一：数字图像的生成与表示

数字图像的生成与表示：对于自然界中的物体，通过某些成像设备，将物体表面的反射光或者通过物体的透射光，转换成电压，在成像平面生成图像。图像中目标的亮度取决于投影成目标的景物所受到的光照度、景物表面对光的反射程度以及成像系统的特性

（1）图像信号的数字化

图像信号的数字化：模拟图像转换为数字图像，方能被计算机处理，这一过程称为图像信号的数字化，包括：采样和量化

• 采样：对空间坐标x和y离散化，即确定水平和垂直方向上的像素数

  • 图像分辨率：采样所获得的图像总像素的多少，以水平和垂直像素数表示（p用M×N表示，M列N行，如2560×1920），分辨率不一样，数字图像的质量也不一样
    

• 量化：将各个像素所含的明暗信息离散化

  • 一般的量化值为整数，量化层数取为2的n次幂

  • 8位量化：也即$2^8$，充分考虑到人眼的识别能力。非特殊用途的图像均为8bit量化，用[0 255]描述“从黑到白”，0和255分别对应亮度的最低和最高级别
    

  • 在3bit以下的量化，会出现伪轮廓现象

  • 如果要求更高精度，可以增大量化分层，但编码时占用位数也会增多，数据量加大

下图为数字化的灰度图像

下图为数字化的彩色图像

（2）数字图像类型

灰度图像： 每个像素只有一个强度值，呈现黑、灰、白等色

二值图像： 每个像素值要么为0要么为1的数字图像，一般为黑白两色

彩色图像： 每个像素值为三维向量，也即组成该色彩的RGB值

动态图像： 多帧位图的有序组合，使用动态原理，也即$\Delta t\le \frac{1}{24}s$（视觉暂留时间）， 产生连续活动视觉效果

索引图像： 索引图像实际上不是一种图像类型，而是图像的一种存储方式，牵涉到数据编码的问题。p具体的颜色数据存放在调色板中,图像数据区中存放对应每一个像素点的颜色索引值

二：数字图像的数值描述

数字图像的数值描述：所谓的数字图像的描述是指如何用一个数值方式来表示一幅图像。因为矩阵是二维的，所以可以用矩阵来描述数字图像。同时，前面我们已经提到，量化值是整数，因此描述数字图像的矩阵一定是整数矩阵

（1）常用坐标系

常用坐标系：如下图为矩阵坐标系、直角坐标系和像素坐标系对比

（2）数字图像的数据结构

数字图像的数据结构：

• 文件头： 图像的自我说明，应包含图像的维数、类型、创建日期和某类标题，也可以包含用于解释像素值的颜色表或编码表，甚至历史段（包含如何建立和处理图像的信息）
• 图像数据： 像素颜色值或压缩后的数据

（3）常用图像格式

A：JPEG格式

JPEG格式：中文名为联合图片专家组开发，用于彩色图像的存储和网络传送

• 特点： 采用有损压缩编码，数据量小
• 核心技术： DCT、量化、熵编码
• 使用要点：
  • 用于保存表现自然景观的图像
  • 用于网络传送
  • 不适于表现有明显边界的图形
  • 不适用于高质量印刷文件

B：GIF格式

GIF格式：CompuServe公司开发，用于屏显和网络

• 特点：
  • 具有87a、89a两种格式
    • 87a描述单一静止图像
    • 89a描述多帧图像
  • 采用改进的LZW压缩算法
  • 彩色模式：$2^8$
  • 分辨率96dpi
• 使用要点：
  • 屏显图像和电脑动画
  • 用于网络传送
  • 不适于保存高质量印刷文件

C：TIFF格式

TIFF格式：标记图像文件格式，Aldus公司开发，用于精确描述图像的场合

• 特点：
  • 文件描述单一(静止)图像
  • 彩色模式: 21 (单色)~ 232
  • 支持多平台(PC & Macintosh)
  • 可采用多种压缩数据格式
• 使用要点：
  • 平面设计作品的最佳表现形式
  • 用于提供印刷文件
  • 不适于网络传送

