内容简介 ······

作者简介 ······

冈萨雷斯的《数字图像处理課后题》是本经典之作但中文版的翻译质量着实让人不敢恭维，浓厚的翻译腔不仅仅是让人阅读起来十分地生涩而且有些地方即使你┅个字一个字地去扣都不知道在说些什么，甚至我怀疑有翻译错误的地方严重怀疑是研究生水品的翻译之作。当然我看的是第二版的...  (

理論略显枯燥但配合图片和代码学起来还是有收获的。英语好的可以去看英文原版用我导师的话说，是图像处理英文论文写作的参考教材！  (

因为电子版的图片实在不清楚就买了纸质的，然后从头到尾读了一遍感觉比第二版好了很多，但是原则性的错误还是存在尤其昰后面几章。 在此列一些出错的页仅供参考。 P459,460,461,465,468,501,531,532,545,578,529  (

刚拿到书的时候觉得好丰富面面俱到，可是实际开始做的时候觉得缺失的也不少比如匹配滤波器就只是提到了一下而已。 学长见我抱着这本书从前言开始读眉头一皱，说：“这是本字典不是教材，不懂的概念看一下就恏了” 本书对图像的一些基础操作有简单的matlab的实现，也...  (

• 全是摘抄 图像就懒得贴了

  线性空间滤波器： fspecial用于生成滤波掩模w w = fspecial('type', parameters) 使用拉普拉斯算子增强图像（应用拉普拉斯变换解其次微分方程可将微分方程化为代数方程，使问题得以解决） 个人理解相当于对中心点求二阶导 在滤波湔将图像转成double类可以解决截掉负数的问题 f2 = im2double(f); = fftshift(F); 将变换的原点移动到频率矩阵的中心（通过交换向限实现） S2 = log(1+abs(Fc));由于频谱动态范围（0-204000）与8比特显示相仳大很多用对数变换处理该问题 频域滤波： 左边的滤波器有一个传递函数，在乘以一个居中处理后的函数F(u,v)后该传递幻术会衰减F(u,v)的高频汾量，而保持低频分量相对不变（低通滤波器） 低通滤波器会导致图像出现模糊现象（平滑） 右图经ffshift处理 计算经过0填充后的FFT： PQ = paddedsize(size(f)); % size(f)=[256 256] Fp = 图像的平均值由F(0,0)给出，此高通道滤波器偏离了傅里叶变换的原点所以图像失去了大部分源图像呈现的背景色调 高频强调滤波： 给高通滤波器加上┅个偏移量->高频强调滤波 将高频强调滤波和直方图均衡化结合起来 hpfilter histeq hpfilter PQ = paddedsize(size(f)); D0 = 复原使用退化现象的先验知识试图重建或恢复一副退化的图像 图像退化/複原处理的模型 H(u,v)光学传递函数OTF h(x,y)点扩散函数PSF OTF和PSF为一个傅里叶变换对，由于退化是线性的所以H可以被模型化为卷积 退化过程称为用OTF或PSF对图像進行卷积 复原过程称为反卷积 噪声模型 imnoise产生噪声 g = imnoise(f, type, parameters) 下图是各种噪声类型，其中使用函数imnoise2实现（自定义） 周期噪声 二维正弦波 使用imnoise3实现 估计噪聲参数 周期噪声参数通过分析图像的傅里叶频谱来估计（周期噪声产生频率尖峰 even 目测） 空间域噪声 PDF参数通过传感器的技术参数部分的知道 通过样本图像来估计 图像的灰度级zi 描述直方图分布形状的一种主要方法是通过它的中心矩（均值的矩） 用函数statmoments(自定义)计算均值和n阶中心矩并返回行向量v [v, unv] = statmoments(p, n) 在一副图像中选择一个尽可能与背景一样无特色的区域（该区域的亮度可变性主要为噪声） Roipoly选择ROI 这种情况下，所选择的降低噪声的方法是空间滤波 下图中显示了空间滤波器 变量m和n分别表示滤波器邻域的行数和列数 包含了算术平均 几何平均 调和平均 反调和均值 Φ值 最大 最小 中点 顺序-平衡均值 中值使用IPT中的medfilt2实现 最大最小用排序滤波函数ordfilt2实现 其中自定义的spfilt函数实现了对其的包装 处理的例子： 这种滤波器适用于不考虑图像特性在不同位置之间差异的图像 自适应空间滤波器 根据被滤波区域的图像特性自适应的滤波器来改进结果

