考试题型：选择题10/2‘ |填空题 10/1’ |判断题 10/1‘|简答题 6/5’|综合题 3/10‘
!!PS:注意本文仅供学习参考，如有误差可以私信联系我进行修改哦~~
期末复习知识点1
一、简答题
1.数字图像处理的主要研究内容？（P6-8）
答：
1）图像数字化——目的将一幅图像以数字的形式进行表示，并且要做到既不失真又便于计算机进行处理。
2）图像增强——将一幅图像中有用的信息进行增强，同时将无用的信息进行抑制，提高图像的可观察性。
3）图像几何变换——改变一幅图像的大小或形状。
4）图像恢复——将退化了的以及模糊了的图像的原有信息进行恢复，以达到清晰化的目的。
5）图像重建——根据二维平面图像数据构造出三维物体的图像。
6）图像隐藏——将一幅图像或者某些可数字化的媒体信息隐藏在一幅图像中。
7）图像变换——是指通过一种数学映射的方法，将空域中的图像信息转换到如频域、时频域等空间上进行分析的数学手段。
8）图像编码——主要是对图像数据进行压缩。目的是简化图像的表示方法，压缩表示图像的数据，以便于存储和传输。
9）图像识别与理解——是指通过对图像中各种不同的物体特征进行定量化描述之后，将所期望获取的目标物进行提取，并且对所提出来的目标物进行一定的定量分析。
2.图像数字化、采样、量化、直方图的概念。
答：
图像数字化是指将模拟图像经过离散化之后，得到用数字表示的图像。
图像的数字化包括采样和量化两个过程。
采样(Sampling )：是将在空域上或时域上连续的图像转换成离散的采样点（即像素）集的操作。即：空间坐标的离散化。实际上采样方式由产生图像的传感器装置决定.
量化(Quantization)：把采样后所得的各像素的灰度值从模拟量到离散量的转换称为图像灰度的量化。即：灰度的离散化。由灰度级决定。量化可分为均匀量化和非均匀量化。
直方图指灰度直方图，即数字图像中像素灰度值的分布情况。灰度直方图是关于灰度级分布的函数，是对图像中灰度级分布的统计。灰度直方图是将数字图像中的所有像素，按照灰度值的大小，统计其出现的频率。反映了图像中某种灰度出现的频率。
3.什么是图像增强？图像增强的作用？
答：图像增强是将一幅图像中有用的信息进行增强，同时将无用的信息进行抑制，提高图像的可观察性。目的是为了改善图像的视觉效果，或者是为了更便于人或机器的分析和处理。
4.几何变换的分类？
答：几何变换包括：图像的位置变换和图像的形状变换。
图像的位置变换：
1.平移——平移后的景物与原图像相同，但“画布”一定是扩大了。否则就会丢失信息。
2.镜像-水平镜像和垂直镜像——因为表示图像的矩阵坐标不能为负，因此需要在进行镜像计算之后，再进行坐标的平移。
3.旋转
前期处理包括：扩大画布、取整处理、平移处理
画布的扩大目的：为了避免图像信息的丢失；画布的扩大原则：以最小的面积承载全部的画面信息。
空洞解决思路：出现问题的核心是像素之间的连接是不连续的。
相邻像素的角度是无法改变的，所以只能通过增加分辨率的方法来从整体上解决这个问题。采用某种填补方法来填充空洞。
空洞解决方法：行插值（列插值）
第一步：找出当前行的最小和最大的非背景点（目标物体）的坐标，记作：(i,k1)、(i,k2)。
第二步：在(k1,k2)范围内进行插值，插值的方法是：空点的像素值等于前一点的像素值。
第三步：同样的操作重复到所有行。
图像的形状变换
1.缩小
实现思路：图像缩小实际上就是对原有的多个数据进行挑选或处理，获得期望缩小尺寸的数据，并且尽量保持原有的特征不丢失。
等间隔地选取数据、非等间隔选取数据
2.放大
3.错切：实际上是平面景物在投影平面上的非垂直投影效果
