当前位置 博文首页 > 老猿Python:《数字图像处理》学习总结及感悟:第二章数字图像基
本系列文章记录老猿自学冈萨雷斯《数字图像处理》的感悟和总结,不过估计更新会比较慢,白天要工作,都是晚上抽空学习,学习完一章再回头总结,想学的朋友可以自己下载英文原版(目前到第四版)和中文译本(目前应该到第三版)的电子版观看,如果想对照观看建议英文原版也找第三版。
这本《数字图像处理》不愧为数字图像处理的经典教程,知识范围广、内容详尽、案例贴近实践,至少很合老猿的口味。但中译本存在两个问题:
λ = c/v,c为光速,c = 2.998×10
8E = hv,其中h是普朗克常数
无线电波<微波<红外线<可见光<紫外线<X射线<伽马射线
多数图像都是由“辐射(illumination)”源的能量入射和图像对应“景物(scene)”元素对能量的反射(reflection)或吸收(absorption)组合产生的,这里对二者加引号是为了强调二者比可见光照射三维景物更通用。辐射源可以是比可见光更广泛的电磁波、声波、超声波甚至计算机产生的照射模式,而景物可以是熟悉的物体、沉积岩(buried rock formations)、分子(molecules)或人的大脑;
如果可以开发出一种传感器来侦测某种电磁波谱辐射的能量,则理论上可以利用该电磁波成像,但前提是这种电磁波的波长必须小于等于被观察对象的大小。这个限制与传感材料的物理特性就成了图像传感器的基本限制;
辐射成像的基本过程为:依赖辐射源的特性(nature),辐射能(illumination energy)被物体反射(reflected,如相机拍照)或透射(transmitted through,如X光影像),特定类型的辐射能被反射或透射后的能量被传感器捕获,传感器根据捕获能量大小输出电压波形(voltage waveform)作为响应,将电压波形数字化从而转换为一个数字量。
辐射能成像传感器主要有三种:
√ 单个图像传感器:Single imaging sensor,如光电二极管(photodiode),传感器前面可以有个滤光器(filter)来改善选择性(selectivity.,如绿色滤光器有利于绿色光通过,输出的绿光比其他可见光要强),为使单个传感器成像,在传感器和成像区域间必须有x和y方向的相对位移(relative displacements)
√ 条带传感器:Line sensor,如平板扫描仪、航空,传感器一次成像一行x方向的数据,通过传感器相对物体的移动来完成图像的y方向数据采集。有些条带传感器(如圆环形传感器CT、MRI)的输出必须由重建算法(reconstruction algorithms)处理,重建算法的目的是为了把感知数据转换为有意义的剖面图像
√ 阵列传感器:Array sensor,如数码相机的CCD,通过将能量聚焦到阵列表面得到一副图像,成像过程中传感器不需移动。由于传感器的响应正比于捕获的辐射总能量,可通过累积输入信号超过一定时间达到降噪的目的。
简单辐射能成像模型(A Simple Image Formation Model)
在《冈萨雷斯《数字图像处理》学习总结及感悟:第一章 绪论 百闻不如一见 https://blog.csdn.net/LaoYuanPython/article/details/116807930》介绍了使用二维函数f(x,y)来表示图像,对于空间坐标(x,y),函数f的值就是图像在坐标(x,y)处的幅值,其值为一正标量(positive scalar quantity),其物理意义为图像源决定。
辐射成像的数字图像函数f(x,y)可由两个分量(two components)来表示:
√ 辐射源(source illumination)入射(incident)到被观察景物的能量总量,称为入射(illumination)分量,表示为i(x,y);
√ 景物中的物体反射的辐射总量,称为反射(reflectance)分量,表示为r(x,y)。
√ 入射分量i(x,y)和反射分量r(x,y)两个分量的乘积就是f(x,y),即:
f(x, y) = i (x, y) r (x, y)
其中:
0<i(x,y)<∞,其取值取决于辐射源,0<r(x,y)<1,其值取决于成像物体。
反射分量为0表示入射能量被完全吸收,为1表示全反射
。
√ 以上公式除了适合反射成像场景外,也适合于透射成像场景,只不过r(x,y)应该表示的是透射分量函数。
虽然成像主要以电磁波辐射能量为基础,但这并不是生成图像的唯一方法,其他如超声波成像的声波反射(sound reflected)、电子显微镜的电子束(electron beams)以及图形与可视化(graphics and visualization)的图像合成(synthetic images)都是数字图像的图像源。
本文基于冈萨雷斯《数字图像处理》第二章第二节和第三节的内容,对数字图像密切相关的电磁波谱和光、获取图像的成像传感器等方面的相关知识进行了介绍。
老猿认为本部分最重要的概念就是辐射能成像的原理,如电磁波入射到成像对象时,由于成像物体不同位置的不同特性,入射波所携带的能量被物体反射或吸收后透射出来的能量不同且表征了景物各位置的特征,因此才能使得传感器通过捕获这些反射或透射的能量来获取到物体的影像。
本章的图像公式 f(x, y) = i (x, y) r (x, y)
老猿认为是个很重要的公式,该公式从辐射源的入射能量强度和物体反射(或透射)系数相乘来表达辐射成像的原理,是个抽象但又好理解的概念,目前老猿还没了解该公式后续的使用,但想来应该对后续图像的变换有很重要的意义。老猿是个很纠结的人,在学习本书之前,在网上看到相关资料,图像的噪声图像等于原图像与噪声函数的乘积,当时特别不理解为什么一定是相乘,为什么不是相加或者其他更复杂的公式(如n次函数),有了这个公式后,虽然到现在还是没有彻底想明白机理,但老猿基本能接受噪声图像的计算为什么是两个函数相乘。
如果阅读本文于您有所获,敬请点赞、评论、收藏,谢谢大家的支持!
前两个专栏都适合有一定Python基础但无相关知识的小白读者学习,第三个专栏请大家结合《https://blog.csdn.net/laoyuanpython/category_9979286.html OpenCV-Python图形图像处理 》的学习使用。
对于缺乏Python基础的同仁,可以通过老猿的免费专栏《https://blog.csdn.net/laoyuanpython/category_9831699.html 专栏:Python基础教程目录)从零开始学习Python。
如果有兴趣也愿意支持老猿的读者,欢迎购买付费专栏。
如对文章内容存在疑问,可在博客评论区留言,或关注:老猿Python 微信公号发消息咨询。