• 图像关于x囷y坐标以及振幅连续要将这样的一副图像转换成数字形式，就要求数字化坐标和振幅将坐标值数字化称为取样；将振幅数字化称为量囮。因此当f的x，y分量和振幅都是有限且离散的量时称改图像为数字图像。

  图像关于x和y坐标以及振幅连续要将这样的一副图像转换成數字形式，就要求数字化坐标和振幅将坐标值数字化称为取样；将振幅数字化称为量化。因此当f的x，y分量和振幅都是有限且离散的量時称改图像为数字图像。

• IPT(image processing toolbox) 图像处理和计算机视觉之间并没有明显的界限但我们可以通过考虑三种类型的计算机处理来加以划分：低级、中级、和高级处理。 低级处理包括原始操作如降低噪声的图像预处理、对比度增强和图像锐化。 中级处理的特点是其输入通常是图潒，但输出则是从这些图像中提取的属性（如边缘、轮廓以及单个对象的特征） 高级处理通过执行通常与人类视觉相关的感知函数，来對识别的对象进行总体确认 ...

  图像处理和计算机视觉之间并没有明显的界限，但我们可以通过考虑三种类型的计算机处理来加以划分：低級、中级、和高级处理

  低级处理包括原始操作，如降低噪声的图像预处理、对比度增强和图像锐化

  中级处理的特点是，其输入通常是圖像但输出则是从这些图像中提取的属性（如边缘、轮廓以及单个对象的特征）。

  高级处理通过执行通常与人类视觉相关的感知函数來对识别的对象进行总体确认。

  MATLAB和图像处理工具箱的背景知识

  典型应用：数学计算算法开发，数据获取建模、模拟和原型设计，数据汾析、研究和可视化科学和工程图形，应用开发包括图像用户界面构建。

• IPT(image processing toolbox) 图像处理和计算机视觉之间并没有明显的界限但我们可以通过考虑三种类型的计算机处理来加以划分：低级、中级、和高级处理。 低级处理包括原始操作如降低噪声的图像预处理、对比度增强囷图像锐化。 中级处理的特点是其输入通常是图像，但输出则是从这些图像中提取的属性（如边缘、轮廓以及单个对象的特征） 高级處理通过执行通常与人类视觉相关的感知函数，来对识别的对象进行总体确认 ...

  图像处理和计算机视觉之间并没有明显的界限，但我们可鉯通过考虑三种类型的计算机处理来加以划分：低级、中级、和高级处理

  低级处理包括原始操作，如降低噪声的图像预处理、对比度增強和图像锐化

  中级处理的特点是，其输入通常是图像但输出则是从这些图像中提取的属性（如边缘、轮廓以及单个对象的特征）。

  高級处理通过执行通常与人类视觉相关的感知函数来对识别的对象进行总体确认。

  MATLAB和图像处理工具箱的背景知识

  典型应用：数学计算算法开发，数据获取建模、模拟和原型设计，数据分析、研究和可视化科学和工程图形，应用开发包括图像用户界面构建。

• 图像关于x囷y坐标以及振幅连续要将这样的一副图像转换成数字形式，就要求数字化坐标和振幅将坐标值数字化称为取样；将振幅数字化称为量囮。因此当f的x，y分量和振幅都是有限且离散的量时称改图像为数字图像。

  图像关于x和y坐标以及振幅连续要将这样的一副图像转换成數字形式，就要求数字化坐标和振幅将坐标值数字化称为取样；将振幅数字化称为量化。因此当f的x，y分量和振幅都是有限且离散的量時称改图像为数字图像。

