深度学习--图像预处理

图片存储原理：

主流颜色空间：1.RGB三通道彩色图：图片——>三维矩阵

2.单通道灰度图：Gray=R*0.3+G*0.59+B*0.11

图像增强

目标：

1.改善图像的视觉效果

2.转换为更适合于人或机器分析处理的形式

3.突出对人或机器分析有意义的信息

4.抑制无用信息，提高图像的使用价值;

具体方法:

包括图像锐化，平滑、去噪，灰度调整(对比度增强)

点运算：

直方图：对图片数据、特征分布的一种统计（1.灰度、颜色 2.梯度\边缘、形状、纹理 3.局部特征点、视觉词汇）

直方图均衡化（防止明暗差别过大）：实质上是对图像进行非线性的拉伸。重新分配各个灰度单位中的像素点数量，使一定灰度范围内像素点数量的值大致相等

直方图均衡的经典算法对整幅图像的像素使用相同的变换，如果图像中包括明显亮的或者暗的区域，则经典算法作用有限。

自适应直方图均衡(AHE)：通过对局部区域进行直方图均衡，来解决上述问题。移动模板在原始图片上按特定步长滑动;每次移动后，模板区域内做直防图均衡，映射后的结果赋值给模板区域内所有点，每个点会有多次赋值，最终的取值为这些赋值的均值。

但是AHE会过度放大图像中相对均匀区域的噪音，可采用限制对比度自适应直方图均(CLAHE)。与普通的自适应直方图均衡相比，CLAHE的不同地方在于直方图修剪过程（双线性插值），用修剪后的直方图均衡图像时，图像对比度会更自然。

CLAHE算法步骤：
1.图像分块，以块为单位;
2.先计算直方图，然后修剪直方图，最后均衡;
3.遍历操作各个图像块，进行块间双线性插值;

4.与原图做图层滤色混合操作。 (可选)

形态学运算

膨胀：图像中的高亮部分进行膨胀，类似于领域扩张

腐蚀：图像中的高亮部分被腐蚀，类似于领域被蚕食

正向腐蚀（B沿着A的边走一遍，形成的内部图案），反向膨胀

开运算:先腐蚀再膨胀，可以去掉目标外的孤立点。
闭运算:先膨胀再腐蚀，可以去掉目标内的孔。

通常，当有噪声的图像用阈值二值化后，所得到的边界是很不平滑的,物体区域具有一些错判的孔洞，背景区域散布着一些小的噪声物体，连续的开和闭运算可以显著的改善这种情况。

空间预处理及其变换

滤波/卷积：在每个图片位置（x,y）上进行基于淋雨的函数计算。不同功能需要不同的函数（平滑/去噪，梯度/锐化等）

图片中各点的数值和卷积核中的点对应相乘再相加得到结果

边界填充：使卷积后的尺度与前相同

补零用的最多，但是补得0过多影响比较大。

高斯金字塔：

图像金字塔化：先进行图像平滑，再进行降采样，根据降采样频率，得到一系列尺寸逐渐减小的图像。

操作：N次（高斯卷积->2倍降采样）-->n层金字塔

目的：捕捉不同尺寸的物体

拉普拉斯金字塔我感觉就是高斯金字塔的逆过程。

傅里叶变换：

一个信号可以有足够多个不同频率和幅值的正余弦波组成。

这我也讲不明白，看看吧。