图像处理
    图像分类
        单通道图像
            二值图像
            灰度图像
        多通道图像
            索引图像
            彩色图像
    常用方法
        图像变换
            傅立叶变换
            沃尔什变换
            离散余弦变换
            小波变换
        图像编码压缩
            对图像施加某种变换或基于区域、特征进行编码的方法
            最常用的无损压缩算法取空间或时间上相邻像素值的差，再进行编码。如游程码。
            有损压缩算法大都采用图像交换的途径，例如对图像进行快速傅里叶变换或离散的余弦变换。
        图像增强
            空间域
                一些平滑去噪的方法：局部求平均值法和中值滤波
                灰度等级直方图处理
            频域
                低通滤波器可以滤除噪声
                高通滤波器可以增强边缘信息
        图像复原
            图像复原要求对图像降质的原因有一定的了解，一般讲应根据降质过程建立“降质模型”，再采用某种滤波方法，恢复或重建原来的图像。
        图像分割
            传统方法用到连通域，连通域的问题在于阈值的选择
        图像描述
            主要使用深度学习来解决
        图像分类
            参考
                https://blog.csdn.net/jiaoyangwm/article/details/79120601
            步骤
                特征提取
                特征编码
                特征汇聚
                分类器
                    支持向量机
                    K 近邻
                    神经网络
                    随机森林
        检测
            直线检测：霍夫变换
            边缘检测
                参考
                    https://blog.csdn.net/u013270326/article/details/81412566
                算子
                    Sobel
                    Roberts
                    Laplacian
                    Canny
        特征提取
            参考：https://blog.csdn.net/Assure_zhang/article/details/80503196
    神经网络发展
        贝叶斯网络
        SVN（支持向量机）
        BP：反向传播进行参数调整网络
        CNN：卷积神经网络
        RNN：循环神经网络

选定的图像，图形或物体，对待处理的图像进行遮挡，来控制图像处理的区域或处理过程。用于覆盖特定图像或物体称为掩模或模板。光学图像处理中，掩模可以做胶片、滤光片等。数字图像处理中，掩模为二维矩阵数组，有时也用多值图像。

数字图像处理中，图像掩模主要用于：

1. 提取感兴趣区，用预先制作的感兴趣区掩模与待处理图想相乘，得到感兴趣图像，感兴趣内图像值保持不变，而区外图像值都为0.
2. 屏蔽作用，用掩模对图像上某些区域作屏蔽，使其不参加处理或不参加处理参数计算，或进队屏蔽区做处理统计。
3. 结构特征提取，用相似性变量或图像匹配方法检测和图像中与淹没相似的结构特征。
4. 特殊形状图像的制作。用选定的图像、图形或物体，对待处理的图像进行遮挡，来控制图像处理的区域或处理过程。用于覆盖特定的特定图像或物体称为掩模或模板。

掩模是一种图像滤波的模板，实用掩模经常处理的是遥控图像。当提取道路或者河流，或者房屋时，通过一个n*n的矩阵来对图像进行像素过滤，然后将我们需要的地物或者标志突出显示出来。这个矩阵就是一种掩模。

专栏地址：http://blog.csdn.net/column/details/imagep.html

本篇博客主要记录Image图像处理软件的基本图像处理，包括黑白图像、图像柔化、图像锐化。

图像黑白化

现在我们得到的大多数图像都是彩色图像，那么如果想要把它变成黑白图像，该怎么操作呢？

一个简单的方法就是——利用cvtColor实现。

cvtColor的原型如下：

C++: void cvtColor(InputArray src, OutputArray dst, int code, int dstCn=0 )

在cvtColor中利用CV_BGR2GRAY, CV_RGB2GRAY就可以实现从RGB图像转换为黑白图像。

转换公式如下：

Code：

void MainWindow::on_actionBlackWhite_triggered()
{
    cv::Mat bw;
    cv::cvtColor(image,bw,CV_BGR2GRAY);
    QImage bimg = QImage((const uchar*)(bw.data),bw.cols,bw.rows,QImage::Format_Indexed8);
    ui->Imagedisplaylabel->setPixmap(QPixmap::fromImage(bimg));
    //ui->Imagedisplaylabel->setScaledContents(true);
    //ui->Imagedisplaylabel->resize(ui->Imagedisplaylabel->width(),ui->Imagedisplaylabel->height());

}

Example:

References:

彩色空间及cvtColor解析

图像柔化

图像柔化其实也就是图像模糊（平滑），算是一个非常简单的操作。

Code:

void MainWindow::on_actionSmooth_triggered()
{
    cv::Mat Smooth;
    cv::namedWindow("Ori");
    cv::imshow("Ori",image);
    cv::GaussianBlur(image,Smooth,cv::Size(5,5),5);
    cv::namedWindow("S");
    cv::imshow("S",Smooth);
}

Example:

