目录
1 常用的边缘检测算子比较
一阶微分:
Roberts 算子
利用局部差分算子寻找边缘,边缘定位精度较高,但容易丢失一部分边缘,同时由于图像没经过平滑处理,因此不具备抑制噪声的能力。该算子对具有陡峭边缘且含噪声小的图像效果较好.
Sobel算子和Prewitt算子
都考虑了邻域信息, 相当于对图像先做加权平滑处理,然后再做微分运算,所不同的是平滑部分的权值有些差异,因此对噪声具有一定的抑制能力,但不能完全排除检测结果中出现的虚假边缘。虽然这两个算子边缘定位效果不错, 但检测出的边缘容易出现多像素宽度.
Canny算子
步骤:用高斯滤波器平滑图像 →
用一阶偏导的有限差分来计算梯度的幅值和方向→
对梯度幅值进行非极大值抑制(细化边缘) →
用双阀值算法检测和连接边缘(减少假边缘以及真边缘的断裂)
二阶微分:
Laplacian算子
由于对噪声太敏感,一般不单独使用,通常和平滑高斯滤波器结合使用
(90°旋转各向同性)(45°旋转各向同性)
通过二阶导数过零点定位边缘,Laplacian算子不具方向性,对灰度突变敏感,定位精度较高,同时对噪声也敏感,一般不用原始形式进行边缘检测。
LOG(Laplacian of Gaussìan))算子
克服了拉普拉斯算子抗噪声能力比较差的缺点,但是在抑制噪声的同时也可能将原有的比较尖锐的边缘也平滑掉了。
综合比较:
(1) 从边缘定位的精度看
Roberts 算子和Log 算子定位精度较高。(思考:Roberts由于没有进行平滑作用,定位较为精准)
Roberts 算子简单直观. Log 算子则利用二阶导数零交叉特性检测边缘。但Log 算子只能获得边缘位置信息,不能得到边缘的方向等信息.
(2) 从对不同方向边缘的响应看
从对边缘方向的敏感性而言. Roberts 算子检测斜向阶跃边缘效果较好,Sobel 算子、Prewitt算子检测水平和垂直边缘效果较好。Log 算子则不具备边缘方向检测能力。而Sobel算子可以提供最精确的边缘方向估计.
(3) 从去噪能力看
Roberts和Log 算子定位精度虽然较高, 但受噪声影响大.
Sobel算子和Prewitt算子模板相对较大因而去噪能力较强,具有平滑作用,能滤除一些噪声,去掉部分伪边缘, 但同时也平滑了真正的边缘, 这也正是其定位精度不高的原因.
从总体效果来衡量. Canny 算子给出了一种边缘定位精确性和抗噪声干扰性的较好折衷办法。
(4)边缘宽度
一阶导数通常产生较宽的边缘,二阶导数通过选取过零点可以得到较细边缘
(二级导数对细节有较强的响应,如细线和孤立噪声点,对图像增强而言,基于二级导数的算子应用更多一些,对于边缘检测中,基于一阶倒数的算子用的多一些)
2 常用的插值检测算法
最近邻插值:用1个最近邻点去估计
双线性插值:用4个邻点线性估计
双三次内插:用16个邻点估计
几何空间变换可以使用两种基本方法:
-
第一种方法称为前向映射
-
输入图像中的两个或更多个像素可被变换到输出图像中的同一位置,这就产生了如何把多个输出值合并到一个输出像素的问题。
-
一种可能是某些输出位置可能完全没有赋值的像素。
-
-
第二种方法,称为反向映射
-
扫描输出像素的位置,并在每一个位置使用逆变换计算输入图像中的相应位置,然后用插值算法确定灰度值
-
对于实现来说,反向映射比前向才更有效,因而被许多空间变换的商业实现所采用(如MATLAB 就采用该方法)
-
3 常用的特征提取方法
边界描绘子:周长、长短轴、曲率、傅里叶描绘子等
区域描绘子:面积、圆形度、灰度均值等
纹理描绘子:直方图及其统计特性(均值、方差、平滑度、熵(表示信息量的大小))、灰度共生矩阵(灰度i和j具有某种相对位置关系出现的次数)、LBP(局部二进制模式)
4 常用的图像分割算法
(1) 边缘检测:各种边缘检测算子、霍夫变换
(2) 阈值分割:如OTSU算法
(3)基于区域的分割:
区域生长:选取种子点,依相似性准则(生长准则)进行生长,按生长停止条件提示生长。应用举例:有缺陷焊缝分割
区域分裂与合并:分裂直至各小区域满足相似性准则,相将满足相似性条件的相邻区域进行合并。应用举例:哈勃望远镜拍摄的天鹅星座超新星分割
(4)形态学分水岭的分割
原理:将灰度图像想象为地形图,灰度越大,高度越高,在每个盆地区域(各区域称为分水岭或汇水盆地)灌水,让水上升,并修构建水坝阻止不同区域的水聚合,水坝对应分水线即为分割线。应用举例:电泳现象图像分割
5 常用的目标检测算法
(1) 传统方法
背景差分法:效果较好,然而建立一个良好的背景模型需要花费很大计算量和存储量的开销。
帧间差分法:计算简单,但是检测结果不完整;
光流法:计算复杂, 不适用于实时监控系统;
(2) 深度学习方法
6 常用的图像特征、特征点提取以及匹配算法
(1) 特征
a. HOG特征
-
方向梯度直方图(Histogram of Oriented Gradient, HOG),通过计算和统计图像局部区域的梯度方向直方图来构成特征
-
HOG+SVM的算法已经被广泛应用于图像识别中,尤其在行人检测中获得了极大的成功
-
原理
-
颜色空间归一化
-
对采集到的人脸进行图像预处理,主要是处理光线太暗或太强的情况,这里有两次处理:图像灰度化、Gamma校正。
-
-
梯度计算
-
算梯度大小和方向
-
梯度方向直方图
-
将图像划分成若干个cells(单元),8x8=64个像素为一个cell(cell之间没有重叠),每个cell内统计梯度方向直方图
-
将所有梯度方向划
-
-