图像处理知识点总结
二值化方法
- 最大类间方差法(Otsu)
- 直方图双峰法
- 均值法
- 最大熵阈值法
参考:
常见的二值化方法
图像二值化方法中的阈值法
图像拼接
特征提取与匹配
- 基于SIFT的图像拼接:SIFT计算量很大,因此在速度要求很高的场合下不适用
- 基于SURF的图像拼接:相比SIFT,提高了速度,但精确性和稳定性不如SIFT
- 基于ORB的图像拼接:
SIFT特征描述子
构造尺度空间
利用高斯差分算子获得高斯差分空间,基于变换后的图提取特征
非极值抑制
在尺度空间中寻找极大极小值点作为初步特征点。
精确定位极值点
用泰勒展开找到亚像素级的特征点,消除低于阈值的点。
选取特征点的主方向
统计邻域的梯度方向直方图,将直方图中最大的bin作为主方向,同时大于最大bin 80%的方向也可以同时作为主方向,即一个特征点可以有多个主方向。
构造特征描述子
取一个邻域,划分成4*4个子邻域,对每个邻域计算一个八方向梯度直方图,16个邻域获得1个128维向量,即SIFT特征描述子。
SURF特征描述子
构造高斯金字塔尺度空间
先对原图进行滤波,再获取每个像素的Hessian矩阵行列式的近似值图,然后基于变换后的图提取特征。
SURF构造高斯金字塔不同的octave通过采用不同的高斯模板尺寸来获得不同的尺度(模糊程度),同一个octave中的各个图片的高斯模板尺度也不同,不需要下采样,提高了速度。
利用非极大值抑制初步确定特征点
在变换后的图上,将每个像素点与其3维邻域的26个点进行比较,若为最大值或最小值,则保留,作为初步的特征点。
采用线性插值精确定位极值点
采用线性插值得到亚像素级的特征点,同时去掉小于阈值点。
选取特征点的主方向
统计特征点邻域内的harr小波特征。(SIFT则是在特征点邻域内统计梯度直方图)
构造特征描述子
在特征点周围选取一个区域,将该区域划分为4*4的子区域,每个子区域计算1个4维向量,分别是相对于主方向的水平方向值之和,水平方向绝对值之和,垂直方向之和,垂直方向绝对值之和。最终16个子区域获得一个64维的向量,即为SURF特征描述子。
特征描述子的比较
- SIFT采用DOG(高斯差分算子)图像,SURF先进行高斯滤波,再构造Hessian矩阵。
- SIFT在原图的DOG图上寻找特征点,SURF在原图每个像素的Hessian矩阵行列式近似值图像上寻找特征点
- SURF通过改变高斯模板的尺寸来改变尺度,相比SIFT节省了下采样过程,提升了速度
特征点匹配
对于特征点集合B中的特征点,去寻找A中最相似的点,sift特征点匹配采用kd-tree,能更快速地找到匹配点。
kd-tree主要思想是对搜索空间进行划分,查找的时候kd-tree相当于一棵二叉查找树,因此大大减小了搜索空间。
图像配准
得到两幅待拼接图像的匹配点集后,进行图像的配准,即将两张图像转换为同一坐标下
图像拷贝
图像融合
两幅图像的拼接处因光照或其他原因过度不自然,可以采取加权融合,使得图像平缓过度。