第2章 图像变换
一、数学运算（Mathematical Operations）
1.1 逐像素运算（Elementwise / Pixel-wise Operator）
图像的基本数学运算是对两幅图像逐像素进行的——不仅涉及矩阵运算，还包含空间信息。
加法：
- 注意区分矩阵乘法（Matrix Production）和逐像素乘法（Pixel-wise Production），两者完全不同
1.2 线性算子（Linear Operator）
若 \(H\) 是线性算子，则满足可加性（Additivity）和齐次性（Homogeneity）：
常见考点
判断某算子是否为线性算子。例如：平移算子是线性的，绝对值算子不是线性的，傅里叶算子是线性的。
1.3 算术运算（Arithmetic Operations）
所有算术运算均为逐像素（Pixel-wise）进行。
（1）加法（Addition）
- 用途：去除/降低噪声（Reduce Noise）——多幅图像叠加平均后，随机噪声被平滑，信噪比提高
- 叠加图像数量越多，去噪效果越好（10 → 50 → 100 → 500 → 1000 幅）
（2）减法（Subtraction）
- 用途：检测差异（Find Differences）
- 典型应用：数字减影血管造影（DSA, Digital Subtraction Angiography）
- 注射造影剂前拍一张（mask），注射后拍一张
- 两者相减 → 仅剩血管影像（背景被减掉）
- 差值图像再增强 → 清晰血管结构
（3）乘法和除法（Multiplication & Division）
1.4 集合与逻辑运算（Set and Logical Operations）
用于二值图像（Binary Image）的操作：
| B1 | B2 | not B1 | B1 and B2 | B1 or B2 | B1 xor B2 |
|---|---|---|---|---|---|
| 1 | 1 | 0 | 1 | 1 | 0 |
| 1 | 0 | 0 | 0 | 1 | 1 |
| 0 | 1 | 1 | 0 | 1 | 1 |
| 0 | 0 | 1 | 0 | 0 | 0 |
二、空间变换（Spatial Transformation）
2.1 为什么需要空间变换？
- 图像配准（Registration）：将不同个体/不同模态的图像对齐到同一空间
- 个体大脑 → MNI 标准空间（跨个体比较）
- CT 与 MRI 配准融合（放疗计划）
- 同一患者不同时间点对比
2.2 仿射变换（Affine Transformation）
仿射变换的齐次坐标矩阵形式（3×3）：
矩阵参数与四种基本操作的对应关系：
仿射矩阵 \(M = \begin{bmatrix} a_{11} & a_{12} & a_{13} \\ a_{21} & a_{22} & a_{23} \\ 0 & 0 & 1 \end{bmatrix}\) 中，各参数分别控制以下变换：
| 变换类型 | 对应参数 | 说明 |
|---|---|---|
| 平移（Translation） | \(a_{13},\; a_{23}\) | 右列：\(t_x = a_{13},\; t_y = a_{23}\) |
| 旋转（Rotation） | \(a_{11}, a_{12}, a_{21}, a_{22}\) | \(2\times2\) 子矩阵整体：\(\begin{bmatrix}\cos\theta & -\sin\theta \\ \sin\theta & \cos\theta\end{bmatrix}\) |
| 缩放（Scaling） | \(a_{11},\; a_{22}\) | 对角线元素：\(s_x = a_{11},\; s_y = a_{22}\) |
| 错切（Shearing） | \(a_{12},\; a_{21}\) | 非对角线元素：水平错切 \(a_{12}\)，垂直错切 \(a_{21}\) |
注：实际矩阵中 \(2\times2\) 子矩阵是四种变换复合的结果，并非单一变换。上述对应关系是针对纯该变换时的参数位置。
| 变换 | 自由度（2D） | 说明 |
|---|---|---|