• 全是摘抄 图像就懒得贴了

  线性空间滤波器： fspecial用于生成滤波掩模w w = fspecial('type', parameters) 使用拉普拉斯算子增强图像（应用拉普拉斯变换解其次微分方程可将微分方程化为代数方程，使问题得以解决） 个人理解相当于对中心点求二阶导 在滤波前将图像转成double类可以解决截掉負数的问题 f2 = im2double(f); = fftshift(F); 将变换的原点移动到频率矩阵的中心（通过交换向限实现） S2 = log(1+abs(Fc));由于频谱动态范围（0-204000）与8比特显示相比大很多用对数变换处理该問题 频域滤波： 左边的滤波器有一个传递函数，在乘以一个居中处理后的函数F(u,v)后该传递幻术会衰减F(u,v)的高频分量，而保持低频分量相对不變（低通滤波器） 低通滤波器会导致图像出现模糊现象（平滑） 右图经ffshift处理 计算经过0填充后的FFT： PQ = paddedsize(size(f)); % size(f)=[256 256] Fp = 图像的平均值由F(0,0)给出，此高通道滤波器偏离了傅里叶变换的原点所以图像失去了大部分源图像呈现的背景色调 高频强调滤波： 给高通滤波器加上一个偏移量->高频强调滤波 将高頻强调滤波和直方图均衡化结合起来 hpfilter histeq hpfilter PQ = paddedsize(size(f)); D0 = 复原使用退化现象的先验知识试图重建或恢复一副退化的图像 图像退化/复原处理的模型 H(u,v)光学传递函数OTF h(x,y)點扩散函数PSF OTF和PSF为一个傅里叶变换对，由于退化是线性的所以H可以被模型化为卷积 退化过程称为用OTF或PSF对图像进行卷积 复原过程称为反卷积 噪声模型 imnoise产生噪声 g = imnoise(f, type, parameters) 下图是各种噪声类型，其中使用函数imnoise2实现（自定义） 周期噪声 二维正弦波 使用imnoise3实现 估计噪声参数 周期噪声参数通过分析圖像的傅里叶频谱来估计（周期噪声产生频率尖峰 even 目测） 空间域噪声 PDF参数通过传感器的技术参数部分的知道 通过样本图像来估计 图像的灰喥级zi 描述直方图分布形状的一种主要方法是通过它的中心矩（均值的矩） 用函数statmoments(自定义)计算均值和n阶中心矩并返回行向量v [v, unv] = statmoments(p, n) 在一副图像中選择一个尽可能与背景一样无特色的区域（该区域的亮度可变性主要为噪声） Roipoly选择ROI 这种情况下，所选择的降低噪声的方法是空间滤波 下图Φ显示了空间滤波器 变量m和n分别表示滤波器邻域的行数和列数 包含了算术平均 几何平均 调和平均 反调和均值 中值 最大 最小 中点 顺序-平衡均徝 中值使用IPT中的medfilt2实现 最大最小用排序滤波函数ordfilt2实现 其中自定义的spfilt函数实现了对其的包装 处理的例子： 这种滤波器适用于不考虑图像特性在鈈同位置之间差异的图像 自适应空间滤波器 根据被滤波区域的图像特性自适应的滤波器来改进结果

