Spatial Domain

像素关系

• 相邻像素
  • 四邻域
  • 四对角邻域
  • 八邻域
• 定义邻接性的灰度值集合：$V$
  • 二值/非二值
  • $V$ 可以把灰度级化成两个等价类
• 邻接性
  • 4 邻接：$p\in N_4(p)$ 且 $p,q$ 的灰度值都属于 $V$
  • 8 邻接：$p\in N_8(p)$ 且 $p,q$ 的灰度值都属于 $V$
  • $m$ 邻接（混合邻接）：$p,q$ 的灰度值都属于 $V$
    • $q\in N_4(p)$
    • 或 $N_4(p)\wedge N_(q)$ 内无灰度值属于 $V$
    • 消除二义性
• 连通性：通路
  • 起点终点相同：闭合通路
  • 连通集/连通分量
• 区域：连通的像素子集 $R$
  • 邻接区域：两个连通的区域
  • 前景：$\bigcup R_k$
  • 背景：$(\bigcup R_k)^c$
• 边界：区域中与背景 8 连通的点的集合
• 边缘：导数值超过阈值的像素
  • 局部 概念
  • 二值图像：边界=边缘
• 距离
  • 欧式 $D_r$
  • 曼哈顿距离 $D_4$
  • 棋盘距离 $D_8=\max(|x-s|,|y-t|)$

算术/逻辑/集合操作增强

主要以像素对像素为基础在两幅或多幅图像间进行

• 算术操作
  • 加：$g(x,y)=f(x,y)+h(x,y)$
    • 定理：对$M$幅加性噪声图像进行平均，可以使图像的平方信噪比提高$M$倍
  • 减：$g(x,y)=f(x,y)-h(x,y)$
    • 找不同
    • 指纹抽取
    • 掩膜式 X 光成像法
    • 负值：规范化 $y=\frac{x-\min}{\max-\min}\times 255$
  • 乘：$g(x,y)=f(x,y)h(x,y)$
    • 掩膜运算
  • 除
    • 归一化
• 集合操作：灰度图像集合 $A$
  • 元素：$(x,y,z)$
    • 空间坐标，灰度
  • $A^c=\{(x,y,K-z)|(x,y,z)\in A\}$
    • $K=2^k-1$ 为灰度级数
  • $A\cup B=\{\max\limits_z(a,b)|a\in A, b\in B\}$
• 逻辑操作：二值图像（前景 1，背景 0）
  • OR, AND, NOT, XOR

几何变换

空间变换算法

像素空间位置的变换

• 保持图像中曲线特征的连续性（相邻输入产生相邻输出）
• 仿射变换(Affine Transformation)
  • $x=t_{11}v+t_{21}w+t_{31}$
  • $y=t_{12}v+t_{22}w+t_{32}$
    • $t_{11},t_{22}$: 伸缩比例
    • $t_{12},t_{21}$: 倾斜程度
    • $t_{13},t_{31}$: 平移量
  • 矩阵形式：$[x,y,1]=[v,w,1]T,T=[t_{11},t_{12},0;t_{21},t_{22},0;t_{31},t_{32},1]$
    • $[x,y,1]=[v,w,1]T_1T_2\cdots$
    • 基本变换矩阵都可逆
  • 性质
    • 保持共线性
    • 保持距离比例：线的中心变化后依然是线的中心

• 前向映射
  • 输入图像变换后为非整数点坐标
  • 灰度值按一定权重分配给周围像素
  • 输出图像每点都需要遍历所有输入图像，效率较低
• 反向映射
  • 对于输出图像每点，计算出其在输入图像的位置
  • 在输入图像中用插值计算出该点灰度值
  • 使用灰度内插算法，效果较好

图像配准

• 匹配点

$P=\begin{bmatrix}v_0&w_0&1\newline v_1&w_1&1\newline \vdots&\vdots&\vdots\newline v_{n-1}&w_{n-1}&1\end{bmatrix},Q=\begin{bmatrix}x_0&y_0&1\newline x_1&y_1&1\newline \vdots&\vdots&\vdots\newline x_{n-1}&y_{n-1}&1\end{bmatrix}$

