视频地址：https://www.bilibili.com/video/BV19x411X7k6?p=2
安装配置环境
1.安装Anaconde
1.配置tensorflow和opencv包，也要安装opencv-contrib-python,opencv-python
2.跟换pychem的python 环境（换成Anaconde）
3.一般在Anaconda Prompt 命令行操作
4.用jupyter notebook（在网打开），把用户作为主目录
5.测试是否安装成功
图像的预处理工作
图像显示与储存原理
图像增强的目标
点运算：基于直方图的对比度
…
颜色空间
RGB颜色空间：越叠加越白（越亮）
CMY颜色空间 ：越叠加越黑（越暗）
HSV颜色空间：色调，饱和度，亮度
CIE-XYZ颜色空间：人类颜色直觉直接测定（用不到）
图像显示与储存原理
RGB三通道彩色图
单通道的灰度图（只有亮度）[0.255]
可以转换Gray = R0.3 + G0.59 + B*0.11
图像存储格式
图像增强的目标
改善效果
易于分析、
突出重点
锐化，平滑，去噪，灰度调整（对比度增强）
图像处理的手段
空间域–>频率域处理
领域运算（图上写错了）
特征提取的方法
直方图：全局特征，被每个像素的个数表示出来
直方图均衡化
https://blog.csdn.net/zhulf0804/article/details/52770613
避免像素集中，比如非线性拉伸！！
自适应直方图均衡（AHE）
https://blog.csdn.net/eternity1118_/article/details/51492105
CLAHE(直方图均衡):
https://blog.csdn.net/u010839382/article/details/49584181?utm_medium=distribute.pc_relevant_download.none-task-blog-BlogCommendFromBaidu-2.nonecase&depth_1-utm_source=distribute.pc_relevant_download.none-task-blog-BlogCommendFromBaidu-2.nonecas
图像插值：https://blog.csdn.net/helimin12345/article/details/82117848
形态学运算
膨胀和腐蚀
https://blog.csdn.net/zqx951102/article/details/82997588
空间域处理及其变换
卷积（滤波）：卷积===滤波：
卷积：相乘再相加，把最后的值放到中心处
问题：边界填充（padding）
比如有一个5x5的卷积核，和一个4x4的原图也能卷积：卷积核的中心对在你想要卷积的位置上—>卷积前的尺度和卷积后保持一致
边上的？全部设成0，中心点从左上一直到右下卷积，卷积后把值放到中心点，会形成周围全是0不起作用，最后卷积前的尺度和卷积后保持一致。
边界填充策略
补零，边界复制，镜像，块复制
注意：不要用过大的卷积核去卷积小的图片！！！
图像中值滤波和均值滤波（滤波又叫图像平滑化）：
https://blog.csdn.net/qinghuaci666/article/details/81737624
均值滤波示意
空间域分析及变换
平均中值滤波（处理叫言行噪音）
用处主要是在高斯金字塔中使用！！！
边缘（垂直和水平）检测的滤波器：拉普拉斯算子
https://blog.csdn.net/scottly1/article/details/44408343
中间的点做成-很大的点，所有的相加等于零：避免把完全平滑的区域选出来，如果图片上有一区域像素点一样，卷积（滤波后）为零。
图像细节，把细节的部分都找出来，叠加到上面
频域分析及变换
高斯金字塔
https://blog.csdn.net/firstlai/article/details/78108399
图像的缩放
降采样：平均的取图像中的点，缩小图片
拉普拉斯金字塔
一层一侧的减小之后（高频逐渐丢失），想办法把高频的细节保留下来。
注意：用opencv 的python 版本时候，文件名不能出现中文，否则会报错
高频，是指一个信号的变化速度较快，这是一个相对概念。在图像上来说，就是一片图像的亮度变化较多且明显，频谱上有很多峰值，低频则频谱上有一个峰值，像素集中
频率域分析—傅里叶变换
时域中的波形可以通过多个不同频率的正弦波叠加而来
下面黑色的图像，为在频域上这个图像的表示
F(w)代表固定频率的正弦波，e(jwt)代表弹簧，jw转动，t沿着时间轴展开，再全都加起来
离散傅里叶变换
2D离散傅里叶变换
如果你在图像上是连续的那么你在频谱上就是一些点（右边是频谱）
如果你在图像上是离散的（一般是），那么你在频谱上就是很多很多一些点（右边是频谱）
越靠外频率越高为高通部分，在中间频率越低为低通部分
低频滤波，将频谱图中间的保留住，会使原图像变模糊。高频滤波，将频谱图中间的去除，会保留原图像的边缘。
基于傅里叶变换的滤波：
https://blog.csdn.net/qq_29462849/article/details/80995335
我们知道，低频对应的图像中变化不明显的部分，于是，图像就变的非常模糊。这在图像处理中也叫平滑滤波。再介绍一个概念：图像的锐化。就是与平滑化相对，即下面高通滤波器所达到的效果。很明显，图像边缘增强了
频谱滤波
FFT中竖直的线，代表着水平方向有明暗明暗的条纹（看上面的图片）
在图片水平方向有明暗的波动
把中间保留，周围去掉（保留低频（主题部分），去除高频）—>低通滤波
把中间去掉，周围保留（保留高频（细节部分），去除低频）—>高通滤波
体现在频谱上有两个亮点，把亮点扣除，再还原回去就完美了（一定要用这种方式）
傅里叶变换的不足
短时傅里叶变化
短时傅里叶变换的特点
小波变换：
频率域分析----小波变换
常用的小波函数
小波变换补课:
傅里叶变化：（假设时域信号不随着时间发生改变）
傅里叶变化的缺点：频域随着时间变化的信号，进行傅里叶变化，仅从傅里叶变换不能知道信号的高频和低频在什么地方。它失掉了频率的时间特征
原因：在于这些正弦波，每一个正弦波横跨整个时间轴并且频率保持不变，不能知道原来的信号某一时刻的频率是多少。
改进：不要这么长的正弦波，把正弦波砍短，这就是小波变化的思想。
典型的小波
小波并不是因为它的幅值比较低，或者个子比较小，是因为它的长度比较短。
小波也有频域信息，变化比较快的，比较瘦–>频率高
傅里叶变换把一个信号拆解成，不同频率的正弦信号
小波变换就是把一个信号拆解成不同胖瘦，不同位置的小波
每个小波它只持续一个很短的时间，因此需要把这个小波在时间轴上移动，才能够更好的表达原来的信号。
把红色的信号做小波变换：
初试用比较胖的小波，随着时间的增长要用比较瘦的小波，频率越来越高