前言

《数字图像处理》这本书可谓传统CV入门的经典，奈何深度学习大行其道的今天，许多经典的传统方法往往被初学者忽略，其实深度学习的方法很多可以从传统方法获取先验，从而可能取得更好的效果，温故而知新，可以为师矣，这里记录一下阅读《数字图像处理》第三章的阅读摘要。

图像增强

图像增强主要是使用数字图像处理的方法，对特定领域特征或者细节不明显的图像进行优化，使其便于后续处理，通常以对比度和阈值处理为目的。

本节介绍了图像增强的一些经典空间域处理的方法，包括：

• 灰度变换
  • 线性变换
  • 对数变换
  • 幂律变换
• 直方图均衡
  • 直方图均衡化
  • 直方图规定化
• 空间滤波
  • 空间滤波基础
    • 图像一节导数，二阶导数，图像梯度
  • 平滑滤波
    • 均值滤波
    • 高斯滤波
    • 中值滤波
  • 锐化滤波
    • 拉普拉斯算子
    • sobel算子
    • robot算子
  • 混合空间增强
  • 模糊集理论
    • 利用模糊集进行图像增强

为了加深理解，每个部分会先按自己的理解进行总结，然后回顾书中的知识，再次进行总结，所谓书读百遍，其义自现吧。

灰度变换

灰度变换即使用一个变换函数，将图像原始灰度进行映射

• $ g(x,y)=T[f(x,y)]$

特定映射后的图片可以在某些领域更好地表现,比如，线性变换，可以通过将灰度大小从0～255进行调换，得到图像的负片，对应的映射函数即:

• $ g(x,y)=255-f(x,y)$ 可以分析X射线照片的细节信息。

另外，线性变换还有其他作用，还有啥作用？待搜索

对数变换可以将灰度范围进行扩展和压缩，通常在频域处理时，频率范围可能到$1.5 \times 10^{6}$，此时在8bit的图像上显示频率，就会丢失很多细节，如果对其进行对数化，则可以展现更多细节。注意在变换时往往需要将图像重新归一化到0-255之间。

• $s = c \times log(1+r)$
• 注意对数变换可以将低灰度范围的图片扩展到高灰度范围
• 反对数变换可以将高灰度范围的图片扩展到低灰度范围

gamma矫正的基本形式为：

• $s=cr^{\sigma}$