編程軟件
MATLAB、VC+MATLAB、VC+OpenCV、VC等。什麼是圖像
圖像是客觀對象的一種相似性的、生動性的描述或寫真，是人類社會活動中最常用的信息載體。或者說圖像是客觀對象的一種表示，它包含了被描述對象的有關信息。它是人們最主要的信息源。據統計，一個人獲取的信息大約有75%來自視覺。圖像是對客觀物體的主動感官。圖像的分類
數字圖像可以分爲：灰度圖像和多通道圖像。
而多通道圖像有：彩色圖像、遙感圖像和多譜圖像。
通常圖像的顏色值在0~255之間，所以圖像顏色值是否只能在0~255之間呢？
否，可以數值化更精細。
圖像的座標系統常在屏幕顯示中採用，屏幕掃描從左到右，從上到下進行。原點設置在圖像的左上角。圖像工程的三個層次
三個層次分別是：圖像處理、圖像分析與圖像理解。通常的圖像工程都是在做第一層次。顏色空間
本質上，彩色模型是座標系統和子空間的闡述。位於系統的每種顏色都有單個點表示。顏色空間有許多種，常用有RGB，CMY，HSV,HSI等。
RGB（紅綠藍）是依據人眼識別的顏色定義出的空間，可表示大部分顏色。但在科學研究一般不採用RGB顏色空間，因爲它的細節難以進行數字化的調整。它將色調，亮度，飽和度三個量放在一起表示，很難分開。它是最通用的面向硬件的彩色模型。該模型用於彩色監視器和一大類彩色視頻攝像。三個通道的相關性很強。
CMY是工業印刷採用的顏色空間。它與RGB對應。簡單的類比RGB來源於是物體發光，而CMY是依據反射光得到的。具體應用如打印機：一般採用四色墨盒，即CMY加黑色墨盒。
HSV,HSI兩個顏色空間都是爲了更好的數字化處理顏色而提出來的。有許多種HSX顏色空間，其中的X可能是V,也可能是I，依據具體使用而X含義不同。H是色調，S是飽和度，I是強度。
LAB均勻顏色空間：基於四色對立學說，顏色座標爲（L,a,b），L代表亮度，ab代表色度。這種表示符合人類的視覺感知。
邊界處理
對於越界的臨域像素，需要採用邊界擴展技術。有兩種典型的邊界擴展技術：
中心擴展技術，即將邊界的像素值以中心的像素值來代替。
邊緣擴展技術，即越界的像素用靠它最近的邊界像素來代替。彩色圖像處理
標量處理方法：把每個顏色通道當成一個獨立的灰色圖像處理。（忽略了顏色間的相關性，性能較差）
矢量處理方法：BMP文件結構
【參考網絡】
BMP文件總體上由4部分組成，分別是位圖文件頭、位圖信息頭、調色板和圖像數據，如表5-1所示。
表5-1 BMP文件的組成結構
下面來詳細看一下每個組成部分的細節。
1．位圖文件頭（bitmap-file header）
位圖文件頭（bitmap-file header）包含了圖像類型、圖像大小、圖像數據存放地址和兩個保留未使用的字段。打開WINGDI.h文件，搜索”BITMAPFILEHEADER”就可以定位到BMP文件的位圖文件頭的數據結構定義。
typedef struct tagBITMAPFILEHEADER {
WORD bfType;
DWORD bfSize;
WORD bfReserved1;
WORD bfReserved2;
DWORD bfOffBits;
} BITMAPFILEHEADER, FAR *LPBITMAPFILEHEADER, *PBITMAPFILEHEADER;
2．位圖信息頭（bitmap-information header）
位圖信息頭（bitmap-information header）包含了位圖信息頭的大小、圖像的寬高、圖像的色深、壓縮說明圖像數據的大小和其他一些參數。
打開WINGDI.h文件，搜索”tagBITMAPINFOHEADER”就可以定位到BMP文件的位圖信息頭的數據結構定義。
typedef struct tagBITMAPINFOHEADER{
DWORD biSize;
LONG biWidth;
LONG biHeight;
WORD biPlanes;
WORD biBitCount;
DWORD biCompression;
DWORD biSizeImage;
LONG biXPelsPerMeter;
LONG biYPelsPerMeter;
DWORD biClrUsed;
DWORD biClrImportant;
} BITMAPINFOHEADER, FAR *LPBITMAPINFOHEADER, *PBITMAPINFOHEADER;
調色板
圖像處理中爲了節省表示圖像RGB信息的空間用調色板存儲彩色信息（RGB值），數據區只存儲當前象素的色彩在調色板中的位置，這樣就省了很多字節。不過真彩色的圖像沒有調色板。噪聲
