图像处理-边缘检测-文献阅读笔记

[1]李华琛. 基于opencv图像边缘检测技术[J]. 数字技术与应用, 2016(11):2.

• 高斯滤波有效抑制噪声；原理：识别图像中亮度改变较为明显的点，本质是采用不同的算子进行边缘检测并进行修整。
• 算子：Laplacian 算子、Scharr 算子、Canny 算子
• 基元：图像上比较有显著特点的基本单元
• canny实现流程：①平滑图像,抑制噪声;②计算梯度方向和幅值;③非极大值抑制;④滞后其阈值
• lapiancian:①对变量进行定义;②使用高斯滤波消除噪声;③转换为灰度图;④使用Laplace函数;⑤计算绝对值,并将结果转换成8位
  

[2] 高佳益. 基于OpenCV的智能小车运动轨迹跟踪方法研究[D]. 陕西:西安石油大学,2020.

• 目标检测算法：二帧差分法、三帧差分法、高斯混合模型（GMM)背景差分法、ViBe背景差分法和光流法
• 目标跟踪算法：跟踪：研究了 Meanshift 跟踪算法、 Camshift 跟踪算法和 卡尔曼滤波
• 针对高亮白色部分有形态学操作：腐蚀与膨胀，和衍生方法 开运算和闭运算

[3]刘卫华, 刘勇杰. 基于OpenCv的运动目标追踪与检测[J]. 电子世界, 2021(1):2.

• meanshift算法对视频中出现多目标进行追踪检测
• 目标追踪就是图像与相似性检测算法匹配，常见的相似性度量包括：欧式、块、棋盘距离、Bart Charlie系数、Hausdorff距离
• 搜索算法：对目标进行直接计算、通过匹配计算得到值找到最佳位置而不用其他数据，有卡尔曼滤波法

[4]岳辰. 基于OpenCV的水表读数智能识别系统的软件实现[D]. 电子科技大学.

• 该识别系统分三大模块 原始图像预处理模块、识别区域定位及字符分割模块和字符识别模块
  原始图像预处理 操作：图像增强、灰度化和倾斜校正
  识别区域定位：自适应二值化
  字符识别模块：数字字符的神经网络识别，对全、半字符的特征提取及设计合适的BP神经网络
• 霍夫变换：可识别出线条
• 直方图均衡化将灰度集中在某个灰度区间的图片变为一张灰度值在全区间均匀分布的图片，避免灰度过度聚集或稀疏，从而提高图像对比度和清晰度
• 双边滤波：非线性滤波方式，他的基本思想即考虑空间邻域的邻近度又考虑像素点灰度值之间的相似度。可去噪的同时又保边

[5]李翠锦, 瞿中. 基于深度学习的图像边缘检测算法综述[J]. 计算机应用, 2020, 40(11):9.

• 针对边缘轮廓线过粗以及检测精度不高的问题，有谱聚类、多尺度融合、跨层融合等基于深度学习的边缘检测算法。

• 传统边缘检测往往将手工制作的底层特色如颜色、亮度、纹理、梯度作为边缘检测的优先级

• 卷积神经网络 Convolutional neural network,CNN ，自动学习自然图像的高级表示

• 边缘检测的实质是对图像中突变的部分进行识别和定位。可基于梯度和拉普拉斯的边缘检测采用滤波对图像进行卷积计算，从而得出图像灰度的变化

• 全局Pb边缘检测算法（gPb-owl-ucm):
  多尺度局部亮度、颜色和纹理->应用到->谱聚类框架中
  每个位置应用直方图计算$x^2$
  定义一个表示像素之间相似度的关联矩阵-》得到-》特征值和编码轮廓信息的固定特征向量
  分类器——卡方值+特征向量-》gPb-owl-ucm
• SCG:
  使用稀疏编码-》正交匹配追踪算法+K-means字典训练学习patchs表示-》每个方向多尺度半圆上汇集->SVM分类，输出进行平滑处理-》非极大值抑制-》生成

[6]赵志强, 徐晓文, 高新政,等. 一种基于深度学习的暗视觉及低照度图像边缘检测方法:, CN114693712A[P]. 2022.

• 图像预处理->初级子网边缘检测、提取特征图、上取样形成第一边缘特征->边缘增强->次级提取边缘检测->初级和特级检测的进行特征融合