一、基本思想 由变换矩阵元素可见,利用矩阵元素的周期性与对称性之后,变换矩阵中许多元素相同。换言之,变换矩阵与输入信号相乘过程中存在着不必要的重复计算

一、空域滤波 空域滤波就是在待处理的图像中逐点地移动模板,对每个点,滤波器在该点的 响应通过事先定义的关系来计算

一、滤波模型 可以仅仅用噪声的均值和方差的知识执行最佳复原算法 这就是约束最小二乘方滤波与维纳滤波之间的主要区别

从图像中一个边缘点出发,然后根据某种判别准则搜索下一个边缘点以此跟 踪出目标边界。 Φ确定边界的起始搜索点,起始点的选择很关键,对某些图像,选择不同 的起始点会导致不同的结果

一、基本思想 阈值分割法由于没有或很少考虑空间关系,使多阈值选择受到限制 于区域的分割方法可以弥补这点不足它利用的是图像的空间性质,该方 法认为分割出来的属于同一区域的像素应具有相似的性质,其概念是相当 直观的

如今 Windows(3.x 以及 95，98，NT)系列已经成为绝大多数用户使用的操作系统，它比 DOS 成功的一个重要因素是它可视化的漂亮界面。那么 Windows 是如何显示图象的呢？这就要 谈到位图(bitmap)

先举个例子说明一下什么是平滑(smoothing)，如下面两幅图所示：可以看到，图 3.2 比图 3.1 柔和一些(也模糊一些)。是不是觉得很神奇？其实实现起来很简单。我们将原图中的每一点 的灰度和它周围八个点的灰度相加，然后除以 9，作为新图中对应点的灰度，就能实现上面 的效果

在介绍本章内容之前，先提出一个问题？普通的黑白针式打印机能打出灰度图来吗？如果说 能，从针式打印机的打印原理来分析，似乎是不可能的。因为针打是靠撞针击打色带在纸上 形成黑点的，不可能打出灰色的点来；如果说不能，可是我们的确见过用针式打印机打印出 来的灰色图象。到底是怎么回事呢？

图象的分割与检测(识别)实际上是一项非常困难的工作。很难说清楚为什么图象应该分割成 这样而不是那样。人类的视觉系统是非常优越的，它不仅包含了双眼，还包括了大脑，可以 从很复杂的景物中分开并识别每个物体，甚至可以毫不费力地跟上每秒好几十帧变化的图 象。举两个例子来说明一下人类视觉系统的优越性

在介绍图象的压缩编码之前，先考虑一个问题：为什么要压缩？其实这个问题不用我回答， 你也能想得到。因为图象信息的数据量实在是太惊人了。举一个例子就明白：一张 A4(210mm×297mm) 幅面的照片，若用中等分辨率(300dpi)的扫描仪按真彩色扫描，其数据 量为多少？让我们来计算一下：共有(300×210/25.4) ×(300×297/25.4)个象素，每个象素占 3 个字节，其数据量为 26M 字节，其数据量之大可见一斑了