{
  "id": "image-processing",
  "title": "图像处理",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "图像处理主要通过对数字数据进行计算，实现图像的变换、增强、复原、压缩和分析。",
  "category": "computer-science",
  "subcategory": "software",
  "type": "concept",
  "aliases": [
    "数字图像处理"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/image-processing/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/image-processing/",
      "json": "https://aiwiki.page/en/image-processing.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "图像处理是对图像施加各种操作，以改变其外观、恢复信息，或使其适于分析、存储和传输。数字图像处理利用计算方法，处理以数值形式表示的图像。它与信号处理和计算机视觉存在交集：图像处理通常侧重于变换图像数据，而计算机视觉则致力于理解场景、物体和活动。两者之间并没有绝对的界限，实际系统往往将增强、几何校正、测量和识别结合起来。(mathworks.com)"
    },
    {
      "heading": "图像表示",
      "text": "数字图像由按空间位置排列的采样点组成，这些采样点称为像素。灰度图像可以表示为一个矩阵，其中的元素记录强度值；彩色图像通常包含多个通道。具有额外空间维度、光谱维度或时间维度的图像，可以表示为多维数组或张量。这些数值的含义取决于采集系统、数值格式及相关元数据。(scikit-image.org)\n\n位深决定了一个采样值能够表示多少个离散数值。无符号八比特通道可以表示 256 个不同的值，而十六比特通道可以表示 65,536 个值。浮点表示适用于中间计算，也能容纳更宽的数值范围，但软件库可能对其采用特定的约定。格式转换可能改变数值的缩放比例，或损失精度。空间尺寸与强度精度描述的是图像的不同方面，不应混淆。(scikit-image.org)\n\n色彩空间规定了如何用数值分量表示颜色。RGB 使用红、绿、蓝三个通道；HSV 则以色相、饱和度和明度表示颜色。色彩空间转换可以简化某些操作，例如在不改变色相的情况下单独调整亮度。通道顺序同样重要：有些软件使用 RGB 顺序，另一些软件则通常按 BGR 顺序存储相同的分量。(github.com)"
    },
    {
      "heading": "增强与滤波",
      "text": "图像增强通过修改图像，使特征更加清晰，或使图像更适合后续分析。对比度调整会重新映射强度值；直方图均衡化则根据强度值出现的频率重新分配这些数值。增强效果取决于具体目的：改善视觉呈现的操作不一定能保留原始测量数值。过度拉伸强度范围还可能使背景噪声显得突出。(mathworks.com)\n\n空间滤波器根据输入像素的邻域计算输出值。线性滤波通常使用卷积，通过带权重的核将邻近数值组合起来。高斯平滑可以抑制细尺度变化，而锐化则突出强度变化。非线性方法包括中值滤波和双边滤波；双边滤波同时考虑空间距离与强度相似性，在减少噪声的同时保留边缘。由于图像边界附近的邻域会超出已有采样点的范围，因此必须进行边界处理。(docs.opencv.org)\n\n频域处理通过傅里叶变换等变换，以空间频率来表示图像。在这种表示下进行滤波，可以抑制周期性干扰，或突出特定尺度的特征。数学形态学则使用结构元素探查图像中的形状。腐蚀、膨胀，以及由两者组合而成的开运算和闭运算，可用于去除小结构、修改区域边界等操作。(mathworks.com)"
    },
    {
      "heading": "几何变换、分割与测量",
      "text": "几何操作通过缩放、旋转、平移或透视变换，改变图像内容的空间排列。输出采样点的位置通常与输入采样点的位置不完全重合，因此需要插值。最近邻插值、双线性插值和双三次插值在计算成本以及估算采样点之间数值的方式上各不相同。下采样时可能需要抗混叠处理，以免精细图案变成具有误导性的粗大图案。(docs.opencv.org)\n\n图像配准利用对应特征、控制点或强度关系，将图像对齐到同一坐标系中。图像分割通过阈值处理、基于区域的分析等方法，将图像划分为若干区域。语义分割还会为像素赋予类别标签。分割之后，特征提取可以测量区域的大小、形状、强度或纹理，将图像内容转化为定量描述。(mathworks.com)"
    },
    {
      "heading": "复原与基于学习的方法",
      "text": "图像复原从受模糊、噪声或其他采集效应影响的观测数据中，估计其背后的原始图像。与增强不同，复原通常依赖于一个将原始场景与记录数据联系起来的模型。去模糊是一个逆问题：不同的候选原始图像可能产生相似的观测结果，而直接求逆可能放大噪声。正则化引入额外的约束或偏好，通常将其纳入数学优化框架。(mathworks.com)\n\n机器学习提供了另一种途径：从示例中学习变换，而不是手动指定每一步操作。包括卷积神经网络在内的深度学习系统，可以执行去噪、去模糊、增强和超分辨率处理。它们的表现取决于训练数据和所选的损失函数。例如，以像素误差为目标和以感知效果为目标，可能会倾向于产生不同的输出；视觉上令人信服的重建结果，不一定是对原始场景的精确恢复。(arxiv.org)"
    },
    {
      "heading": "压缩、评估与实现",
