测（定位并识别多个物体）、语义分割（像素级分类）、实例分割（区分同类不同个体）和生成模型（创建新图像，如GAN和VAE）尽管深度学习在图像处理中取得了令人瞩目的成果，但仍面临对大量标注数据的依赖、计算资源需求高和可解释性差等挑战。