图像处理算法回顾基本框架

一、引言

接触图像处理、计算机视觉这个领域已经有两年了，感觉有必要对自己所了解的知识点进行简单的总结与概括，其实也就是复习一下，更好的面对找工作时可能问道的问题。

计算机视觉的知识点相对比较庞大，如果没有在特定的领域有项目或经验，那一些知识还是比较陌生的，同时没有去再看了，因此大部分的知识是图像处理相关的。

 二、基本概念概念

1.计算机视觉、计算机图形学、数字图像处理的区别：

计算机视觉：往往对一副图像，通过变换、提取特征来推断图像中的物体的三维信息，简单的说偏向于从2d图像推断三维信息。

计算机图形学：通过各种手段，构造三维场景并逼真的在二维图像中显示，属于从三维到二维的一个过程。

数字图像处理：通过一些算法对图像进行基本的变换，其实属于二维图像到二维图像的过程。这些基本趋势可以看做是这些知识领域的区分方式吧。有差异，同时也有相似之处。

 

三、图像基础；

1.相机模型；常见的摄像机抽象模型包括针孔模型和薄透镜模型。针孔模型其成像面和物体在一条水平线上，且成像与实际物体方向相反。透镜模型其光轴有折射特性，因此物体成像位置的计算相对要复杂些。

2.图像基本概念：图像是由coms传感器接受的数据并以特定矩阵存储方式得到的数据，从实际物体到图像，需要经过世界坐标系到相机坐标系变换，相机坐标系再到图像坐标系的变换。图像像素值的位数决定了图像的数据质量，位数越高，所包含的图像信息就越丰富。常见的格式有TIFF GIF PNG JEPG BMP等。

3.直方图：代表了在某个特定像素值下图像中这样像素的个数。一般像素值从0-255，则整个直方图表示图像像素值的分布情况。

曝光：表示较高像素值区域的像素数量在真个图像中所占的比例情况。

对比度：表示直方图中高像素值与低像素值之间的差距范围。

动态范围：只图像中不同像素值所占的数目。即图像值在0-255之间的值是否都出现了。

四、图像处理

1.点算子：

图像强度修正：包括亮度（像素值均增加某个单位）、对比度调整（像素值均乘以某个值）、阈值化（对象素值进行阈值处理）

2.滤波器；以滤波矩阵对图像进行卷积操作，滤波矩阵的形式决定了对图像的滤波操作。滤波器具有可交换性与线性叠加性质。

线性滤波器：平滑滤波、高斯滤波、均值滤波、差分滤波。

非线性滤波器：最大最小值滤波、中值滤波。

3.区域算子：

4.傅里叶变换：

5.金字塔和小波

6.图像形态学：腐蚀、膨胀、开运算、闭运算；

计算机视觉领域算法

一、特征检测与匹配：

1.点特征：

Harris角点特征、SIFT特征（具有尺度不变性）、MSER特征；

特征匹配：根据特征点计算匹配度；通过ROC曲线进行结果分析；

2.边沿特征：

sobel算子 Roberts算子 Canny算子等；

3.轮廓：二值图像的轮廓特征；包含周长、矩、面积、形心等。

4.线条特征：

基于霍夫变换的直线检测、基于RANSAC(随机样本一致性)的直线检测

霍夫变换也可以用于圆检测、椭圆检测。

二、图像分割：

1.活动轮廓、蛇行算法；

2.分水岭算法；

3.meansift、k-均值和高斯混合方法；

4.graphCut方法、grabCut方法；

三、基于特征的匹配

1、相机参数标定；通过相机标定板去估计相机的内部参数，包括焦距、镜头畸变、像素比例等参数、

2.三角测量法：采用双目相机，根据两个相机位置关系确定出两幅图像中对应相同像素点的深度值，此点便成为了3维点。

四、其他领域：

稠密运动估计、图像拼接、计算摄影学、立体视觉、3D重建、基于图像的绘制、图像识别等领域。

五、总结

可以发现计算机视觉领域非常广泛，引用的场景很多，而每个领域都包含大量的论文与新的算法，因此在未对其中的某个领域进行深入的研究之前，不能对其妄下结论。

然而现在的参考书目，如《计算机视觉一种现代方法》和《计算机视觉算法与应用》这类书包含了计算机视觉的大部分领域内的知识点，但是又没有对具体的算法细节做过多的解释，每一个算法不不可能都能说清楚，因此只能去了解这个领域的目标与发展，具体的算法还得去搜算法对应的原始论文。

基本库：

OPENCV；

除了opencv貌似其他的用的真不多，毕竟OPENCV太强大了。