结合实例谈数字图像处理都研究什么？
点击下方卡片，关注“新机器视觉”公众号
重磅干货，第一时间送达
本文转自于电子产品世界
图像处理(以及机器视觉)在学校里是一个很大的研究方向，很多研究生、博士生都在导师的带领下从事着这方面的研究。另外，就工作而言，也确实有很多这方面的岗位和机会虚位以待。而且这种情势也越来越凸显。那么图像处理到底都研究哪些问题，今天我们就来谈一谈。图像处理的话题其实非常非常广，外延很深远，新的话题还在不断涌现。下面给出的12个大的方向，系我认为可以看成是基础性领域的部分，而且它们之间还互有交叉
1 图像的灰度调节
图像的灰度直方图、线性变换、非线性变换(包括对数变换、幂次变换、指数变换等)、灰度拉伸、灰度均衡、直方图规定化等等)。
例如，直方图规定化
CLAHE(contrast limited adaptive histogram equalization)自适应的直方图均衡
2
图像的几何变换
图像的平移、图像的镜像、转置、缩放和旋转。这里面其实还包含了插值算法(这是某些几何变换所必须的)，例如最邻近插值法、双线性插值法等等)
几何变换同时和图像的滤镜特效是紧密联系的，某些特效的实现本质上就是某种类型的几何变换。例如
3
图像的特效与滤镜
这方面的应用很多，你可以想想Photoshop里面的滤镜。
文献Combining Sketch and Tone for Pencil Drawing Production中给出的将自然图像变成手绘素描图的效果
例如浮雕效果
4
图像增强
内容包括图像的平滑(简单平均、中值滤波、高斯平滑等)和锐化(例如Laplace方法)等。
增强处理中的很多算法其实和图像复原中的降噪算法是重合的。现在保持边缘(或纹理结构)的平滑算法属于研究热点。像那些美颜相机里的嫩肤算法都是以此为基础的。比较常见的双边滤波
基于全变分方法的TV去噪、基于PM方程的非线性扩散去噪等等。
5
图像复原
广义上来说——图像降噪，图像去雾，图像去模糊 都属于这个范畴
去噪实例是我用MagicHouse实现的中值滤波处理椒盐噪声的效果。此外，一些基于非局部均值的降噪算法是当前研究的热点(例如BM3D、NLM等)
图像去模糊
6
图像的压缩与编码
想想BMP图像如何转换成JPG，JPG如何变成PNG?这些都属于图像压缩编码所要探讨的内容。
7
边缘检测与轮廓跟踪
边缘检测在图像处理中是一个“古老”的话题了，我就不具体给例子了。下面是一个轮廓跟踪的例子
8
图像分割
你可以认为轮廓跟踪也是实现图像分割的一种途径。
这是《数字图像处理原理与实践(Matlab版)》中给出的一个例子——用分水岭算法对马铃薯图像进行分割。
9
图像的形态学处理
这也属于一种非常古老的图像处理方式了。包括膨胀、腐蚀、细化、击中/击不中、开/闭运算等。但一些对颗粒状物体进行计数的应用中它仍然非常有效。
10
图像的频域变换(或称正交变换)
傅立叶、离散余弦、沃尔什-哈达玛变换、K-L(卡洛南-洛伊)变换(也称霍特林变换或PCA)、小波变换(小波变换还分很多种，例如Haar小波、Daubechies小波等等)
仅仅进行频域变换其实并没有多大意义，它往往要与具体应用相结合来发挥作用。例如进行图像压缩、嵌入数字水印、进行图像融合、进行图像降噪等等。
例如，利用PCA进行图像压缩的例子
在比如，利用小波融合对由聚焦失败导致的图像模糊进行修复 (本来左图和中图各有部分看不清，融合后变得可以辨识)源代码可见
11
图像融合
广义上说融合至少包含三部分内容：像上面的基于小波的Fusion我们也认识是融合的一种，另外一种是以隐藏为目的类似嵌入式的融合，第三种是matting。matting有时反义成抠图，其实它最原本的意思就是融合。如果你理解I = aF +(1-a)B这个融合公式的话，你应该明白我在所什么。这本质上和第二种融合原理是一样的。
狭义上，融合就是指matting。
例如 著名的Possion融合，下图右，如果直接把月亮图贴上天空，矩形边缘是很明显的，融合处理后的左图则很自然。
电影技术中常用matting方法来替换人物的场景。例如
12
图像信息安全
主要包括两个内容：1)数字水印(主要用于多媒体的版权保护);2)图像的加密(主要用于图像信息的保护)
例子是我用MagicHouse实现的加密效果
注意上面我们所讨论的领域仅仅是图像处理的范畴，并不涉及机器视觉。所以也没有任何机器学习的内容，有时间我们再继续讨论这方面的东西。
本文仅做学术分享，如有侵权，请联系删文。
—THE END—
