-
课程总览 Overview
-
考试风格
-
考题类型
-
选择题
主要考记忆
-
简答题
多写一点,基本思想和基本概念都写出来,不会做也写几笔
-
计算题
计算+分析
再简单都要写过程。思考过程是怎么样,写出来就能判断学得好不好
即使不会套公式,哪怕罗列两个公式也可以,不能空
-
编程题
MatLab 或者 Python 都可以,但不用过多注重语言的准确性
-
知识网络
-
一、绪论 Introduction
考查点:
主要考查一些基本的数字图像处理过程等知识(拿出去可以吹牛的知识)
包括基本的应用,生活中的数字图像处理的常识,比如CT到底用哪个光谱、波长的波
-
二、数字图像基础 Digital Image Fundamentals
考查点:
图像的取样和量化的基本步骤是很重要的
成像原理、视觉感知(感光细胞,杆状和锥状细胞最基本的要了解)也是考察范围
-
三、灰度变换与空间滤波 Intensity Transformation and Spatial Filtering
考查点:
最基本的空间滤波和卷积是怎么做的(需要会计算)
图像增强的目的有:
1. 突出需要关注的部分
2. 降噪
3. 使得图片看起来更好看
-
基本的灰度变换函数
了解分别实现什么功能,变换后的效果是什么样的
-
Negatives
在图像的黑色部分占了大多数,而需要关注的白色/灰色部分嵌在了黑色部分里时,增强其灰白部分的细节
-
Thresholding
从背景中分割出需要关注的物体
-
Log Transformation
展开暗部像素值(使暗部细节更清晰,看清楚暗的部分),压缩亮部像素值
-
Gamma Transformation
小于1的γ值,使得原本范围狭窄的较暗像素的灰度变宽。
小于1的γ相当于看清楚暗的,而大于1的γ可以看清楚亮的
-
Another Contrast Stretching Function
-
Piece-wise Linear Transformations
优点:可以任意复杂(一些重要的实际实现可仅由分段函数来明确表达)
缺点:需要用户输入
-
Contrast Stretching
扩展图像灰度级的动态范围,使其可以布满显示装置的全部灰度范围
-
Intensity-level Slicing
突出图像中特定灰度范围的亮度(可以用于增强特征,如卫星图像中的水/X射线图像中的缺陷)
-
Bit-plane slicing
8比特图像可以考虑为8个1比特平面组成(平面7为最高阶的平面,平面0为最低的)
- 更高阶的比特平面含有大多数重要的视觉信息
- 更低阶的比特平面含有更多细节信息
- 把图像分解到不同的比特平面可以用于分析量化该图像的比特数是否充足,以及每个比特的相对重要性
- 比特平面可以用于压缩图像(只保留最高阶的n个平面)
-
直方图处理
-
空间滤波
-
四、频率域滤波 Filtering in the Frequency Domain
这一部分是区分度最大的
考查点:
傅里叶变换是必考的,要能进行简单的计算
二维的傅里叶变换的计算,最基本的套公式一定要会
如何通过FFT和DFT来实现空域滤波
傅里叶变换的基本计算是什么?
什么是线性算子什么是非线性算子?应该如何判断(有公式)?
为什么需要 频域处理/频域滤波器 来处理空域滤波?
-
区分是否线性算子(重要)
-
从傅里叶级数到傅里叶变换
-
傅里叶变换性质
-
对称性
-
傅里叶变换的简单计算(重要,一定会考)
-
Dirac delta function
-
f(t)=1
-
e^jat
-
sin(at)
-
cos(at)
-
为什么需要傅里叶变换?
-
从频域观察图像(可以进一步进行降噪等)
-
可以使用傅里叶变换(FFT)来更快地进行卷积
-
卷积定理
-
离散傅里叶变换
-
频域滤波
-
频域滤波基础
如果filter kernel较小,则更适合使用空域滤波;如果filter kernel较大,则更适合使用频域滤波
-
使用频域滤波器平滑图像
边缘以及其他的尖锐灰度值变化都对应着高频率的部分
-
使用频域滤波器锐化图像
-
FFT 快速傅里叶变换
是基于傅里叶的级数能流行起来的主要原因
使得傅里叶变换能在可以接受的时间内运算出结果
减少了100-600倍运算的时间
-
空域滤波和频域滤波
可以完成相似的工作
空域滤波更容易理解且更简单
频域滤波是更快更高效的,尤其是对于比较大的图片
-
五、图像复原与重建 Image Restoration
考查点:
图像退化的过程
掌握最基本的滤波器,特别是 非线性滤波器
了解每一种滤波器适合哪一种噪声类型
什么是线性算子什么是非线性算子?应该如何判断(有公式)?
-
什么是图像复原
图像增强是一个主观过程,图像复原“大部分”是一个客观过程
复原技术是面向退化模型的,并且使用相反的过程进行处理,使用退化现象的某种先验知识来复原被退化的图像
增强技术是一个探索性过程,是使得图像更适合人类视觉系统进行观察
-
退化/复原过程建模
* 空域内卷积等于频域相乘
* 只考虑加性噪声,假设H是一个 同一性算子,退化过程可以简化为最后一个式子
-
噪声模型
噪声来源:噪声是在 图像采集(数字化)和传输过程中产生的。
成像传感器会受到环境条件的影响
在传输过程中,干扰被加到图像中
-
加性噪声滤波器
-
均值滤波器
-
Arithmetic mean filter 算术均值滤波
模糊了结果,但是降低了噪声
计算领域的均值
-
Geometric mean filter 几何均值滤波
丢失的细节比算术平均滤波要少
-
Harmonic mean filter 谐波均值滤波器
对 盐粒 噪声效果好,但不适用于 胡椒 噪声
善于处理 高斯 噪声
-
Contraharmonic mean filter 逆谐波均值滤波器
适合处理 椒盐 噪声(Q值为滤波器的阶数,Q为正时消除 胡椒 噪声,Q为负时消除 盐粒 噪声)
Q为0时就是算术均值滤波器,Q为-1时就是谐波均值滤波器
-
统计排序滤波器(非线性,重点)
-
Median filter 中值滤波器
相比同尺寸线性滤波器而言模糊更少
对 椒盐 噪声尤其有效
-
Max and min filter 最大值/最小值滤波器
最大值滤波器适合处理 胡椒 噪声
最小值滤波器适合处理 盐粒 噪声
-
Midpoint filter 中点滤波器
适合处理随机分布的噪声,如 高斯噪声 和 均匀噪声
-
Alpha trimmed mean filter 修正的 Alpha 均值滤波器
(其实只是一个去掉了最高 d/2 和最低的 d/2 灰度值的算数均值滤波.. 话说d=mn-1时就变成了中值滤波)
适合在 包括多种噪声 的情况下使用
-
Adaptive filter 自适应滤波器
核心是 滤波器大小 会根据图像的特性进行改变
-
周期噪声滤波器
在傅里叶变换中,周期噪声在对应的周期干扰频率处,会以集中的能量脉冲形式出现。
-
Selective filter 选择性滤波器
-
选择性滤波过程
-
六、图像分割 Image Segmentation
Hough变换的基本思想和基本原理是什么?
-
七、目标识别 Object Detection
目标识别的两个判别规则,尤其是贝叶斯规则