数字图像基础概念

1. 边缘视觉对运动敏感，中央视觉对颜色敏感
2. 模拟图像和数字图像
   1. 数字图像：采集的图像是不连续的，如CCD相机(读出光信号，后处理，好的显微镜普遍使用CCD)，CMOS是把感光信号传递到芯片上处理(图像处理更快，但感光面积相比CCD小，光子的探测效率低)
   2. 模拟图像：连续图像——如感光的胶片
3. 像素的位置和灰度：图像的原点在左上角注：信号强度用灰度表示，一个比特是2，八个比特是2^8
   1. 人眼对灰度的鉴别能力：最多是1000个左右的灰度值注：为什么需要12/16bit图像？——反卷积算法的准确性与bit的深度有关，Bit的深度越高越准确！
   2. 彩色图像
   3. 图像采样和量化：采样率是分辨率的一倍，分辨率达不到采样率的要求
   4. 黑白图像的数字化：无灰度梯度
   5. 采样率变化对图像视觉效果的影响：棋盘状效果
   6. 灰度级别：灰度级别越来越小，细节会失去
   7. 总结：
   8. 数字图像格式：存储格式用TIF，保留了原始图像所有的细节信息

点运算图像增强技术

1. 点运算：基本概念：
   1. 反转转换：
   2. 对数运算：增强弱信号
   3. 幂函数：可变亮或者变暗，便于眼睛区分灰度，对计算机无所谓，细节都知道注：不存在过渡曝光
2. 面运算：
   1. 加法：注：采集时间短时——信噪比高——对图像做算术平均值(静止不动)，可以降噪音，把背景噪音均一化了注：合成图像！
   2. 减法：注：如何知道蝴蝶轮廓，需要算法注：突出了图像中渐变的变化
   3. 乘法：提取轮廓

直方图运算图像增强技术(全局运算)

1. 图像的全局特性：注：直方图代表了不同灰度的像素个数统计。注：最佳的清晰度是均匀地覆盖了0-255的灰度区间
2. 对比度拉伸：注：对每个像素的灰度值进行计算，负数为0，大于255的的就定义为255
   • 直方图均衡化运算：对比度拉伸的算法注:nk为改灰度像素出现的次数注：效果接近眼睛所认为完美的图像——全局化处理(手机里常用的算法)

平滑空间滤波器(制造朦胧感)

1. 空间滤波演示：过滤不想要的信息，也可以增强信息，这是滤波器的目的注：掩模操作是局部处理——相同像素的值相乘注：掩模操作的是最中心像素的灰度值
2. 平滑空间滤波器：注：局域化控制在3x3就好注：可作为轮廓提取的粗糙算法，更精细需要拉普拉斯掩模算法
   1. 中值滤波器：有效保留原图细节，优于均值滤波器
   2. 最大值/最小值滤波器

锐化滤波器(变的更清晰)

1. 用途：
2. 数字图像中一维微分的定义：注：二阶函数对渐变边界无法区分(这时候需要一阶求导)，对于一个点(有清晰边界的图像)可以区分——处理图像细节的能力更强注：拉普拉斯掩模(求边界)的锐化处理——拍星球更清晰了

显微镜图像分析举例

1. TIRF的观察：
2. 算法——看膜融合的过程注：给予一定的约束，进而筛选过程，最后的visual confirmation可以通过人工智能的算法来实现
3. 拉普拉斯掩模前需要进行高斯掩模(加权平滑滤波)去除噪音：注：掩模的叠加取决于你追求的效果！