数字图像处理复习指南：核心算法与实践应用

一、数字图像处理基础理论复习

1.1 图像表示与数据结构

数字图像的本质是二维矩阵，每个元素代表像素的灰度值或颜色分量。复习时需明确：

• 灰度图像：单通道矩阵，取值范围0（黑）~255（白）。
• 彩色图像：三通道矩阵（RGB），每个通道独立存储。
• 数据类型：uint8（0-255）、float32（0.0-1.0）等，需注意运算时的溢出问题。

实践建议：使用OpenCV读取图像时，通过img.dtype检查数据类型，避免因类型不匹配导致计算错误。例如：

import cv2
img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)  # 读取为灰度图
print(img.dtype)  # 输出：uint8

1.2 图像坐标系与像素操作

图像坐标系以左上角为原点(0,0)，向右为x轴正方向，向下为y轴正方向。复习重点：

• 像素访问：通过行列索引直接修改像素值。
• ROI（感兴趣区域）提取：截取图像的局部区域进行操作。

代码示例：提取图像中心100x100的区域：

height, width = img.shape
center_x, center_y = width // 2, height // 2
roi = img[center_y-50:center_y+50, center_x-50:center_x+50]

二、核心图像处理算法复习

2.1 空间域处理：直方图均衡化

直方图均衡化通过非线性变换增强图像对比度，适用于低对比度图像。复习要点：

• 算法步骤：计算直方图→累计分布函数（CDF）→归一化映射。
• OpenCV实现：cv2.equalizeHist()。

应用场景：医学影像、低光照照片增强。

# 灰度图直方图均衡化
equalized_img = cv2.equalizeHist(img)

2.2 频域处理：傅里叶变换

傅里叶变换将图像从空间域转换到频域，用于滤波和频谱分析。复习重点：

• 离散傅里叶变换（DFT）：np.fft.fft2()。
• 频谱中心化：np.fft.fftshift()将低频分量移到中心。
• 逆变换：np.fft.ifft2()。

代码示例：高频滤波（边缘增强）：

import numpy as np
dft = np.fft.fft2(img)
dft_shift = np.fft.fftshift(dft)
rows, cols = img.shape
crow, ccol = rows//2, cols//2
mask = np.zeros((rows, cols), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 1  # 保留中心低频
fshift = dft_shift * mask
img_back = np.fft.ifft2(np.fft.ifftshift(fshift))
img_back = np.abs(img_back)

2.3 图像滤波与边缘检测

• 线性滤波：均值滤波（cv2.blur()）、高斯滤波（cv2.GaussianBlur()）。
• 非线性滤波：中值滤波（cv2.medianBlur()），适用于去噪。
• 边缘检测：Sobel算子、Canny边缘检测（cv2.Canny()）。

参数调优建议：Canny边缘检测时，阈值比（threshold1:threshold2）通常设为1:2或1:3。

edges = cv2.Canny(img, 50, 150)  # 低阈值50，高阈值150

三、图像变换与几何操作复习

3.1 几何变换

• 仿射变换：旋转、平移、缩放（cv2.warpAffine()）。
• 透视变换：纠正透视畸变（cv2.warpPerspective()）。

代码示例：图像旋转45度：

rows, cols = img.shape
M = cv2.getRotationMatrix2D((cols/2, rows/2), 45, 1)  # 中心点，角度，缩放比例
rotated_img = cv2.warpAffine(img, M, (cols, rows))

3.2 形态学操作

• 腐蚀与膨胀：cv2.erode()、cv2.dilate()。
• 开运算与闭运算：先腐蚀后膨胀（去噪）、先膨胀后腐蚀（填充孔洞）。

应用场景：二值化图像的噪声去除和连通域分析。

kernel = np.ones((5,5), np.uint8)
opened_img = cv2.morphologyEx(binary_img, cv2.MORPH_OPEN, kernel)

四、实践应用与复习策略

4.1 项目实战建议

1. 从简单到复杂：先实现灰度变换、滤波，再尝试分割、识别。
2. 可视化调试：使用matplotlib绘制中间结果，验证算法效果。

   import matplotlib.pyplot as plt
   plt.subplot(121), plt.imshow(img, cmap='gray')
   plt.subplot(122), plt.imshow(equalized_img, cmap='gray')
   plt.show()

3. 性能优化：对大图像使用滑动窗口或金字塔下采样加速处理。

4.2 复习资料推荐

• 书籍：《数字图像处理》（冈萨雷斯）。
• 在线课程：Coursera《图像与视频处理》。
• 开源库：OpenCV、Scikit-image、PIL。

五、常见问题与解决方案

1. 图像模糊：检查滤波核大小是否过大，或是否误用高斯滤波。
2. 边缘断裂：Canny检测前先用高斯滤波平滑图像。
3. 内存不足：对大图像分块处理，或使用cv2.UMat加速。

通过系统复习基础理论、核心算法和实践技巧，开发者可以高效掌握数字图像处理的关键技术，为项目开发或学术研究打下坚实基础。