BMP #
bmp 的格式 #
檔案表頭 #
- 簽名檔 (2 Bytes)： 檔案的前兩個字母永遠是 BM (代表 Bitmap)。如果電腦沒看到 BM，就會直接報錯說檔案損壞
- 檔案大小 (4 Bytes)： 告訴電腦這個檔案總共有多大。
- 保留區 (4 Bytes)： 暫時沒用到，通常是 0。
- 資料偏移量 (4 Bytes)： 這個很重要！它告訴電腦：「包裹的資訊到此為止，請從第幾個 Byte 開始讀取真正的『圖片像素資料』」。
Note：4 bits 可以表示 0 ~ 15，而 1 bytes = 8 bits ，換句話說 1 bytes = 16 進位的兩個位數。像 " BM " 在檔頭會表示成 " 42 4D " ，" 42 " -> ‘B’ 、 " 4D " -> ‘M’。
影像資訊表頭 #
- 圖片的寬度（4 Bytes）
- 圖片的高度（4 Bytes）
調色盤 #
-
什麼時候會有？ 如果圖片是 8-bit (256色) 或更低，檔案裡就會有這個調色盤。它會列出這 256 種顏色具體是什麼紅、什麼綠。
-
什麼時候沒有？ 如果你的圖片是 24-bit 或 32-bit (全彩)，每個像素自己就已經帶有完整的顏色資訊了，就不需要調色盤。這時候這個區塊會直接省略。
調色盤的作用就是建立一張表，後面像素只需要 1 byte 查詢對應的顏色號碼
像素資料 (Pixel Data) #
-
由下往上畫 (Bottom-Up)： 一般習慣是從左上角開始畫到右下角。但 BMP 預設是從圖片的「左下角」開始記錄，一路記錄到「右上角」，也就是像素是從下到上、從左到右儲存的
-
顏色是 BGR，不是 RGB： 常聽到的顏色排列是紅、綠、藍 (RGB)，但 BMP 要反過來，它的順序是藍、綠、紅 (BGR)。
-
4 的倍數強迫症 (Padding)： BMP 規定，每一橫列的資料量，都必須是 4 的倍數 (Bytes)。如果一張圖的寬度換算下來不是 4 的倍數，它會在每一列的最後面強行塞入沒意義的 0 (Padding) 來補齊
⭐ #
- 如果是彩色影像：檔頭有 56 個 bytes
- 如果是灰階影像：因為調色盤的原因檔頭是 1078 bytes
色彩空間轉換 #
HSV #
什麼是 HSV？ #
HSV 是一種基於人類視覺感知的色彩模型，比起機器在看的 RGB 模型，HSV 更符合人類直觀的感受。它將顏色分解為三個屬性：
-
H (Hue, 色相)
-
S (Saturation, 飽和度)
-
V (Value / Brightness, 明度/亮度)，因此有時也稱為 HSB。
像是 CSP 或其他電繪軟體都會提供 HSV 色彩系統
三大元素詳解 #
- 色相 (Hue)
- 定義： 顏色的種類（例如紅、黃、藍）。
- 數值： 用角度表示，範圍是 0° 到 360°。
- 舉例： 0° 對應紅色，120° 對應綠色，240° 對應藍色。
- 飽和度 (Saturation)
- 定義： 顏色的純度或鮮豔度（或彩度）
- 數值： 範圍是 0% 到 100%。
- 舉例： 100% 是最純的顏色；數值越低，顏色越黯淡，0% 時會變成灰階。
- 明度 (Value)
- 定義： 顏色的明暗程度。
- 數值： 範圍是 0% 到 100%。
- 舉例： 100% 代表該顏色最亮的狀態；0% 則是純黑色。
為什麼要用 HSV？ #
- 更直觀的調色： 當你想要把一個紅色「變暗一點」或「變灰一點」，在 RGB 模式下很難抓準數值；但在 HSV 模式下，只要單獨調整明度 (V) 或飽和度 (S) 即可。
YUV #
什麼是 YUV？ #
YUV 是一種將「亮度」與「色度」分離的色彩編碼系統。
-
Y (Luma, 亮度)：代表影像的明亮程度（黑白影像）。
-
U (Chroma Blue, 色度)：藍色色差訊號（U = 藍色 - 亮度）。
-
V (Chroma Red, 色度)：紅色色差訊號（V = 紅色 - 亮度）。
為什麼需要 YUV？ #
-
相容性歷史：當彩色電視問世時，為了讓舊有的黑白電視也能收看訊號，廣播系統保留了 Y 頻道（黑白），並額外疊加了 U 和 V 訊號給彩色電視使用。