• 最优仿射变换：$Q=PT$
  • 最小二乘 $\min\limits_T\lVert Q-PT\rVert_F^2$
  • $T=(P^TP)^{-1}P^TQ$
• 双线性近似
  • $x=c_1v+c_2w+c_3vw+c_4$
  • $y=c_5v+c_6w+c_7vw+c_8$
  • 4 对约束点，求解方程
  • 增加约束点：将原图分成多个四边形
• 几何校正：测试靶

灰度内插算法

确定变换中图像的像素灰度级

• 最近邻内插
• 线性内插：$f(x)=\frac{x_2-x}{x_2-x_1}f(x_1)+\frac{x_1-x}{x_1-x_2}f(x_2)$
• 双线性内插
  • $Q_{11}Q_{12}\rightarrow R_1,Q_{21}Q_{22}\rightarrow R_2,R_1R_2\rightarrow P$
  • $4$ 个最近点求解方程组：$f(x,y)\approx a_0+a_1x+a_2y+a_3xy$
• 双三次内插
  • $4$ 个最邻近点求解方程组：$f,\frac{\partial f}{\partial x}, \frac{\partial f}{\partial y}, \frac{\partial f^2}{\partial x\partial y}$ 每点建立四个方程求解
  • $16$ 个最近点求解方程组：$f (x,y)=\sum_{i=0}^3\sum_{j=0}^3a_{ij}x^iy^j$

灰度变换

单像素操作，邻域大小为 1 的空间滤波 $s=T(r)$

• 变换效果
  • 对比度：做 $y=x,x=\frac{L}{2}$，前半减小越多，后半增大越多，对比度越大
  • 拉伸与压缩：做 $y=t$，比较变换前后范围
  • 细节增加：图片主体偏暗，则拉伸低灰度值增加细节

直方图

• 直方图描述
  • 横坐标 $D$：灰度级
  • 纵坐标 $H(D)$：出现的频率
  • 阈值面积函数: $A(D)=\int_D^\infty H(d)\text{d}d$
  • 概率密度函数 PDF：$P(D)=\frac{1}{A_0}H(D)$
  • 累积分布函数 CDF: $F(D)=\int_0^Dp(u)du$
• 离散直方图
  • $p_r(r_k)=\frac{n_k}{MN}$
  • $H(D)=A(D)-A(D+1)$
• 直方图应用
  • 图像快速检测：灰度值运用是否合理
  • 分隔前景背景：双峰直方图
  • 面积计算：$\int_{D_1}^\infty H(D)dD$
• 灰度变换下的直方图变化
  • 假设单调连续灰度变换函数 $s=T(r)$
  • 输入密度 $p_r(r)$
  • 输出密度 $p_s(s)=p_r(r)|\frac{dr}{ds}|=p_r(T^{-1}(s))\frac{1}{|T'(T^{-1}(s))|}$
• 直方图均衡化
  • 变换函数要求
    • 属于区间 $[0,L-1]$
    • 单调递增
    • 变换为均匀分布
  • $T(r)=(L-1)\int_0^rp_r(w)dw$
  • $T(r_k)=(L-1)\sum_{j=0}^kp_r(r_j)=\frac{L-1}{MN}\sum_{j=0}^kn_j$
• 直方图匹配： A->B->C
  • 输入：$p_r(r)$，直方图均衡化变换 $s=T(r)$
  • 指定：$p_z(z)$，直方图均衡化变换 $s=G(r)$
  • $z=G^{-1}(s)=G^{-1}(T(r))$
• 局部直方图均衡化
  • 定义邻域，不断平移中心位置，在每个中心处计算直方图，进行直方图均衡化或匹配
• 直方图统计量用于局部图像增强
  • $n$阶矩：$\mu_n(r)=\sum_{i=0}^{L-1}(r_i-m)^np(r_i)$
    • 2 阶矩：方差 $\sigma^2$
  • 全局均值：$m_G$
  • 全局方差：$\sigma_G$
  • 局部均值：$m_{S_{xy}}$
  • 局部方差：$\sigma^2_{S_{xy}}$