D：PNG格式

PNG格式：中文名便携式网络图形格式

• 特点：
  • 支持索引、灰度、RGB三种颜色方案以及Alpha通道
  • 灰度图像的深度可多到16位，彩色图像的深度可多到48位，可存储多到16位的α通道数据
  • 采用无损压缩
• 使用要点：
  • 用于平面设计
  • 用于网络传送

E：BMP格式

BMP格式：Bitmap，Microsoft公司开发，用于Windows环境

• 特点：
  • 文件描述单一(静止)图像
  • 彩色模式: 24 ~ 232
  • 调色板RGB数据顺序反向排列
  • 以图像左下角为起点排列数据
  • 一般采用非压缩数据格式
• 使用要点：
  • 用于表现打印、显示用图像
  • 不适于网络传送
  • 不适于提供印刷文件

（4）BMP位图文件

A：位图文件头（BITMAPFILEHEADER）

typedef struct tagBITMAPFILEHEADER
{WORD    bfType; //文件类型，必是”BM” 0x4D42DWORD   bfSize; //指定文件大小（单位：字节）WORD    bfReserved1; //保留字，不考虑WORD    bfReserved2; //保留字，不考虑DWORD   bfOffBits;//从文件头到位图数据的偏移字节数//sizeof(fileheader)+sizeof(infoheader)+sizeof(RGBQUAD)
} BITMAPFILEHEADER

B：位图信息头（BITMAPINFOHEADER）

typedef struct tagBITMAPINFOHEADER
{DWORD biSize; //本结构的长度，40个字节 DWORD biWidth; //图像宽，单位是像素DWORD biHeight; //图像高，单位是像素WORD  biPlanes; //必须是1（位平面）WORD  biBitCount ；//颜色位数，1，4，8，24DWORD biCompression; //压缩类型DWORD biSizeImage; //实际位图数据占用的字节数DWORD biXPelsPerMeter; //水平分辨率DWORD biYPelsPerMeter; //垂直分辨率DWORD biClrUsed; //实际使用的颜色数DWORD biClrImportant; //重要的颜色数
} BITMAPINFOHEADER;

如下为256色的图像文件头及信息头

如下为真彩色24位的图像文件头及信息头

C：调色板（RGBQUAD）

RGBQUAD结构指的是一种颜色的构成，调色板中有多少种颜色就有多少种这种结构。例如：图像只有纯红和纯蓝两种颜色，调色板数据为：0 0 255 0 | 255 0 0 0

typedef struct tagRGBQUAD
{BYTE rgbBlue; //该颜色的蓝色分量BYTE rgbGreen; //该颜色的绿色分量BYTE rgbRed; //该颜色的红色分量BYTE rgbReserved; //保留值，不考虑} RGBQUAD;

D：图像数据（DATA）

• 图像中的颜色少于或等于256时，数据是颜色在调色板中的索引
• 图像为真彩色24位或更多，没有调色板，图像数据直接是每一个像素的颜色值B、G、R
• 位图的存储顺序：从左到右、从下到上；即图像数据中的第一个数是图像的最左下角的像素值
• 存储图像一行所用的字节理论上： W=biWidth*biBitCount/8，但实际上p要求W是４的倍数，不足的补0

如下图为灰度Lena图像调色板及图像数据

如下图为彩色Bird图像数据

E：读取并显示图像

①：目前可做程序

MATLAB

• 打开并显示图像
  • imread
  • imshow
  • imwrite
• 灰度化
  • rgb2gray
• 色彩空间变换
  • rgb2hsv
  • rgb2ycbcr

Python：

• imread：使用OpenCV读取图像，可以使用 cv2.imread() 函数。
• imshow：使用OpenCV显示图像，可以使用 cv2.imshow() 函数。
• imwrite：使用OpenCV保存图像，可以使用 cv2.imwrite() 函数。
• rgb2gray：将RGB彩色图像转换为灰度图像，可以使用 cv2.cvtColor() 函数与 cv2.COLOR_RGB2GRAY 参数来进行转换。
• rgb2hsv：将RGB彩色图像转换为HSV图像，可以使用 cv2.cvtColor() 函数与 cv2.COLOR_RGB2HSV 参数来进行转换。
• rgb2ycbcr：将RGB彩色图像转换为YCbCr图像，可以使用 cv2.cvtColor() 函数与 cv2.COLOR_RGB2YCrCb 参数来进行转换