| 平移（Translation） | 2 | \(x'=x+t_x,\; y'=y+t_y\) |
| 旋转（Rotation） | 1 | 绕原点逆时针旋转 \(\theta\) |
| 刚体（Rigid） | 3 | 平移 + 旋转，保距保角 |
| 缩放（Scaling） | 2 | \(x'=s_x x,\; y'=s_y y\) |
| 错切（Shearing） | 2 | 平行四边形变形 |
| 仿射（Affine） | 6 | 以上全部，保平行性 |
2.3 2-D 刚体变换（Rigid-body Transform）
- 只有 3 个自由度（\(\theta, t_x, t_y\)）
- 旋转角度 \(\theta\) 的确定：需要 \(\sin\theta\) 和 \(\cos\theta\) 两个参数才能唯一确定角度，否则存在两个解
历年卷考点：旋转矩阵参数
对于旋转矩阵 \(\begin{bmatrix} a_{11} & a_{12} \\ a_{21} & a_{22} \end{bmatrix} = \begin{bmatrix} \cos\theta & -\sin\theta \\ \sin\theta & \cos\theta \end{bmatrix}\)：
- 仅知道 \(a_{11}\)（即 \(\cos\theta\)）→ 无法确定 \(\theta\) 的正负（\(\cos\theta = \cos(-\theta)\)）
- 需要同时知道 \((a_{11}, a_{21})\) 即 \((\cos\theta, \sin\theta)\) → 可唯一确定 \(\theta\)
- 答案选 C（\(a_{11}, a_{21}\)）
2.4 3-D 刚体变换
3-D 刚体变换有 6 个自由度： - 3 个平移：沿 X、Y、Z 轴 - 3 个旋转：绕 X 轴（Pitch \(\phi\)）、绕 Y 轴（Roll \(\psi\)）、绕 Z 轴（Yaw \(\theta\)）
旋转矩阵由三个基本旋转矩阵合成，运算顺序影响结果：
绕 X 轴旋转 \(\phi\)： \(\(R_x(\phi) = \begin{bmatrix} 1 & 0 & 0 \\ 0 & \cos\phi & \sin\phi \\ 0 & -\sin\phi & \cos\phi \end{bmatrix}\)\)
绕 Y 轴旋转 \(\psi\)： \(\(R_y(\psi) = \begin{bmatrix} \cos\psi & 0 & -\sin\psi \\ 0 & 1 & 0 \\ \sin\psi & 0 & \cos\psi \end{bmatrix}\)\)
绕 Z 轴旋转 \(\theta\)： \(\(R_z(\theta) = \begin{bmatrix} \cos\theta & \sin\theta & 0 \\ -\sin\theta & \cos\theta & 0 \\ 0 & 0 & 1 \end{bmatrix}\)\)
2.5 3-D 仿射变换
总映射包含平移、旋转、缩放，共 9 个参数（3个旋转 + 3个平移 + 3个缩放）。
运算顺序影响结果（先旋转后平移 ≠ 先平移后旋转）。
2.6 空间变换中的插值
空间变换后坐标可能为非整数 → 需要插值重采样。 - 最近邻（Nearest-neighbor） - 双线性（Bilinear） - 双三次（Bicubic） - 裁剪或放大（Crop or Enlarge）
2.7 非线性变换（Non-linear Transform）
- 仿射变换：6 个自由度（2D）
- 非线性变换：不断增加自由度，可以描述更复杂的局部形变
- 通过位移场（Deformation Field）来表示每个像素的位移量
三、灰度变换 / 点处理（Intensity Transformations — Point Processing）
3.1 点处理的基本概念
点处理仅依赖于该点的灰度级，邻域大小为 \(1 \times 1\)：
\(T\) 成为灰度级映射函数（intensity mapping function）。
3.2 基本灰度变换
（1）线性变换
- 恒等变换（Identity）：\(s = r\)
- 负片变换（Negative）：\(s = L - 1 - r\)
