图像处理基础知识简要概括_除了霍夫变换还有什么变换-CSDN博客

本文链接：https://blog.csdn.net/qq_36289191/article/details/98792242

1.形态学运算

将图像与任意内核进行卷积。

作用：1）消除噪声。 2）分割独立的图像元素，以及连接相邻的元素。

腐蚀：内核划过图像，将内核覆盖区域的最小像素提取

膨胀：内核划过图像，将内核覆盖区域的最大像素提取

开运算：内核对图像先腐蚀再膨胀，使图像的轮廓变得光滑，断开较窄的狭颈和消除细的突出物。

闭运算：内核对图像先膨胀再腐蚀，使图像的轮廓变得光滑，弥合狭窄的间断和细长的沟壑，消除小的孔洞，并填补轮廓线中的裂痕。

https://blog.csdn.net/learning_tortosie/article/details/80030201

https://blog.csdn.net/water_93/article/details/50859193

https://blog.csdn.net/zqx951102/article/details/82997588

2.图像平移、旋转、缩放等与等距变换、相似变换、仿射变换、投影变换。（二维形式可扩展到三维）

平移旋转之后，在原始图像中会有区域没有图像信息，此部分需要额外处理。

https://blog.csdn.net/aiwoshan0908/article/details/80047529

3.滤波、去噪方法

1）均值滤波：平均值代替原像素值

2）中值滤波：中值代替原像素值

3）高斯滤波：使用二维高斯函数计算高斯模板，从而用高斯模板与图像做卷积来滤波

4）保边滤波：保边滤波可以分为多种，其主要目的时在保存边界信息的情况下，对图像进行滤波。

=1=双边滤波器：滤波的最终结果由像素值（值域）和像素位置（空域）来共同决定，单独的高斯滤波只考虑了像素位置的滤波，双边滤波器加上了值域，当只相差太小时应该平滑处理，当值相差太大时是边界应保留。

$bilateral\_filter(i,j) = \frac{\sum_{k, l}{f(k,l)*w(i,j,k,l)}}{\sum_{k, l}{w(i,j,k,l)}}$

其中：

$w(i, j, k, l) =exp(-\frac{(i-k)^2+(j-l)^2}{2\sigma_{d}^2}-\frac{||f(i,j)-f(k,l)||^2}{2\sigma_{r}^2})$

=2=引导滤波器：

假设输入图像为p，输出图像为q，引导图为I，q与I在以像素k为中心的窗口中存在局部线性关系：

q即p去除噪声或者纹理之后的图像：

转化为最优化问题：

解得

算法流程为：

=3=加权最小二乘法滤波器：

对于给定的一幅图像g，如果一方面希望输出图像u与其很接近，另一方面又希望在除了边缘的地方越平滑越好，最优化这对矛盾：

$\sum_{p}((u_{p}-g_{p})^2 + \lambda(a_{x,p}(\frac{\partial u}{\partial x})_{p}^2+a_{y,p}(\frac{\partial u}{\partial y})_{p}^2))$

https://blog.csdn.net/hellocsz/article/details/80727972

https://blog.csdn.net/eejieyang/article/details/52333112

https://blog.csdn.net/LG1259156776/article/details/51816875

4.直方图

使用累计分布函数处理后像素值会均匀分布。

https://www.cnblogs.com/hustlx/p/5245461.html

https://www.cnblogs.com/tianyalu/p/5687782.html

5.图像增强

1）直方图均衡化：调整图像对比度

2）对数、指数图像增强算法

S = c log(r+1) c=255/(log(256)

S = cR^r c=1.0/255.0, r=2

3）马赛克：中心像素来表示领域像素，与中值滤波类似。

4）对于曝光过度问题，可以通过计算当前图像的反相（255-image)，然后取当前图像和反相图像的较小者为当前像素位置的值。

5）高反差保留：dst = r*(img - Blur(img))

6）拉普拉斯算子，使用卷积的方法锐化增强图像

7）Gamma矫正：将灰度过高或者灰度过低的图片进行修正，增强对比度。

S = cr^Y

这里写图片描述

https://blog.csdn.net/guanzhen3657/article/details/81138868

6.霍夫变换

线变换：极坐标系下，而对于m个点，则有m族直线，不同族的直线之间将会有重合的直线，将重合数目超过一定阈值的直线标记为找到的直线，这就是霍夫线变换。累计概率霍夫变换则是在霍夫变换的基础上提出了采用概率的方法并不计算平面内所有的点，而只是计算一部分，如果这部分的峰值足够高就可以直接找到直线，从而能大大减少计算量

圆变换：计算一点的局部梯度，沿着这点和这个梯度方向就能确定一条直线，很多点确定的很多条直线就能确定出交点出来，通过交点的直线数量达到阈值就可以确定交点为圆心，根据这个圆心考虑非0像素找到合适的半径，最后就能确定圆。

https://blog.csdn.net/m0_37264397/article/details/72729423

7.DCT、DFT

经过傅里叶变换之后，可以获得原图像信号的频域分布情况。图像在空间上变化的越快，其对应在频域上的数值就越大。

图像进行DCT变换后，在频域中矩阵左上角低频的幅值大而右下角高频幅值小，经过量化处理后产生大量的零值系数，在编码时可以压缩数据，因此DCT被广泛用于视频编码图像压缩。

相位图包含更多的边缘信息，而幅度谱图反应了灰度值信息。

图像中的低频分量就是图像中梯度较小的部分，高频分量则相反。低频分量对应直方图内大块区域，而小块或者离散的区域就是高频分量。

低频分量:主要对整副图像的强度的综合度量.

