一、三种颜色空间
“加法混色”的含义：越混合越亮。
“减法混色”的含义：越混合越暗。
圆锥形代表了HSV颜色空间的三要素：比如饱和度，越接近圆心越不饱和/不纯，即越来越白。
二、图片存储原理
三通道彩色图片：红+绿+蓝
（三通道）彩色图变成（单通道）灰度图：R,G,B的系数之和为1即可。
RGB图片的数据格式：
R,G,B矩阵的同一位置的数值可能是各不相同的。
图片存储格式：
BMP就是用RGB三个矩阵存图。位映射可能是256位：0-255，也可能是16位：0-15。
JPG用的是离散余弦变换来压缩，可以压缩到很小。
三、图像增强
目标：突出有意义信息，同时抑制无意义信息。
方法：
1、直方图均衡
空间域处理——>点运算——>HE（直方图均衡）:
点运算：每个点的亮度进行变化，与周围的点没有关系。
直方图（Histogram）:统计某一色阶一共有几个点。 数据空间（bin）
直方图均衡化：对图像进行非线性拉伸。（比如比较黑的地方更黑，比较白的地方更白。）
例如：
直方图均衡的缺陷：不适用于某些地方较暗，但是某些地方特别亮的图片。
自适应直方图均衡：解决了直方图均衡的缺陷。
自适应直方图均衡（CLACHE）
原理：
举例：
进行第二步之后每一个块会变得不连续，所以要进行第三步操作。
第三步双线性差值算法的介绍：
评价：增强图片对比度的目前所知的最好的办法。
2、形态学运算（腐蚀和膨胀）
膨胀和腐蚀的基本介绍如下：
A+B——>AB是腐蚀，反过来AB——>A+B是膨胀（B的五角星的位置对着AB边界过一圈）。
开运算可以去掉目标外的孤立点，闭运算可以去掉目标内的孔。
3、空间域处理及变换：滤波/卷积
注意：滤波实际上就是卷积....
概述：
重点是对公式的理解：
右侧橙色3*3矩阵内显示的是k和l的取值。f代表卷积核，I表示图片上对应点的像素值。
边界填充：为了使得卷积后的图片与卷积前的图片大小相同，需要进行边界填充。
最常见的方式是补零。
均值滤波：
平滑均值滤波/卷积：
效果：
评价：
均值滤波本身存在缺陷，既没有很好地去除噪声点，也破坏的图像的细节，反而使图片变得模糊。
中值滤波
效果如下：
高斯滤波
特点：模拟人眼特性，离关注中心越远，感受图像越模糊。
举例：标准差sigma是卷积核的重要参数。
二维卷积的重要特性：
通过拆分可以降低运算次数。
梯度滤波
拉普拉在算子的缺点：对噪声的边缘也很敏感。
举例：
第二幅图为进行了拉普拉斯算子滤波后的图，第一张原图减第二张图，得到了第三张图：月面上的环形山变得非常清晰。
4、频域处理
空域卷积=频域乘积
一个信号可以由足够多个不同频率和幅值的正弦波组成。
如上图所示：原图FFT和卷积核（算子FFT），然后两者的FFT相乘，再IFFT。
傅里叶变换的数学原理：
连续变换公式里的-jwt里面的-可以看成是除法的含义，原信号除以正弦波的格式，就变成了振幅。
逆变换公式反映了：一个信号可以由足够多个不同频率和幅值的正弦波组成。
具体来看：F(w)代表正弦波的幅值，e^(iwt)与幅值结合就成为了正弦波。
以上是连续傅里叶变换，如下是离散傅里叶变换：
注意：是横纵颠倒的，MN互换
零点在图片的正中央。
二维离散傅里叶变换的本质：找到二维图片的基图片。
Y轴方向（竖线）的基图片是横向的正弦曲线，X轴方向（竖线）的基图片是纵向的正弦曲线。
a-jb和a+jb这里既有实部又有虚部，对应于基图片中倾斜的那些图片。
傅里叶变换应用举例：
基于傅里叶变换的滤波
低通主要反映宏观信息，高通反映细节信息。黑色部分就是指遮住了这部分的频谱。
仔细看图，第一张FFT图中心有竖线，对应原图中横向排列的门框。
下面的例子中，第一幅图被叠加了纵向的正弦函数，在频谱图中反映为横向的一排亮点。把亮点覆盖掉，就可以滤掉噪声。
傅里叶变换的缺点：
比如左下两图，频谱其实长得很像，难以区分非稳定信号（疏密相间）与稳定信号。
此外，对于突变信号，往往会在边缘呈现锯齿形，因为现实生活中累加是有限的。
针对非平稳信号的问题，提出了加窗傅里叶变换的方法：
认为在一个窗内，信号是平稳的。然后对窗格内的信号分段进行傅里叶变换。
类似五线谱一个音持续的时间。
小波变换
其实小波变换更符合实际情况，因为很多时候是短暂的突变而不是稳定的正弦波。
常见的小波函数：
5、高斯金字塔和拉普拉斯金字塔
图片进行降采样（高分辨率——>低分辨率）的过程中，若直接降采样，图片会不连续。
因此需要采用高斯金字塔，先进行图像平滑，再进行降采样。
举例：
其中，没经过高斯金字塔的图看起来不连续。
拉普拉斯金字塔和高斯金字塔是配套使用的。
拉普拉斯金字塔是如何得出的：
降采样之后的高斯金字塔的图无法恢复成原图，需要补充细节轮廓信息，这个信息就是拉普拉斯金字塔。
下图中，第一列为高斯金字塔，第二列为拉普拉斯金字塔，两者相加，即为原图。
这样做的意义：高斯金字塔一层一层代表了宏观的图片信息，拉普拉斯金字塔代表了图片的微观细节和轮廓信息。
