【图像处理】积累

小记

用于记录今后获取的图像术语/知识。
markdown特殊符号

---

图像各向异性

各向异性（英文名称：anisotropy）是指材料在各方向的力学和物理性能呈现差异的特性。晶体的各向异性即沿晶格的不同方向，原子排列的周期性和疏密程度不尽相同，由此导致晶体在不同方向的物理化学特性也不同，这就是晶体的各向异性。亦称“非均质性”。物体的全部或部分物理、化学等性质随方向的不同而各自表现出一定的差异的特性。即在不同的方向所测得的性能数值不同。对图像来说各向异性就是在每个像素点周围四个方向上梯度变化都不一样，滤波的时候我们要考虑图像的各向异性对图像的影响，而各向同性显然是说各个方向的值都一致，常见的图像均值或者高斯均值滤波可以看成是各向同性滤波。

各向异性滤波：是将图像看成物理学的力场或者热流场，图像像素总是向跟他的值相异不是很大的地方流动或者运动，这样那些差异大的地方(边缘)就得以保留，所以本质上各向异性滤波是图像边缘保留滤波器(EPF)。

ref: 图像各向异性滤波

---

LoG 高斯-拉普拉斯算子

LOG算子：高斯和拉普拉斯的双结合，即集平滑和边沿于一身的算子模型，是各向异性滤波器.只不过是各向异性滤波器是高斯一阶导函数，而LOG可以看做是二阶导函数。这两个模型来源最初都是因为求导导致模板对噪声干扰敏感性比较强。

高斯模型：

$$G_\sigma(x,y)=\frac{1}{\sqrt{2\pi{\sigma}^2}}e^{-\frac{x^2+y^2}{2{\sigma}^2}}$$
原始图像 $f(x,y)$与高斯卷积的定义：
$$\Delta[G_\sigma(x,y)*f(x,y)]=[{\Delta}G_\sigma(x,y)]*f(x,y)=LoG*f(x,y)$$
因为
$$\small\frac{d}{dt}[h(t)*f(t)]=\frac{d}{dt}\int_{}{f(\tau)*h(t-\tau)}\,{\rm d}\tau=\int_{}{f(\tau)*\frac{d}{dt}h(t-\tau)}\,{\rm d}\tau=f(t)*\frac{d}{dt}h(t)$$
因此LoG可以通过先对高斯函数进行偏导操作，然后进行卷积求解：
$$\frac{\partial}{{\partial}x}G_\sigma(x,y)=\frac{\partial}{{\partial}x}e^{-\frac{x^2+y^2}{2{\sigma}^2}}=-\frac{x}{{\sigma}^2}e^{-\frac{x^2+y^2}{2{\sigma}^2}}$$

$$\frac{{\partial}^2}{{\partial}^2x}G_\sigma(x,y)=\frac{x^2}{{\partial}^4}e^{-\frac{x^2+y^2}{2{\sigma}^2}}-\frac{1}{{\sigma}^2}e^{-\frac{x^2+y^2}{2{\sigma}^2}}=\frac{x^2-{\sigma}^2}{{\sigma}^4}e^{-\frac{x^2+y^2}{2{\sigma}^2}}$$
因此LoG函数定义为：
$$LoG{\triangleq}\Delta{G_\sigma(x,y)}=\frac{{\partial}^2}{{\partial}^2x}G_\sigma(x,y)+\frac{{\partial}^2}{{\partial}^2y}G_\sigma(x,y)=\frac{x^2+y^2-2{\sigma}^2}{{\sigma}^4}e^{-\frac{x^2+y^2}{2{\sigma}^2}}$$
为减少计算，可以同高斯差分来近似：
$${\nabla}^2g(x,y,\sigma)=\frac{\partial{g}}{\partial{\sigma}}\approx{\frac{g(x,y,k\sigma)-g(x,y,\sigma)}{k\sigma-\sigma}}$$
$${\nabla}^2f=4z_5-(z_2+z_4+z_6+z_8)$$
$${\nabla}^2f=8z_5-(z_1+z_2+z_3+z_4+z_6+z_7+z_8+z_9)$$
ref: LOG高斯-拉普拉斯算子

---

积分图像

积分图，integral image，是在图像处理中常用于加速计算的一种方法。

积分图中，某一点的数据$S(x,y)$表示图像左上角到该点坐标所围成的区域的总和。

如上图所示，为了求该矩形区域的灰度之和。我们可以用以下公式表示：

$$S=S(A)+S(D)-S(B)-S(C)$$
这里的总和并不包含点A,B,C的像素值。如上图所示的小像素点，A,B,C所在的像素点不在矩形区域以内。

ref:【图像处理】积分图像及其应用

---

离散数字图像的导数

一阶导数是相邻像素的灰度差

$$D_x=f(x+1,y)-f(x,y)$$

二阶导数是对一阶导数的求导

$$\begin{align}D_{xx} & =[f(x+1,y)-f(x,y)]-[f(x,y)-f(x-1,y)] \\ & = f(x+1,y)+f(x-1,y)-2*f(x,y) \end{align}$$

---

单应性矩阵

单应性变换就是一个平面到另一个平面的映射关系。

$$\begin{bmatrix} x_1 \\y_1\\1 \end{bmatrix}=H \begin{bmatrix} x_2 \\y_2\\1 \end{bmatrix}= \begin{bmatrix} h_{00} &h_{01} &h_{02} \\ h_{10} &h_{11} &h_{12}\\ h_{20} &h_{21} &h_{22} \end{bmatrix} \begin{bmatrix} x_2 \\y_2\\1 \end{bmatrix}$$