负片变换的作用：将暗区域变亮，亮区域变暗，适用于观察暗区细节。
（2）对数变换（Logarithmic Transformation）
- 非线性变换 — 注意！对数变换不是线性变换
- 作用：压缩高灰度区域、扩展低灰度区域（增强暗区细节）
- 适用于：傅里叶频谱显示（动态范围很大，需压缩）
（3）幂律变换 / 伽马变换（Power-law / Gamma Transformation）
| \(\gamma\) 值 | 效果 | 适用场景 |
|---|---|---|
| \(\gamma < 1\) | 扩展暗区，压缩亮区 | 图像偏暗时提亮（如欠曝照片） |
| \(\gamma = 1\) | 恒等变换 | — |
| \(\gamma > 1\) | 压缩暗区，扩展亮区 | 图像偏亮时压暗（如过曝照片） |
历年卷考点：伽马变换的性质
- \(\gamma < 1\) → 提升暗区亮度，整体变亮
- \(\gamma > 1\) → 降低亮区亮度，整体变暗
- 伽马变换是非线性变换
- 伽马校正常用于显示设备的亮度响应补偿
（4）分段线性变换（Piecewise-Linear Transformation）
- 可以任意复杂的形状
- 需要更多用户输入
- 典型应用：对比度拉伸（Contrast Stretching）
- 将感兴趣灰度范围拉伸到全范围 \([0, L-1]\)
- 增强特定灰度区间的对比度
（5）灰度级分层（Intensity-level Slicing）
- 高亮特定灰度范围，去除背景
- 保留感兴趣灰度区间（如某组织对应的灰度），其余置零
- 类似于阈值二值化但有更多层次
四、直方图（Histogram）
4.1 直方图的定义
直方图统计每个灰度级的像素个数：
归一化直方图（概率密度函数 PDF 的估计）：
直方图的特性
- 直方图不包含空间位置信息（丢失了像素在哪里）
- 不同的图像可以有相同的直方图
4.2 直方图的统计量
| 统计量 | 公式 | 反映的图像属性 |
|---|---|---|
| 一阶矩（均值 Mean） | \(\mu = \sum r \cdot p(r)\) | 亮度（Brightness） |
| 二阶矩（方差 Variance） | \(\sigma^2 = \sum (r - \mu)^2 \cdot p(r)\) | 对比度（Contrast） |
| 高阶矩（N-th order） | \(\mu_n = \sum (r - \mu)^n \cdot p(r)\) | 更复杂的分布特征 |
历年卷考点
- 直方图均值 \(\mu\) 越大 → 图像整体越亮
- 直方图方差 \(\sigma^2\) 越大 → 图像对比度越高（灰度分布越分散）
- 直方图方差小 → 灰度集中在均值附近，对比度低
4.3 直方图变换的基本条件
正向变换 \(s = T(r)\) 且 \(0 \leq r \leq L-1\)：
- \(T(r)\) 是单调不减函数（保证灰度顺序不颠倒）
- \(0 \leq T(r) \leq L-1\)（保证输出在有效范围内）
反向变换：\(r = T^{-1}(s)\)
五、直方图均衡化（Histogram Equalization）
5.1 基本思想
目标：设计 \(s = T(r)\)，使输出图像的直方图 \(p_s(s)\) 为均匀分布（\(p_s(s) = \frac{1}{L-1}\)）。
5.2 连续情况
即用原始图像的累积分布函数（CDF）作为变换函数。
5.3 离散情况
步骤： 1. 统计各灰度级的像素数 \(n_k\) 2. 计算概率 \(p(r_k) = n_k / n\) 3. 计算累积概率 CDF 4. 乘以 \((L-1)\) 并四舍五入取整得到映射值 \(s_k\)
关于零值背景处理
当图像背景区域含有大量零值像素时，直方图均衡化通常从灰度级 1 开始计算，忽略零值像素。否则均衡化效果会被背景主导。
5.4 均衡化的效果
- 均衡化并非完美均匀（离散情况下只能是近似均匀）
- 均衡化后：灰度级分布更均匀，但原始灰度级数量不增加
- 均衡化增大对比度（灰度级范围被拉伸）
- 均衡化后亮度会发生变化（均值可能移动）
六、直方图匹配（Histogram Matching）
6.1 为什么需要直方图匹配？
直方图均衡化 → 均匀直方图（总是固定的目标）
