1.图像

像素：像素是分辨率的单位。像素是构成位图图像最基本的单元，每个像素都有自己的颜色。
分辨率（解析度）：
1.图像分辨率就是单位英寸内的像素点数。单位为PPI(Pixels Per Inch)
2.PPI表示的是每英寸对角线上所拥有的的像素数目：

（X：长度像素数；Y：宽度像素数；Z：屏幕大小）
3.屏幕尺寸指的是对角线长度
灰度：表示图像像素明暗程度的数值，也就是黑白图像中点的颜色深度。范围一般为0-255。白色为255，黑色为0。
通道：把图像分解成一个或多个颜色成分：
①单通道：一个像素点只需一个数值表示，只能表示灰度，0为黑色；（二值图{取值只有0和1}&灰度图{取值在0~255之间}）
②三通道：RGB模式，把图像分为红绿蓝三个通道，可以表示彩色，全0表示黑色；
Note:opencv对于读进来的图片的通道排列是BGR，而不是RGB！
③四通道：RGBA模式，在RGB基础上加上alpha通道，表示透明度，alpha=0表示全透明
对比度：指不同颜色之间的差别。对比度=最大灰度值/最小灰度值

RGB转换为Gray

彩色图片灰度化

from skimage.color import rgb2gray
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image
import cv2

# 灰度化
img = cv2.imread("lenna.png")
cv2.imshow("123",img)


h, w = img.shape[:2]  # 获取图片的high和wide
img_gray = np.zeros([h, w], img.dtype)  # 创建一张和当前图片大小一样的单通道图片
for i in range(h):
    for j in range(w):
        m = img[i, j]  # 取出当前high和wide中的BGR坐标
        img_gray[i, j] = int(m[0] * 0.11 + m[1] * 0.59 + m[2] * 0.3)  # 将BGR坐标转化为gray坐标并赋值给新图像
print(img_gray)
print("image show gray: %s" % img_gray)
cv2.imshow("image show gray", img_gray)

cv2.waitKey(0)

频率:灰度值变化剧烈程度的指标，是灰度在平面空间上的梯度。（高频，低频）
幅值:幅值是在一个周期内，交流电瞬时出现的最大绝对值，也是一个正弦波，波峰到波谷的距离的
一半。

2.图像的取样与量化

数字图像：计算机保存的图像都是一个一个的像素点，称为数字图像。
图像数字化过程由图像的取样与量化来完成。
取样：就是要用多少点来描述一幅图像，取样结果质量的高低就是用图像的分辨率来衡量的。
量化：是指要使用多大范围的数值来表示图像采样之后的一个点。
数字化坐标值称为取样，数字化幅度值称为量化。

3.上采样与下采样

上采样和下采样：缩小图像和放大图像。（可以通过插值实现）

常用的插值方法

最邻近插值（The nearest interpolation）

import cv2
import numpy as np


def function(img):
    height, width, channels = img.shape
    emptyImage = np.zeros((800, 800, channels), np.uint8)
    sh = 800 / height
    sw = 800 / width
    for i in range(800):
        for j in range(800):
            x = int(i / sh)
            y = int(j / sw)
            emptyImage[i, j] = img[x, y]
    return emptyImage


img = cv2.imread("lenna.png")
zoom = function(img)
print(zoom)
print(zoom.shape)
cv2.imshow("nearest interp", zoom)
cv2.imshow("image", img)
cv2.waitKey(0)

双线性插值

可以转换为大致两次单线性插值
单线性插值


解释上2张图片：已知X0和X1两点的坐标以及X的横坐标，求X的纵坐标。（简单点说就是在X位置进行插值）
双线性插值

解释：尝试通过Q这4个点求出P的值。转化为先通过两个Q分别求出R1，R2的值，再通过R1和R2的值求出P点的值。

import numpy as np
import cv2
  
'''
python implementation of bilinear interpolation
'''
def bilinear_interpolation(img,out_dim):
    src_h, src_w, channel = img.shape
    dst_h, dst_w = out_dim[1], out_dim[0]
    print ("src_h, src_w = ", src_h, src_w)
    print ("dst_h, dst_w = ", dst_h, dst_w)
    if src_h == dst_h and src_w == dst_w:
        return img.copy()
    dst_img = np.zeros((dst_h,dst_w,3),dtype=np.uint8)
    scale_x, scale_y = float(src_w) / dst_w, float(src_h) / dst_h
    for i in range(3):
        for dst_y in range(dst_h):
            for dst_x in range(dst_w):
  
                # find the origin x and y coordinates of dst image x and y
                # use geometric center symmetry
                # if use direct way, src_x = dst_x * scale_x
                src_x = (dst_x + 0.5) * scale_x-0.5
                src_y = (dst_y + 0.5) * scale_y-0.5
  
                # find the coordinates of the points which will be used to compute the interpolation
                src_x0 = int(np.floor(src_x))
                src_x1 = min(src_x0 + 1 ,src_w - 1)
                src_y0 = int(np.floor(src_y))
                src_y1 = min(src_y0 + 1, src_h - 1)
  
                # calculate the interpolation
                temp0 = (src_x1 - src_x) * img[src_y0,src_x0,i] + (src_x - src_x0) * img[src_y0,src_x1,i]
                temp1 = (src_x1 - src_x) * img[src_y1,src_x0,i] + (src_x - src_x0) * img[src_y1,src_x1,i]
                dst_img[dst_y,dst_x,i] = int((src_y1 - src_y) * temp0 + (src_y - src_y0) * temp1)
  
    return dst_img
  
  
if __name__ == '__main__':
    img = cv2.imread('lenna.png')
    dst = bilinear_interpolation(img,(700,700))
    cv2.imshow('bilinear interp',dst)
    cv2.waitKey()

4.直方图

定义：图像的灰度直方图就描述了图像中灰度分布情况，能够很直观的展示出图像中各个灰度级所占的多少。（类似算法里桶排序的思想）

直方图均衡化




笔记：上图是手撸数据。pix表示像素值，Ni表示像素值为Pix的数量，根据公式可以计算出Pi,sumPi是计算前缀和的。

5.滤波

和卷积类似，但是不等于卷积。
卷积操作也是卷积核与图像对应位置的乘积和。但是卷积操作在做乘积之前，需要先将卷积核翻转180度，之后再做乘积。

卷积负责提取图像中的局部特征