因为绝大多数图像都是三维物体在二维平面上的投影得到的，所以需要研究图像的错切现象。
图像的仿射变换；
注意：x方向与y方向是矩阵的行列方向。
5.噪声抑制有时候也叫平滑，图像的平滑也叫噪声抑制，什么是图像的平滑？
答：
滤波的作用就在于根据需要过滤掉不需要的成分，保留需要的成分。
图像的平滑 (smoothing)：去噪、模糊细节，削弱图像中的高频分量，具有低通滤波的特性。
图像的锐化(sharpening)：加强边缘和细节，削弱图像中的低频分量，具有高通滤波的特性。
6.什么是噪声？常见噪声有哪些？常见的去噪模型或者叫作滤波模型有？
答：
噪声是最常见的图像退化因素之一，是一种外部干扰；是图像中不希望有的部分、图像中不需要的部分，是希望被滤掉的部分。图像噪声是在图像采集、图像数字化或者图像传输过程中，所受到的随机干扰信号。
常见噪声类型：高斯噪声（出现的位置是一定的（每一点上），但噪声的幅值是随机的，又称正态噪声）、脉冲(椒盐)噪声（噪声的幅值基本相同，但噪声出现的位置是随机的）、瑞利噪声、指数噪声、均匀噪声、周期噪声。
常见的去噪模型：均值滤波和中值滤波。
均值滤波器：特点：掩模的系数均为正；灰度值范围不变(所有系数之和为1)
模板尺寸增大时，对噪声消除效果增强，但图像变得模糊，即边缘细节减少
中值滤波器：钝化图像、去除噪声。
因为噪声（如椒盐噪声）的出现，使该点像素比周围的像素亮（暗）许多。如果在某个模板中，对像素进行由小到大排列的重新排列，那么最亮的或者是最暗的点一定被排在两侧。取模板中排在中间位置上的像素的灰度值替代待处理像素的值，就可以达到滤除噪声的目的。
对于椒盐噪声，中值滤波器效果要比均值滤波器效果好。
7.什么是图像锐化？基于边界的图像分割，图像锐化核心想法？常见的锐化算子有哪些？
答：图像的锐化是指加强图像中景物的细节边缘和轮廓。其本质是滤波，去除灰度变化比较平缓的区域，即去除低频信号，保留灰度变化比较剧烈的区域，即保留高频信号。
作用是使灰度反差增强。
实现：因为边缘和轮廓都位于灰度突变的地方。所以锐化算法的实现是基于微分方程。
常见的锐化算子：
单方向一阶微分锐化指对某个特定方向上的边缘信息进行增强。因为图像为水平、垂直两个方向组成，所以，所谓的单方向锐化实际上是包括水平方向与垂直方向上的锐化。
无方向一阶微分锐化：交叉微分（Roberts）锐化、Sobel锐化、Priwitt锐化
从图像的景物细节的灰度分布特性可知，有些灰度变化特性一阶微分的描述不是很明确，为此，采用二阶微分能够更加获得更丰富的景物细节。
Laplacian 算法、Wallis算法
对比：
一阶微分会产生较宽的边缘
二阶微分对细节有较强的响应，比如细线和孤立点
一阶微分对灰度阶梯有较强的响应
二阶微分对灰度阶梯变化产生双响应
以Sobel及Laplacian算法为例进行比较为例：
Sobel算子获得的边界是比较粗略的边界，反映的边界信息较少，但是所反映的边界比较清晰；
Laplacian算子获得的边界是比较细致的边界。反映的边界信息包括了许多的细节信息，但是所反映的边界不是太清晰。
8.二值图图像分割？图像分割的目的？连通域？如何贴标签？形态学运算——腐蚀、膨胀、开运算、闭运算。
答：图像分割分为：非连续性分割（基于边界的分割）；相似性分割（基于区域的分割）
图像分割将所关心的目标从图像中提取出来。图像分割处理实际上就是区分图像的“前景目标”和“背景”，所以通常由称为图像的二值化处理也称目标检测。
阈值分割的基本思想：假设图象是由具有不同灰度级的两类区域（目标与背景）组成。根据图像中要提取的目标与背景在灰度特性上的差异，选择一个合适的阈值，以确定图像中每一个像素应该属于目标区域还是背景区域，从而产生二值图像。
