Image Processing 影像的縮放

影像的放大和縮小，必伴隨影像中Pixel的增加或減少，而我們要討論的就是要增加或減少那些Pixel
現在主流的影像縮小放大演算法有以下三種

• 最近鄰居法(Nearest Neighbor):最簡單，最快速的算法。以影像的放大為例，作法是將放大影像的座標點換算回原始影像上，與原始影像哪個座標點最近，就取其Pixel值做為新Pixel值
• 雙線性插值(Bilinear Interpolation):視覺上會比Nearest Neighbor要好一些，但運算量稍大。以影像的放大為例，作法是將放大影像的座標點換算回原始影像上，通常不會是整數位置，若是小數位置即跟周圍的四個點按距離按比例計算Pixel，做為新Pixel值，以下為例子:
  欲求的點：P(x,y)
  四鄰點：Q11(x1,y1)、Q12(x1,y2)、Q21(x2,y1)、Q22(x2,y2)
  設距離：a' = x2 - x1 、b' = y2 - y1、a = x - x1 、b= y - y1
  P(x,y) = ( (a'-a)(b'-b)Q11 + a(b'-b)Q21 + b(a'-a)Q12 + abQ22 ) / ( a' * b' )
  
• Bicubic Interpolation

如何換算回原始的影像:

反向映射計算方法，就是將放大或縮小的影像坐標乘上其倍數的倒數，即可大致得到其在原圖中的位置。

如：2*2 放大 2倍 --> 4*4。

4*4 像素點反向映射： 

(0,0)*1/2 = (0,0)，(1,0)*1/2 = (0.5,0)，(2,0)*1/2 = (1,0)，(3,0)*1/2 = (1.5,0) 

(1,1)*1/2 = (0.5,0.5)，(2,2)*1/2 = (1,1)，(3,3)*1/2 = (1.5,1.5) .........

Reference:
https://jason-chen-1992.weebly.com/home/nearest-neighbor-and-bilinear-interpolation
https://blog.csdn.net/weixin_35811044/article/details/84242921

Image Processing 大津二值化(Otsu's)

影像的二值化，指的是用灰階影像轉成為二值影像，二值影像即一個Pixel只有兩種變化:全黑(0)或是全白(255)，單獨紀錄二值影像每個Pixel只要1bit就足夠了

而要將一個灰階影像二值化，你就要能夠很好的區分那些是背景，哪些是前景，或者說哪個部分要全黑，哪個部分要全白，這裡就要靠找的一個適合的Threshold(閥值)，把大於Threshold的Pixel設為全白，反之設回全黑。
Threshold我們可以自己手動設定，也可以用自動化的方法，Otsu就是一個不錯的方法，透過計算找到最佳的Threshold。

Image Processing 灰階影像分割(bit-plane slicing)

灰階影像:通常每個Pixel是由8個bit組成，即有256種變化。然而每個Pixel的8個bit，從最高位到最低位攜帶的信息量是逐漸遞減的，可以看下面幾張圖

Image Processing 影像濾波器

markdown 在提影像濾波器之前，要先來講影像中的頻率:

###影像的頻率指的是影像顏色變化的劇烈程度。

頻率又分兩種:低頻分量和高頻分量

低頻分量:一張圖中，顏色變化緩慢的部分叫做低頻部分。通常是描述影像的主要部分，比如人的臉

高頻分量:一張圖中，顏色變化劇烈的部分叫做高頻部分。通常是描述影像的邊緣部分，比如臉的輪廓、臉上的青春痘等。

我們知道影像每個pixel是由R、G、B三個channel所組成，所以這裡的影像的頻率通常是把影像轉成灰階，變成單一的channel，這樣才好判斷顏色的變化