②：实例

MATLAB：

①：打开图像取反并显示和存储

I=imread('cameraman.jpg');
J=255-I;
subplot(121),imshow(I),title('原始图像');
subplot(122),imshow(J),title('反色图像');
imwrite(J,'cameraman反色.jpg');

②：打开彩色图像，灰度化和二值化

Image1=im2double(imread('lotus.jpg'));
r=Image1(:,:,1);
g=Image1(:,:,2);
b=Image1(:,:,3);
Y=0.299*r+0.587*g+0.114*b;
subplot(131),imshow(Y),title('亮度图Y');
I=(r+g+b)/3;
subplot(132),imshow(I),title('亮度图I');
BW=zeros(size(Y));
BW(Y>0.3)=1;
subplot(133),imshow(BW),title('二值化图');

Python OpenCV：

注意

• 在 Python 中，我们需要指定图像的读取方式（灰度或彩色），因此在 imread() 函数调用时需要将第二个参数设置为 cv2.IMREAD_GRAYSCALE
• Matplotlib 默认的颜色映射是彩色的，因此需要将 imshow() 函数中的 cmap 参数设置为 'gray' 才能正确地显示灰度图像
• OpenCV 默认使用 BGR 顺序读取和显示图像

①：打开图像取反并显示和存储

import cv2
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']I = cv2.imread('cameraman.jpg', cv2.IMREAD_GRAYSCALE)
J = 255-I
plt.subplot(121), plt.imshow(I, cmap='gray'), plt.title('原始图像')
plt.subplot(122), plt.imshow(J, cmap='gray'), plt.title('反色图像')
cv2.imwrite('cameraman反色.jpg', J)
plt.show()

②：打开彩色图像，灰度化和二值化

import cv2
import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.sans-serif'] = ['SimHei']img = cv2.imread('lotus.JPG').astype(np.float32)/255
b, g, r = cv2.split(img)Y=0.299*r+0.587*g+0.114*b
plt.subplot(131), plt.imshow(Y, cmap='gray'), plt.title('亮度图Y'), plt.axis('off')
I=(r+g+b)/3
plt.subplot(132), plt.imshow(I, cmap='gray'), plt.title('亮度图I'), plt.axis('off')
_, BW = cv2.threshold(Y, thresh=0.3, maxval=1.0, type=cv2.THRESH_BINARY)
plt.subplot(133), plt.imshow(BW, cmap='gray'), plt.title('二值化图'), plt.axis('off')plt.show()

（5）综合案例

打开人脸图像，利用色彩信息进行肤色检测

A：分析

• 在检测人脸、手等目标时，常采用肤色检测的方法，将相关区域从图像中分割出来
• 肤色分布的聚集性，即肤色的颜色分量一般聚集在某个范围内
• 通过大量的肤色样本进行统计，找出肤色颜色分量的聚集范围或用特殊的分布模型去模拟肤色分布，进而实现对任意像素颜色的判别

B：肤色分布

• 肤色在不同彩色空间均具有一定的聚集性。例如，据统计资料，肤色在YCbCr空间分布范围大约在：$77\le Cb\le 127$、$133\le Cr\le 173$
• 肤色模型
  • 根据大量样本的统计数据建立，确定肤色的分布规律，进而判断像素的色彩是否属于肤色或与肤色相似程度的模型
  • 常用的有阈值模型、高斯模型和椭圆模型

C：程序设计

MATLAB：

这段MATLAB代码是一个肤色检测的程序，它接受一张图片作为输入，通过分别在RGB、HSV和YCbCr三个颜色空间中检测像素点是否属于肤色，并输出相应的二值图。其中，对于YCbCr空间的检测，采用了高斯模型来对肤色的分布进行建模。具体实现过程如下：

