接着上一篇没总结完的继续。
由于回学校了，会把一部分时间投入到科研以及找工作中去（其实找工作也是写博客的初衷之一），尽量保持更新速度，怎么也要一周两三更吧。。
系统的提一嘴，1.n将是图像处理部分，用matlab和python的opencv（有时可能用到numpy和matplotlib等包）接口实现各种基础的功能，最后可能会总结到一些简单的非cnn实现一些人脸区域识别、模式识别的领域里；（大体按照matlab图像处理实例详解的顺序来）2.n可能是python的使用部分，由于我是跟着廖雪峰老师的教程来的，所以顺序可能是和廖老师的一样，然后带一些numpy等常用包的使用方法作为番外；3.n是tensorflow部分，我学的也不是很好，前面先跟着极客学院的中文手册来，后面可能会结合外文文献做一些翻译和复现。
由于我是半路出家，所以对这些东西的理解不够专业和详尽，可能还会有很多错误，请各位指出并海涵，也可以和我交流讨论！qq：1157274846，欢迎大家找我交流！
废话说完了，开始总结：
1.图像的空域增强
其实前面很多东西都是空域增强，比如直方图均衡化啊、用numpy增强对比度啊，等等。不过最重要的部分还是以卷积为原理的，前面稍微提到过一点的（在邻域操作部分）。
不同的邻域操作，也就是空间域的卷积操作，可以在空域实现不同的图像增强效果，而每一种方法的不同之处只是卷积核的不同(算子 或者卷积矩阵，怎么叫都没关系)。
比如，卷积核为np.array[0,1,0],[1,1,1],[0,1,0]，叫做线性平均滤波。（实际上是求目标点的4邻域和本身的平均值作为新图像中该点的值）这是一种最常用的线性空域滤波，主要作用是模糊图像，实质上是一种低通滤波器，会挡掉图像高频的部分，而高频的部分主要是图像的边缘，所以会产生模糊。为什么说模糊图像也是图像增强呢？因为这种方法是去噪声的方法之一，且对数量较少的随机椒盐噪声效果较好。
同样的，也可以把卷积核大小设定为5*5、7*7、或是卷积核变为ones（全为1的矩阵）、高斯分布等，都是平均（低通）滤波，也叫平滑滤波。
python中常用的平滑滤波分别有：
blur—图像均值平滑滤波
blur(src, ksize, dst=None, anchor=None, borderType=None)
src：图像矩阵
ksize：滤波窗口尺寸
GaussianBlur—图像高斯平滑滤波
GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None)
src：图像矩阵
ksize：滤波窗口尺寸
sigmaX：标准差
medianBlur—图像中值滤波
medianBlur(src, ksize, dst=None)
src：图像矩阵
ksize：滤波窗口尺寸
bilateralFilter—图像双边滤波
bilateralFilter(src, d, sigmaColor, sigmaSpace, dst=None, borderType=None)
src：图像矩阵
d：邻域直径
sigmaColor：颜色标准差
sigmaSpace：空间标准差这几种是初级的平滑滤波函数，其实平滑滤波在matlab中还有一些其他的方式，比如维纳滤波（自适应滤波）wiener2，在python的opencv库里可能没有直接的语句用。（不过可以抄）
除了平滑滤波，图像增强也少不了锐化，锐化时我们通常用的是拉普拉斯算子：
np.array([[0,-1,0],[-1,4,-1],[0,-1,0]])
不过这种算子由于是0和的（4-1-1-1=0），所以锐化时是用卷积得到的结果乘一个系数加在原图像上。高通滤波在图像增强上用的不多，几乎就锐化一个作用，高通滤波主要的作用是在边缘检测上（不过边缘检测在python中有其他的方法）。
2.图像的频域增强
这里主要是说各种频域上的变换，也就是我们所说的高通/低通/带阻/带通滤波器。
在进行频域增强之前，我们首先要先对图像进行傅里叶变换，这里采用numpy的函数：
f = np.fft.fft2(img)#傅里叶变换
f_shift = np.fft.fftshift(f)#第一部得到的低频部分在左下角，为了使用滤波器更方便，
#我们把低频部分移到中心其实还是很简单的！
然后就是自己做掩膜和f_shift相乘，也就是把自己想要滤除的部分（掩膜上为0）滤掉！被设为0的部分为就是截止。
这种方法成为理想滤波器，这种方法得到的图像容易有振铃现象（图像上有像是音叉振动的波动）。为了去除这种振铃现象，我们又提出了新的滤波器，即巴特沃斯滤波器和高斯滤波器。这些opencv里好像没有，我们可以用numpy做（代码来源：https://blog.csdn.net/skyecs/article/details/79105514）：
def lpfilter(flag, rows, cols, d0, n):
'''低通滤波器
@param flag: 滤波器类型
0 - 理想低通滤波
1 - 巴特沃兹低通滤波
2 - 高斯低通滤波
@param rows: 被滤波的矩阵高度
@param cols: 被滤波的矩阵宽度
@param d0: 滤波器大小 D0
@param n: 巴特沃兹低通滤波的阶数
@return 滤波器矩阵
'''
assert d0 > 0, 'd0 should be more than 0.'