直方图匹配 → 任意指定形状的直方图作为目标
6.2 基本原理
定义三个变换： 1. \(s = T(r) = (L-1) \int_0^r p_r(w) \, dw\) — 将输入均衡化到均匀 2. \(G(z) = (L-1) \int_0^z p_z(w) \, dw\) — 将目标均衡化到均匀 3. \(z = G^{-1}(s) = G^{-1}[T(r)]\) — 将两者联系起来
因此 \(z = G^{-1}[T(r)]\) 即为从原始灰度 \(r\) 到目标灰度 \(z\) 的映射函数。
6.3 离散情况算法
- 计算输入图像的均衡化映射 \(s_k = T(r_k) = (L-1) \sum_{j=0}^{k} p_r(r_j)\)，四舍五入
- 计算目标直方图的均衡化映射 \(v_q = G(z_q) = (L-1) \sum_{j=0}^{q} p_z(z_j)\)
- 构建查找表（Lookup Table）：对于每个 \(s_k\)，找到最接近的 \(v_q\)，将 \(r_k\) 映射到 \(z_q\)
- 若有平局（tie），选较小的 \(z_q\)
七、本章总结（Summary）
数学运算
- 逐像素算术运算：加（降噪）→ 减（DSA检测差异）→ 乘（掩膜）→ 除（归一化）
- 集合与逻辑运算：用于二值图像（AND/OR/XOR/NOT）
- 线性算子：满足可加性 + 齐次性
空间变换
- 刚体变换：3 自由度（2D）/ 6 自由度（3D），保距保角
- 仿射变换：6 自由度（2D）/ 12 自由度（3D），保平行性
- 非线性变换：位移场，无限自由度
- 旋转矩阵：\(\begin{bmatrix} \cos\theta & -\sin\theta \\ \sin\theta & \cos\theta \end{bmatrix}\)，需 \(\sin\theta\) 和 \(\cos\theta\) 两个参数定角
强度变换（点处理）
- \(s = T(r)\)，仅取决于单点灰度值
- 线性：负片 \(s = L-1-r\)
- 非线性：对数 \(s = c\log(1+r)\)、伽马 \(s = cr^\gamma\)
- 分段线性：对比度拉伸、灰度分层
直方图
- 统计各灰度级像素数，不含空间信息
- 均值 → 亮度，方差 → 对比度
- 直方图均衡化 → 均匀分布（CDF 做变换函数）
- 直方图匹配 → 匹配到指定直方图形状
作业解答（BIP Homework 1）
以下为 BIP_hw1 的中文翻译题目及详细解答。
题目 1：2D 空间仿射变换
题目：三角形 A 的顶点为 \(A_1(0,0)\)、\(A_2(2,0)\)、\(A_3(0,1)\)。三角形 B 的顶点为 \(B_1(2,1)\)、\(B_2(2,5)\)、\(B_3(3,1)\)。
(1) 按 S → R → T 的顺序，设计 \(3 \times 3\) 齐次坐标仿射变换矩阵（缩放 S、旋转 R、平移 T）。
(2) 计算总体变换矩阵 \(M = T \cdot R \cdot S\)。
解答：
(1) 确定各变换矩阵
先分析三角形 A → B 的变化：
- \(A_1A_2 = (2,0)\)，\(B_1B_2 = (0,4)\)：边长从 2 变为 4 → 需要缩放，且在 \(y\) 方向上放大更显著
- \(A_1A_3 = (0,1)\)，\(B_1B_3 = (1,0)\)：A 中沿 \(y\) 轴的单位向量对应 B 中沿 \(x\) 轴的单位向量 → 逆时针旋转 \(90°\)
缩放矩阵（\(x\) 方向缩放因子=2, \(y\) 方向缩放因子=1）：
实际上从边长看：\(|A_1A_2|=2 \to |B_1B_2|=4\)，\(|A_1A_3|=1 \to |B_1B_3|=1\)。但由于旋转的存在，需要整体考虑。题目中原文给出的 S 是：
旋转矩阵（逆时针 \(90°\)，\(\cos 90° = 0\), \(\sin 90° = 1\)）：
平移矩阵（\(A_1(0,0) \to B_1(2,1)\)）：
(2) 总体变换矩阵
验证：将 A 的三个顶点代入，检查是否得到 B：
题目 2：连续直方图匹配
题目：给定两个随机变量 \(R\) 和 \(Z\) 的 PDF：
求将原始灰度 \(r\) 映射到目标灰度 \(z\) 的变换函数 \(z = T(r)\)。
