2 特征提取
1.边缘提取
图像微分算子
-
一阶导数（梯度）度量"变化有多快"，所以边缘处应当是一阶导数沿法线方向的极大值；
-
二阶导数度量"一阶导数变化的变化"，一阶导数取得极值的地方根据微积分必有二阶导数为零（且变号） ，因此也会出现二阶导数的过零点（zero-crossing）。
一维信号
二维信号
噪声的影响
先进行滤波
图像梯度算子的近似
Sober 算子
常见的梯度算子
拉普拉斯算子
二阶微分
特点
高斯拉普拉斯
Laplacian of Gaussian（LoG）
正面积 = 负面积 ，所以整体积分为 0 。这意味着：对完全平坦的图像（像素全是常数）卷积输出为 0 ------ 不会凭空产生响应（抑制 DC 分量）
"DC 分量"= 零频（直流）分量 ，就是信号里不随位置/时间变化的常量部分。
- 在图像里，它就是整幅图的平均亮度（全体像素的均值/背景偏置）
****这等价于滤掉 DC 分量 ：整体加/减亮度不会引起响应，只对局部变化（AC 分量）---边缘、斑点---有响应。
Prewitt 算子
Canny边缘检测器
非极大值抑制
2.图像特征点提取
角点检测
Harris角点检测
基本思想
性质
ORB特征检测
3 特征点提取与描述
1.图像特征点提取
SIFT
尺度空间就是：把同一幅图在一系列"模糊尺度"下的版本 L(x,y,σ)，用来表示图像在不同尺寸/分辨率下的结构
关键点的精确定位
-
DoG 金字塔是离散的（每层代表不同的 σ\sigmaσ，每个像素有一个 DoG 值）。
-
直接取最大/最小值，只是"采样网格上的极值"，可能与连续真实极值偏离。
-
为了得到更稳定的关键点位置（尤其是跨尺度一致性），SIFT 在 3D 空间 (x,y,σ)(x, y, \sigma)(x,y,σ) 上拟合局部二次曲面 ，找到 DoG 的连续极值位置。
去除不稳定的点
这样，每个关键点就有了自己的"局部坐标
2.图像特征点描述与匹配
点匹配的基本原则
相关窗口和搜索区域
相关函数
I代表 图像中某一点的像素灰度值
SIFT 特征匹配算法
SIFT-描述子
主方向计算
特征点主方向
ORB->BRIEF
3.基于DNN的特征描述自学习
4.空间点匹配
5.鲁棒估计：RNASAC
4 图像分割
图像分割方法
1.阈值法
如何选取合适阈值？
局部阈值方法，图像方块，按照块用不同阈值进行分割
2.基于均值移动的图像分割方法
统计特征：像素个数多的范围内容可能是物体，波峰；波谷区分两个物品的界限
概率密度 近似 概率 近似 频率
不估计概率密度图像的参数，而是找最高点或是最低点
类似聚类方法
画出一个区域，计算质心，再以这个质心画圆，计算更新后的质心，最后质心收敛。这个过程中通过的质心可归为一类
3.图割
分为S和T两个集合
归一化割
建立邻接矩阵