      "text": "图像压缩可以降低存储和传输需求。无损数据压缩允许精确重建编码前的采样值；有损压缩则允许这些数值发生变化，以换取更小的数据量。不同标准支持这些目标的不同组合：JPEG-LS 提供无损和近无损编码，而 JPEG 2000 同时支持有损与无损模式。(jpeg.org)\n\n评估方法取决于预期任务。均方误差衡量图像与参考图像之间的数值差异，但不能完全反映感知质量。结构相似性则结合亮度和对比度，比较图像的局部结构。实现时还必须考虑内存、数值格式和处理速度。常用软件包括 OpenCV、scikit-image 和 MATLAB 的图像处理工具；适合的操作可以在图形处理器上执行，以加速计算需求较高的工作流程。(cns.nyu.edu)"
    }
  ],
  "links": [
    "signal-processing",
    "computer-vision",
    "pixel",
    "matrix",
    "tensor",
    "bit",
    "color-space",
    "convolution",
    "fourier-transform",
    "image-registration",
    "image-segmentation",
    "semantic-segmentation",
    "feature-extraction",
    "inverse-problem",
    "regularization",
    "mathematical-optimization",
    "machine-learning",
    "convolutional-neural-network",
    "deep-learning",
    "training-data",
    "loss-function",
    "lossless-data-compression",
    "mean-squared-error",
    "graphics-processing-unit"
  ],
  "sources": [
    {
      "title": "mathworks.com/help/images/",
      "url": "https://www.mathworks.com/help/images/"
    },
    {
      "title": "scikit-image.org/docs/stable/user_guide/data_types.html",
      "url": "https://scikit-image.org/docs/stable/user_guide/data_types.html"
    },
    {
      "title": "github.com/scikit-image/scikit-image/blob/main/doc/source/user_guide/transformi…",
      "url": "https://github.com/scikit-image/scikit-image/blob/main/doc/source/user_guide/transforming_image_data.rst"
    },
    {
      "title": "mathworks.com/help/images/image-enhancement-and-restoration.html",
      "url": "https://www.mathworks.com/help/images/image-enhancement-and-restoration.html"
    },
    {
      "title": "docs.opencv.org/doc/doxygen/html/d4/d86/group__imgproc__filter.html",
      "url": "https://docs.opencv.org/doc/doxygen/html/d4/d86/group__imgproc__filter.html"
    },
    {
      "title": "mathworks.com/help/images/get-started-with-image-filtering.html",
      "url": "https://www.mathworks.com/help/images/get-started-with-image-filtering.html"
    },
    {
      "title": "docs.opencv.org/4.13.0/da/d54/group__imgproc__transform.html",
      "url": "https://docs.opencv.org/4.13.0/da/d54/group__imgproc__transform.html"
    },
    {
      "title": "arxiv.org/abs/2205.01649",
      "url": "https://arxiv.org/abs/2205.01649"
    },
    {
      "title": "jpeg.org/jpegls/",
      "url": "https://jpeg.org/jpegls/"
    },
    {
      "title": "cns.nyu.edu/pub/eero/wang03-preprint.pdf",
      "url": "https://www.cns.nyu.edu/pub/eero/wang03-preprint.pdf"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}