6、数字图像相关知识解析

数字图像相关知识解析

1. 数字图像基础

在机器视觉领域，数字图像的处理和理解是核心内容。精确重建图像需要采样率至少是信号最高频率的两倍，但在实际应用中，我们通常更关注提取完成当前任务所需的信息，而非精确重建图像的最细微细节。

当连续值的模拟信号被划分为离散范围时，就会产生量化误差，这种误差常表现为轮廓效应。例如，用16级灰度（4位）表示的人脸图像和用8级灰度（3位）表示的人脸图像，后者可能会因量化误差出现更明显的轮廓。

2. 深度图像的获取方式

深度图像的获取主要有两种方式：立体视觉和结构光照明。

2.1 立体视觉

大多数动物有两只眼睛，通过两个视角可以提取三维信息，这在几何上是可行的。如果知道两个相机之间的距离、每个相机的观察角度（在大多数立体视觉系统中，相机的中线是平行的），并且能够测量场景中特定点在两个图像中的位置，就可以计算出物体的距离，即“深度”。但要实现这一点，需要解决对应问题，即确定左图像中的哪个点对应右图像中的哪个点。

为了简化对应问题，常假设两个相机完全平行，这样左图像中某条线上的点会出现在右图像的同一条“极线”上。极线连接了一个点及其对应点，这一假设能显著降低对应问题的复杂度。

解决对应问题的方法有很多，大多数集中在点匹配上。例如，Bokil和Khotanzad通过建立灰度兼容性矩阵（GLCM）来实现点匹配。他们先计算左图像第i行和右图像第j列亮度值之差的绝对值，确定矩阵的i, j元素，然后对GLCM值进行归一化，建立行与行之间的相关性并选择最佳匹配。

此外，分层匹配可以使对应问题更易于解决，即两个低级特征（如极线边缘）只有在它们所