图像入门

由于最近的学习需要对图像处理进行一系列的学习，从最基础的图像的基本知识到后面的图像处理的一些内容，再到最后衔接深度学习中的卷积神经网络进行一系列的博客攒写。

这系列主要是从自己的想法出发，自己也是边学边看，然后参考了冈萨雷斯的《数字图像处理》，以及众多百度文库、博客等内容写出来的，如有不足之处，还请大家批评指正。

图像（image）：是泛指照片、动画等等形成视觉景象的事物。 计算机图形学与图像：计算机图形学是从建立数学模型到生成图形，而图像通常是指从外界产生的图形。

如下面两幅图所示，左侧的是一个统计图形，为计算机图形学，而右侧则是2018年世界杯法国队夺冠后，抛起他们的教练。

模拟图像，又称连续图像，是指在二维坐标系中连续变化的图像，即图像的像点是无限稠密的，同时具有灰度值（即图像从暗到亮的变化值）。

用胶卷拍出的相片是模拟图像，根据胶卷洗一寸的照片与洗二寸的照片，不影响视觉效果。但模拟图像包含的信息量巨大，而我们通常需要使用计算机对图像进行处理，所以需要由有限行和有限列组成数字图像。

数字图像，又称数码图像或数位图像，是二维图像用有限数字数值像素的表示。

其是由模拟图像数字化得到的、以像素(pixel)为基本元素的、可以用数字计算机或数字电路存储和处理的图像。通常的二维数字图像是一个矩型，可以用一个二维数组 f(x,y) f ( x , y ) 来表示，其中 x,y x , y 是二维空间中的某坐标系的坐标， f(x,y) f ( x , y ) 表示图像在该点处的灰度值等性质。

彩色可以是红绿蓝三个单色的一定灰度值的合成。一般来说，这些坐标和灰度值是实数，不仅依赖于坐标系的选取，而且依赖于灰度值的度量单位。但是，数字计算机只可能表示有限字长的有限个数字。所以必须把灰度值离散化。

计算机会把图像打碎成像素矩阵，存储每个表示位置像素的颜色码。在下图的表示中，数值 0 是白色，255 是最深的绿色（为了简化，我们示例限制到了一种颜色）。

彩色的数字图像在RGB颜色模型下，分为红、绿、蓝三个轨道，每个像素上的点的值限制在0-255。三个轨道上的图叠加在一起，就成了我们平时所见的彩图。

一般的图像都是能量的连续分布，我们前面所说的胶卷成像。

两个模型都各有优缺，但之后的方向还是离散模型，其便于计算机处理，之后我们主要还是从离散模型出发，进行图像处理。

这里就不介绍采样定理的实际形式了，后面主要保证后面模型的有效性。

将一幅图像从其原来的形式转换为数字形式的处理过程，包括“扫描” (scanning)、“采样” (sampling)与“量化” (quantization)三个步骤。

通常将“扫描”合并到“采样”阶段，合并为两个过程。

采样，就是把一幅连续图像在空间上分割成M×N个网格，每个网格用一亮度值来表示。一个网格称为一个像素。M×N的取值满足采样定理。

量化，就是把采样点上对应的亮度连续变化区间转换为单个特定数码的过程。

量化后，图像就被表示成一个整数矩阵。每个像素具有两个属性：位置和灰度。位置由行、列表示。灰度表示该像素位置上亮暗程度的整数。此数字矩阵M×N就作为计算机处理的对象了。灰度级一般为0－255（8bit量化）。下图表示的是如何将连续的转化为离散的情况。

综合而言的数字化过程如下图所示，其表示的是从图像的真实来源，到最后的数字图像：