-
節省頻寬/空間：人類視覺對「亮度」的敏感度遠高於「色彩細節」。因此，我們可以降低 U 和 V 的解析度（採樣率）而不會被肉眼察覺，這就是 YUV 壓縮的核心原理。
常見的採樣格式 (Chroma Subsampling) #
-
YUV 4:4:4：完全不壓縮，每個 Y 都有對應的 U 和 V。
- 第一排：4 個亮度、4 個色彩
- 第二排：4 個色彩
-
YUV 4:2:2：水平方向的色度採樣減半，常用於高品質影片錄製。
- 第一排：4 個亮度、2 個色彩
- 第二排：2 個色彩
-
YUV 4:2:0：最常見的格式（如 DVD、藍光、串流影片），色度在水平和垂直方向都減半，能大幅節省空間（約節省一半資料量）。
- 第一排：4 個亮度、2 個色彩
- 第二排：0 個色彩（意思是，第二排不存色彩，直接「往上借用」第一排的色彩）
雜訊 #
雜訊 #
高斯雜訊 (Gaussian Noise) #
-
定義：其機率密度函數 (PDF) 符合常態分佈（高斯分佈）的一種雜訊。
-
外觀：影像看起來會有一層細微的「顆粒感」，幾乎每個像素的亮度都會被輕微改變。
-
處理方式：常用 均值濾波 (Mean Filter) 或 高斯濾波 (Gaussian Filter) 來平滑化影像。
椒鹽雜訊 (Salt-and-Pepper Noise / Impulse Noise) #
-
定義：影像中出現隨機的純白點（鹽）或純黑點（椒）。
-
外觀：影像上佈滿黑白相間的小點，像是被撒了胡椒粉和鹽巴。
-
處理方式：中值濾波 (Median Filter) 是最有效的解決方法，因為它可以直接去除極端的離群點。
隨機雜訊 (Random Noise) #
-
定義：廣義指各種無規律的干擾，有時特指「均勻雜訊 (Uniform Noise)」。
-
外觀：雜訊值在一定範圍內隨機分佈，不像高斯雜訊那樣集中在平均值附近，又被稱作白噪音。
-
處理方式：視分佈情況而定，通常綜合使用各種平滑演算法。
雜訊抑制 #
要了解這三種濾波器的運作方式，必須先認識影像處理中一個非常核心的概念：「滑動視窗 (Sliding Window)」與「遮罩 (Mask / Kernel)」。你可以想像手上拿著一個通常是 \(3 \times 3\)（九宮格）或 \(5 \times 5\) 的放大鏡。
這把放大鏡會從圖片的左上角開始，一格一格地往右、往下掃描過整張圖片。每次放大鏡停下來時，它會看著框框內的 9 個像素，然後經過某種「秘密計算」，算出一個新的數值，用來替換掉正中間那個像素原本的顏色。
這三種濾波器的差別，就在於它們框住那 9 個像素後，進行了什麼樣的「秘密計算」
均值濾波器 (Mean Filter / 最標準的低通濾波) #
-
怎麼算： 當 \(3 \times 3\) 的九宮格框住 9 個像素時，它會把這 9 個像素的數值全部加起來，然後除以 9，算出一個平均值。
-
舉例： 假設中間原本是一個很亮的點（數值 200），但周圍 8 個點都是暗的（數值 20）。計算方式就是：\((200 + 20 \times 8) / 9 \approx 40\)。
-
結果： 中間原本很突兀的 200，被周圍的鄰居「平均」成了 40。所有的極端值都會被周圍的環境給拉平，這就是為什麼畫面會變模糊的原因。
高斯濾波器 (Gaussian Filter) #
高斯濾波覺得「均值濾波」太粗暴了，離中心點很遠的像素，怎麼可以和中心點擁有相同的發言權呢？
-
怎麼算： 它的九宮格裡會自帶「權重分數」。正中間的權重最高（例如 4 分），上下左右次之（例如 2 分），四個角落最低（例如 1 分）。權重會按照某個複雜的公式取值，但實務上是直接查表。
-
計算過程： 它會把這 9 個像素各自乘上它們的權重，全部加起來後，再除以「總權重」。
-
結果： 因為正中間的權重最大，所以算出來的新數值，還是會比較貼近原本中心點的顏色。這樣在把雜訊「揉勻」的同時，就能比均值濾波更好地保留原本物體的輪廓和漸層。
中值濾波器 (Median Filter) #
中值濾波器是個異類，它不加、不減、不乘、不除，它是用排序的
-
