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：

\[\begin{bmatrix} f_{11} & f_{12} \\ f_{21} & f_{22} \end{bmatrix} + \begin{bmatrix} g_{11} & g_{12} \\ g_{21} & g_{22} \end{bmatrix} = \begin{bmatrix} f_{11}+g_{11} & f_{12}+g_{12} \\ f_{21}+g_{21} & f_{22}+g_{22} \end{bmatrix}\]

• 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）：

\[H[f_1(x,y) + f_2(x,y)] = H[f_1(x,y)] + H[f_2(x,y)]\]

\[H[a \cdot f(x,y)] = a \cdot H[f(x,y)]\]

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）

\[g(x,y) = f_1(x,y) + f_2(x,y)\]

• 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）

\[d(x,y) = f_1(x,y) - f_2(x,y)\]

• 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）

\[g(x,y) = f_1(x,y) \cdot f_2(x,y) \quad \text{（掩膜区域提取/Mask Region）}\]

\[g(x,y) = f_1(x,y) \div f_2(x,y) \quad \text{（归一化/Normalize）}\]

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）：

\[\begin{bmatrix} x' \\ y' \\ 1 \end{bmatrix} = \begin{bmatrix} a_{11} & a_{12} & a_{13} \\ a_{21} & a_{22} & a_{23} \\ 0 & 0 & 1 \end{bmatrix} \begin{bmatrix} x \\ y \\ 1 \end{bmatrix}\]

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）

\[M = \begin{bmatrix} \cos\theta & -\sin\theta & t_x \\ \sin\theta & \cos\theta & t_y \\ 0 & 0 & 1 \end{bmatrix}\]

• 只有 3 个自由度（\(\theta, t_x, t_y\)​）
• \(\theta\)为逆时针旋转的角度
• 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 （\(a_{11}, a_{21}\)）

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：

\[ R = R_z(\theta) \cdot R_x(\phi) \cdot R_y(\psi) \]

绕 X 轴逆时针旋转 \(\phi\)：

\[R_x(\phi) = \begin{bmatrix} 1 & 0 & 0 \\ 0 & \cos\phi & -\sin\phi \\ 0 & \sin\phi & \cos\phi \end{bmatrix}\]

绕 Y 轴逆时针旋转 \(\psi\)：

\[R_y(\psi) = \begin{bmatrix} \cos\psi & 0 & -\sin\psi \\ 0 & 1 & 0 \\ \sin\psi & 0 & \cos\psi \end{bmatrix}\]

绕 Z 轴逆时针旋转 \(\theta\)：

\[R_z(\theta) = \begin{bmatrix} \cos\theta & -\sin\theta & 0 \\ \sin\theta & \cos\theta & 0 \\ 0 & 0 & 1 \end{bmatrix}\]

2.5 3-D 仿射变换

\[ x' = A x, \quad A \in \mathbb{R}^{3 \times 3} \]

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 \(1 \times 1\)：

\[ s = T(r) \]

\(T\) 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）

\[ s = c \cdot \log(1 + r) \]

• 非线性变换
• 作用：压缩高灰度（亮、白）区域、扩展低灰度（暗、黑）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）

\[ s = c \cdot r^\gamma \]

\(\gamma\) 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：

\[ h(r_k) = n_k, \quad k = 0, 1, \ldots, L-1 \]

归一化直方图（概率密度函数 PDF 的估计）：

\[ p(r_k) = \frac{n_k}{N}, \quad N = \sum_{k=0}^{L-1} n_k \]

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 \(0 \leq r \leq L-1\)：

1. \(T(r)\) 是单调不减函数（保证灰度顺序不颠倒）
2. \(0 \leq T(r) \leq L-1\)（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 直方图均衡化的目的与基本思想

目的：直方图均衡化的核心目的是增强图像整体对比度。当一幅图像的灰度值集中分布在较窄的灰度区间内时（直方图窄而尖），图像表现为低对比度、细节不清晰。均衡化通过重新分配灰度值，将原本集中的灰度分布拉伸到整个 \([0, L-1]\) 范围，从而：

• 增大动态范围：充分利用全部可用灰度级，避免灰度级浪费
• 增强对比度：使原本灰度相近的像素被拉开，细节更易分辨
• 便于后续处理：均衡化后的图像具有更稳定的统计特性，有利于后续的分割、特征提取等任务

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

\[ s = T(r) = (L-1) \int_0^r p_r(w) \, dw \]

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

\[ s_k = T(r_k) = (L-1) \sum_{j=0}^{k} p_r(r_j) = \frac{L-1}{N} \sum_{j=0}^{k} n_j \]