阈值分割法的适用范围：适用于物体与背景有较强对比（明显差别）的情况，且要求背景或物体的灰度比较单一。
阈值分割的常用方法：简单全局阈值分割、半阈值分割（只把图像的背景表示成黑色或白色，而图像中的物体仍为多值图像）、局部阈值分割
阈值的选取是阈值分割技术的关键。
确定阈值的常用方法：通过手动选取得到阈值（p参数法）、通过直方图得到阈值、通过迭代计算得到阈值。
通过直方图得到阈值的基本思想：如果假定一幅图像只由物体和背景两部分组成，则其灰度直方图会形成明显的双峰；在此情况下，选取双峰间的谷底处的灰度值T作为阈值，即可将物体和背景很好地分割开。
连通域一般是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域。
贴标签：因为不同的连通域代表了不同的目标，为了加以区别，需要对不同的连通域进行标识。
- 初始化：设标签号为Lab=0,已贴标签数N=0，标签矩阵g为全0阵，按照从上到下，从左到右的顺序寻找未贴标签的目标点；
- 检查相邻像素的状态：根据模板中的相邻像素的状态进行相应的处理；
2.1 如果扫描过的像素均为0，则Lab=Lab+1, g(i,j)=Lab,N=N+1;
2.2 如果扫描过的像素标签号相同，则g(i,j)=Lab;
2.3 如果扫描过的像素标签号不相同，例如：Lab2> Lab1, 则g(i,j)=Lab1，N=N-1，修改所有为Lab2的像素值，使之为Lab1; - 将全部的像素按照步骤2进行处理，直到所有的像素全部处理完成;
- 判断最终的Lab是否满足Lab=N：如果是，则贴标签处理完成；如果不是，则表明已贴标签存在不连号情况。这时，将进行一次编码整理，消除不连续编号的情况。
腐蚀是一种消除连通域的边界点，使边界向内收缩的处理。
设计思想：设计一个结构元素，结构元素的原点定位在待处理的目标像素上，通过判断是否覆盖，来确定是否该点被腐蚀掉。
算法步骤：
1.扫描原图，找到第一个像素值为1的目标点；
2.将预先设定好形状以及原点位置的结构元素的原点移到该点；
3.判断该结构元素所覆盖的像素值是否全部为1：
3.1 如果是，则腐蚀后图像中的相同位置上的像素值为1；
3.2 如果不是，则腐蚀后图像中的相同位置上的像素值为0；
4.重复2和3，直到所有原图中像素处理完成。
膨胀是将与目标区域的背景点合并到该目标物中，使目标物边界向外部扩张的处理。
设计思想：设计一个结构元素，结构元素的原点定位在背景像素上，判断是否覆盖有目标点，来确定是否该点被膨胀为目标点。
算法步骤：
1.扫描原图，找到第一个像素值为0的背景点；
2.将预先设定好形状以及原点位置的结构元素的原点移到该点；
3.判断该结构元素所覆盖的像素值是否存在为1的目标点：
3.1 如果是，则膨胀后图像中的相同位置上的像素值为1；
3.2 如果不是，则膨胀后图像中的相同位置上的像素值为0；
4.重复2和3，直到所有原图中像素处理完成。
开运算是对原图先进行腐蚀处理，后再进行膨胀的处理。开运算可以在分离粘连目标物的同时，基本保持原目标物的大小。
闭运算是对原图先进行膨胀处理，后再进行腐蚀的处理。闭运算可以在合并断裂目标物的同时，基本保持原目标物的大小。
9.彩色图像处理——常规颜色模型，如：RGB、CMYK、HSV？
答：
为了用计算机来表示和处理颜色，必须采用定量的方法来描述颜色，即建立合适的彩色表达模型来正确有效地表示彩色信息。目前广泛使用的颜色模型有三类：
计算彩色模型又称为色度学彩色模型，主要应用于纯理论研究和计算推导，如XYZ、LAB；
