论文准备

关键词

机器人、算法、视觉、深度学习

论文准备

1 图像滤波算法

1.1 算法原理

• 滤波算法，可以理解成一种过滤算法，就像我们筛选产品时，把次品去除掉，只留下合格的产品。而在图像处理中的滤波算法中，处理的对象是图像，除了去除掉图像中不想要的像素点的值（如去除噪声），还可以加强图像中我们需要研究一些内容（如边缘提取）。
• 这里所讲的算法都是针对图像空间的滤波算法，其中模板，可以理解为图像形态学中的结构元素，是用来选取图像中的那些像素点被用来操作的。空间滤波根据其功能划分为平滑滤波和锐化滤波。平滑滤波：能减弱或者消除图像中高频率分量，但不影响低频率分量，在实际应用中可用来消除噪声。锐化滤波：与平滑滤波相反，能减弱或者消除图像中低频率分量，但不影响高频率分量，可使图像反差增加，边缘明显。实际应用可用于增强被模糊的细节或者目标的边缘。
  
• 图像滤波可以通过公式：O(i,j)=∑m,nI(i+m,j+n)∗K(m,n)；其中K为滤波器，在很多文献中也称之为核（kernel）；其中又细分为：均值滤波、中值滤波、高斯滤波、双边滤波
• 滤波器：
  

1.2 算法特点优势

• 不同种滤波的优缺点：https://blog.csdn.net/sceart/article/details/54896657
• matlab下不同滤波对比：https://blog.csdn.net/EbowTang/article/details/41081895?utm_medium=distribute.pc_aggpage_search_result.none-task-blog-2_{aggregatepage}first_rank_v2~rank_aggregation-7-41081895.pc_agg_rank_aggregation&utm_term=%E5%9B%BE%E5%83%8F%E6%BB%A4%E6%B3%A2%E7%AE%97%E6%B3%95%E5%AF%B9%E6%AF%94&spm=1000.2123.3001.4430

1.3 算法应用

• 常见的应用包括去噪、图像增强、检测边缘、检测角点、模板匹配等。

1.4 参考博客

• 空间增强滤波技术——https://blog.csdn.net/swj110119/article/details/51321109?utm_medium=distribute.pc_feed_404.none-task-blog-BlogCommendFromBaidu-3.nonecase&depth_1-utm_source=distribute.pc_feed_404.none-task-blog-BlogCommendFromBaidu-3.nonecas
• 多种滤波——https://blog.csdn.net/jiang_ming_/article/details/82594261?utm_medium=distribute.pc_feed_404.none-task-blog-BlogCommendFromBaidu-2.nonecase&depth_1-utm_source=distribute.pc_feed_404.none-task-blog-BlogCommendFromBaidu-2.nonecas
• C++实现——https://blog.csdn.net/HaisHa1/article/details/105799351?utm_medium=distribute.pc_feed_404.none-task-blog-BlogCommendFromBaidu-8.nonecase&depth_1-utm_source=distribute.pc_feed_404.none-task-blog-BlogCommendFromBaidu-8.nonecas
• 滤波器和paddling——https://blog.csdn.net/blogshinelee/article/details/104256194?utm_medium=distribute.pc_feed_404.none-task-blog-BlogCommendFromBaidu-5.nonecase&depth_1-utm_source=distribute.pc_feed_404.none-task-blog-BlogCommendFromBaidu-5.nonecas

2 基于深度学习的语义分割算法

2.1 算法原理

• 图像分割是许多视觉理解系统的重要组成部分。它包括将图像（或视频帧）分割成多个片段或对象。分割在医学图像分析(例如，肿瘤边界提取和组织体积测量），自主载体(例如，可导航表面和行人检测），视频监控，和增强现实起到了非常重要的作用。文献中已经开发了许多图像分割算法，从最早的方法，如阈值化、基于直方图的方法、区域划分、k-均值聚类、分水岭，到更先进的算法，如活动轮廓、基于Graph的分割、马尔可夫随机场和稀疏方法。然而，在过去的几年里，深度学习网络已经产生了新一代的图像分割模型，其性能得到了显著的提高——通常在流行的基准上达到了最高的准确率——这导致了许多人认为是该领域的范式转变。
• 图像分割可以表述为带有语义标签的像素分类问题（语义分割）或单个对象分割问题（实例分割）。语义分割对所有图像像素使用一组对象类别（如人、车、树、天空）进行像素级标记，因此通常比预测整个图像的单个标签的图像分类困难。实例分割通过检测和描绘图像中的每个感兴趣对象（例如，个体的分割），进一步扩展了语义分割的范围。
  
• 用编码器/解码器（encoder/decoder）结构，其中我们先对输入进行下采样（downsample），得到较低分辨率的特征映射，其学习到了如何高效地区分各个类，然后对这些特征进行上采样（upsample）以得到一个全分辨率分割图。
• 转置卷积、全卷积网络、添加短路连接、高级的U-Net变体、空洞卷积…

2.2 算法特点优势

• 缺点：在整个网络中维持图像原始维度计算成本很高（可以通过通过池化或跨步卷积（即压缩空间分辨率）周期性地对特征图进行下采样来减轻计算负载）
• 语义分割面临语义和位置之间的内在矛盾：全局信息解决的是“是什么”问题，而局部信息解决的是“在哪里”的问题……结合细粒度层和粗粒度层使模型能在全局信息下做出局部预测。

2.3 算法应用

自动驾驶、影像诊断

2.4 参考博客

• 卷积方法和损失函数
• 更全的解读（写文时还看不懂）

3 边缘检测算法

3.1 算法原理

• 边缘：指图像在某一局部强度剧烈变化的区域。强度变化一般有两种情况：阶跃变化、屋顶变化。
• 边缘检测的任务：找到具有阶跃变化或者屋顶变化的像素点的集合。
• 边缘检测基本原理：既然边缘是灰度变化最剧烈的位置，最直观的想法就是求微分。
  对于第一种情况：一阶微分的峰值为边缘点，二阶微分的零点为边缘点。
  对于第二种情况：一阶微分的零点为边缘点，二阶微分的峰值为边缘点。
• 也可用差分：使差分的方向和边缘的方向相垂直；一般可将边缘分为水平边缘、垂直边缘和对角线边缘；也有不同算子。
• 边缘提取其实也是一种滤波，不同的算子有不同的提取效果。比较常用的方法有三种，Sobel算子，Laplacian算子，Canny算子。

3.2 算法特点优势

• Sobel算子检测方法对灰度渐变和噪声较多的图像处理效果较好，但对边缘定位不是很准确，图像的边缘不止一个像素；当对精度要求不是很高时，是一种较为常用的边缘检测方法。
• Canny方法不容易受噪声干扰，能够检测到真正的弱边缘。优点在于，使用两种不同的阈值分别检测强边缘和弱边缘，并且当弱边缘和强边缘相连时，才将弱边缘包含在输出图像中。
• Laplacian算子法对噪声比较敏感，所以很少用该算子检测边缘，而是用来判断边缘像素视为与图像的明区还是暗区。拉普拉斯高斯算子是一种二阶导数算子，将在边缘处产生一个陡峭的零交叉, Laplacian算子是各向同性的，能对任何走向的界线和线条进行锐化，无方向性。这是拉普拉斯算子区别于其他算法的最大优点。

3.3 算法应用

3.4 参考博客

数学表示和算子
文字解释更多的算子介绍