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

1. 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
2. 计算目标直方图的均衡化映射 \(v_q = G(z_q) = (L-1) \sum_{j=0}^{q} p_z(z_j)\)
3. 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 \(z_q\)
4. 若有平局（tie），选较小的 \(z_q\)（具体看题目要求）

---

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）

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）：

\[S = \begin{bmatrix} 2 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{bmatrix}\]

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：

\[S = \begin{bmatrix} 2 & 0 & 0 \\ 0 & -1 & 0 \\ 0 & 0 & 1 \end{bmatrix}\]

旋转矩阵（逆时针 \(90°\)，\(\cos 90° = 0\), \(\sin 90° = 1\)）：

\[R = \begin{bmatrix} \cos 90° & -\sin 90° & 0 \\ \sin 90° & \cos 90° & 0 \\ 0 & 0 & 1 \end{bmatrix} = \begin{bmatrix} 0 & -1 & 0 \\ 1 & 0 & 0 \\ 0 & 0 & 1 \end{bmatrix}\]

平移矩阵（\(A_1(0,0) \to B_1(2,1)\)）：

\[T = \begin{bmatrix} 1 & 0 & 2 \\ 0 & 1 & 1 \\ 0 & 0 & 1 \end{bmatrix}\]

(2) 总体变换矩阵

\[M = T \cdot R \cdot S = \begin{bmatrix} 1 & 0 & 2 \\ 0 & 1 & 1 \\ 0 & 0 & 1 \end{bmatrix} \begin{bmatrix} 0 & -1 & 0 \\ 1 & 0 & 0 \\ 0 & 0 & 1 \end{bmatrix} \begin{bmatrix} 2 & 0 & 0 \\ 0 & -1 & 0 \\ 0 & 0 & 1 \end{bmatrix} = \begin{bmatrix} 0 & 1 & 2 \\ 2 & 0 & 1 \\ 0 & 0 & 1 \end{bmatrix}\]

验证：将 A 的三个顶点代入，检查是否得到 B：

\[M \begin{bmatrix} 0 \\ 0 \\ 1 \end{bmatrix} = \begin{bmatrix} 2 \\ 1 \\ 1 \end{bmatrix} = B_1(2,1) \quad \checkmark\]

\[M \begin{bmatrix} 2 \\ 0 \\ 1 \end{bmatrix} = \begin{bmatrix} 2 \\ 5 \\ 1 \end{bmatrix} = B_2(2,5) \quad \checkmark\]

\[M \begin{bmatrix} 0 \\ 1 \\ 1 \end{bmatrix} = \begin{bmatrix} 3 \\ 1 \\ 1 \end{bmatrix} = B_3(3,1) \quad \checkmark\]

---

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：

\[p_r(r) = 2 - 2r, \quad p_z(z) = 3z^2\]

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）

\[T_r(r) = \int_0^r p_r(w) \, dw = \int_0^r (2-2w) \, dw = 2r - r^2, \quad 0 \leq r \leq 1\]

\[G(z) = \int_0^z p_z(w) \, dw = \int_0^z 3w^2 \, dw = z^3, \quad 0 \leq z \leq 1\]

第二步：由直方图匹配原理 \(T_r(r) = G(z)\)

\[2r - r^2 = z^3\]

第三步：解出 \(z = T(r)\)

\[z = T(r) = \sqrt[3]{2r - r^2}，0 \le r \le 1\]

---

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	\(G(3)=3\) ，\(G(4)=5\)，选小 → 3	3
2	5	\(G(4)=5\)	4
3	6	\(G(5)=6\)	5
4	6	\(G(5)=6\)	5
5	7	\(G(6)=7\), \(G(7)=7\)，选小 → 6	6
6	7	同上 → 6	6
7	7	同上 → 6	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（LAB2）

实验 1：空间变换 — 图像旋转与插值对比

实验内容：使用 lab2_MRI.npy 脑部 MRI 数据，通过矩阵运算手动实现图像的仿射旋转。将图像正向旋转 \(\pi/5\) 后再反向旋转 \(-\pi/5\)，分别使用最近邻插值和双线性插值执行上述旋转操作，对比两种插值方法的信息损失差异。Bonus 部分额外比较 1 次旋转循环与 5 次连续旋转循环的误差累积情况。

