(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