工业彩色模型侧重于实际应用的实现技术，诸如彩色显示器或打印机之类的硬设备使用的彩色模型，如RGB（包括计算机显示器、彩色电视机等大部分图形显示器中）、YUV、YIQ、CMYK（这种表色系用于印刷行业。是一种减色系统，将从白光中滤出三种原色之后获得的颜色作为其表色系的三原色CMY。K为黑色，为了印刷时对黑色可用黑色墨来印刷）、YCbCr（这是常用于彩色图像压缩时的一种彩色模型）；
视觉彩色模型用于与人直接接口、以彩色处理为目的的场合，如HS*系列，包含HSL、HIS（H：表示色度、饱和度分量S、亮度分量I）、HSB。HSV？
RGB到HSI的转换
ps: 各种不同的颜色模型之间可以通过数学方法转换。
10.图像变换，傅里叶变换——性质、什么叫高通低通？
答：傅里叶变换性质——平移性、分配律、比例变换、可分离性、旋转性、均值性、能量守恒定理、周期性和共轭对称性、卷积、相关。
平移性质：空间域中图像的平移不影响频谱幅度（幅值不变），仅对应于频域的相移（只改变了相位谱 ）
高通就指允许高于设定频率的信号允许通过,对低于指定以下的频率信号阻止通过,频率低的越多相对阻隔作用越大。
低通与高通相对应了,即对低于指定频率下的信号阻碍很小,而对于高于指定频率的信号衰减则很大。
傅里叶变换小结：
要进行复数运算，计算比较费时；而在M和N都为2的整数次幂时利用FFT可极大地提高运算速度；
FFT计算得到的频谱原点不位于频谱中心，需要经过平移处理；“移中”后的频谱关于原点对称；
图像的主要能量集中于低频，高频分量衰减得过快，因而用对数变换来显示图像的频谱能获得更好的效果；
11.图像如何配准？目的——为了融合
答：
图像配准对一幅图像寻求一种（或一系列）空间变换，使它与另一幅图像上的对应点达到空间上的一致。这种一致是指对象上所有点（或至少所有感兴趣点）在两张已配准图像上有着相同的空间位置。
图像配准是图像融合的前提，只有做好了图像配准，后期的图像融合才能有好的结果。
图像匹配的四个步骤：特征检测（特征包括：点、线和面三类）、特征匹配、变换模型估计、图像重采样和变换
12.什么是数据冗余？冗余的分类？
答：
有些数据必然是代表了无用的信息，或者是重复地表示了其它数据已表示的信息，这就是数据冗余。
在数字图像数据中存在三种基本的数据冗余，即像素间冗余、心理视觉冗余和编码冗余。
像素间冗余：图像相邻像素之间的相关性所造成的冗余。包括：
空间冗余：图像中大部分区域信号变化缓慢，尤其是背景。单个像素对一幅图像的多数视觉贡献是多余的，它的值可以根据这个像素的相邻像素进行适当的预测
结构冗余：规则纹理、具有某种自相似的结构表面
帧间冗余：(视频)图像序列中相邻帧之间的相关性
编码冗余：如果一个图像的灰度级编码，使用了多于实际需要的编码符号，就称该图像包含了编码冗余；如果希望消除编码冗余，应该用尽可能少的比特数表达出现概率高的灰度级，这种方法称“变长编码”。
13.图像如何压缩、压缩的概念？压缩的分类？编码器、解码器？常规压缩编码方法（无损：BMP文件对应的压缩方法——行程编码）（有损：JPEG文件对应的压缩编码方法——变换编码中的离散余弦变换），看压缩效果——压缩比？
答：
图像压缩可以节省存储空间、可以节约传输时间；简言之，便于存储和传输
压缩可分为两大类，第一类压缩过程是可逆的，也就是说，从压缩后的图像能够完全恢复出原来的图像，信息没有任何丢失，称为无损压缩；第二类压缩过程是不可逆的，无法完全恢复出原图像，信息有一定的丢失，称为有损压缩。一般在正常观测条件下，感觉不到明显的损失（视觉无损）；
通常有损压缩的压缩比比无损压缩的高；有损压缩的压缩比越高，失真越大。