实验步骤：

1. 生成目标图像坐标网格，构建逆旋转矩阵 \(R(-\theta)\)，通过矩阵乘法一次性完成所有像素的反向映射

2. 对反向映射得到的小数坐标，分别使用最近邻（直接四舍五入）和双线性（\(2 \times 2\) 邻域加权平均）两种方法进行插值

3. 计算正向-反向旋转后与原图的 MSE，用滑动窗口自动寻找差异最大区域并用箭头标注

4. Bonus：比较 1 次循环与 5 次循环的 MSE 变化

涉及原理：

• 反向映射（Inverse Mapping）：遍历目标图每个像素，通过逆旋转矩阵反推原图对应坐标 → 保证目标图无"空洞"
• 最近邻 vs 双线性的误差特性差异：
  • 最近邻插值：本质是离散坐标取整。单次变换产生锯齿伪影（MSE 较高），但多次循环后 MSE 趋于稳定——因为第 1 次循环已将所有像素"钉死"在离散网格上，后续循环不再产生新的舍入误差
  • 双线性插值：每次变换 = 一次低通滤波。单次效果平滑自然（MSE 较低），但 5 次循环（实际 10 次重采样）后 MSE 持续增长、图像越来越模糊——高频细节被反复平滑，信息不可逆流失
• 医学启示：应尽量减少非必要的空间重采样步骤，以保护原始病理信息的完整性

---

实验 2：强度变换 — 对数变换与幂律变换的参数优化

实验内容：使用 lab2_CT.npy 头部 CT 数据，通过矩阵运算手动实现对数和幂律（Gamma）两种非线性强度变换。分别调整对数变换的尺度参数 \(v\)（取 \(v=1, 10, 100\)）和幂律变换的指数 \(\gamma\)（取 \(\gamma=0.3, 0.6, 2.0, 4.0\)），观察不同参数对图像视觉效果的影响。最后针对肺部组织观察和骨骼结构观察两个具体临床目标，分别设计最优变换策略。

实验步骤：

1. 将 CT 图像归一化到 \([0,1]\) 区间

2. 实现广义对数变换 \(s = c \cdot \log(1 + v \cdot r)\)，测试 \(v=1, 10, 100\) 的效果

3. 实现幂律变换 \(s = c \cdot r^\gamma\)，测试 \(\gamma=0.3, 0.6, 2.0, 4.0\) 的效果

4. 针对肺部组织（暗区），采用 \(v=50\) 的对数变换进行定向增强

5. 针对骨骼结构（亮区），采用 \(\gamma=3.0\) 的幂律变换进行定向增强

涉及原理：

• 对数变换的数学特性：导数 \(\frac{1}{1+v \cdot r}\) 随 \(r\) 增大单调递减 → 只能单方向"提亮暗部"。\(v\) 越大，对极暗像素的敏感度越高（暗部提亮越剧烈），但亮区过曝风险越大
• 幂律变换的双向控制：\(\gamma < 1\) 时曲线上凸（拉伸暗区），\(\gamma > 1\) 时曲线下凹（压暗背景、拉伸亮区）。幂律变换覆盖的临床应用场景远比对数为广
• 临床导向的参数设计：医学图像处理中不存在"绝对最佳参数"。观察肺部（极低灰度）需要高 \(v\) 对数或低 \(\gamma\) 幂律；观察骨骼（极高灰度）需要高 \(\gamma\) 幂律，将对数变换完全失效
• \(\gamma=2.0\) 的直观最优：在一般头部 CT 中，\(\gamma=2.0\) 能有效压制软组织底噪、将背景过滤干净，同时大幅拉开骨骼对比度，视觉上最清晰

---

实验 3：空间滤波增强管线 — Laplacian + Sobel 复合增强

实验内容：使用 lab2_filter.npy X-Ray 影像数据，设计一条双分支复合增强管线。必须包含 8-邻域 Laplacian 滤波器和 X/Y 两个方向的 \(3 \times 3\) Sobel 滤波器，并在此基础上自主设计额外步骤形成完整管线，最终输出临床可用的增强图像。

实验步骤（8 步管线）：

步骤	操作	作用
1	加载原图	基础底图
2	分支 A：8-邻域 Laplacian 滤波 \(\begin{bmatrix}-1&-1&-1\\-1&8&-1\\-1&-1&-1\end{bmatrix}\)	提取所有高频变化（含边缘 + 噪声）
3	分支 A：Laplacian 叠加原图 \(\text{img} + \text{laplacian}\)	产生初级锐化图——边缘清晰但被雪花噪声淹没
4	分支 B：Sobel X + Sobel Y 双方向滤波	只提取粗壮的骨骼主边缘（一阶微分"迟钝"，忽略细微噪声）
5	分支 B：\(5 \times 5\) 均值平滑 Sobel 结果	将锐利边缘转变为带灰阶过渡的平滑权重掩膜
6	掩膜相乘：步骤 3 × 步骤 5	在平坦区掩膜系数趋近 0 → 噪声被压制；在边缘区掩膜放行 → 细节保留
7	叠加原图：\(\text{img} + \text{masked\_laplacian}\)	将过滤后的纯净细节加回原图，背景依然平滑
8	Gamma 提亮：\(\gamma = 0.5\)	拉伸动态范围，使骨骼微观纹理层次分明