filter_mat = None
# 理想低通滤波
if flag == 0:
filter_mat = np.zeros((rows, cols, 2), np.float32)
cv2.circle(filter_mat, (rows // 2, cols // 2),
d0, (1, 1, 1), thickness=-1)
# 巴特沃兹低通滤波
elif flag == 1:
duv = fft_distances(*fft_mat.shape[:2])
filter_mat = 1 // (1 + np.power(duv // d0, 2 * n))
# fft_mat有2个通道，实部和虚部
# fliter_mat 也需要2个通道
filter_mat = cv2.merge((filter_mat, filter_mat))
# 高斯低通滤波
else:
duv = fft_distances(*fft_mat.shape[:2])
filter_mat = np.exp(-(duv * duv) // (2 * d0 * d0))
# fft_mat有2个通道，实部和虚部
# fliter_mat 也需要2个通道
filter_mat = cv2.merge((filter_mat, filter_mat))
return filter_mat
def hpfilter(flag, rows, cols, d0, n):
'''高通滤波器
@param flag: 滤波器类型
0 - 理想高通滤波
1 - 巴特沃兹高通滤波
2 - 高斯高通滤波
@param rows: 被滤波的矩阵高度
@param cols: 被滤波的矩阵宽度
@param d0: 滤波器大小 D0
@param n: 巴特沃兹高通滤波的阶数
@return 滤波器矩阵
'''
assert d0 > 0, 'd0 should be more than 0.'
filter_mat = None
# 理想高通滤波
if flag == 0:
filter_mat = np.ones((rows, cols, 2), np.float32)
cv2.circle(filter_mat, (rows // 2, cols // 2),
d0, (0, 0, 0), thickness=-1)
# 巴特沃兹高通滤波
elif flag == 1:
duv = fft_distances(rows, cols)
# duv有 0 值(中心距离中心为0)， 为避免除以0，设中心为 0.000001
duv[rows // 2, cols // 2] = 0.000001
filter_mat = 1 // (1 + np.power(d0 / duv, 2 * n))
# fft_mat有2个通道，实部和虚部
# fliter_mat 也需要2个通道
filter_mat = cv2.merge((filter_mat, filter_mat))
# 高斯高通滤波
else:
duv = fft_distances(*fft_mat.shape[:2])
filter_mat = 1 - np.exp(-(duv * duv) // (2 * d0 * d0))
# fft_mat有2个通道，实部和虚部
# fliter_mat 也需要2个通道
filter_mat = cv2.merge((filter_mat, filter_mat))
return filter_mat带通用的较少，
为什么这个里面的fft_mat有两个通道呢？是因为这个人写的程序里，傅里叶变换是用cv2里的函数实现的。OpenCV提供了cv.dft()和cv.idft()函数.它返回与前面相同的结果，但是有两个通道。第一个通道将是结果的实部，第二个通道将会是虚部。
此外，图像频域增强技术还有比较高级的同态滤波和Retinex滤波，主要的效果是去雾化（与直方图均衡化类似），算是比较好的算法，近几年也有人在国内的水货期刊上发文章。不过网上没有看到用python实现的，用matlab实现的倒是有源码。有时间的时候我会在python上写一个出来，可能更在番外篇里吧，算是干货了。
溜了溜了，希望大家多多找出我的错误并和我说，我会请教并改正的，谢谢！我的联系方式就放我主页上吧，希望大家有问题找我讨论沟通。