1.边缘检测
常见的边缘检测算法:
Roberts边缘检测算子
一种斜向偏差分的梯度计算方法,梯度的方向与边缘的走向垂直。Roberts操作实际上是求旋转45度两个方向上微分值的和。Roberts算子定位精度高,在水平和垂直方向的效果好,但对噪声敏感。
Sobel边缘算子
Sobel算子通常对灰度渐变和噪声较多的图像处理的比较好。
Prewitt边缘算子
Prewitt算子不仅能检测边缘点,而且能抑制噪声的影响,因此对灰度和噪声较多的图像处理得比较好
Kirsch边缘算子
采用8个3*3的模板对图像进行卷积,这8个模板代表8个方向,并取最大值作为图像的边缘输出,8个模板如下,它在保持细节和抗噪声方面都有较好的效果
LOG算子
拉普拉斯算子与高斯滤波结合在一起,形成LOG算子
CANNY边缘检测
有3个指标:
1.低失误率,既要少将真的边缘丢弃,也要少将非边缘判为边缘;
2.高位置精度,检测出的边缘应在真正的边界上;
3.单像素边缘,即对每个边缘有唯一的响应,得到的边界为单像素宽。
Canny边缘检测算法的步骤如下:
(1)用高斯滤波器平滑图像;
(2)用一阶偏导的有限差分来计算梯度的幅值和方向;
(3)对梯度幅值进行非极大值抑制;
(4)用双阈值算法进行检测和连接边缘。
霍夫变换检测直线、圆、椭圆
2.形态学图像处理
膨胀与腐蚀
开操作与闭操作
击中或击不中变换
一些基本的形态学算法
边界提取
区域填充
连通分量的提取
凸壳
细化
粗化
骨架
裁剪
3.图像分割
图像分割方法:阈值分割、区域分割、数学形态学、模式识别方法
1、阈值分割包括以下几种:
(1)由直方图灰度分布选择阈值
(2)双峰法选择阈值
(3)迭代法选取阈值
(4 )大津法选择阈值 otus
就最大类间方差算法而言,优点是算法简单,当目标与背景的面积相差不大时,能够有效地对图像进行分割。但是,当图像中的目标与背景的面积相差很大时,表现为直方图没有明显的双峰,或者两个峰的大小相差很大,分割效果不佳,或者目标与背景的灰度有较大的重叠时也不能准确的将目标与背景分开。导致这种现象出现的原因是该方法忽略了图像的空间信息,同时该方法将图像的灰度分布作为分割图像的依据,因而对噪声也相当敏感。所以,在实际应用中,总是将其与其他方法结合起来使用。
(5)由灰度拉伸选择阈值
2、基于边缘的分割方法
3、基于区域的分割方法
区域生长-种子
区域分离与合并
分水岭分割算法
4、基于图论的分割方法
GraphCut,GrabCut和Random Walk等
5、基于能量泛函的分割方法
该类方法主要指的是活动轮廓模型(active contour model)以及在其基础上发展出来的算法,其基本思想是使用连续曲线来表达目标边缘,并定义一个能量泛函使得其自变量包括边缘曲线,因此分割过程就转变为求解能量泛函的最小值的过程,一般可通过求解函数对应的欧拉(Euler.Lagrange)方程来实现,能量达到最小时的曲线位置就是目标的轮廓所在。按照模型中曲线表达形式的不同,活动轮廓模型可以分为两大类:参数活动轮廓模型(parametric active contour model)和几何活动轮廓模型(geometric active contour model)。
参数活动轮廓模型:snake模型 https://blog.csdn.net/a6333230/article/details/79974773
4.图像特征提取与匹配
常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。
A 颜色特征
颜色直方图特征匹配方法:直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。
B 纹理特征
常用的特征提取与匹配方法:
纹理特征描述方法分类
(1)统计方法
(2)几何法
(3)模型法
(4)信号处理法
纹理特征的提取与匹配主要有:灰度共生矩阵、Tamura 纹理特征、自回归纹理模型、小波变换等。
C形状特征
几种典型的形状特征描述方法:
(1)边界特征法
(2)傅里叶形状描述符法
(3)几何参数法
D空间关系特征
常用的特征提取与匹配方法:
提取图像空间关系特征可以有两种方法:一种方法是首先对图像进行自动分割,划分出图像中所包含的对象或颜色区域,然后根据这些区域提取图像特征,并建立索引;另一种方法则简单地将图像均匀地划分为若干规则子块,然后对每个图像子块提取特征,并建立索引。
5、局部特征
总结一下,好的特征应该具有以下几个特点:
重复性:不同图像相同的区域应该能被重复检测到,而且不受到旋转、模糊、光照等因素的影响;
可区分性:不同的检测子,应该可以被区分出来,而为了区分它们,应运而生的就是与检测对应的描述子了;
数量适宜:检测子可别太多,不然啥阿猫阿狗都能出来混,但也不能太少,要求太高可就招不到人才了;
高定位(尺度和位置):是在哪出现的,最好就在哪被找到,可别跑偏了;
有效性:检测速度越快越好。
http://blog.csdn.net/jwh_bupt/article/details/7621681
5.1 Harris角点
基于二阶矩阵,矩阵的两个特征值可以用来描述两个主要方向上信号的变化,因此特征值可以用来判决是否为特征点。
5.2 SIFT特征
5.3 SURF特征
SIFT先利用非极大抑制,再用到Hessian矩阵进行滤除。SURF先用Hessian矩阵,再进行非极大抑制。SURF的顺序可以加快筛选速度么?
6、其它特征
6.1 Hog特征
方向梯度直方图(Histogram of Oriented Gradient, HOG)
http://blog.csdn.net/zouxy09/article/details/7929348/
6.2 Haar特征
最早是用来人脸表示
http://blog.csdn.net/zouxy09/article/details/7929570/