医学图像处理第二章数字图像基础

《医学图像处理第二章数字图像基础》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、一个人最重要的是思想，每个人思想不同，因此人与人也各不相同。如果我了解你的思想，那我就能知道你是什么样的人；如果想要改变自己的人生，那首先就要改变自己的思想。—戴尔·卡耐基教学基本要求：2.1视觉感知要素；2.2图像感知和获取；2.3图像取样和量化；2.4像素间的一些基本关系；*教学基本要求：2.1视觉感知要素；2.2图像感知和获取；2.3图像取样和量化；2.4像素间的一些基本关系；*眼睛的形状近似于一个圆球，平均直径大约20mm有三层膜包围着眼睛虹膜：2mm~8mm，其作用是控制入光量视网膜：图像视觉，表面的光接收

2、器分为两类，即锥状体和杆状体。锥状体数目600万~700万，负责颜色和细节识别，锥状视觉又称白昼视觉；杆状体数目约7500万~15000万，无彩色感觉，称夜视觉。可把中央凹看作一个1.5mm×1.5mm的方形传感器阵列。*眼睛的晶状体和普通光学透镜之间的主要差别在于前者的适应性强。当晶状体的折射能力由最小变到最大时，晶状体的聚焦中心与视网膜间的距离由17mm缩小到14mm，因此可以很容易计算出图像在视网膜成像的大小。(P29)*2.55mm人眼的主观亮度并非简单的光强函数，下面是一些有趣的例子：“马赫带，MachBa

3、nd”（P32）*人眼的主观亮度并非简单的光强函数，下面是一些有趣的例子：瞬时对比现象(P32)*人眼的主观亮度并非简单的光强函数，下面是一些有趣的例子：视觉错觉(P33)*人眼的主观亮度并非简单的光强函数，下面是一些有趣的例子：视觉错觉*人眼的主观亮度并非简单的光强函数，下面是一些有趣的例子：视觉错觉*人眼的主观亮度并非简单的光强函数，下面是一些有趣的例子：视觉错觉*人眼的主观亮度并非简单的光强函数，下面是一些有趣的例子：视觉错觉*人眼的主观亮度并非简单的光强函数，下面是一些有趣的例子：视觉错觉－栅格火花错觉*人眼

4、的主观亮度并非简单的光强函数，下面是一些有趣的例子：视觉错觉*人眼的主观亮度并非简单的光强函数，下面是一些有趣的例子：视觉错觉－埃斯切尔的不可能的盒子*教学基本要求：2.1视觉感知要素；2.2图像感知和获取；2.3图像取样和量化；2.4像素间的一些基本关系；***传感器原理：通过对特殊类型检测能源敏感的传感器材料将输入量转变为电压，传感器的响应是输出电压波形。三种主要传感器装置单元成像传感器：用单个传感器获取场景成像；线成像传感器：用带状传感器获取场景成像；阵列成像传感器：用传感器阵列获取场景成像*单元成像传感器：如

5、光敏二级管通过x-y方向二维运动来得到二维图像。(P37)*线成像传感器：如平板扫描仪线性移动每增加一个单位输出一个图像行；只需一维运动就能得到二维图像。(P38)*阵列成像传感器：如CCD（Charge-coupledDevice，电荷耦合元件）图像传感器。不需要运动就能形成图像。教学基本要求：2.1视觉感知要素；2.2图像感知和获取；2.3图像取样和量化；2.4像素间的一些基本关系；*图像数字化：将模拟图像经过离散化之后，得到用数字表示的图像。图像的数字化包括采样和量化两个过程。采样：是将在空间上连续的图像转换成

6、离散的采样点（即像素）集的操作。即：空间坐标的离散化。量化：把采样后所得的各像素的灰度值从模拟量到离散量的转换称为图像灰度的量化。即：灰度的离散化。***采样：Sampling，实际上采样方式由产生图像的传感器装置决定：P40量化：Quantization，由灰度级决定*采样和量化的结果是一个实际矩阵。一幅有M行和N列的数字图像表示如下：离散坐标用整数表示，原点的坐标值是（0,0）**数字图像的质量在很大程序上取决于采样和量化中所用的采样数和灰度级。空间分辨率是图像中可辨别的最小细节，采样值是决定一幅图像空间分辨率的

7、主要参数。灰度分辨率指在灰度级别中可分辨的最小变化，由量化的等级决定，灰度级通常是2的整数次冥。通常把大小为M×N，灰度为L级的数字图像称为空间分辨率为M×N像素、灰度级分辨率为L级的数字图像。**1024*1024512*512256*256128*12864321024*1024512*512256*256128*12864*6432*32小结：从上面的图中我们可以看出，在图像尺寸不变的情况下，空间分辨率高的图像比空间分辨率低的图像包含的像素多，像素点较小，因而图像更清晰。如果图像出现棋盘格则说明采样数目不够。*

8、**256灰度级16灰度级8灰度级4灰度级小结：从上面的图中我们可以看出，在空间分辨率不变的情况下，灰度级高的图像比灰度级低的图像质量更好。如果图像出现伪轮廓则说明灰度级数不够。*当限定数字图像的大小时,为了得到质量较好的图像，一般可采用如下原则：对缓变的图像，应该细量化，粗采样，以避免假轮廓。对细节丰富的图像，应细采样，粗量化，以避免模糊。*