1、时域空间概述
时域+空间域
时域是描述数学函数或物理信号对时间的关系。例如一个信号的时域波形可以表达信号随着时间的变化。
空间域又称图像空间(image space)。由图像像元组成的空间。
在图像空间中以长度(距离)为自变量直接对像元值进行处理称为空间域处理。
特点
以时间作为变量所进行的研究就是时域
以空间坐标作为变量进行的研究就是空间域
注：在图像处理中，视频可以认为是时域上的图像序列构成，图片可以认为是时域上的单幅图像。为了对应于频域空间，后面统称为时域空间。
频域
频域就是频率域，是描述信号在频率方面特性时用到的一种坐标系。自变量是频率,即横轴是频率,纵轴是该频率信号的幅度,也就是通常说的频谱图。频谱图描述了信号的频率结构及频率与该频率信号幅度的关系。
2、常见的灰度变换函数
图像灰度变换
图像的灰度变换(Gray-Scale Transformation,GST) 是指根据某种目标条件按一定变换关系逐点改变原图像中每一个像素灰度值的方法。
灰度变换有时又被称为图像的对比度增强或对比度拉伸。例如为了显示出图像的细节部分或
提高图像的清晰度，需要将图像整个范围的灰度级或其中某一段（a，b）灰度级扩展或压缩到（a′，b′），这些都要求采用灰度变换方法。
特点
从图像输入装置得到的图像数据，各个像素与某一灰度值相对应。
设原图像像素的灰度值D=f（x，y）,处理后图像像素的灰度值D′=g(x,y)，则灰度变换可表示为：
2、常见的灰度变换函数
图像灰度变换之线性
图像灰度变换之二值
图像灰度变换之非线性（log）
3、直方图的概念
4、时域空间滤波基础
滤波
滤波一词起源于通信理论，它是从含有干扰的接收信号中提取有用信号的一种技术。
时（空）域滤波技术根据功能主要分为平滑滤波与锐化滤波：
平滑滤波能减弱或消除图像中的高频率分量而不影响低频分量。
高频分量对应图像中的区域边缘等灰度值具有较大变化的部分，平滑滤波可将这些分量滤去减少局部灰度起伏，是图像变得比较平滑。
实际应用中，平滑滤波还可用于消除噪声，或在提取较大目标前去除太小的细节或将目标的小间断连接起来。
锐化滤波正好相反，实际应用中锐化滤波常用于增强被模糊的细节或目标的边缘。
5、什么是平滑空间滤波器？
一般来说，对于一个尺寸为mn的模板，假设m=2a+1，n=2b+1，这里a、b为非负整数，使模板的长和宽都为奇数。在大小为MN的图像f上，用上述滤波器模板进行线性滤波（卷积运算），像素（x,y）处的运算结果可由下式给出：
为了得到一幅完整的经过卷积运算处理的图像，必须对图像中 x=0,1,2,…,M-1 和 y=0,1,2,…,N-1依次应用上式，即遍历处理图像中所有像素。
主要步骤为：
① 将模板在图中漫游，并将模板中心与图中某个象素位置重合；
② 将模板上系数与模板下对应象素相乘；
③ 将所有乘积相加；
④ 将和（模板的输出响应）赋给图中对应模板中心位置的象素。
注意: 定义模板时一定指明模板中心。 定义模板时一定指明模板中心。
平滑滤波器用于模糊处理和减小噪声。模糊处理经常用于预处理，例如，在提取大的目标之前去除图像中一些琐碎的细节、桥接直线或曲线的缝隙。由于典型的随机噪声由灰度级的尖锐变化组成，因此，常见的平滑处理应用就是减噪。
由于图像边缘(几乎总是一幅图像希望有的特性)也是由图像灰度尖锐变化带来的特性，所以平滑滤波处理存在着边缘模糊的负面效应。
平滑滤波器能减弱或消除图像的高频分量，因为高频分量对应图像中的区域边缘等灰度值变化较大、较快的部分，滤波器将这些分量滤除，从而使图像平滑。
6、什么是锐化空间滤波器？
锐化处理的主要目的是突出灰度的过渡部分，增强图像中的细节。
空间域像素邻域平均法可以使图像变模糊，而均值处理与积分相类似，从逻辑角度我们可以断定，锐化处理可以用空间微分（差分）来完成。
微分（差分）算子的响应强度与图像在该点灰度的突变程度有关，图像微分增强了边缘和其他突变(如噪声)并削弱了灰度变化缓慢的区域。
7、什么是混合空间增强？
所谓混合空间增强，就是综合利用平滑、锐化滤波器等，对图像进行处理，得到更为理想的显示效果，本小节采用一个经典的案例来进行讲解。注：使用script编程方式