图像锐化

所谓图像锐化就是要突出图像的边缘信息，加强图像的轮廓特征，以便于人眼的识别。图像锐化是与图像平滑相反的一类处理。它主要分为：空域处理方法和频域处理方法。这里要讲的是类似Photoshop的unsharpe mask锐化，从概念上讲，unsharpe mask就是首先从原图上生成一个模糊拷贝，用原图减去这个拷贝，得到原图的边界，类似于经过一次高斯过滤查找到图像的边界。这个图像边界就是我们需要的mask。

整个锐化过程如下所示：

（上图改进方案见文献Image Enhancement via Adaptive Unsharp Masking）

一个简单的实例：

Code:

void MainWindow::on_actionSharpe_triggered()
{
    cv::namedWindow("ori_s");
    cv::imshow("ori_s",image);
    cv::Mat sharpe;
    cv::GaussianBlur(image,sharpe,cv::Size(5,5),5);
    cv::addWeighted(image,1.5,sharpe,-0.6,0,sharpe);
    cv::namedWindow("sharpe");
    cv::imshow("sharpe",sharpe);
}

Example:

References：

SHARPENING: UNSHARP MASK

GUIDE TO IMAGE SHARPENING

Unsharp masking[Wikipedia]

利用unsharp mask锐化图像

更多图像处理资源，请关注博客：LinJM-机器视觉微博：林建民-机器视觉

医学图像处理SimpleITK使用教程
https://pyscience.wordpress.com/2014/10/19/image-segmentation-with-python-and-simpleitk/

图像处理的MATLAB基础

一、MATLAB在图像处理领域的优点

优秀的矩阵运算能力

在图像处理教程（一） 中我们提到每一张图片都可以看做是一个由像素点组成的矩阵，黑白图片用一个二维矩阵就可以表示，彩色图片则要用三个二维矩阵，分别表示RGB三个颜色通道。

而MATLAB是十分擅长处理矩阵运算的科学计算软件，所以MATLAB处理图像信息就格外方便。

例如：一维向量可以表示为声音信号在时域上的离散采样信息，即可以表示一个声音信号；二维矩阵自然可以表示图像信息。

MATLAB内置了许多函数可以对矩阵做各样的处理，如sum()函数，mean()函数，imread(),imwrite()函数等等。

友好的编程语言与操作界面

不像其他高级语言（如C语言），在使用变量前必须预先定义变量，声明其数据类型，MATLAB可以直接对任意变量展开操作而不需要预先声明，MATLAB会自动为变量分配内存，确定其数据类型等。这无疑为我们编写程序带来了极大方便。

MATLAB的界面也十分友好，它既支持我们用MATLAB语言编写脚本、函数文件完成特定工作，也支持交互式的操作形式，比如种类丰富的工具箱Toolbox，许多工作动动鼠标即可完成。

二、MATLAB图像处理相关函数

本节内容的主要内容是向大家介绍一些常用的、必备的MATLAB图形处理函数。熟练掌握这些函数的用法对于以后的工作有着莫大的好处。下面我们从读取图片开始。

读取图片

myimage = imread('newborn.tif');

myimage是一个矩阵，存储着newborn.tif图片的像素信息；在imread( )函数中，以字符串的形式给出图片的名称。如果MATLAB的工作路径和图片存放的路径不一致，则要写成如下的形式，不然MATLAB会给出找不到图片的错误。

imread ('D:/dataset/image/newborn.tif');
% 注意语句后面的分号不要省略，否则我们的command window会被庞大无比的像素矩阵充满

显示图片

在读入整张图片之后，我们可以用imshow()命令将图片显示出来。

figure(1);
I = imshow(myimage);
title('newborn.tif');

为了查看图片上某点的坐标和RBG值（或者灰度值），我们可以使用下面的函数：

impixelinfo; %注意，pixval on早在MATLAB 2008a就已经淘汰了

输入上面命令后，图片的左下角会出现一行信息，随着鼠标的滑动，显示不同点的左边和RGB信息（或灰度值信息）。

使用如下命令可以调整figure窗口的背景颜色：

% 调整背景为绿色
whitebg ('g');
whitebg ('green');
whitebg ([0 1 0]);% 绿色的RGB值
% 其他颜色还有 Cyan blue white magenta yellow red black 等等

获取图片信息

size(myimage)% 可以显示矩阵的大小尺寸，几行几列几页

myimage(100,200,2)% 显示第2页第100行第200列的值

impixel(myimage,100,200)% 显示myimage图片在100行200列处的色彩值

imfinfo('name_of_img.jpg');% 可以显示图片的详细信息

impixel的用法

写入图片

有时我们需要将处理结果以图片的形式写入某个位置，这就会用到下面的函数。

% 函数参数格式
imwrite(X,map,'filename','fmt');
% 例子，可以用来转换图片格式，tif->png
a = imread('autumn.tif');
imwrite(a,'autumn.png','png');