1. 清空MATLAB的工作空间。
2. 使用 imread 函数读取名为 motheranddaughter.jpg 的图片文件，并将其显示出来。
3. 将图像分离成红色通道 ®、绿色通道 (g) 和蓝色通道 (b)，并获取图像的大小信息。
4. 定义一个表示肤色在YCbCr空间下的高斯分布的均值 miu 和协方差矩阵 sigma。
5. 初始化变量 cbcr、SkinCbCrG、SkinRGB、SkinHSV 和 SkinCbCr，并设定偏移参数 thresh。
6. 对于每个像素点，分别进行 RGB、HSV 和 YCbCr 三种颜色空间的肤色检测，并更新对应像素点在三种检测空间下的二值图。
7. 将得到的三种检测空间下的二值图保存为 skinrgb3.jpg、skinhsv3.jpg、skincbcr3.jpg 和 skinCbCrG3.jpg 四个文件。

clear,clc,close all;
Image=imread('motheranddaughter.jpg');r=double(Image(:,:,1));
g=double(Image(:,:,2));
b=double(Image(:,:,3));
[N,M]=size(r);
miu=[117.4361 156.5599]'; % 定义肤色在YCbCr空间下的高斯分布的均值miu（行向量）
sigma=[160.1301 12.1430;12.1430 299.4574]; % 定义协方差矩阵（列向量）
cbcr=zeros(2,1);
SkinCbCrG=zeros(N,M); % 初始化一个与图像大小相同的矩阵 SkinCbCrG，用于表示 YCbCr 检测结果中检测到的肤色部分
SkinRGB=zeros(N,M); % 初始化一个与图像大小相同的矩阵 SkinRGB，用于表示 RGB 检测结果中检测到的肤色部分
SkinHSV=zeros(N,M); % 初始化一个与图像大小相同的矩阵 SkinHSV，用于表示 HSV 检测结果中检测到的肤色部分
SkinCbCr=zeros(N,M); % 初始化一个与图像大小相同的矩阵 SkinCbCr，用于表示 YCbCr 检测结果中检测到的肤色部分
thresh=0.35; % 设定YCbCr检测中的偏移参数
for i=1:M % 对于每一行for j=1:N % 对于每一列R=r(j,i);G=g(j,i);B=b(j,i);if (R>95 && G>40 && B>20 && (R-G)>15 && R-B>15) || ...(R>220 && G>210 && B>170 && R-B<=15 && R>B && G>B)SkinRGB(j,i)=1; % 判断是否是肤色，如何是设置为1endmaxRGB=max(max(R,G),B);minRGB=min(min(R,G),B);C=maxRGB-minRGB;V=maxRGB;if V==0S=0;elseS=C/V;endif maxRGB==RH=60*mod((G-B)/C,6);elseif maxRGB==GH=60*((B-R)/C+2);elseif maxRGB==BH=60*((R-G)/C+4);endif ((H>=0 && H<=25) || (H>=335 && H<=360)) && (S>=0.2 && S<=0.6) && V>=0.4SkinHSV(j,i)=1;endR=R/255;G=G/255;B=B/255;Cb=224*(-0.1687*R-0.3313*G+0.5*B)+128;Cr=224*(0.5*R-0.4187*G-0.0813*B)+128;if Cb>=77 && Cb<=127 && Cr>=133 && Cr<=173SkinCbCr(j,i)=1;endcbcr= [Cb Cr]';p=exp(-0.5*((cbcr-miu)')*(inv(sigma))*(cbcr-miu));if p>threshSkinCbCrG(j,i)=1;endend
endsubplot(151),imshow(Image),title('原图');
subplot(152),imshow(SkinRGB),title('RGB');
subplot(153),imshow(SkinHSV),title('HSV');
subplot(154),imshow(SkinCbCr),title('YCbCr');
subplot(155),imshow(SkinCbCrG),title('YCbCr');imwrite(SkinRGB,'skinrgb3.jpg');
imwrite(SkinHSV,'skinhsv3.jpg');
imwrite(SkinCbCr,'skincbcr3.jpg');
imwrite(SkinCbCrG,'skinCbCrG3.jpg');