噪聲對人的影響噪聲可以理解爲“ 妨礙人們感覺器官對所接收的信源信息理解的因素”。而圖像中各種妨礙人們對其信息接受的因素即可稱爲圖像噪聲 。噪聲在理論上可以定義爲“不可預測，只能用概率統計方法來認識的隨機誤差”。因此將圖像噪聲看成是多維隨機過程是合適的，因而描述噪聲的方法完全可以借用隨機過程的描述，即用其概率分佈函數和概率密度分佈函數。
噪聲分類：脈衝噪聲（椒鹽噪聲）、高斯噪聲等。
高斯噪聲就是n維分佈都服從高斯分佈的噪聲。高斯分佈，也稱正態分佈。對於隨機變量X，其概率密度函數如圖所示。稱其分佈爲高斯分佈或正態分佈，記爲N（μ，σ2），其中爲分佈的參數，分別爲高斯分佈的期望和方差。當有確定值時，p(x)也就確定了，特別當μ=0，σ2=1時，X的分佈爲標準正態分佈。
椒鹽噪聲是由圖像傳感器，傳輸信道，解碼處理等產生的黑白相間的亮暗點噪聲。椒鹽噪聲往往由圖像切割引起。
對於椒鹽噪聲，中值濾波效果比均值濾波效果好。原因：
1、椒鹽噪聲是幅值近似相等但隨機分佈在不同的位置上，圖像中有乾淨點也有污染點。
2、中值濾波是選擇適當的點來代替污染點的值，所以處理效果好。
3、因爲噪聲的均值不爲零，所以均值濾波不能很好地去除噪聲點。
對於高斯噪聲，均值濾波效果比中值濾波效果好。原因：
1、高斯噪聲是幅值近似正態分佈，但分佈在每點像素上。
2、因爲圖像中的每點都是污染點，所以中值濾波選不到合適的乾淨點。
3、因爲正態分佈的均值爲零，所以均值濾波可以削弱噪聲
- 去噪方法
1、均值濾波
均值濾波也稱爲線性濾波,其採用的主要方法爲鄰域平均法。其基本原理是用均值替代原圖像中的各個像素值,即對待處理的當前像素點（x,y）,選擇一個模板,該模板由其近鄰的若干像素組成,求模板中所有像素的均值,再把該均值賦予當前像素點(x,y),作爲處理後圖像在該點上的灰度g(x,y)。
這種算法簡單，處理速度快，主要缺點：降低噪聲的同時使圖像產生模糊，特別是在邊緣和細節處。而且鄰域越大，在去噪能力增強的同時模糊程度越嚴重。
2、中值濾波
中值濾波是基於排序統計理論的一種能有效抑制噪聲的非線性信號處理技術。
其實現原理如下:將某個像素鄰域中的像素按灰度值進行排序,然後選擇該序列的中間值作爲輸出的像素值, 讓周圍像素灰度值的差比較大的像素改取與周圍的像素值接近的值,從而可以消除孤立的噪聲點。利用中值濾波算法可以很好地對圖像進行平滑處理。
這種算法簡單，時間複雜度低，但其對點、線和尖頂多的圖像不宜採用中值濾波。很容易自適應化。
3、小波變換
小波變換是一種窗口大小固定但其形狀可改變的時頻局部化分析方法。
小波變換利用非均勻的分辨率，即在低頻段用高的頻率分辨率和低的時間分辨率（寬的分析窗口）；而在高頻段利用低的頻率分辨率和高的時間分辨率（窄的分析窗口），這樣就能有效地從信號（如語言、圖像等）中提取信息，較好地解決了時間和頻率分辨率的矛盾。對於一副圖像，我們關心的是它的低頻分量，因爲低頻分量是保持信號特性的重要部分，高頻分量則僅僅起到提供信號細節的作用，而且噪聲也大多屬於高頻信息。這樣，利用小波變換,噪聲信息大多集中在次低頻、次高頻、以及高頻子塊中，特別是高頻子塊,幾乎以噪聲信息爲主,爲此,將高頻子塊置爲零,對次低頻和次高頻子塊進行一定的抑制,則可以達到一定的噪聲去除效果。
14.分析
1、 對於均值濾波：
均值濾波對高斯噪聲的抑制是比較好的，處理後的圖像邊緣模糊較少。
但對椒鹽噪聲的影響不大,因爲在削弱噪聲的同時整幅圖像內容總體也變得模糊，其噪聲仍然存在。
2、 對於中值濾波：
中值濾波對高斯噪聲的抑制效果不明顯。這是因爲高斯噪聲使用隨機大小的幅值污染所有的點,因此無論怎樣進行數據選擇,得到的始終還是被污染的值。中值濾波對去除“椒鹽”噪聲可以起到很好的效果,因爲椒鹽噪聲只在畫面中的部分點上隨機出現,所以根據中值濾波原理可知,通過數據排序的方法,將圖像中未被噪聲污染的點代替噪聲點的值的概率比較大,因此噪聲的抑制效果很好,同時畫面的輪廓依然比較清晰。由此看來，對於椒鹽噪聲密度較小時,尤其是孤立噪聲點,用中值濾波的效果非常好的。
3、 對於小波變換：小波變換對高斯噪聲有比較好的抑制作用,而且,在去除噪聲的同時可以較好地保持圖像的細節。
小波變換對“椒鹽”噪聲的去除效果不大。小波變換是一種時頻局部化分析方法。即隨着分辨率的降低,噪聲的小波變換值逐漸減小,信號占主導地位;而隨着分辨率的提高,噪聲的小波變換值增大,信號被噪聲淹沒。所以,對小波變換,提高分辨率和有效去除噪聲,兩者不可兼得。