图像处理笔记

图像平滑

均值滤波

简单的平均卷积操作，每个都乘或除一定的值再求平均值

方框滤波

基本和均值一样，可以选择归一化，未选择归一化容易越界，越界后均赋予最大值255

高斯滤波

高斯模糊的卷积核里的数值是满足高斯分布（类似正态分布，中间大，附近小），相当于更重视中间的

中值滤波

取核大小中间值，将中间值设为中心，相当于用中值代替

形态学

腐蚀操作

用给定核将所给区域缩减，越来越小

膨胀操作

用给定核将所给区域增加，越来越大

开运算

先腐蚀，再膨胀

闭运算

先膨胀，再腐蚀

梯度运算

膨胀-腐蚀

礼帽（MORPH_TOPHAT)

原始输入-开运算

黑帽（MORPH_BLACKHAT)

闭运算-原始输入

图像梯度

Sobel算子

按照给定Gx和Gy进行运算，注意白到黑是正数，黑到白是负数，所有的负数会被截断成0，所以要取绝对值
建议x和y分别计算再合在一起，不建议直接计算

Scharr算子

比Sobel算子更敏感，检测的更细致些，更丰富的线条

laplacian算子

和Sobel算子不一样，中间值和邻接值不一样，不建议单独使用，得到的结果没有Sobel算子好

Canny边缘检测

1）使用高斯滤波器，以平滑图像，滤除噪声
2）计算图像中每个像素点的梯度强度和方向
3）应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应
线性插值法：设g1的梯度幅值M（g1），g2的梯度幅值M（g2），则dtmp1可以很快得到：M（dtmp1）
=w*M（g2）+（1-w）*M（g1）
其中w=distance（dtmp1，g2）/distance（g1/g2）
distance（g1，g2）表示两点之间的距离
为了简化计算，由于一个像素周围有八个像素，把一个像素的梯度方向离散为八个方向，这样就只需计算前后即可，不用插值了
4）应用双阀值（Double-Threshold）检测来确定真实和潜在的边缘
梯度值>maxVal:则处理为边界
minVal<梯度值<maxVal：连有边界则保留，否则舍弃
梯度值<minVal：则舍弃
5）通过抑制孤立的弱边缘最终完成边缘检测

图像金字塔

高斯金字塔

向上采样（放大）
从顶部往底部走
将图像在每个方向扩大为原来的两倍，新增的行和列以0填充
使用先前同样的内核（乘以4）与放大后的图像卷积，获得近似值
向下采样（缩小）
从底部往顶部走
用内核做高斯卷积，将所有偶数行和列去除

拉普拉斯金字塔

Li = Gi - PyrUp(PyrDown(Gi))
1.低通滤波
2.缩小尺寸
3.放大尺寸
4.图像相减