图像处理（一）

（一）、空间分析域或变换

1、平滑均值滤波

                                         

2、平滑中值滤波

原理：卷积域内像素值从小到大排序，取中值。

（为什么卷积核取奇数：

a.为了对称，举例：一般padding时有Vaild跟Same两种

 Vaild: n*n   f*f  ->  n - f + 1

Same: 令图像输入大小与输出大小一致：

即： n + 2Padding - f + 1 = n

推得 Padding = （f - 1）/ 2   当f为偶数时，如3，你得左边加2右边加1, 不对称；但当为偶数时就能保证对称。

b.保证锚点在中心，防止偏移）

作用：去椒盐噪声

                                          

3、平滑高斯滤波

原理：模拟人眼，关注中心区域

作用：有效去除高斯噪声

                                                 

具有分解性特性（级联高斯）

降计算：(与深度学习中的降参数思想类似)

2D卷积：K*K

2*1D卷积：2K

                                                            

4、梯度Prewitt滤波（梯度+均值平滑）

                                                   

5、梯度Sobel滤波（梯度+高斯平滑）

                                                   

6、梯度Laplacian滤波

作用：

团块检测：周边高于（低于）中心

边缘检测：像素值快速变化的区域

                                    

                                         

对比：

                                        

Sobel的垂直方向保留。

 

（二）、频率分析域或变换

1、傅里叶变换

一个信号可以由足够多个不同频率和幅值的正余弦波组成。

                                                                   Asin(wx) + Bcos(wx)

                             

矩形波的组成：

                                          

                                         

亮出为高频，信息多，暗处为低频信息少：

                          

2、高速金字塔

原因：多次高斯卷积后，一些像素是多余的

操作：n次（高斯卷积——>2x降采样）——>n层金字塔

目的：捕捉不同尺寸的物体（如热气球，在不同的照片上有不同的大小，即不同的尺寸，为在不同的照片上都检测出热气球，需建立金字塔，去除尺寸的干扰）

                                               

而为什么采用高斯滤波，不是直接采用降采样：

为了减少信息的损失

                                           

3、Laplacian金字塔

为了解决高频细节信息在卷积和下采样中丢失；

保留所有层所丢失的高频信息，用于图像恢复；

                                                       

高斯金字塔+拉普拉斯金字塔 = 原图

                            

4、模板匹配

模板匹配 vs 卷积

作用： 同尺度目标检测

模板：真实图片 vs 卷积核

操作：使用模板图片扫描整个图片 vs 卷积扫描

匹配结果：相似度量 vs 权重相加

返回相似度图；

6种相似距离计算：

（标准化）欧式距离

（标准化）相关

（标准化）去均值相关