近来复习《数字图像处理与机器视觉》网课。在这里分享一下学习笔记：
一 图像增强
特点: 有选择的增强,并衰减不需要的部分 可能和原图像不同
目的: 提升可理解性,提升可区分性
方法:空间域:灰度处理, 频域:滤波器
1 空间增强:
由已知推导未知:
1） 灰度变换:
阈值法 :分离前景和背景
反色法 :最大值-r;可以增强暗色区域的白色或灰色的细节
对数变换:拉高低灰度值的差异,压缩高灰度值的差异;
gamma变换:与对数变换相似,但变换形式更丰富;
2） 直方图均衡化与拉普拉斯锐化
直方图:横轴是灰度值,纵轴是灰度级
直方图均衡化:为了得到均匀分布的直方图
单调递增,变换后值域还是0,L-1
优点:提升对比度,速度快
缺点:过增强,不可逆
累计直方图中,概率相近的值会被处理为相同的值;且原始的概率密度分布不是线性递增分布.
拉普拉斯算子:图像的二阶微分,
拉普拉斯算子 会锐化
细节和边缘会更清晰
2 基于频域变换的图像增强:
通用步骤：
- 傅里叶变换； 2)与一个转移函数相乘； 3)傅里叶反变换 ；
（1）低通:平滑,高通:锐化;
（2）同态滤波:平滑+锐化
- 压缩低频部分,增强高频部分
- 消除不均匀光照,增强不均匀处细节
- 将图像分为:照射分量与反射分量分开处理
3）高通滤波器:
- 理想滤波器- 无法通过硬件实现;
转移函数:>D0 为1,小于等于D0为0
- 巴特沃斯滤波器
转移函数比理想~平滑
- 高斯滤波器
转移函数更陡峭,边缘保留效果更好
- 梯形滤波器
转移函数0与1之间是斜线
二 图像分割:
分割是标记的特例,找出某一区域的共同特征.标记
边界(连续性 或区域(相似性
并行策略,串行策略
常用特征: 亮度\ 直方图,变换系数\边缘\纹理\关键点\
- 基于阈值的分割:适用于直方图上有两个峰
- 全局阈值: 迭代法,大津法(OTSU, 最优~ 最大熵,众数法,矩不变法
- 自适应阈值
- 带阈值法
1 基于区域的分割
区域生长法
区域分裂与合并
2 基于聚类的分割
空间相邻性
特征相似性
mean-shift 聚类分割算法
SLIC超像素聚类分割算法
这一章节没看懂
3 基于边界
关键是边界的提取, 技术包括边缘检测 边界跟踪,霍夫变换
不连续性是基础
一阶导数和二阶导数能检测斜率和曲率
一阶导数是 梯度
- Robert算子, Prewitt &Sobel算子
- 拉普拉斯算子
- marr边缘检测算子 -高斯平滑加拉普拉斯算子
- 抗噪声能力强,各向同性,图像模糊化
- canny边缘检测算子：2D高斯模版滤波\求梯度\非极大值抑制\双阈值判别
- 边界跟踪技术:探测法 梯度图法：边界法-边缘连接-霍夫变换-判断哪些点在一个直线上