空间滤波

• 滤波器：$g(x,y)=T(f(x,y))$，$T$为操作算子，定义在$(x,y)$的邻域上
• 线性滤波器
  • $m\times n$ 的模板
    • 最小 $3\times 3$，一般为奇数
    • 边界：忽略/填充
  • 补零->计算->滑动->裁剪
  • Correlation 相关：平移滤波器模板，计算每个位置乘积直和
    • 应用到离散单位脉冲后产生模板的旋转 180 度后的结果
    • $w(x,y)\star f(x,y)=\sum_{s=-a}^a\sum_{t=-b}^bw(s,t)f(x+s,y+t)$
    • 归一化后寻找匹配：$R=\vec w^T\vec z$
  • Convolution 卷积：相关中滤波器旋转 180 度
    • $w(x,y)\star f(x,y)=\sum_{s=-a}^a\sum_{t=-b}^bw(s,t)f(x-s,y-t)$
• 离散微分
  • $\frac{\partial f}{\partial x}=f(x+1) - f(x)$
    • 恒定区域：零
    • 突变起点：非零
    • 突变终点：零
    • 斜坡：非零
  • $\frac{\partial^2 f}{\partial x^2}=f(x+1) + f(x-1) - 2f(x)$
    • 恒定区域：零
    • 突变起点：非零
    • 突变终点：非零
    • 斜坡：零
  • 各向同性滤波器：旋转不变性
  • 拉普拉斯算子：$\nabla^2f=\frac{\partial^2 f}{\partial x^2}+\frac{\partial^2 f}{\partial y^2}$
    • 离散拉普拉斯算子
      • $\frac{\partial^2 f}{\partial x^2}=f(x+1, y) + f(x-1, y) - 2f(x,y)$
      • $\frac{\partial^2 f}{\partial y^2}=f(x, y+1) + f(x, y-1) - 2f(x,y)$
    • 标准形式：$[0,1,0;1,-4,1;0,1,0]$
    • 对角形式：$[1,1,1;1,-8,1;1,1,1]$
  • 梯度：$\nabla f$
    • $M(x,y)=|\nabla f|=\sqrt{g_x^2+g_y^2}\approx |g_x|+|g_y|$
    • 罗伯特交叉梯度算子
      • $g_x=\begin{bmatrix}-1&0\newline 0&1\end{bmatrix}$
      • $g_y=\begin{bmatrix}0&-1\newline 1&0\end{bmatrix}$
    • Sobel 算子
      • $g_x=\begin{bmatrix}-1&-2&-1\newline 0&0&0\newline 1&2&1\end{bmatrix}$
      • $g_y=\begin{bmatrix}-1&0&1\newline -2&0&2\newline -1&0&1\end{bmatrix}$
    • 阈值检测边缘

Edge Preserving Filters 保边滤波器

• 双边滤波器（Bilateral）
  • 高斯平滑滤波：$g_1(i,j)=\frac{\sum_{k,l}f(k,l)*d(i,j,k,l)}{\sum_{k,l}d(i,j,k,l)}$
    • $d(i,j,k,l)= e^{-\frac{(i-k)^2+(j-l)^2}{2\sigma_d^2}}$
  • 值域高斯滤波：$g_2(i,j)=\frac{\sum_{k,l}f(k,l)*r(i,j,k,l)}{\sum_{k,l}r(i,j,k,l)}$
    • $r(i,j,k,l)=e^{-\frac{\lVert f(i,j)-f(k,l)\rVert^2}{2\sigma_r^2}}$
    • 两个像素物理距离越大则权值越小，反之则权值越大
  • 双边滤波器：$\frac{\sum_{k,l}f(k,l)*w(i,j,k,l)}{\sum_{k,l}w(i,j,k,l)}$
    • $w(i,j,k,l)=e^{-\frac{(i-k)^2+(j-l)^2}{2\sigma_d^2}-\frac{\lVert f(i,j)-f(k,l)\rVert^2}{2\sigma_r^2}}$
• 引导滤波器：快速双边滤波器
• 递归域变换滤波器