涉及原理：

• 二阶微分（Laplacian）的过度敏感：拉普拉斯核对灰度突变极其敏感，能抓取微细纹理，但同时也将背景高频噪声急剧放大——直接使用会导致画面被"雪花噪声"淹没，丧失临床价值
• 一阶微分（Sobel）：Sobel 中心权重加倍（2 和 -2）提供内置平滑，只对粗壮真实结构边缘有强响应，恰好弥补 Laplacian 的过度敏感
• 设计哲学：利用一阶微分（Sobel）的抗噪性，制作平滑权重掩膜去约束和过滤二阶微分（Laplacian）的噪声——不同数学工具的优势互补、化解矛盾
• 复合管线的医学意义：最终输出在大幅提升骨骼锐度的同时，完美维持软组织背景的纯净与平滑，具备临床诊断价值

---

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：

\[s = c \cdot r^\gamma\]

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，图像整体提亮（适合偏暗图像）
• \(\gamma > 1\) 增强亮区细节，图像整体变暗（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（偏亮、白）区域（大 \(r\) 值被"压扁"）
• 扩展低灰度（偏黑、暗）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：

\[\sigma^2 = \sum_{k=0}^{L-1} (r_k - \mu)^2 \cdot p(r_k)\]

• 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 \(\gamma > 1\)。

七、直方图均衡化解决什么问题 + 医学应用（2022 大题）

知识点定位：直方图均衡化

（1）直方图均衡化解决什么问题？

直方图均衡化主要解决以下核心问题：

• 图像对比度低、整体偏暗或偏亮：当图像的灰度值集中分布在较窄的灰度区间内时（直方图呈窄而尖的山峰状），图像表现为低对比度，键解剖结构或病变区域的细节难以辨识。直方图均衡化通过重新分配灰度值，将原本集中的灰度分布拉伸到整个 \([0, L-1]\) 范围，使直方图趋于均匀分布，提高图像对比度。

• 灰度动态范围不足：某些医学成像设备输出的图像只利用了可显示灰度级的一小部分（如仅占 256 级的中间 30 级），导致图像灰度层次贫乏。均衡化充分利用全部灰度级，将灰度级"铺满"整个范围。

• 细节不可见：在人眼视觉特性中，细微信号差异在低对比度图像中无法被分辨。均衡化后灰度差被拉大 → 原本模糊的组织边界变得清晰可辨 → 细节从"看不见"变为"看得见"。

总结：直方图均衡化的本质是以累积分布函数（CDF）作为变换函数，使输出图像的灰度直方图尽可能均匀，从而增大图像的动态范围和整体对比度，使隐藏的细节和结构变得可见。

（2）直方图均衡化在医学图像处理领域的应用

应用一：增强脑部 MRI 图像的对比度以辅助肿瘤分割

MRI 图像的原始灰度动态范围常受限于扫描参数和线圈灵敏度，部分区域的肿瘤边界与正常组织灰度接近，肉眼难以区分。对脑部 MRI 图像应用直方图均衡化后，原本微弱的肿瘤-正常组织灰度差异被显著放大，肿瘤边界更加清晰。这为后续的肿瘤分割算法（如 Otsu 阈值法、区域生长法、深度学习分割网络等）提供了更高质量的输入图像，提升分割精度。

应用二：X 射线胸片中增强肺部结节的可检测性

X 射线胸片的原始直方图往往集中在较暗的灰度区域（整体偏暗），肺部微小结节（如早期肺癌）与周围组织的对比度极低。直方图均衡化将灰度拉伸到全范围后，结节的灰度与肺实质背景的差异被放大，放射科医生更容易在阅片时发现早期病变。

应用三：数字乳腺 X 线摄影（Mammography）中增强微钙化点

乳腺 X 线图像中，微钙化点（乳腺导管癌的早期标志）极其微小且与致密乳腺组织的灰度差极小。直方图均衡化在局部区域应用后，微钙化点的高灰度特征被放大，显著提升了早期乳腺癌的检出率。