声明：以下都只是我在学习过程中的一些记录、思考与猜测，肯定会有很多不对的地方，欢迎大家批评指正！

一、图像处理基础知识篇

由于最早接触图像处理是在matlab上做毕业设计，所以入门书籍是《MATLAB图像处理实例详解》与冈萨雷斯的《数字图像处理（第二版）》。这两本书的pdf放在如下百度网盘链接里，需要可以自取：
链接：https://pan.baidu.com/s/1mQIgv9_62ABONo4zrdyVRA 密码：jd52
首先在第一篇里汇总一下数字图像处理中的一些基础知识，可能会分多p，希望自己能坚持下去。
编译环境：
本系列（如果能坚持下去）将都是由matlab来实现所有代码，原因是我个人觉得matlab更加具有数学可视化的特质，更容易阐述数学原理，当然也会用python-opencv来重复代码。前面一部分对实战无帮助，仅在此阐述概要。

1. 图像的表示方法

目前图像的传统表示方法分为五种，分别为二进制图像，索引图像，灰度图像，RGB图像，多帧图像。这些图像的表示方法网上很多详细解读，不在此赘述。

2. 图像文件格式

matlab中（很多其他语言也一样）有成熟的调用图片的子函数，这里只简要的提一下不同图像文件格式的区别：
BMP图像文件由四部分组成：1、BMP文件头数据（文件大小、图像类型、显示内容、从头到图像数据的偏移字符数、保留字）；2、BMP信息头数据（图像宽度、高度、颜色位数、压缩方法、字节数、目标设备的分辨率、定义颜色、信息头数据长度等）；3、colormap（RGB、灰度图不需要）；4、位图数据。
BMP文件不采用任何压缩，占用空间大，不受web支持。
GIF图像文件由5部分组成：1、文件标识块：识别标识符和版本号；2、逻辑屏幕描述块（尺寸、显示区域大小、颜色深浅、是否有索引表、背景颜色信息）；3、索引表；4、图像数据块；5、尾块（表示数据流的结束）。
GIF最多支持256种色彩，故通常用索引图，解码较快，文件较小。
JPEG格式较复杂，分为8块：1、SOI标记（数值0xD8，表示图像开始）；2、APP0（数值0xE0，JFIF应用数据块，包含本块长度、标识符、版本号、XY的dpi值、XY像素数、缩略图位图等）；3、APPn（其中n=1-15，数值0xE1-0XEF，其他应用数据块，包含本块长度与其他信息）；4、量化表DQT；5、帧图像开始、6、霍夫曼表、7、扫描开始、8、扫描结束。
JPEG采用霍夫曼编码（后面可能会详细讲），因为是有损文件，所以重新保存下载会使图片质量下降（比如贴吧图被盗绿这种情况）。
TIFF格式包括三个部分：1、文件头（指出标识信息存储地址，解释所需必要信息）；2、标识信息（包含了所有信息，具体和上面的头差不多）；3、图像数据。
TIFF格式应用指针的功能，只规定文件头在文件最开始，其他都由指针决定，可分开存档、并定义了很多扩展，比较好用。

3. 图像的像素运算

3.1 点运算

点运算主要是对灰度图中（RGB图中不同通道）的灰度值（单个颜色的值）进行线性、非线性、分段改变，做加减法等操作，主要目的是突出想要的部分或者体现细节，图像对比度增强，通常用于图像的预处理。
matlab中操作很简单，就是对矩阵重新计算（点乘），用for循环嵌套if判断来分段，当然也可以用

imadjust()

直接计算（可以调gamma值，这个后面再讲）。
在python中也只是对矩阵中的元素来进行for循环遍历，或者用迭代器

iterator

也ok。具体代码比较简单，就不放啦。

3.2 代数运算

代数运算主要是加减乘除运算来得到输出图像的方法，需要注意的是图像的灰度阶数有限，不要产生属性溢出。
加法运算，在matlab中用

imadd()

实现，也可以用遍历的方法，能想到的作用就是自身重复叠加取均值来去随机噪声，其他后面再补；
减法运算，通常用来检测两幅图像之间的变化，是检测图像变化和对运动物体识别的重要办法，但通常放在三方包内，让人容易对这方面关注不够。在matlab中，通常用

imsubstract()

。
乘法运算，可以用作蒙版操作，或者乘常数改变图像亮度。在matlab中通常用

immulitply()

。
除法运算，常用于校正成像设备的非线性影响，在matlab中通常用

imdivide()

。
此外，还有一些matlab中的代数运算，如：

imabsdiff()

是求绝对值差的函数；

imcomplement()

是求补函数；
还有一些线性组合函数，等用到的时候再说吧= =。

3.3 逻辑运算

逻辑运算主要是针对二值图像，以像素对像素为基础进行的两幅或多幅图像间的操作。常用的有与或非，或非与非异或这些。在matlab中，可以对二值图像这样操作得到兴趣区域，之后再用原图蒙版，进行下一步操作（人脸识别等都可以这样搞，当然对于大多数领域早就有更成熟的技术了= =，这里只是讨论基础）。
在matlab中，与或非分别用

&

|

~

来表示，异或用

xor()

来表示。

在python-opencv中（python3.6），这些运算如下：

# 加
dst = cv2.Add(im, im2) #Add every pixels together (black is 0 so low change and white overload anyway)
cv2.inshow("Add", dst)

# 减
dst = cv2.AbsDiff(im, im2) # Like minus for each pixel im(i) - im2(i)
cv2.inshow("AbsDiff", dst)

# 乘
dst = cv2.Mul(im, im2) #Multiplie each pixels (almost white)
cv2.inshow("Mult", dst)

# 除
dst = cv2.Div(im, im2) #Values will be low so the image will likely to be almost black
cv2.inshow("Div", dst)

# 与
dst = cv2.And(im, im2) #Bit and for every pixels
cv2.inshow("And", dst)

# 或
dst = cv2.Or(im, im2) # Bit or for every pixels
cv2.inshow("Or", dst)

# 非
dst = cv2.Not(im) # Bit not of an image
cv2.inshow("Not", dst)

# 异或
dst = cv2.Xor(im, im2) #Bit Xor
cv2.inshow("Xor", dst)

一些其他的基础操作：

img = cv2.imread('image.jpg',0)
cv2.imshow('image',img)
k = cv2.waitKey(0)
if k == 27:         # wait for ESC key to exit
cv2.destroyAllWindows()
elif k == ord('s'): # wait for 's' key to save and exit
cv2.imwrite('image_gray.png',img)
cv2.destroyAllWindows()

获取图像属性，一般用

img.shape

,

img.size

,

img.dtype

来得到图像的形状，大小和元素类型。
顺便把python的两种遍历方法给出来，免得后面忘了= =
第一种是for in循环，第二种是iterator，如下：

#1
for i in range(im.height):
for j in range(im.width):
pass
#2
all_pixel = cv.InitLineIterator(im, (0, 0), (im.rows, im.cols))
for (r, g, b) in all_pixel:
pass #cv2中好像没有了

那大概就先这么多，后面再补啦，以上都只是我在学习过程中的一些记录、思考与猜测，肯定会有很多不对的地方，欢迎大家批评指正！

阅读更多