解答：
第一步：分别求 CDF（累积分布函数）
第二步：由直方图匹配原理 \(T_r(r) = G(z)\)
第三步：解出 \(z = T(r)\)
题目 3：离散直方图均衡化与匹配
题目：一幅 100 像素的灰度图像（\(L=8\)，灰度级 0~7）。
- 原始灰度分布 \(n(r_k)\)：\([40, 20, 15, 10, 5, 5, 3, 2]\)
- 目标概率分布 \(p_z(z_k)\)：\([0, 0.07, 0.10, 0.26, 0.28, 0.15, 0.11, 0.03]\)
(1) 对原始图像做直方图均衡化，求离散映射值 \(s_k\)
(2) 计算目标直方图的变换函数 \(G(z_k)\)
(3) 做直方图匹配，将原始灰度 \(r_k\) 映射到目标灰度 \(z_k\)（平局时选较小的 \(z\)）
解答：
(1) 直方图均衡化
公式：\(s_k = (L-1) \sum_{j=0}^{k} p_r(r_j) = 7 \sum_{j=0}^{k} \frac{n_j}{n}\)
总像素数 \(n = 100\)：
| \(r_k\) | \(n_k\) | \(p_r(r_k)\) | \(\sum p_r\) | \(7 \times \sum p_r\) | \(s_k\)（四舍五入） |
|---|---|---|---|---|---|
| 0 | 40 | 0.40 | 0.40 | 2.80 | 3 |
| 1 | 20 | 0.20 | 0.60 | 4.20 | 4 |
| 2 | 15 | 0.15 | 0.75 | 5.25 | 5 |
| 3 | 10 | 0.10 | 0.85 | 5.95 | 6 |
| 4 | 5 | 0.05 | 0.90 | 6.30 | 6 |
| 5 | 5 | 0.05 | 0.95 | 6.65 | 7 |
| 6 | 3 | 0.03 | 0.98 | 6.86 | 7 |
| 7 | 2 | 0.02 | 1.00 | 7.00 | 7 |
均衡化映射：\(0 \to 3,\; 1 \to 4,\; 2 \to 5,\; 3 \to 6,\; 4 \to 6,\; 5 \to 7,\; 6 \to 7,\; 7 \to 7\)
(2) 目标直方图的 \(G(z_k)\)
公式：\(G(z_k) = (L-1) \sum_{j=0}^{k} p_z(z_j) = 7 \sum_{j=0}^{k} p_z(z_j)\)
| \(z_k\) | \(p_z(z_k)\) | \(\sum p_z\) | \(G(z_k)=7 \times \sum p_z\) | 四舍五入 |
|---|---|---|---|---|
| 0 | 0.00 | 0.00 | 0.00 | 0 |
| 1 | 0.07 | 0.07 | 0.49 | 0 |
| 2 | 0.10 | 0.17 | 1.19 | 1 |
| 3 | 0.26 | 0.43 | 3.01 | 3 |
| 4 | 0.28 | 0.71 | 4.97 | 5 |
| 5 | 0.15 | 0.86 | 6.02 | 6 |
| 6 | 0.11 | 0.97 | 6.79 | 7 |
| 7 | 0.03 | 1.00 | 7.00 | 7 |
(3) 直方图匹配 — 构建查找表
对于每个 \(r_k\) 的均衡化值 \(s_k\)，在 \(G(z_k)\) 中找最接近的值，映射到对应 \(z_k\)（平局选较小的 \(z\)）：
| \(r_k\) | \(s_k\) | 匹配的 \(G(z)\) | 对应的 \(z_k\)（匹配结果） |
|---|---|---|---|
| 0 | 3 | \(G(3)=3\) | 3 |
| 1 | 4 | \(G(3)=3\) vs \(G(4)=5\)，$ | 4-3 |
| 2 | 5 | \(G(4)=5\) | 4 |
| 3 | 6 | \(G(5)=6\) | 5 |
| 4 | 6 | \(G(5)=6\) | 5 |
| 5 | 7 | \(G(6)=7\), \(G(7)=7\)，平局选小 → 6 | |
| 6 | 7 | 同上 → 6 | |
| 7 | 7 | 同上 → 6 |
最终匹配映射：