怎麼算： 當 \(3 \times 3\) 的九宮格框住 9 個像素時，它會把這 9 個數字抓出來，從小到大排成一列。然後，直接挑選排在正中間（第 5 個）的那個數字，作為中心點的新數值。
-
為什麼能秒殺「椒鹽雜訊」？ 假設周圍 8 個像素都是正常的灰色（數值都在 100~110 之間），但中間混入了一顆純白的「鹽巴雜訊」（數值 255）。 排隊後會變成這樣：
100, 101, 102, 105, 105, 106, 108, 110, 255。 排在正中間的數字是 105。 -
結果： 那個極端的 255（雜訊）因為太大，直接被踢到隊伍的最尾端，永遠不可能被選中！同樣地，純黑的 0 也會被踢到最前面。所以雜訊就這樣不費吹灰之力地被「無視」並移除了，而原本正常的邊緣卻能完好如初。
影像增強 #
影像增強 #
影像增強的主要目的是透過對像素值的運算，改善影像的視覺效果或轉化為更適合電腦視覺處理的形式。
固定數值 (Linear Scaling / Constant Adjustment) #
-
原理：對每個像素加上或乘上一個固定常數。\(g(x,y) = a \cdot f(x,y) + b\)。
-
效果：加上常數 \(b\) 改變「亮度」，乘上係數 \(a\) 改變「對比度」。
Log 增強 (Log Transformation) #
-
原理：\(s = c \cdot \log(1 + r)\)。
-
效果：擴展影像中的低亮度（較暗）部分，同時壓縮高亮度部分。
-
應用：常用於顯示動態範圍極大的影像，如傅立葉頻譜圖。
Gamma 增強 (Gamma Correction / Power-Law) #
-
原理：\(s = c \cdot r^\gamma\)。
-
效果：\(\gamma < 1\) 時影像變亮，\(\gamma > 1\) 時影像變暗。
-
應用：校正顯示器亮度、調整照片曝光不足或過度。
對比拉伸 (Contrast Stretching) #
-
原理：分段線性變換。將原本窄小的灰階範圍（例如 50-100）拉伸到完整的範圍（0-255）。
-
效果：使影像黑白更分明，細節更清晰。
灰度切片 (Gray-level Slicing) #
-
原理：將特定範圍的灰階值（如 150-200）設為高亮度，其餘設為低亮度（或保持不變）。
-
應用：從背景中突顯出特定強度的目標物體（如 X 光片中的骨骼）。
直方圖等化 (Histogram Equalization) #
-
原理：透過機率密度函數 (PDF) 與累積分佈函數 (CDF)，將影像像素值重新分佈，使其直方圖趨於均勻。
-
效果：自動最大化影像的全局對比度，特別適用於背景與前景過於接近的影像。
浮水印 #
浮水印 #
分成：
- 可見式浮水印
- 隱藏式浮水印
什麼是數位浮水印？ #
數位浮水印是一種將特定資訊（如版權聲明、作者標識、序號等）隱藏嵌入到數位媒體（影像、音訊、影片）中的技術。
-
目的：主要用於保護智慧財產權、驗證數位內容的真實性與完整性，以及追蹤資料的非法散佈。
-
提取方式：當發生版權爭議時，可以透過特定的演算法將隱藏的浮水印提取出來，作為合法的證明。
浮水印技術的三大核心要求 #
這三個特性通常是互相牽制的（Trade-off）：
-
隱蔽性 (Imperceptibility / Invisibility)：嵌入浮水印後，不能嚴重影響原始影像的視覺品質，肉眼應該看不出差異。
-
強健性 (Robustness)：當影像遭到各種影像處理攻擊（如 JPEG 壓縮、裁切、縮放、加入雜訊、濾波等）後，浮水印仍能存活並被成功提取。
-
容量 (Capacity / Payload)：影像中能隱藏多少浮水印資訊（位元數）。
浮水印的兩大技術分類 #
A. 空間域技術 (Spatial Domain) #
直接對影像的像素值（灰階值或 RGB 值）進行修改來嵌入資訊。
-
代表技術：LSB (Least Significant Bit，最低有效位元)
-
原理：將像素值的二進位表示法中，最右邊、對數值影響最小的位元（LSB）替換成浮水印的位元。
-
優點：計算速度極快、演算法簡單、可以隱藏大量資訊（容量高）。
