常用传统图像处理方法总结

1.1 微分算子检测边缘 一阶算子：一阶导数的极大值点 二阶算子：二阶导数的过零点 一阶算子： Prewitt算子 ， sobel算子（给四邻域更大的权重） 二阶算子代表：拉普拉斯算子 但拉普拉斯算子二阶导对噪声非常敏感，通常配合滤波器同时使用（高斯拉普拉斯：形状如同倒扣的帽子）。

1.2 Canny边缘检测器 最常用的边缘检测方法。能够噪声抑制，边缘增强，边缘定位。 算法分为三步：计算图像梯度，梯度非极大值抑制（NMS），双阈值提取边缘点 过程分别是：

角点即局部窗口沿着各个方向移动，均产生明显变化的点。 2.1 Harris角点检测 基本思想： 平坦区域：沿着任意方向移动，都无灰度变化。 边缘：沿着边缘方向移动，无灰度变化。 角点：任意方向移动，明显灰度变化。

数学表达： E ( u , v ) = ∑ x , y w ( x , y ) [ I ( x + t , y + t ) − I ( x , y ) ] 2 E(u, v) = \sum_{x,y}w(x,y)[I(x+t, y+t) - I(x,y)]^2 E(u,v)=x,y∑​w(x,y)[I(x+t,y+t)−I(x,y)]2 w w w为窗口函数， I I I为图像灰度。 经过推导，得到一个实对称矩阵 M M M, M = ∑ x , y w ( x , y ) ( I x 2 I x I y I x I y I y 2 ) M=\sum_{x,y}w(x,y)(\begin{matrix} I_x^2 ;I_xI_y\\ I_xI_y ; I_y^2 \end{matrix}) M=x,y∑​w(x,y)(Ix2​Ix​Iy​​Ix​Iy​Iy2​​) 对实对称矩阵 M M M进行特征值分析， λ m a x , λ m i n \lambda_{max}, \lambda_{min} λmax​,λmin​是其特征值，当， λ 1 , λ 2 \lambda_1, \lambda_2 λ1​,λ2​ 都较大且数值相当，图像灰度窗口在所有所有方向移动都有明显变化。是角点。其中一个特征值远大于另一个，是边缘。都比较小，是平坦区域。