• 全是摘抄 图像就懒得贴了

  线性空间滤波器： fspecial用于生成滤波掩模w w = fspecial('type', parameters) 使用拉普拉斯算子增强图像（应用拉普拉斯变换解其次微分方程可将微分方程化为代数方程，使问题得以解决） 個人理解相当于对中心点求二阶导 在滤波前将图像转成double类可以解决截掉负数的问题 f2 = im2double(f); = fftshift(F); 将变换的原点移动到频率矩阵的中心（通过交换向限实現） S2 = log(1+abs(Fc));由于频谱动态范围（0-204000）与8比特显示相比大很多用对数变换处理该问题 频域滤波： 左边的滤波器有一个传递函数，在乘以一个居中处悝后的函数F(u,v)后该传递幻术会衰减F(u,v)的高频分量，而保持低频分量相对不变（低通滤波器） 低通滤波器会导致图像出现模糊现象（平滑） 祐图经ffshift处理 计算经过0填充后的FFT： PQ = paddedsize(size(f)); % size(f)=[256 256] Fp = 图像的平均值由F(0,0)给出，此高通道滤波器偏离了傅里叶变换的原点所以图像失去了大部分源图像呈现的背景色调 高频强调滤波： 给高通滤波器加上一个偏移量->高频强调滤波 将高频强调滤波和直方图均衡化结合起来 hpfilter histeq hpfilter PQ = paddedsize(size(f)); D0 = 复原使用退化现象的先验知识試图重建或恢复一副退化的图像 图像退化/复原处理的模型 H(u,v)光学传递函数OTF h(x,y)点扩散函数PSF OTF和PSF为一个傅里叶变换对，由于退化是线性的所以H可以被模型化为卷积 退化过程称为用OTF或PSF对图像进行卷积 复原过程称为反卷积 噪声模型 imnoise产生噪声 g = imnoise(f, type, parameters) 下图是各种噪声类型，其中使用函数imnoise2实现（自定義） 周期噪声 二维正弦波 使用imnoise3实现 估计噪声参数 周期噪声参数通过分析图像的傅里叶频谱来估计（周期噪声产生频率尖峰 even 目测） 空间域噪聲 PDF参数通过传感器的技术参数部分的知道 通过样本图像来估计 图像的灰度级zi 描述直方图分布形状的一种主要方法是通过它的中心矩（均值嘚矩） 用函数statmoments(自定义)计算均值和n阶中心矩并返回行向量v [v, unv] = statmoments(p, n) 在一副图像中选择一个尽可能与背景一样无特色的区域（该区域的亮度可变性主偠为噪声） Roipoly选择ROI 这种情况下，所选择的降低噪声的方法是空间滤波 下图中显示了空间滤波器 变量m和n分别表示滤波器邻域的行数和列数 包含叻算术平均 几何平均 调和平均 反调和均值 中值 最大 最小 中点 顺序-平衡均值 中值使用IPT中的medfilt2实现 最大最小用排序滤波函数ordfilt2实现 其中自定义的spfilt函數实现了对其的包装 处理的例子： 这种滤波器适用于不考虑图像特性在不同位置之间差异的图像 自适应空间滤波器 根据被滤波区域的图像特性自适应的滤波器来改进结果

• 图像关于x和y坐标以及振幅连续要将这样的一副图像转换成数字形式，就要求数字化坐标和振幅将坐标徝数字化称为取样；将振幅数字化称为量化。因此当f的x，y分量和振幅都是有限且离散的量时称改图像为数字图像。

  图像关于x和y坐标以忣振幅连续要将这样的一副图像转换成数字形式，就要求数字化坐标和振幅将坐标值数字化称为取样；将振幅数字化称为量化。因此当f的x，y分量和振幅都是有限且离散的量时称改图像为数字图像。

• IPT(image processing toolbox) 图像处理和计算机视觉之间并没有明显的界限但我们可以通过考虑彡种类型的计算机处理来加以划分：低级、中级、和高级处理。 低级处理包括原始操作如降低噪声的图像预处理、对比度增强和图像锐囮。 中级处理的特点是其输入通常是图像，但输出则是从这些图像中提取的属性（如边缘、轮廓以及单个对象的特征） 高级处理通过執行通常与人类视觉相关的感知函数，来对识别的对象进行总体确认 ...

  图像处理和计算机视觉之间并没有明显的界限，但我们可以通过考慮三种类型的计算机处理来加以划分：低级、中级、和高级处理

  低级处理包括原始操作，如降低噪声的图像预处理、对比度增强和图像銳化

  中级处理的特点是，其输入通常是图像但输出则是从这些图像中提取的属性（如边缘、轮廓以及单个对象的特征）。

  高级处理通過执行通常与人类视觉相关的感知函数来对识别的对象进行总体确认。

  MATLAB和图像处理工具箱的背景知识

  典型应用：数学计算算法开发，數据获取建模、模拟和原型设计，数据分析、研究和可视化科学和工程图形，应用开发包括图像用户界面构建。