Python OpenCV #001 图像处理基本知识

目录

• 1. 分辨率
• 2. 图像
• 3. 图像处理
  • 3.1 傅里叶变换

1. 分辨率

• 分辨率是度量位图图像内数据量多少的一个参数。

• 图像分辨率：图像中每单位长度上的像素数目，其单位为像素/英寸(PPI)或是像素/厘米

  在相同尺寸的两幅图像中，高分辨率的图像包含的像素比低分辨率的图像包含的像素多。
  图像的尺寸越大，图像的分辨率越高，图像文件也就越大。

  

• 屏幕分辨率：显示器上每单位长度显示的点的数目 (DPI)。屏幕分辨率取决于显示器大小及其像素设置。

• 当图像分辨率高于显示器分辨率时，则有两种显示方法。一.局部显示。二.压缩图片分辨率（模糊）

---

---

2. 图像

• 二值图像：只有黑白两色，0为黑，1为白。

  • 二值图像适合于由黑白两色构成而没有灰度阴影的图像。

  • 二值图像的数据是一维矩阵

    

• 灰度图像(GrayScale)：灰度图像矩阵元素的取值范围通常为[0，255]。“0”表示纯黑色，“255”表示纯白色，

  中间的数字从小到大表示由黑到白的过渡色。

  • 灰度图像只有灰度颜色而没有彩色。我们通常所说的黑白照片

  • 灰度图片的数据是二维矩阵

    

• 真彩色RGB图像：RGB图像与索引图像一样，它分别用红（R）、绿（G）、蓝（B）三原色的组合来表示每个像素的颜色。

  [0,0,0]为黑，[255,255,255]为白

  • RGB图像数据是三维矩阵

  • Python中matplotlib方法读取图像通道顺序为RGB，opencv方法读取则为BGR

    

3. 图像处理

3.1 傅里叶变换

• 时域（时间域）：自变量是时间,即横轴是时间,纵轴是信号的变化。其动态信号x（t）是描述信号在不同时刻取值的函数。

  频域（频率域）：自变量是频率,即横轴是频率,纵轴是该频率信号的幅度,也就是通常说的频谱图。

  

• 傅里叶级数：把一个周期函数分为无穷个正弦和余弦函数的加权和

• 傅里叶变换：把一个非周期函数分为无穷个正弦和余弦函数的加权和

• 离散傅里叶变换（DFT）：把信号从时域变换到频域，进而研究信号的频谱结构和变化规律。但是它的致命缺点是：计算量太大，时间复杂度太高。

• 快速傅里叶变换（FFT）：计算量更小的离散傅里叶的一种实现方法。

• 一维（矩阵）傅里叶变换：一般用于数字信号处理，一段复杂的信号可以理解为无穷个正弦函数的和，Python中通过对该矩阵进行傅里叶变换得到由复数（a+ bj）构成的一维矩阵，其中（a，b）表示其在频域中的坐标，可求得振幅，相位角等。

• 二维（矩阵）傅里叶变换：一般用于图像处理（灰度图像）， 对于数字图像这种离散的信号，频率大小表示信号变换的剧烈程度或者说信号变化的快慢。频率越大，变换越剧烈，频率越小，信号越平缓，对应到的图像中，高频信号往往是图像中的边缘信号和噪 声信号，而低频信号包含图像变化频繁的图像轮廓及背景灯信号。

• 图像经过傅里叶变换到频域中，可对频域中的数据进行操作（频域相对时域数据更直观）如：高频率提升、同态滤波；平滑去噪,低通滤波