2D计算机视觉——原理、算法及应用
参考
《2D计算机视觉——原理、算法及应用》
第3章 空域增强
算数运算：
图像相减：体现两图的差别，可用于运动检测。
对比度拉伸：增加原始图像里某两个灰度值的动态范围实现对比度的拉伸。
动态范围压缩：
和对比度拉伸相反目的相反，看函数图就知道了。
直方图
使用直方图统计图像的亮度分布情况。
直方图均匀化：使用累积分布函数CDF使得直方图分布均匀。
直方图规定化：把直方图变成预期的形状。
滤波
平滑（模糊）
锐化
第4章 频域增强
傅里叶变换在这个应用中的应用：把一个关于图像亮度的函数从空域（位置与亮度的关系）转化到频域（频率与亮度的关系）。
https://www.zhihu.com/question/21040374。连接中是从时域变换到频域。
第7章 图像分割
在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣，这些部分常称为目标或前景(其他部分称为背景)，一般对应图像中特定的、具有独特性质的区域。为了辨识和分析目标，需要将这些区域分离并提取出来,如进行特征提取。
先不管串、并行，分割的主要依据是检测边界或者检测区域，由此划分图像。
微分边缘检测
但是，图像是离散并非连续的，所以不能直接求导。所以数字图像的求导是利用差分来近似微分的。
二维的差分使用卷积来实现。
几个常用的梯度算子（一阶倒数算子/卷积模板）如下：
基于灰度相似性的区域检测
阈值分割
区域生长
在实际应用区域生长技术时，需要解决三个问题:
(1) 选择或确定一组能正确代表所需区域的种子像素。
(2) 确定在生长过程中能将相邻像素包括进来的生长(或相似)准则。
(3) 确定让生长过程停止的条件或规则。
第8章 基元检测
基元检测本质上还是图像分割。
角点检测
二阶导
哈里斯
使用局部模板两个方向的梯度来定义。卷积的情况下，梯度的平方和也就是领域灰度值平方差的和。
积分角点检测
使用圆形模板遍历每一个点，比较模板内其它点与中心点（核）的灰度值差异，小于阈值则记为“相同”，统计相同区域的面积比例。
可以发现，当中心点（核）恰好在角点上时，该面积可以取最小值，其它大多数时候面积大小都是大于2分之1的。
哈夫变换
图像空间到参数空间的变换。
滤波
NR基础篇上——均值滤波、高斯滤波、双边滤波：https://zhuanlan.zhihu.com/p/422899763
OpenCV双边滤波详解及实代码实现：https://blog.csdn.net/qq_36359022/article/details/80198890
均值滤波
太简单，略过。
高斯滤波
使用高斯卷积核。
当样本数据 X 是一维数据（Univariate）时，高斯分布遵从下方概率密度函数（Probability Density Function）：
其中
双边滤波
两个高斯权重相乘：
$$ W S=e^{\left(-\frac{(i-k)^{2}+(j-l)^{2}}{2 \sigma_{s}^{2}}\right)} $$ $$ w r=e^{\left(-\frac{\|f(i, j)-f(k, l)\|^{2}}{2 \sigma_{r}^{2}}\right)} $$上面是二维的高斯分布，跟位置有关系，下面这个是图像的亮度差值的一维高斯分布。
由于在空域，像素是整齐排列的，所以在函数上采样的ws（权重）是上图左侧均匀变化的，但是在color space亮度是没有规律的，所以就是越亮度或色彩越相似，权重越高；如果在边缘区域出现剧烈的亮度变化，那么不相似的一侧分配到的权重就会很小，于是出现上图所示的“断崖式”缩减。
opencv给出的实现中，给出的双边滤波器bilateralFilter的3个主要参数如下：
bilateralFilter(src, opt, d, sigmaColor, sigmaSpace);
/*
d 邻域半径
sigmaColor color空间的sigma值，也就是高斯分布的标准差值，值越大也就是亮度差值大的也会获得较高权重；接近无穷大时，那么退化成普通高斯滤波。
sigmaSpace 普通的空域高斯函数的标准差值。
*/