最近开始下上数字图像处理的课程，顺便在这儿做点笔记~

1、图像处理中常需要解决的问题：

不同视角下形成的图片对图像处理的要求；
光照的影响；
目标物体受遮挡；
尺度问题；
变形；
背景杂乱；
同一目标的类间形态的变化；
局部的不确定性；

2、影响像素亮度的因素：
光照强度和方向；表面的几何形态；表面材质；相邻的表面；相机的曝光等。

3、影响一个像素颜色的因素：

4、在【波段-光子】图中，均值决定色调，方差决定饱和度，面积决定亮度。

5、常用的图像纹理特征：
纹理特征的特点：一种全局特征，而非局部特征。不是基于像素点而是基于多个像素点的区域进行像素值的统计特性。其具有旋转不变性，对噪声有较强的抵抗能力。但纹理特征的一个明显的缺点是当图像的分辨率发生变化时，所计算出来的纹理可能会有较大的偏差，并且受外界因素的影响，如光照及反射等情况，2维图像中的纹理并不能真实地反映三维物体的实际纹理情况。
提取方法：a、可利用卷积意义下的模板匹配方式
                 b、基于统计学意义下的方式等。

6、图像的平滑：
对于椒盐噪声：采用均值滤波；
对于高斯噪声：采用高斯滤波。

#当用高斯滤波器对图像进行降噪处理时，将滤波器的窗口大小设为0，将sigma设置成很大的值，此时便相当于中值滤波，则将得到很模糊的图，再用原图减去模糊后的图，可得到原图中的高频部分，这种方法可以用来清除原图中因光照带来的影响。

7、在对图像进行缩放采样时，为防止图像的采样走样，根据香农采样定理：采样频率应高于信号最高频率的2倍，故可先对图像进行平滑以削弱高频信号，再对图像进行采样。图像的降采样难以保证图像的局部特性。

8、图像中导致边缘产生的因素：法向量，深度，光照（阴影），表面颜色等。

9、边缘检测算子之Canny：
基本思想：先进行高斯平滑，再进行Sobel检测以计算像素梯度；然后进行邻域梯度非极大值抑制；最后双阈值得到所需的边缘（大的阈值找出明显的边缘，小的阈值控制边缘的连接。）

10、PNG格式是无损压缩；JPEG是有损压缩，（将图片转换到YCrCb空间，将灰度值均减去128，然后先进行离散余弦变换（DCT）,然后进行哈夫曼编码再利用顺序编码模式）。（压缩后的图像是否能还原成原始图像是判断无损有损的依据。）

11、图像融合：将多源信道采集到的关于同一目标的图像数据经过图像处理技术，最大限度的提取各自信道中的有利信息，最后综合成高质量的图像。

12、图像匹配：利用匹配算法在两幅或多幅图像之间识别同名点，其实质是在基元相似的条件下，运用匹配准则的最佳搜索问题。
a、基于灰度的匹配：如：归一化的灰度匹配法。
b、基于特征的匹配：如：颜色，纹理，形状，空间位置等。其常用的特征基元有：角点，边缘点，边缘线段等。
     b-1：角点的检测：思想——两条直线的交点——两个梯度方向。
13、非线性滤波器：中值滤波器、加权中值滤波器，去除最大最小值后的均值滤波器，双边滤波器，图像引导滤波器

14、在模板匹配中，表示两个块之间的相似性的方法有：a、直接将两个块做卷积，如果两个块的相似性很高，则卷积后的响应值将会很高。b、零均值后再进行卷积（对a的改进，应为，很有可能原图像的像素值本身便很高，卷积后的结果差别不大，因为值会被约束在小于255的范围内）c、SSD，均方差之和（即不做卷积操作，直接将对应的像素值相减后取平方在求和）d、Normalized cross-correlation(对ssd的一种改进)

*不同尺度下的模板匹配

15、在对图像做有关梯度方面的计算时，应先进行降噪。如相对图像进行高斯滤波，再计算灰度值梯度，此时可相当于对高斯滤波器计算其梯度值（即求导），然后再利用求导过后的滤波器与图像进行卷积。

16、边缘检测：可利用图像的颜色，灰度值，纹理的不同以及连续与否，闭包与否等性质进行检测。较好的边缘检测算子是能够对图像进行平滑，找到所有边界并且能较好的定位。
a、canny
b、pb boundary detector
c、structed random forest
d、holistically-nested edge detection
e、crisp boundary detection using pointwise
f、Mutual information
注：以上是一些检测的方法，也是论文，目前没有具体了解，记录在这儿，供需要时查阅