命令中的X是要存储图片的像素矩阵，map是该图片的colormap（可选项），两个字符串表示待写图片的名字和格式。

生成伪彩色图片

% 输入一张灰度图名称，不必键入单引号
im=input('Enter the file name (gray level image) :','s');
k=imread(im);
% k是读入的照片，灰度图的z=1
[x y z]=size(k);
% 将uint8格式转换为double格式
k=double(k);
% 对灰度图做变换，生成三个色彩通道
for i=1:x
    for j=1:y
        if k(i,j)>=0 & k(i,j)<50
            m(i,j,1)=k(i,j,1)+5;
            m(i,j,2)=k(i,j)+10;
            m(i,j,3)=k(i,j)+10;
        end
        if k(i,j)>=50 & k(i,j)<100
            m(i,j,1)=k(i,j)+35;
            m(i,j,2)=k(i,j)+28;
            m(i,j,3)=k(i,j)+10;
        end
        if k(i,j)>=100 & k(i,j)<150
            m(i,j,1)=k(i,j)+52;
            m(i,j,2)=k(i,j)+30;
            m(i,j,3)=k(i,j)+15;
        end
        if k(i,j)>=150 & k(i,j)<200
            m(i,j,1)=k(i,j)+50;
            m(i,j,2)=k(i,j)+40;
            m(i,j,3)=k(i,j)+25;
        end
        if k(i,j)>=200 & k(i,j)<=256
            m(i,j,1)=k(i,j)+120;
            m(i,j,2)=k(i,j)+60;
            m(i,j,3)=k(i,j)+45;
        end
    end
end
% 显示原图像
figure,imshow(uint8(k),[]);
% 显示生成的伪彩色图片
figure,imshow(uint8(m),[]);

256色、高彩色、真彩色

每个像素的色彩表示可以用多位二进制数表示。

用1bit只能表示黑或白，即二值图像。

用8bit即可表示256种颜色，所以MATLAB读入的图片矩阵常有uint8的数据格式，8个bit中2个bit表示蓝色、分别用3个bit表示红色和绿色。

高彩色（High Color）可以表示65536种颜色，更加接近真实。

而真彩色（True Color）有24bit来表示每个像素的色彩值，最多有16,777,216种颜色，当然储存空间响应也要增大。

MATLAB中常用的数据类型

注意：数据类型不同的变量之间不能做运算，需要用转换函数先进行一步转换。

% 示例代码
% 原始图片
[em,emap] = imread(‘trees.tif');
figure, imshow(em,emap);
% 索引图转换成灰度图
ygray = ind2gray(em, emap);
figure, imshow (ygray);
% 灰度图转换成索引图
[y, map] = gray2ind(ygray);
figure, imshow (y);
% 读入原始图片
im = imread('twins.tif');
figure,imshow(im);
% rgb图像转灰度图
yim = rgb2gray(im);
figure,imshow(yim);
% 灰度图转RGB图
yim2 = gray2rgb(yim);
figure,imshow(yim2);
% 读入原始图像
RGB = imread('peppers.png');
% rgb图像转换为128色的索引图
[X,map] = rgb2ind(RGB,128);
figure, imshow(X,map); 
% rgb图像转换为256色的索引图
[X,map] = rgb2ind(RGB,256);
figure, imshow(X,map);
% rgb图像转换为2色的索引图
[X,map] = rgb2ind(RGB,2);
figure, imshow(X,map);
% 索引图转换为rgb图
[em,emap] = imread('emu.tif')
figure, imshow(em,emap)
y = ind2rgb(em,emap)
figure, imshow(y)

以上我们展示了二值图、灰度图、色彩图、索引图之间的相互转换过程，具体的函数应用可以在command window下键入help rgb2gray等命令来获取详细信息。

三、小练习

1）试着在MATLAB的命令窗口键入help imdemos,之后命令窗口会给出Image Processing Toolbox中所有的示例（sample）。列一个表格，看看有多少个样本图片。
对每一张图片，试着确定它的类型（二值图、灰度图、真彩色、索引色）
确定图片的尺寸，在像素层面。

下面是答案：

Sample TIFF images: 
autumn.tif, 
board.tif, 
cameraman.tif, 
canoe.tif, 
cell.tif, 
circbw.tif, 
circuit.tif, 
eight.tif, 
forest.tif, 
kids.tif, 
logo.tif, 
m83.tif, 
moon.tif, 
mri.tif, 
paper1.tif, 
pout.tif, 
shadow.tif, 
spine.tif, 
tire.tif, 
trees.tif.

Binary: 
circbw.tif (3822), 
logo.tif (1074).

Grayscale: 
cameraman.tif (65536), 
cell.tif (30369), 
circuit.tif (76160), 
eight.tif (74536), 
moon.tif (192246), 
paper1.tif (51296), 
pout.tif (69840),
tire.tif (47560).

True color: 
autumn.tif (213210), 
board.tif (594864), 
forest.tif (134547).

Indexed color: 
canoe.tif (71622), 
forest.tif (134547), 
kids.tif (127200), 
m83.tif (151200), 
mri.tif (16384), 
shadow.tif (66454), 
spine.tif (179830), 
trees.tif (90300).

2）找一张灰度图，然后利用imwrite()函数将其写为JPEG、PNG、BMP格式的图片，并且比较他们各自的大小。