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
-
-
最低0.47元/天 解锁文章
1881
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
