内容概要
10.彩色图像
常见的颜色空间和应用场合
伪彩色处理有什么用？
灰度\彩色图像不同模型之间的转换
伪彩色处理的方法（从灰色图像到彩色图像变换的方法）——该处有实验
11.图像压缩
变换编码、预测编码、统计编码、哈夫曼编码以及其他的基本编码方式
冗余都有哪些？怎么去除冗余？DCT变换本身并不会去除冗余，量化才是
12.形态学
形态学的基本操作要知道是怎么做的：腐蚀、膨胀、开、闭
13.图像分割
基于颜色的图像分割
边缘检测算法（canny）
阈值化方法：最基本的OTSU、全局阈值、自适应的阈值——该处有实验
阈值化方法的影响因素和改善
时间紧任务重，加油加油！
10.彩色图像
--首先是一些杂七杂八的概念，可以跳过
-彩色图像处理分为：全彩色处理和伪彩色处理
-描述颜色三个基本属性：亮度、色调和饱和度（色调和饱和度合在一起称为色度）
-全彩色处理：三个通道分别处理或者是直接基于一个颜色向量
色彩切片（强调一些感兴趣的色彩部分）
色调和色彩校正：相片增强和色彩复制
色调矫正：没有修改颜色，只是改了对比度和亮度，用相同的变换函数映射所有三种(或四种)颜色分量如果是HSI就直接调整亮度
颜色修正：任何颜色的比例都可以通过减少相反颜色的数量来增加
直方图处理：HSI很适合，均匀的拓展颜色强度，颜色本身不变
彩色图像的平滑和锐化：和灰色图像的一样，但是要分三个维度
-常见的颜色模型和应用场合
颜色模型
硬件导向的：RGB / CMY and CMYK
面向应用程序的：HSI(根人认识颜色的方式最相同）
RGB
适合显示的时候用，但是中间的颜色处理过程却不一定是RGB
所有的颜色都归一化到1，1，1的小立方体里面，对角线是各种灰色
像素深度:RGB空间中表示每个像素的位数 现在是8位（0~255）
•24位RGB颜色立方体（即红绿蓝各8位）
CMY和CMYK
主要应用在打印机这一类需要颜色堆叠的机器上
K是指在CMY(青色、洋红、黄色)的基础上加上黑色
RGB和CMYK 的区别和联系
RGB是发光色彩模式，就是用在屏幕上的，CMY是依靠反光的色彩模式，用在印刷品
CMY是RGB三原色的三个混色
HSI(色相，饱和度，强度)
和人对颜色的描述很像，是开发基于颜色描述的图像处理算法的理想工具
三维的空间，不同的角度代表不同的色相，y轴是明度，从内到外是饱和度
-灰度\彩色图像不同模型之间的转换
-RGB到HSI——该处有实验
完成上述公式大致有两种思路：
- 一个像素一个像素的处理，对每一个像素的R\G\B值套用上述公式，利用到for循环
- 矩阵处理，直接将R\G\B分为三个矩阵，套用一次上述公式，做矩阵的运算
- 具体看当时的matlab代码
-HSI到RGB
没讲
-伪彩色处理有什么用？
定义：根据指定的标准为灰色值分配颜色
用处：人类可视化;对图像或图像序列中灰度事件的解释，因为人可以识别好多颜色，但只能识别一些些的灰度
用途：多光谱图像处理
-伪彩色处理的方法（从灰色图像到彩色图像变换的方法）——该处有实验
强度切片（灰度切片）
这个应该很好理解，就是①先把 灰度分级②给每一级分配一个颜色
灰度到颜色转换(通过一定规则的变换）
对任何输入像素的灰度级进行三个独立的变换。然后将这三个结果分别送入彩色电视显示器的红色、绿色和蓝色通道
这个方法主要的问题就是确定”transformation“
正弦波，改变相位和频率（一毛一样的话就还是灰色的）
不过还有比较简单的方法，就是直接自己定一个规则，比如R分量在128-240之间的赋值为128否则为0之类的
