cv2笔记-图像特征的选取

灰度图象边缘提取思路： 
抑制噪声（低通滤波、平滑、去噪、模糊） 
边缘特征增强（高通滤波、锐化） 
边缘定位

边缘与数学上的关系

边缘是图像灰度剧烈变化的地方，边缘是一阶倒数的极大值点，二阶导数的过零点(一阶极值点就是二阶的零点)。

卷积有平滑作用

Sobel算子：去噪+增强边缘

Prewitt

拉普拉斯算子

卷积模板：

特点：运算结果是标量 • 只有幅值，只使用一个模版便可计算得到 • 方向属性丢失
实际中几乎不单独使用拉普拉斯算子： • 二次求导数，对噪声非常敏感 • 通常配合滤波器同时使用

LOG高斯拉普拉斯

• 首先用Gauss函数对图像进行平滑，抑制噪声 • 然后对经过平滑的图像使用Laplacian算子 • 利用卷积的性质LoG算子等效于：
Gaussian平滑 + Laplacian 二阶微分

非极大值抑制 NMS
• 非极大值抑制（NMS：Non-Maxima Suppression ） • 主要思想：由梯度幅值图像M(x,y)，仅保留极大值。 （严格地说，保留梯度方向上的极大值点。） 得到的结果为N(x,y)，具体过程： • 初始化N(x,y) = M(x,y) • 对于每个点，在梯度方向和反梯度方向各找n个像素点。 若M(x,y)不是这些点中的最大点，则将N(x,y)置零，否则 保持N(x,y)不变。

Harris角点检测

见另外一个博客

ORB特征

假设：若该点的灰度值比其周围领域内足够多的像素 点的灰度值大或者小，则该点可能为角点。

高斯滤波，核越大，越模糊。

Canny边缘检测器

流程：计算梯度，梯度非极大值抑制再进行二值化，双阈值检测提取边缘点。

双阈值检测：

对于检测出来的梯度进行阈值处理，选取大和小两个阈值，大阈值得到的肯定是正确的，小阈值有大量的边缘点，错误检测较多。如图，红色的是大阈值，蓝色的是小阈值，红色的都是对的，如果蓝色的与红色有重合或者连接，那么蓝色也是对的。孤立的蓝色是错误的