传统图像处理算法总结

1. 图像滤波

目的：保证图像细节特征的条件下抑制图像噪声。

1.1 线性滤波

1.11 方框滤波

原图像与内核的系数加权求和



方框滤波的核：

normalize = true 时，方框滤波就变成了均值滤波。也就是说，均值滤波是方框滤波归一化（normalized）后的特殊情况。

方框滤波的缺点：丢失了图像的边缘信息。

opencv 函数 ：boxFilter(src, dst, -1, Size(10, 10));
效果图：

1.12 均值滤波

内核中心点的像素值为内核中所有点像素的平均值
均值滤波的核：

均值滤波的缺点：在图像去噪的同时也破坏了图像的细节部分,使图像模糊。

opencv 函数 ：blur(src, dst, Size(10, 10));
效果图：

1.13 高斯滤波

原图像与满足正态分布的内核做卷积
由于正态分布也被称为高斯分布，因此这项技术被称为高斯模糊。

高斯滤波的核：

高斯滤波的优点：对于 抑制服从正态分布的（高斯）噪声非常有效。

**opencv 函数： GaussianBlur(src, dst, Size(5, 5), 0, 0); **
// sigmaX 和 sigmaY 都是0，就由 ksize.width 和 ksize.height 计算出来
// Size w,h 必须为奇数

效果图：

1.2 非线性滤波

1.2.1 中值滤波

内核中心点的像素值为内核中所有点像素的中值。
均值滤波的核：

中值滤波的特点：对椒盐噪声表现较好，对高斯噪声表现较差。
椒盐噪声：又称脉冲噪声，它随机改变一些像素值，在二值图像上表现为使一些像素点变白，一些像素点变黑。而中值滤波则不受极大极小值影响。
opencv 函数： medianBlur ( image, out, 7)。

1.2.2 双边滤波

滤波器由两个函数构成，一个由几何空间距离决定滤波器系数，另一个由像素差值决定滤波器系数。
双边滤波的优点：保留边界的同时去除噪声。
opencv 函数：bilateralFilter (image, out, 100, 0, 0 ); 参数3：每个像素领域的直径d，参数4、5：颜色空间和坐标空间的sigma。

1.3 形态学滤波

1.3.1 腐蚀

操作过程：构建一个核，并指定核的锚点，用该核与图像卷积，计算核覆盖区域的像素点最小值，将其作为图像在锚点位置的像素值
效果：使暗的更暗

1.3.2 膨胀

操作过程：构建一个核，并指定核的锚点，用该核与图像卷积，计算核覆盖区域的像素点最大值，将其作为图像在锚点位置的像素值
效果：使亮的更亮

1.3.3 开运算

操作过程: 先腐蚀，再膨胀
效果：消除小物体。

1.3.4 闭运算

操作过程: 先膨胀，再腐蚀
效果：排除小型黑洞。

1.3.5 形态学梯度

操作过程: 膨胀 - 腐蚀
效果：保留物体边缘轮廓。

1.3.6 顶帽

操作过程: 原图 - 开运算
效果：背景提取。

1.3.7 黑帽

操作过程: 闭运算 - 原图
效果：轮廓提取。

2. 阈值化

2.1 阈值化的目的

对图像像素进行取舍，直接剔除一些低于或高于一定值的像素。

2.2 固定阈值函数

double threshold(InputArray src, OutputArray dst, double thresh, double maxval, int type)
thresh: 决策阈值的大小
maxval: 将大于thresh的值置为maxval值
type：二值化方法，常用THRESH_BINARY
二值化示例：threshold(img, result, 170, 255, CV_THRESH_BINARY);

3. 图像金字塔

3.1 高斯金字塔

3.1.1 向下采样

操作步骤：
①. 用高斯核对图像进行卷积操作。
②. 删除偶数行和列。
效果：
①. 图像缩小为原来的1/4。
②. 图像部分信息丢失，变模糊。

3.1.2 向上采样

操作步骤：
①. 将图像在每个方向上扩大为原来的二倍，新增的行和列用0填充。
②. 用高斯核进行卷积模糊操作。
效果：
①. 图像缩小为原来的4倍。
②. 图像部分信息丢失，比原图模糊。