-
缺點：非常脆弱！只要影像經過輕微的壓縮（如轉存 JPEG）或濾波，最低有效位元就會被破壞，浮水印隨之消失。
-
B. 頻率域 / 轉換域技術 (Frequency / Transform Domain) #
先透過數學轉換將影像從「像素空間」轉換到「頻率空間」，在頻率係數上嵌入浮水印後，再逆轉換回影像。這類技術安全性較高，是目前的主流。
-
代表技術 1：DCT (Discrete Cosine Transform，離散餘弦轉換)
-
原理：將影像切塊後轉換成不同頻率的係數。通常會將浮水印嵌入在「中頻區塊」，因為低頻區（影像主體輪廓）若被修改會嚴重影響視覺，而高頻區（細節與邊緣）的資訊在 JPEG 壓縮時很容易被捨棄。
-
優點：對 JPEG 壓縮、濾波等一般影像處理有較強的抵抗力。
-
-
代表技術 2：DWT (Discrete Wavelet Transform，離散小波轉換)
-
原理：將影像分解成不同的解析度頻帶，包含一個低頻子頻帶（LL，近似影像）和三個高頻子頻帶（HL、LH、HH，包含邊緣細節）。浮水印通常嵌入在特定的子頻帶中。
-
優點：與人類視覺系統（HVS）的特性更吻合，隱蔽性好，且對多種攻擊有極佳的魯棒性。許多先進演算法會結合 DWT 與 DCT 使用。
-
影像縮放 #
影像縮放 #
Down-sampling (降採樣 / 影像縮小) #
-
概念：降低影像的空間解析度（例如把 1000x1000 的圖片縮成 500x500）。
-
運作原理：最直白的方法就是「丟棄像素」。例如每隔一行、一列就刪除一個像素。
-
潛在問題 (Aliasing，混疊/鋸齒)：如果直接粗暴地丟棄像素，影像中原本細密的紋理（高頻細節）會因為採樣不足而失真，產生水波紋般的「摩爾紋」。
-
正確做法：在丟棄像素之前，必須先用**低通濾波器（如高斯濾波）**把影像稍微弄模糊，濾掉過於尖銳的高頻細節後，再進行降採樣，這樣縮小後的圖片才會自然。
Up-sampling (升採樣 / 影像放大) #
-
概念：增加影像的空間解析度（例如把小圖放大成桌布）。
-
運作原理：這其實是一個「無中生有」的過程。電腦會先建立一個更大的空白網格，然後把原本的像素放進去。接下來的問題是：「那些多出來的空白格子，要填入什麼顏色？」
-
核心關鍵：為了解決空白格子的顏色問題，我們就需要用到**「插值 (Interpolation)」**演算法來「猜」出合理的數值。
其中一個方法就是把像素點複製成更多份
雙線性插值 (Bilinear Interpolation) #
這是最常見且速度與品質平衡得很好的放大演算法。
-
運作原理：當電腦要決定一個新像素的顏色時，它會去尋找距離這個新位置最近的 4 個原始像素（2x2 的田字格）。
-
計算方式：顧名思義，它會在兩個方向（水平和垂直）分別進行「線性」的加權平均計算。
-
先在水平方向上，根據距離遠近，算出上下兩條線的中間值。
-
再於垂直方向上，把剛剛算出的兩個值再做一次加權平均。距離新像素越近的原始像素，對最終顏色的影響力（權重）就越大。
-
-
效果與優缺點：
-
優點：運算速度快，比起最簡陋的「最近鄰插值（直接拷貝最近的像素，會充滿馬賽克）」，雙線性的過渡非常平滑。
-
缺點：因為是不斷取平均值，所以影像放得太大時，邊緣會顯得比較模糊、缺乏銳利感。
-
雙三次插值 (Bicubic Interpolation) #
這是專業影像處理軟體（如 Photoshop）在放大圖片時的預設標準演算法。
-
運作原理：雙線性只參考 4 個鄰居，而雙三次插值會參考最近的 16 個原始像素（4x4 的網格）！
-
計算方式：它不再只是畫直線做簡單的加權平均，而是利用數學上的「三次多項式曲線（Cubic Polynomial）」來擬合這 16 個點的數值變化趨勢。電腦不只看周圍的顏色，還會計算顏色變化的「斜率（梯度）」。
-
效果與優缺點：
-
優點：放大後的影像品質極佳！它能夠非常聰明地保留物體的銳利邊緣，同時讓色彩的漸層過渡非常滑順，不會有雙線性那種糊成一團的感覺。
-
缺點：計算量相當大（因為要算三次函數和 16 個點），處理高解析度影片時較耗費硬體資源。
-