qq_45390952的博客

opencv编译。

特征提取：通过一系列的特征提取算法从图像中提取出代表图像信息的特征向量，例如颜色、形状、纹理等特征选择：从提取出的特征向量中选择出最具代表性的特征，以提高分类效果。分类器训练：使用标注好的训练数据集，通过训练分类器来学习不同类别之间的区别和相似性。分类器测试：将训练好的分类器应用到测试数据集中，对每个图像进行分类。支持向量机（Support Vector Machine, SVM）：是一种常用的监督学习算法，通过构建超平面将数据分成不同的类别，适用于二分类和多分类任务。

图像分割是指将一幅图像划分成若干个互不重叠的区域的过程，每个区域内的像素具有相似的特征。基于阈值的分割算法：通过将图像灰度值分成若干个区间，选择合适的阈值将像素分为两类或多类，适用于简单的分割任务。基于边缘的分割算法：通过检测图像中的边缘信息来分割图像，典型的算法有Canny边缘检测和Sobel边缘检测等。基于区域的分割算法：先将图像分成若干个相邻的区域，再通过某种准则将这些区域进一步合并或者分裂，直到达到预期的结果。典型的基于区域的分割算法有区域生长、区域分裂与合并等。

图像预处理是指在图像分析和处理之前对图像进行的一些预处理操作，旨在提高图像处理的效果和精度。图像去噪：通过滤波器等方式去除图像中的噪声，例如均值滤波、中值滤波、高斯滤波等。图像增强：通过调整图像的对比度、亮度等参数，增强图像的细节信息，例如直方图均衡化、CLAHE（对比度有限自适应直方图均衡化）等。图像尺寸调整：调整图像的大小，适应不同的应用场景和需求，例如缩放、裁剪等。图像旋转和翻转：调整图像的角度和方向，例如旋转、水平翻转、垂直翻转等。

图像滤波是一种图像处理技术，它可以通过在图像上应用各种滤波器来改变图像的外观和特征。均值滤波：将像素周围的值取平均值，可以平滑图像并减少噪声。中值滤波：用像素周围的值的中值来替换中心像素的值，适用于去除椒盐噪声。高斯滤波：利用高斯函数的权重来对像素周围的值进行加权平均，可以平滑图像并保留更多的图像细节。双边滤波：结合了空间域和灰度值域的信息，可以在平滑图像的同时保留边缘信息，适用于处理具有复杂纹理和边缘信息的图像。Sobel滤波：用于边缘检测，可以检测图像中的水平和垂直边缘。

一些经典的图像梯度算法是考虑图像的每个像素的某个邻域内的灰度变化，利用边缘邻近的一阶或二阶导数变化规律，对原始图像中像素某个邻域设置梯度算子，通常我们用小区域模板进行卷积来计算，有Sobel算子、Robinson算子、Laplace算子等。在上述的推论中我们得到，梯度的方向是函数变化最快的方向，所以当函数中存在边缘时，一定有较大的梯度值，相反，当图像中有比较平滑的部分时，灰度值变化较小，则相应的梯度也较小，图像处理中把梯度的模简称为梯度，由图像梯度构成的图像成为梯度图像。边缘检测容易受到噪声的影响。