11.图像压缩
-压缩比&相对数据冗余 （n1是压缩前占用的存储，n2是压缩后）
-冗余都有哪些？
-空间和时间冗余：相邻位置和相邻帧的相同位置灰度都差不多
-编码冗余：表示某个量的信息不需要那么多编码空间
-感知冗余：人们对色度不敏感但是对亮度敏感
-图像压缩模型：怎么去除冗余？编码不会去除冗余，量化才会
①Mapper转换：去除时空冗余为了减少图像中像素间的冗余，通常用于人类观看和解释的二维像素阵列必须转换成一种更有效(但通常是“非视觉”)的格式
②Quantizer量化：减少心理视觉上的冗余（无损压缩不做量化哦
③coder编码：解决了编码冗余
-平均编码长度（变长、词典、位平面）
-常见压缩编码方式
----无损压缩编码
变长编码：不用固定的长度表示像素，尽可能短的码字分配给最可能的灰度级，当原图像灰度特别平均的 时候，这个编码的区别就不是很大了
①哈夫曼编码：其实就是构建哈夫曼树呀，需要会计算平均编码长度！！
②其他改进版霍夫曼：截断霍夫曼编码
③ 算数编码：掌握如何编码，如何解码
词典编码 LZW
思想就是用较短的代码来表示较长的字符串来实现压缩，具体怎么做的可以看看例子
位平面编码
思想将多层(单色或彩色)图像分解为一系列二值图像，然后用二值图的压缩编码处理（块编码和游程编码和预测编码），比如一个0-255的图像可以表示为，这样每一位上分开，比如127表示为01111111
但是这样还不能直接用，要变成灰码才可以，127变成10000000， 高阶位平面远比低阶位平面复杂
①块编码
②游程编码
③预测编码（这个有讲的比较细节）
----有损压缩编码
有损的预测编码：对误差en进行了量化
DPCM差分脉冲编码
变换编码（DCT)
变换可以去除冗余和相关性，可以使得图像的能量更集中
-JPEG的编码方式
-保真度准则
——客观逼真度标准（算出来的）——实验涉及
——主观逼真度标准：就是凭感觉，你觉得好就是好
12.形态学
腐蚀：结构元可以被完全包含
膨胀：结构元和主体有交集即可
开（先腐蚀后膨胀）：去掉结构元在主体中怎么移动都覆盖不到的部分
闭（先膨胀后腐蚀）
13.图像分割
-基于颜色的图像分割
基于HSI：一般是分H（色相）
基于RGB：首先先算出来感兴趣颜色的Average颜色，记作向量a，然后对相似性进行衡量，衡量的方法有
欧氏距离
或者椭圆形的（C是样本的协方差矩阵）
或者正方形的
-边缘检测
-霍夫变换
极坐标里的一个点ρ=xCosθ+ySinθ，是霍夫空间的一个正弦曲线
-DOG算法:先对滤波器求导再检测边缘
-边缘检测器（canny）
①高斯滤波（不能太大，不然边缘就会很模糊）
②使用Sobel算子计算像素梯度
③非极大值像素梯度抑制（这是理解难点）
沿着边缘方向，检测前后是否有比该点梯度的更大的点（用线性插值），如果该点最大，那就视他为边缘点，否则舍弃
④阈值滞后处理&孤立弱边缘抑制
设置一个最大阈值一个最小阈值，小于最小阈值的，直接舍弃，大于最大阈值的保留，中间的属于不知道是噪声还是边缘的，这时候就用大于最大阈值的部分做联通扩张，联通的部分视为边缘部分
-阈值化方法：
全局阈值——该处有实验
最基本的OTSU
-阈值化方法的影响因素和改善
-影响因素：噪声，光照不均匀
-平滑滤波，降噪之后再阈值化
-使用边缘来改善全局阈值
只考虑那些位于或靠近物体和背景之间的边缘的像素
-局部自适应的阈值
这个就是解决光照不均的问题，把图像分块，然后每一块都单独的阈值化