数字图像处理及应用 阅读笔记

数字图像处理及应用

基础知识[编辑]

1. 1972年EMI公司Hounsfield发明CT？
2. HVS

数学变换[编辑]

1. 几何变换
   1. 双线性插值：f(x,y)=(f10-f00)x+(f01-f00)y+(f11+f00-f01-f10)xy+f00 高频分量有收拾
   2. 3次立方插值*
   3. 几何校正：x'=ax+by+c / cx+dy+e, y'=ex+fy+g / cx+dy+e
2. FFT
3. DCT
4. Gabor
   1. STFT
5. 离散K-L：Y=A(f-m_f), MSE最小的线性变换？
   1. PCA就是K-L
6. Radon：沿图像平面内一组直线的线积分
7. Wavelet（数学背景强）
   1. DWT，Mallat算法
8. 应用（暂略）

图像增强[编辑]

1. 灰度级修正
   1. 直方图均衡
      1. 直方图匹配：增强指定范围
2. 平滑
   1. 中值滤波
3. 锐化
   1. 梯度算子：Roberts Prewitt Sobel Isotropic；Laplace
4. 增晰
   1. 同态滤波
   2. Retinex
   3. 基于HVS的LIP
5. 彩色增强

图像复原[编辑]

1. 退化模型
   1. 单位冲激δ
   2. 常用模型：运动模糊、匀速直线运动、大气湍流、Gauss、光学系统散焦模糊、二维模糊
   3. 参数估计**（这部分理论内容较多）
2. 典型方法
   1. 逆滤波
   2. Weiner（MMSE）
      1. 只在平均意义上最优，并非最适合人眼方式
   3. 等功率谱滤波
   4. Weiner的进一步泛化：几何均值滤波
   5. 无约束最小二乘（MS）复原*
   6. 有约束-*
   7. 投影复原（基于迭代的空域恢复？）
   8. Richardson-Lucy算法：f* = arg max( P(f|g) )5
   9. 振铃效应去除
3. 质量评价*

压缩编码[编辑]

1. 算术编码：将整个信源表示为0~1之间的一个区间，其长度=该序列的概率，再在该区间内选择一个代表性的小数
2. IFS分形编码*
3. 小波压缩
   1. EZW
   2. SPIHT
   3. EBCOT

图像分割[编辑]

1. 非连续性分割
   1. 边缘检测：... Gauss-Laplacian Krisch（8个模板选最大值）
   2. Hough变换
   3. 基于图论△
2. 阈值分割
   1. 原理
   2. 最小误差
   3. 最大类间方差
   4. 最大熵
3. 基于区域
   1. 区域生长法
   2. 分裂合并法
4. 聚类
   1. K-means
   2. 模糊C均值（Fuzzy C-Means，FCM）
   3. Mean-Shift
      1. 核密度估计（Parzen窗）
5. 基于参数活动轮廓模型
   1. 传统Snake
      1. 数值实现：有限差分法（这个地方偏数学一点）
   2. GVF Snake
6. 基于几何形变模型
   1. 曲线演化理论
   2. 水平集方法及其数值实现
   3. 几何活动轮廓
   4. 测地活动轮廓
   5. Chan-Vese模型：简化的Mumford-Shah模型
7. 基于图论
8. 性能评价

形态学处理[编辑]

1. 二值
   1. 腐蚀和膨胀
   2. 开／闭
   3. 击中、击不中变换 ？
      1. p274 字体的细化效果不错，拐弯处的轮廓保留了
   4. 骨架抽取
2. 灰度
   1. ～腐蚀和膨胀
   2. ～开／闭
   3. ～形态学梯度
   4. ～Top-Hat变换
3. 水域分割（Watershed）

图像描述[编辑]

1. 几何
2. 边界
3. 形状
   1. 矩：二维矩不变理论是在1962年由美籍华人胡名佳提出
4. 直方图
   1. 梯度方向直方图（HOG）
   2. Weber局部描述子，WLD直方图
5. 颜色
6. 纹理
   1. 自相关函数
   2. 灰度共生矩阵
   3. 傅里叶功率谱纹理分析
   4. LBP特征
   5. Gabor小波纹理描述

图像匹配[编辑]

1. 概述
2. 基于灰度信息
   1. 绝对平衡搜索（ABS）
   2. 归一化互相关（NC）
   3. 最大互信息匹配
3. 基于特征
   1. 点：Harris Moravec Forstner WT
      1. Harris：M=G(s')*[g, gxgy; gxgy, gy]; I=det(M)-k tr(M)^2; 特征点是局部范围内极大兴趣值对应的点
      2. 基于SVD的角点匹配？
   2. 线
      1. *改进的迭代Hough变换？
   3. 不变矩
   4. 相位
4. 局部不变描述子
   1. SIFT（D.G. Lowe 1999）
      1. 高斯差分尺度空间（DoG）
      2. 关键点检测：每个关键点都有3个特征信息：位置、尺度和方向
      3. *特征描述子的生成
   2. SURF
      1. 改进：在生成特征向量时，利用积分图像，使用快速Hessian检测子来判断关键点是否为极值点
   3. 基于SIFT/SURF特征的匹配
      1. K-D树搜索
      2. 相似性度量
      3. 消除错配：利用几何约束（极限约束）、RANSAC随机抽样一致性去外点
   4. D-nets 略
   5. 基于最大稳定极值区域（MSER）

图像融合[编辑]

1. 像素级
2. 特征级
3. 决策级
4. 多源
   1. 性能指标：MI Xydeas Pellia Cvejic Yang

目标检测[编辑]

1. 运动目标
   1. 帧间差分
   2. 光流
2. 有形目标
   1. 模板匹配
   2. *基于机器学习的
3. 弱小目标
   1. 将时间滤波器放在空间之后，‘先检测后跟踪’（DBT）
   2. TBD
   3. 背景抑制
   4. 基于单帧的，USAN
   5. 基于多帧的*
   6. 性能评价
      1. ROC

目标跟踪[编辑]

1. 模型驱动
   1. 目标的运动模型：
      1. 2阶常速和3阶常加速
      2. 一阶时间相关（Singer）
      3. 高度机动目标（Jerk）
   2. *贝叶斯估计理论
   3. 卡尔曼滤波：对动态系统的状态序列进行线性最小方差估计
      1. EKF
   4. 粒子滤波
2. 数据驱动
   1. 传统的‘波门跟踪方法’？
   2. 基于模板匹配
   3. 基于活动轮廓
   4. 基于核的（Mean-Shift）
   5. 基于子空间学习
      1. 增量PCA
      2. 序列化Karthunen-Loeve变换
   6. 基于机器学习
      1. Fisher LDA
         1. IFLDA
3. 多目标*
   1. PDAF
   2. JPDAF
   3. MHT

图像识别[编辑]

1. 特征提取
   1. 线性：PCA ICA FLDA
   2. 非线性：LLE LPP MFA
   3. 词袋
   4. 稀疏编码
   5. ‘几乎没有解析的方法能够指导特征的选择’
      1. GA
      2. 模拟退火
2. 统计分类器：线性、NN、Bayes
3. ANN
   1. 模糊ANN
   2. ？组合ANN：Bagging Boosting
4. SVM
5. 分类器增强：AdaBoost

工程应用系统案例分析[编辑]

1. 免疫细胞图像分析系统
2. 皮肤镜图像分析系统
3. 铁路扣件损伤检测系统
4. 交通监控车牌识别系统