关于图像处理的一些不成熟的看法

图像其实是一系列的矩阵，其对不同的信息以矩阵的形式来存储（像素。），并且在这个基础上我们可以施加不同的处理，如各种模式识别。最基本的一个应用是灰度分析，能够识别WB的条带所揭示的蛋白质的相对浓度。而具体的彩色图像是不同的三基色的不同比例的组合，也是可以使用矩阵来存储的。然后我们需要具体的矩阵存储的信息所揭示的高维信息，这需要我们已经有数据库层次的信息存储，然后可以根据特征的匹配来形成特定的模式识别，其中就是对具体的像素点对应的数字进行各种算法的处理，如边界可能有更大的连续的差异，这就需要我们根据已知的各种性质来选择一定的指标来构造算法从而能够识别各种有意义的指标乃至特征。我们对这些矩阵的各种处理，如取反，特征值求取。其中我们可以使用各种线性代数的变换来处理，如转换为标准化的矩阵，从而以高匹配度来做出一定的模式识别。我们可以参考信号处理的傅里叶变换和拉普拉斯变换来对具体的图像进行一定的处理。

我们要做的大规模数据的高维模式的提取需要一系列的算法。其中的图像处理的一个重要应用就是模拟医生看各种影像图像，并且以一定的精度得出可能的诊断，这需要识别特定的区域的正常表达和异常表现，对各种区域的边缘识别，各种可能的具体模式组合可以在网络层次对应于不同的基础如出血、钙化等等。我们可以通过这些基本模块的组合形成一定的高维诊断，如脑出血这些宏观的描述。

概率网络，随机过程，大规模的准确率使得其具体的图像是大概率成立的。而且具体的图像是以我们能够理解的维度来形成，即我们的肉眼只能理解其中的有限范围，如同可见光的频段是所有光的频段的其中一段。理论上来说我们如果以不同的层次遍历（各种受体），如不同的生物的可视光的频段不同，我们能够理解的图像可能会产生变化。这与我们神经网络系统的具体结构相关。于是我们开始寻求一种普适的数字神经网络模型来存储各种可能的模式，而且这是以高耦合的集中存储的，即以统计层次的神经元组合的模式进行记忆，这是一个随机过程的马尔科夫矩阵，具体的表达是在概率层次处理的各种序列的表达，即具体的模式。我们可以模拟神经系统的多层次来存储信息，如受体，具体的递质，效应是具体的神经元的抽象表示。我们可以使用更高维度的抽象层次来表示其他的层次，如神经环路，乃至于大脑功能区。

相似性的匹配，图像的边缘的识别。如地图的国界。

模糊数学的重整化处理，即划分为一定的相关性矩阵（相对比例=绝对值/（极大值-极小值））；不同区域的分块矩阵的提取和特征值求解，这是多层次的抽象，我们可以在这个层次进行竞争博弈并且得出一定的均衡。

模糊图像的加清（噪音清除），其具体的算法可以是神经网络来训练出对矩阵的特征的特定处理，只有其最后的效果最优，我们就可以沿用其达成的参数。这和我们已有的模糊化处理不是互逆的，我们可能需要随机过程的概率思想来处理，其形成的马尔科夫矩阵的不同状态的比例是可以训练的，理论上可以无限逼近现实的可能情况，当然我们的计算资源有限，只要达到一定的精度就可以满足了。

多图像的相互作用，使得高维信息是连续变化的，为我们的最后高维图景的重构提供支持。

 

图像压缩，是对最高维信息的保持，从而可以根据一定格式解压缩时可以保留最大的信息量。理论上不动点是以局部的性质来表示整体性质的特定的点。