MATLAB的第几讲我也忘记了-CSDN博客

本文链接：https://blog.csdn.net/qq_37401773/article/details/69938626

边缘算子：边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。这些包括（i）深度上的不连续、（ii）表面方向不连续、（iii）物质属性变化和（iv）场景照明变化。边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域。边缘算子则是组用于在亮度函数中定位变化的非常重要的局部图像预处理方法

Canny算子的应用：进行边缘检测之后给出二值边缘图像。在实际运用中,比如车牌识别、人像识别、医学图像识别等,往往希望能够实时检测得出二值边缘图像,但Canny算子提取出来的边缘,由于受到局部噪声的严重干扰,产生的误差较大,容易出现伪边缘以及局部边缘等情况,直接对其它算子的检测结果进行二值化或者二值化后进行检测往往效果很不理想

Prewitt算子折叠

是一种一阶微分算子的边缘检测，利用像素点上下、左右邻点的灰度差，在边缘处达到

极值检测边缘，去掉部分伪边缘，对噪声具有平滑作用。其原理是在图像空间利用两个方向模板与图

像进行邻域卷积来完成的，这两个方向模板一个检测水平边缘，一个检测垂直边缘。

对数字图像f(x，y)，Prewitt算子的定义如下：

G(i)=|[f(i-1,j-1)+f(i-1,j)+f(i-1，j+1)]-[f(i+1,j-1)+f(i+1，j)+f(i+1，j+1)]|

G(j)=|[f(i-1,j+1)+f(i,j+1)+f(i+1，j+1)]-[f(i-1,j-1)+f(i,j-1)+f(i+1，j-1)]|

则 P(i,j)=max[G(i),G(j)]或 P(i,j)=G(i)+G(j)

经典Prewitt算子认为：凡灰度新值大于或等于阈值的像素点都是边缘点。即选择适当的阈值T，若P(i,j)≥T，则(i,j)为边缘点，P(i,j)为边缘图像。这种判定是欠合理的，会造成边缘点的误判，因为许多噪声点的灰度值也很大，而且对于幅值较小的边缘点，其边缘反而丢失了。

角点：角点就是极值点，即在某方面属性特别突出的点。当然，你可以自己定义角点的属性（设置特定熵值进行角点检测）。角点可以是两条线的交叉处，也可以是位于相邻的两个主要方向不同的事物上的点。角点在保留图像图形重要特征的同时,可以有效地减少信息的数据量,使其信息的含量很高,有效地提高了计算的速度,有利于图像的可靠匹配,使得实时处理成为可能。角点检测器通常都是不大强健的，经常需要专业的管理，并且会产生大量的冗余以防止主识别任务中个别错误对数据产生影响。

Harris角点检测基本原理

人眼对角点的识别通常是在一个局部的小区域或小窗口完成的。如果在各个方向上移动这个特征的小窗口，窗口内区域的灰度发生了较大的变化，那么就认为在窗口内遇到了角点。如果这个特定的窗口在图像各个方向上移动时，窗口内图像的灰度没有发生变化，那么窗口内就不存在角点；如果窗口在某一个方向移动时，窗口内图像的灰度发生了较大的变化，而在另一些方向上没有发生变化，那么，窗口内的图像可能就是一条直线的线段。

1、Sift算法简介

Sift算法是David Lowe于1999年提出的局部特征描述子，并于2004年进行了更深入的发展和完善。Sift特征匹配算法可以处理两幅图像之间发生平移、旋转、仿射变换情况下的匹配问题，具有很强的匹配能力。总体来说，Sift算子具有以下特性：

(1) 、Sift特征是图像的局部特征，对平移、旋转、尺度缩放、亮度变化、遮挡和噪声等具有良好的不变性，对视觉变化、仿射变换也保持一定程度的稳定性。

(2) 、独特性好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配。

(3) 、多量性，即使少数的几个物体也可以产生大量Sift特征向量。

(4) 、速度相对较快，经优化的Sift匹配算法甚至可以达到实时的要求。

(5) 、可扩展性强，可以很方便的与其他形式的特征向量进行联合。

其 Sift算法的三大工序为，(1)提取关键点；(2)对关键点附加详细的信息（局部特征）也就是所谓的描述器；(3)通过两方特征点（附带上特征向量的关键点）的两两比较找出相互匹配的若干对特征点，也就建立了景物间的对应关系。提取关键点和对关键点附加详细的信息（局部特征）也就是所谓的描述器可以称做是Sift特征的生成，即从多幅图像中提取对尺度缩放、旋转、亮度变化无关的特征向量，Sift特征的生成一般包括以下几个步骤：

(1) 、构建尺度空间，检测极值点，获得尺度不变性；