| \(r_k\) | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
|---|---|---|---|---|---|---|---|---|
| \(z_k\) | 3 | 3 | 4 | 5 | 5 | 6 | 6 | 6 |
实验原理说明（LAB1）
以下基于
LAB1_3230103696_final.ipynb的实验报告，解释各实验涉及的图像处理原理（不含代码细节）。
实验 1：灰度渐变图像生成与马赫带效应
实验内容：生成 \(256 \times 256\) 平滑渐变图像和条带渐变图像（条带宽 16 像素，步长 16）
涉及原理：
- 采样与量化：将连续的灰度变化离散化为 \(256 \times 256\) 个像素，每个像素用 8-bit 整数 \([0,255]\) 表示
- 马赫带效应（Mach Band Effect）：人类视觉系统中视网膜神经节细胞的侧抑制（Lateral Inhibition）机制造成的视错觉。在两个亮度不同的相邻均匀条带交界处，人眼感知到暗侧边缘更暗、亮侧边缘更亮——尽管物理上每个条带内部亮度完全均匀。这说明人眼感知的亮度并不完全等于物理亮度
- 该效应提醒我们：在医学图像分析中，必须考虑人眼视觉特性对图像判断的影响
实验 2：灰度量化与伪轮廓
实验内容：读取灰度图像，将灰度级从 256 级压缩到 \(2^n\) 级（分别取 \(n=8,6,4\)），观察效果
涉及原理：
- 量化（Quantization）：将连续/高精度灰度值映射到有限个离散灰度级。量化级数 \(K = 2^n\)，\(n\) 为位深度（bit depth）
- 量化误差与伪轮廓（False Contouring）：当灰度级减少到不足以平滑过渡时，原本连续的灰度变化区域出现阶梯状色块（伪轮廓）。\(n=6\)（64级）时人眼几乎无法察觉差异；\(n=4\)（16级）时伪轮廓非常明显
- 这解释了为什么 CT、MRI 等医学图像通常采用 12-bit 或 16-bit 高动态范围存储——微小的灰度变化可能包含关键的病理信息，低比特深度会导致信息丢失
实验 3：图像降采样/上采样与灰度剖面分析
实验内容：将图像缩小至 \(1/4\) 后再放大 4 倍恢复原尺寸，对比特定列的灰度剖面线（Profile）
涉及原理：
- 双线性插值（Bilinear Interpolation）：使用目标点周围 \(2 \times 2\)（4 个像素）进行线性插值来估计未知像素值，缩放操作中
order=1即使用双线性插值 - 降采样的不可逆信息丢失：缩小图像时丢弃了高频细节信息（如边缘、纹理的精细变化）。再放大时，插值算法只能平滑地填补像素，无法恢复已丢失的高频信息
- 灰度剖面线（Profile / Line Plot）：沿图像某列取灰度值绘制一维曲线。原图剖面线包含丰富的高频起伏（剧烈变化），而恢复后的剖面线更平滑（高频信息丢失），直观展示了采样定理的约束——低于 Nyquist 频率的采样导致不可逆的信息损失
- 这强调了医学影像采集阶段保持高空间分辨率的重要性
实验 4：阈值分割与伪彩色叠加
实验内容：设定阈值（\(I > \text{threshold}\)）生成掩膜，将掩膜区域在红色通道高亮，生成彩色叠加图像
涉及原理：
- 阈值分割（Thresholding）：根据像素灰度值与设定阈值的大小关系，将图像划分为目标区域和背景区域，生成二值掩膜（Mask）。这是最简单的图像分割方法
- 单通道到多通道的转换：灰度图像 \(N \times M\) → 三通道 RGB 图像 \(N \times M \times 3\)，通过
np.stack复制三个相同的灰度通道 - 伪彩色叠加（Pseudocolor Overlay）：利用掩膜对特定通道赋值，是一种强度分层（Intensity Slicing）的伪彩色技术。将 ROI 区域在红色通道设为 255（亮红），绿色和蓝色通道清零 → 目标区域呈现红色高亮
- 阈值选择的敏感性：阈值降低 → 掩膜条件宽松 → 更多像素被标记（可能包含伪阳性）；阈值升高 → 掩膜条件严苛 → 只有极亮区域被标记（可能遗漏目标）。这体现了医学图像分割中最优阈值选择的重要性——需根据不同组织的灰度分布特征来设定阈值
历年卷解答
一、伽马变换的性质哪个是对的（2020）
