圖像處理(以及機器視覺)在學校里是一個很大的研究方向，很多研究生、博士生都在導師的帶領下從事著這方面的研究。另外，就工作而言，也確實有很多這方面的崗位和機會虛位以待。而且這種情勢也越來越凸顯。那么圖像處理到底都研究哪些問題，今天我們就來談一談。圖像處理的話題其實非常非常廣，外延很深遠，新的話題還在不斷涌現(xiàn)。下面給出的12個大的方向，系我認為可以看成是基礎性領域的部分，而且它們之間還互有交叉

　　1、圖像的灰度調(diào)節(jié)

　　圖像的灰度直方圖、線性變換、非線性變換(包括對數(shù)變換、冪次變換、指數(shù)變換等)、灰度拉伸、灰度均衡、直方圖規(guī)定化等等)。

　　例如，直方圖規(guī)定化　　

　　CLAHE(contrast limited adaptive histogram equalization)自適應的直方圖均衡

　　2、圖像的幾何變換

　　圖像的平移、圖像的鏡像、轉(zhuǎn)置、縮放和旋轉(zhuǎn)。這里面其實還包含了插值算法(這是某些幾何變換所必須的)，例如最鄰近插值法、雙線性插值法等等)

　　幾何變換同時和圖像的濾鏡特效是緊密聯(lián)系的，某些特效的實現(xiàn)本質(zhì)上就是某種類型的幾何變換。例如

　　3、圖像的特效與濾鏡

　　這方面的應用很多，你可以想想Photoshop里面的濾鏡。

　　文獻Combining Sketch and Tone for Pencil Drawing Production中給出的將自然圖像變成手繪素描圖的效果

　　例如浮雕效果

　　4、圖像增強

　　內(nèi)容包括圖像的平滑(簡單平均、中值濾波、高斯平滑等)和銳化(例如Laplace方法)等。

　　增強處理中的很多算法其實和圖像復原中的降噪算法是重合的?，F(xiàn)在保持邊緣(或紋理結構)的平滑算法屬于研究熱點。像那些美顏相機里的嫩膚算法都是以此為基礎的。比較常見的雙邊濾波

　　基于全變分方法的TV去噪、基于PM方程的非線性擴散去噪等等。

　　5、圖像復原

　　廣義上來說——圖像降噪，圖像去霧，圖像去模糊 都屬于這個范疇

　　去噪實例是我用MagicHouse實現(xiàn)的中值濾波處理椒鹽噪聲的效果。此外，一些基于非局部均值的降噪算法是當前研究的熱點(例如BM3D、NLM等)

　　圖像去模糊

　　6、圖像的壓縮與編碼

　　想想BMP圖像如何轉(zhuǎn)換成JPG，JPG如何變成PNG?這些都屬于圖像壓縮編碼所要探討的內(nèi)容。

　　7、邊緣檢測與輪廓跟蹤

　　邊緣檢測在圖像處理中是一個“古老”的話題了，我就不具體給例子了。下面是一個輪廓跟蹤的例子

　　8、圖像分割

　　你可以認為輪廓跟蹤也是實現(xiàn)圖像分割的一種途徑。

　　這是我在《數(shù)字圖像處理原理與實踐(Matlab版)》中給出的一個例子——用分水嶺算法對馬鈴薯圖像進行分割。

　　9、圖像的形態(tài)學處理

　　這也屬于一種非常古老的圖像處理方式了。包括膨脹、腐蝕、細化、擊中/擊不中、開/閉運算等。但一些對顆粒狀物體進行計數(shù)的應用中它仍然非常有效。

　　10、圖像的頻域變換(或稱正交變換)

　　傅立葉、離散余弦、沃爾什-哈達瑪變換、K-L(卡洛南-洛伊)變換(也稱霍特林變換或PCA)、小波變換(小波變換還分很多種，例如Haar小波、Daubechies小波等等)

　　僅僅進行頻域變換其實并沒有多大意義，它往往要與具體應用相結合來發(fā)揮作用。例如進行圖像壓縮、嵌入數(shù)字水印、進行圖像融合、進行圖像降噪等等。

　　例如，利用PCA進行圖像壓縮的例子

　　在比如，利用小波融合對由聚焦失敗導致的圖像模糊進行修復 (本來左圖和中圖各有部分看不清，融合后變得可以辨識)源代碼可見

　　11、圖像融合

　　廣義上說融合至少包含三部分內(nèi)容：像上面的基于小波的Fusion我們也認識是融合的一種，另外一種是以隱藏為目的類似嵌入式的融合，第三種是matting。matting有時反義成摳圖，其實它最原本的意思就是融合。如果你理解

　　I = aF +(1-a)B這個融合公式的話，你應該明白我在所什么。這本質(zhì)上和第二種融合原理是一樣的。

　　狹義上，融合就是指matting。

　　例如 著名的Possion融合，下圖右，如果直接把月亮圖貼上天空，矩形邊緣是很明顯的，融合處理后的左圖則很自然。

　　電影技術中常用matting方法來替換人物的場景。例如

　　12、圖像信息安全

　　主要包括兩個內(nèi)容：1)數(shù)字水印(主要用于多媒體的版權保護);2)圖像的加密(主要用于圖像信息的保護)

　　例子是我用MagicHouse實現(xiàn)的加密效果

　　注意上面我們所討論的領域僅僅是圖像處理的范疇，并不涉及機器視覺。所以也沒有任何機器學習的內(nèi)容，有時間我們再繼續(xù)討論這方面的東西。