【IPMV】图像处理与机器视觉：Lec7 Image Filtering

【IPMV】图像处理与机器视觉

本系列为2025年同济大学自动化专业**图像处理与机器视觉**课程笔记
Lecturer: Rui Fan、Yanchao Dong

---

Lec0 Course Description

Lec3 Perspective Transformation

Lec7 Image Filtering

Lec8 Image Pyramid

Lec9 Laplace Blending

Lec10 Edges and Lines

Lec11 Keypoint Features and Corners

Lec12 Blob Detector

持续更新中

---

---

极市开发者平台-计算机视觉算法开发落地平台-极市科技

Lec7 Image Filtering 图像滤波

• in the spatial domain:
  • Smoothing, sharping
  • Feature extraction( measuring texture, finding edges, distinctive points and patterns
• in the frequency domain
  • Modify the frequencies of images
  • Noise removal, (re)sampling, image compression

首先介绍一些卷积等准备知识，然后从点运算开始（不依赖邻域），接下来介绍邻域算子，介绍了线性滤波以及非线性滤波的一些常见算子，然后介绍此类算子的一个便利工具——傅里叶变换

---

0 Prelininaries

0.1 Convolution and Cross-Correlation 卷积与互相关

图像处理中，kernel（or 卷积矩阵 or mask）是用于与图像做卷积，实现模糊、锐化、压纹、边缘检测等的小矩阵。

卷积表达式：$$g[i,j]=h\ast f=\sum _{u=-k}^k\sum _{v=-k}^{k}h[u,v]f[i-u,j-v]$$

Convolution 和 Cross-correlation 的区别

	Convolution	Cross-correlation 互相关
Rotating Kernel	✔ 执行前180°旋转核	❌ 直接使用原始核
Formula	$$g[i,j]=h\ast f(i,j)=\sum _{u=-k}^k\sum _{v=-k}^{k}h[u,v]f[i-u,j-v]$$	$$g[i,j]=h\ast f(i,j)=\sum _{u=-k}^k\sum _{v=-k}^{k}h[u,v]f[i+u,j+v]$$
Notation	$g=h\ast f$	$g=h\otimes f$
Example	Convolution 的 kernel 要做旋转

Convolution 是严格数学定义操作
Cross-correlation 深度学习/模板匹配常用

不同的卷积类型

Convolution type	Example	Note
Valid		输出尺寸缩减 (N - K + 1)
Same		输出保持原尺寸，边缘补零
Full		输出扩大 (N + K - 1)，全重叠计算

0.2 Gradient 梯度

Gradient 梯度：$▽f=[\frac{\partial f}{\partial x},\frac{\partial f}{\partial y}]$

Gradient magnitude 梯度幅值：$||▽f||=\sqrt{(G_x{)}^2+(G_y{)}^2}$

Gradient direction 梯度方向：$\theta =arctan(\frac{G_y}{G_X}),\theta \in [0$