知识点定位：点处理（Point Processing）— 伽马变换
伽马变换的核心性质：
| 性质 | 对/错 | 说明 |
|---|---|---|
| 伽马变换是线性变换 | 错 | 伽马变换是非线性变换（\(s = cr^\gamma\) 不是直线关系） |
| \(\gamma < 1\) 时整体变亮 | 对 | 暗区被拉伸，亮区被压缩 → 图像整体提亮 |
| \(\gamma > 1\) 时整体变亮 | 错 | \(\gamma > 1\) 时压缩暗区、拉伸亮区 → 图像整体变暗 |
| \(\gamma = 1\) 时是恒等变换 | 对 | \(s = cr\)，若 \(c=1\) 则为恒等变换 |
常见正确说法： - 伽马变换是非线性的点处理操作 - \(\gamma < 1\) 增强暗区细节（适合偏暗图像） - \(\gamma > 1\) 增强亮区细节（适合偏亮图像） - 常用于显示设备的亮度响应补偿（伽马校正）
二、对数变换是灰度值的线性变换（2020）
知识点定位：点处理（Point Processing）— 对数变换
答案：错误。
对数变换 \(s = c \cdot \log(1+r)\) 是非线性变换。其特点：
- 压缩高灰度区域（大 \(r\) 值被"压扁"）
- 扩展低灰度区域（小 \(r\) 值被"拉宽"）
- 适用于动态范围很大的图像（如傅里叶频谱），增强暗区细节的可视性
- 与伽马变换、指数变换一样，都属于非线性点处理
三、灰度直方图的说法（2021）
知识点定位：直方图（Histogram）的基本概念
常见判断：
| 说法 | 对/错 | 解释 |
|---|---|---|
| 直方图保留了像素的空间位置信息 | 错 | 直方图不包含空间信息，只统计各灰度级像素数量 |
| 不同图像可以有相同的直方图 | 对 | 像素位置被打乱不会改变直方图 |
| 直方图是灰度的概率密度函数估计 | 对 | 归一化后 \(p(r_k)=n_k/n\) 即为 PDF 估计 |
| 直方图可以反映图像的亮度 | 对 | 均值 \(\mu\) 反映亮度 |
| 直方图可以反映图像的对比度 | 对 | 方差 \(\sigma^2\) 反映对比度（分布越分散对比度越高） |
四、直方图均衡化后亮度、对比度是否改变（2021）
知识点定位：直方图均衡化（Histogram Equalization）
答案：
对比度 — 增大：直方图均衡化将灰度级拉伸到整个 \([0, L-1]\) 范围，使得像素灰度分布更加均匀，灰度动态范围被充分利用。因此对比度总体上增大。
亮度 — 可能改变：均衡化后图像的均值会发生改变。若原图中大量像素集中在低灰度（暗图），均衡化后暗区被拉伸，均值可能向右移动（变亮）；反之则可能向左移动。亮度变化方向取决于原图的灰度分布。
总结： - 均衡化一定增大对比度（灰度分布被拉宽） - 均衡化亮度不保证不变（均值可能漂移） - 均衡化后直方图并非完美平坦（离散情况下是近似均匀）
五、图像灰度方差较大反映了什么（2022）
知识点定位：直方图统计量
答案：对比度高。
解释：
- 方差（二阶中心矩）衡量灰度值偏离均值的程度
- 方差大 → 像素灰度值分散在各个灰度级 → 黑白分明，对比度高
- 方差小 → 像素灰度集中在均值附近 → 灰度单一，对比度低
| 统计量 | 反映属性 |
|---|---|
| 均值 \(\mu\) | 亮度（Brightness） |
| 方差 \(\sigma^2\) | 对比度（Contrast） |
六、选择合适的 Gamma 变换（2022）
知识点定位：点处理 — 伽马变换
选择原则：
| 图像特点 | 推荐 \(\gamma\) | 原因 |
|---|---|---|
| 图像偏暗（欠曝） | \(\gamma < 1\)（如 0.4, 0.6） | 拉伸暗区，压缩亮区 → 提亮暗部细节 |
| 图像偏亮（过曝） | \(\gamma > 1\)（如 1.5, 2.0） | 压缩暗区，拉伸亮区 → 压暗暗部、增强亮部细节 |
| 亮度适中 | \(\gamma = 1\) | 恒等变换，不做改变 |
判断方法：看原图直方图分布——主要像素集中在低灰度端 → 偏暗 → 选 \(\gamma < 1\)；集中在高灰度端 → 偏亮 → 选 \(\gamma > 1\)。