高频分量:主要是对图像边缘和轮廓的度量.

https://blog.csdn.net/IMWTJ123/article/details/79831242

https://blog.csdn.net/Chaolei3/article/details/79443520

8.图像重建的评价以及度量相似度指标

除主观评价的方法之外，有很多客观评价的准则。

1）直方图方法

2）矩阵分解方法：SVD、NMF非负矩阵分解

3）基于特征点的方法

4）图像模板匹配

5）峰值信噪比（PSNR）或结构相似性（SSIM）

https://blog.csdn.net/smallstones/article/details/42198049

https://blog.csdn.net/lg1259156776/article/details/47037583/

9.光流法：给图像中的每一个像素点赋予一个速度矢量，这就形成了一个图像运动场，在运动的一个特定时刻，图像上的点与三维物体上的点一一对应，这种对应关系可由投影关系得到，根据各个像素点的速度矢量特征，可以对图像进行动态分析。

https://blog.csdn.net/longlovefilm/article/details/79824723

10.LBP（Local Binary Pattern）：

这里写图片描述

改进版本使用圆形，具有旋转不变性，采用LBP特征谱的统计直方图作为特征向量用于分类识别，用于人脸识别、纹理分析等。

https://blog.csdn.net/quincuntial/article/details/50541815

11.HOG（Histogram of Oriented Gradient）

1）灰度化（将图像看做一个x,y,z（灰度）的三维图像）；2）采用Gamma校正法对输入图像进行颜色空间的标准化（归一化）；目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；3）计算图像每个像素的梯度（包括大小和方向）；主要是为了捕获轮廓信息，同时进一步弱化光照的干扰。4）将图像划分成小cells（例如6*6像素/cell）；5）统计每个cell的梯度直方图（不同梯度的个数），即可形成每个cell的descriptor；6）将每几个cell组成一个block（例如3*3个cell/block），一个block内所有cell的特征descriptor串联起来便得到该block的HOG特征descriptor。7）将图像image内的所有block的HOG特征descriptor串联起来就可以得到该image（你要检测的目标）的HOG特征descriptor了。这个就是最终的可供分类使用的特征向量了。用于行人检测。

https://blog.csdn.net/zouxy09/article/details/7929348

https://blog.csdn.net/liulina603/article/details/8291093
12.Haar

常用积分图计算Haar特性和AdaBoost结合用于识别人脸（AdaBoost算法是一种迭代的算法，对于一组训练集，通过改变其中每个样本的分布概率，而得到不同的训练集Si，对于每一个Si进行训练从而得到一个弱分类器Hi，再将这些若分类器根据不同的权值组合起来，就得到了强分类器）

https://blog.csdn.net/soaringlee_fighting/article/details/52708638

https://blog.csdn.net/lanxuecc/article/details/52222369

13.Harris

使用一个固定窗口在图像上进行任意方向上的滑动，比较滑动前与滑动后两种情况，窗口中的像素灰度变化程度，如果存在任意方向上的滑动，都有着较大灰度变化，那么我们可以认为该窗口中存在角点。

实际中会使用R矩阵

https://blog.csdn.net/lwzkiller/article/details/54633670

14.sift

1)构建尺度空间，不同模糊程度、不同尺寸大小

2）DoG寻找关键极值点

3）除去边缘点和不稳定点

4）以关键点为中心形成梯度直方图

5）关键点周围选取领域形成描述子（128）

可结合PCA减少分析量

https://blog.csdn.net/jaccen2012/article/details/78643286

https://blog.csdn.net/lyl771857509/article/details/79675137

https://blog.csdn.net/abcjennifer/article/details/7639681

15.surf

改进sift，使用Hessian矩阵，SURF算法中图片大小是一直不变的，只是不同阶中方框滤波模板大小不相同，为保证旋转不变性，以特征点为中心，计算特征点邻域（如半径为6s的圆，s为该点所在尺度）内的点在x,y方向的Haar小波响应，Haar小波边长取4s，这样一个扇形得到了一个值。然后60°扇形以一定间隔进行旋转，将60°范围内的响应相加以形成新的矢量，遍历整个圆形区域，选择最长矢量的方向为该特征点的主方向。生成描述算子时，按照主方向选取4X4小区域，计算该范围内的相应，只有64的特征，比128少一半