图像处理总结

图像滤波：

参考链接：

https://www.jianshu.com/p/4ae5e8cef9ae

https://blog.csdn.net/qq_27261889/article/details/80822270

https://blog.csdn.net/wsp_1138886114/article/details/82872838

1.均值滤波（cv2.blur）：取除了中心点之外的所有点的均值。
优点：对于去除胡椒盐噪声比较好
缺点：不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊。

2.中值滤波（cv2.medianBlur）：取所有像素点灰度值的中值，让周围的像素值接近的真实值，从而消除孤立的噪声点。
优点：对于去除胡椒盐噪声比较好。
缺点：也是不能保护图像细节，会变模糊。

3.高斯滤波（cv2.GaussianBlur）：取邻域内的所有像素值的加权平均值，离中心越近的像素权重越高。
优点：是一种线性平滑滤波，适用于消除高斯噪声，平滑效果更柔和，而且边缘保留的也更好。
缺点：xxx

4.双边滤波（cv2.bilateralFilter）：两个滤波器(一个空间分布的，一个像素值关系的)，比高斯滤波多了一个高斯方差，一个空间分布的，一个像素值关系的；它是基于空间分布的高斯滤波函数，所以在边缘附近，离的较远的像素不会太多影响到边缘上的像素值，这样就保证了边缘附近像素值的保存。
优点：是一种非线性的滤波方法，能在去除噪音的同时保持边缘的信息。
缺点：与其他滤波器相比会速度比较慢。

椒盐噪声：由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。
椒盐噪声往往由图像切割引起，去除脉冲干扰及椒盐噪声最常用的算法是中值滤波。

1.低通滤波可以消除噪声
2.高通滤波可以提取边缘
3.傅里叶变换：图片做傅里叶变换->滤波(低通/高通)->傅里叶逆变换  
（因为中心是低频，低通是设置中心是1，其他是0；高通则反过来）

图像增强：

参考链接：https://blog.csdn.net/dcrmg/article/details/53677739

1.直方图均衡化：通过调整图像的灰阶分布，使得在0~255灰阶上的分布更加均衡，提高图像的对比度。
对比度较低的图像适合使用直方图均衡化方法来增强图像细节。

2.拉普拉斯算子：使用中心为5的8邻域拉普拉斯算子与图像卷积可以达到锐化增强图像的目的。
 0   -1    0
-1    5   -1
 0   -1    0

3.对数Log变换：将图像的低灰度值部分扩展，显示出低灰度部分更多的细节，将其高灰度值部分压缩，减少高灰度值部分的细节，从而达到强调图像低灰度部分的目的。

4.伽马变换：主要用于图像的校正，将灰度过高或者灰度过低的图片进行修正，增强对比度。

图像梯度：
公式：https://blog.csdn.net/Real_Myth/article/details/50827940
代码实现：https://blog.csdn.net/gaoyi221119/article/details/103782288

1.Brenner 梯度函数：简单的计算相邻两个像素灰度差的平方

2.Tenengrad 梯度函数：采用Sobel算子分别提取水平和垂直方向的梯度值

3.Laplacian 梯度函数：与Tenengrad梯度函数基本一致，用Laplacian算子替代Sobel算子

4.SMD（灰度方差）函数：完全聚焦时，图像最清晰，图像中的高频分量也最多，故可将灰度变化作为聚焦评价的依据

5.SMD2 （灰度方差乘积）函数：对每一个像素领域两个灰度差相乘后再逐个像素累加

6.Reblur 二次模糊：对待评测图像进行一次高斯模糊处理，得到该图像的退化图像，然后再比较原图像和退化图像相邻像素值的变化情况，根据变化的大小确定清晰度值的高低，计算结果越小表明图像越清晰，反之越模糊。

边缘检测：目的是标识数字图像中亮度变化明显的点

参考链接：https://www.cnblogs.com/lynsyklate/p/7881300.html

1.Roberts 交叉梯度算子：在检测边缘效果已经相当不错了，但是它对噪声相当敏感，有噪声的时候效果不佳
−1  0
  0  1    垂直梯度

  0  1
−1  0   水平梯度

2.Prewitt算子：
−1  -1   -1
  0    0    0
  1    1    1   垂直梯度

-1    0    1
-1    0    1
-1    0    1   水平梯度

3.Sobel算子：对噪声具有平滑作用，提供较为精确的边缘方向信息，边缘定位精度不够高，当对精度要求不是很高时，是一种较为常用的边缘检测方法。
−1  -2   -1
  0    0    0
  1    2    1   垂直梯度

-1    0    1
-2    0    2
-1    0    1   水平梯度

4.Laplace算子：
0    1   0
1  -4    1
0    1   0

1    1    1
1   -8    1
1    1    1

5.Canny算子：
实现步骤：高斯模糊->计算梯度幅值和方向->非极大值 抑制->滞后阈值

图像形态学处理：

参考链接：

https://www.cnblogs.com/yibeimingyue/p/10856439.html

http://imgtec.eetrend.com/d6-imgtec/blog/2018-09/17662.html

膨胀：求局部最大值，原图与核进行卷积，将最大值赋予指定像素，效果就是亮的区域膨胀了。
图像中的高亮部分进行膨胀，类似于领域扩张，效果图拥有比原图更大的高亮区域

腐蚀：操作与膨胀相反，求局部最小值，效果就是亮的区域缩小了。
原图的高亮部分被腐蚀，类似于领域被蚕食，效果图拥有比原图更小的高亮区域

开运算：先腐蚀后膨胀，其作用是：分离物体，消除小区域和噪声。
闭运算：先膨胀后腐蚀，其作用是：填补物体内部的空洞。
使用场景：如果我们的目标物体外面有很多无关的小区域，就用开运算去除掉；如果物体内部有很多小黑洞，就用闭运算填充掉。

形态学梯度（膨胀图-腐蚀图）：可以用形态梯度来保留物体的边缘轮廓
顶帽（原图-开运算图）：因为开运算带来的结果是放大了裂痕或者局部低亮度的区域，因此顶帽得到的效果图突出了比原图轮廓周围的区域更明亮的区域
黑帽（闭运算-原图）：效果图突出了比原图轮廓周围的区域更暗的区域；黑帽运算用来分离比临近点暗一点的斑块，效果图有着非常完美的轮廓