3.2 拉普拉斯金字塔

3.2.1 求解方式

第 i 层 拉普拉斯金字塔 = 第 i 层高斯金字塔 - 其先下采样再上采样。
（拉普拉斯金字塔是通过源图像减去先缩小后再放大的图像的一系列图像构成的。）

3.2.2 拉普拉斯金字塔作用

可以获得高斯金字塔下采样再上采样中间丢失的图像信息。

3.3 resize函数

作用：完成图像缩放
函数参数：void resize(InputArray src, OutputArray dst, Size dsize, double fx=0, double fy=0, int interpolation=INTER_LINEAR )
fx、fy为缩放系数
interpolation: 插值方法
缩小图像一般用INTER_AREA - 区域插值（利用像素区域关系的重采样插值）
放大图像一般用INTER_LINEAR - 线性插值

4. 边缘检测

4.1 Sobel 算子

4.1.1 Sobel 计算流程

G_x 用于检测横向灰度值，G_y 用于检测纵向灰度值。

4.1.2 Sobel 函数

Sobel ( const cvArr* src, CvArr* dst, int xorder, int yorder, int aperture_size =3 )
xorder = 1则计算图像x方向导数，yorder = 1则计算图像y方向导数。aperture_size: sobel 核大小，只能为1, 3, 5, 7。
cvSobel( src, dstx, 1, 0, 7 ); //sobel
cvSobel( src, dsty, 0, 1, 7 );
cvAddWeighted(dstx, 0.5, dsty, 0.5, 0, dst);

4.1.3 Sobel的改进——Scharr 滤波器

Scharr( src_gray, grad_x, ddepth, 1, 0, scale, delta, BORDER_DEFAULT );
Scharr( src_gray, grad_x, ddepth, 0, 1, scale, delta, BORDER_DEFAULT );

Sobel 滤波器只支持 size = 3的核。

4.2 Laplacian算子（二阶微分算子）

4.2.1 Laplacian算子

4.2.1 Laplacian函数

Laplacian( src_gray, dst, ddepth, kernel_size, scale, delta, BORDER_DEFAULT );
src_gray： 输入图像须为单通道图像。
Laplacian(src,dst,CV_16S, 3);

4.3 Canny 算子

4.3.1 Canny 计算流程

①. 高斯滤波减少噪声
②. 利用sobel算子计算梯度幅值和方向
③. 非极大值抑制
④. 设置高低阈值（2:1 ～ 3:1）
case 1. 若像素值 > 高阈值， 该像素为边缘
case2. 若像素值 < 低阈值， 该像素不是边缘
case3. 若像素值在两者之间，该像素仅仅在连接到一个高于高阈值的像素时被保留。

4.3.2 非极大值抑制 ===== 》 保留局部像素最大值点

步骤：
①. 确定像素点C的灰度值在其8值邻域内是最大的。
②. 判断C在其梯度方向是否最大，即与dTmp1和dTmp2比较。
(如果C点灰度值小于这两个点中的任一个，那就说明C点不是局部极大值，那么则可以排除C点为边缘。)
③. 采用插值求解梯度方向与
g1和g2对dTmp1进行插值，根据g3和g4对dTmp2进行插值(以得到dTmp1、dTmp2两个位置处的像素值)，这要用到其梯度方向，这也是Canny算法中要求解梯度方向矩阵Thita的原因(算法的第二步)。**

4.4 直方图均衡化

4.4.1 直方图均衡化目的

对图像进行非线性拉伸，使图像直方图分布均匀,常用于图像增强处理中。

4.4.2 直方图均衡化函数

equalizeHist(image, image);
输入图像须为单通道