计算机视觉——第3章基元检测（期末复习）

1、概述，名词解析：
    边缘：
        是图像中较底层的基元，是组成其他基元的基础
    角点：
        可以看作两个边缘以接近直角的形式相结合而构成的基元
    直线段：
        可看作两个邻近的又互相平行的边缘相结合而构成的基元
    圆：
        圆周可以看作将直线段弯曲、头尾相接而得到。椭圆是圆的拓展，圆是椭圆的特例
    孔：
        表示比较小的圆（相对于周围的区域）
2、边缘剖面
    阶梯状边缘
    脉冲状边缘
    屋顶状边缘
3、二阶导数算子
    （1）拉普拉斯算子：
        通过检测运算后的过零点
        缺点：
            对噪声相当敏感
            常产生双像素宽的边缘
            也不能提供边缘方向信息
        模板的基本要求：
            中心为正，所有系数总和为0
            分类：
                四邻域
                八邻域
                ...
    
        注意：很少用于检测边缘，而主要用于已知边缘像素后确定该像素是在图像的暗区还是明区。
              计算该像素的二阶导数，根据在该二阶导数附件的值来判断该像素在图像的暗区还是明区。
    （2）马尔算子：
        为了减少噪声的影响，先对图像进行平滑，再运用拉普拉斯算子
        特点：高斯加权平滑运算与拉普拉斯运算的结合
    （3）坎尼算子：
        三大准则：
            信噪比（SNR）准则：
                低失误概率，既要少将真正的边缘丢失，又要少将非边缘判为边缘
            定位精度（L）准则：
                高位置精度，检测出来的边缘应该在真正的边界上
            单边缘响应准则
                得到的边界为单像素宽
        由高斯函数的一阶微分所得到的边缘检测算子也就是马尔边缘检测算子
        坎尼算子工作步骤：
            （1）在空间进行低通滤波
            （2）使用一阶微分检测滤波图像中灰度梯度的大小和方向
            （3）非最大消除：细化借助梯度检测得到的边缘像素所构成的边界
            （4）滞后阈值化：选取两个阈值并借助滞后阈值化方法最后确定边缘点
                高阈值
                低阈值
                好处：可减弱噪声在最终边缘图像中的影响，并可避免产生由于阈值过低导致的虚假边缘或由于阈值过高导致的边缘丢失。
4、边界闭合
    边缘像素连接的基础是它们之间具有一定的相似性
    根据下面这两个相似性将边缘像素连接起来：
        梯度幅度
            满足幅度阈值
        梯度方向
            满足角度阈值

5、边界细化
    非最大消除
        用模板进行非最大消除
            四个模板
        用插值进行非最大消除
6、SUSAN算子(边缘点和角点都可以检测）
    不同之处：
        前者通过微分，此通过计算积分
    特点：
        计算积分，所以对噪声不是很敏感
        对边缘的响应随着边缘的平滑或模糊而增强
        提供不依赖于模板尺寸的边缘精度
        控制参数的选择很简单，且任意性较小，所以比较容易实现自动化的获取
        可以检测目标的边缘点，还可以检测图像中目标上的角点
    核同值区（USAN区）：
        usan核像素靠近边缘时usan的面积减小越快，所以在角点处的usan面积最小
    阈值：
        灰度差阈值T（图像中无噪声时）
        几何阈值G（图像中有噪声时）：
            设置为 3Smax/4 时可给出最优噪声消除效果
    USAN区的面积越小，边缘响应越大。（根据公式可以推出），检测不到边缘的可能性越小
    边缘方向检测：
        借助边缘强度来检测的
        边缘落在两个像素之间：
            USAN区的重心与模板核的矢量和边缘的局部方向相垂直

        边缘落在像素中心（像素内部边缘情况）：
            通过寻找边缘区域最长的对称轴就可以发现边缘方向
        
        如何自动确定边缘属于哪种情况：
            如果USAN区的面积比模板的直径小，则属于像素内部边缘情况
            如果USAN区的面积比模板的直径大，则可以确定USAN区的重心，并根据像素之间边缘的情况来确定边缘的方向。
                如果重心和模板核的距离很接近的话，也有可能属于像素内部边缘的情况
7、哈里斯兴趣点算子
    角点检测：
        根据公式：

        角点是锐角：
        角点是直角：
            角点强度最大的角点位置在圆形模板的边界上
            角点的两条边与模板的交点之间的直径与角点的角平分线相垂直
        焦点是钝角：
            角点的两条边与模板的交点之间的直径与角点的角平分线相垂直
    交叉点:
        如果将交叉点与模板中心点相重合，则l1和l2的值分别是角点与模板中心点相重合时的两倍，这也是交叉点强度最大的位置。这个位置也是二阶导数的过零点。
    T型交点检测：
        检测强度值最大的点在弱边缘上而不在强边缘上
8、哈夫变换
    基本哈夫变换：
        基本思路：利用点——线对偶性，将在图像空间的直线检测问题转换为参数空间的点检测问题
    检测步骤：
        （1）对参数空间中的p和q进行量化，根据量化结果构造一X个累加数组，A（pmin：pmax，qmin：qmax），初始化数组为0
        （2）对每个空间XY中的给定点让p取遍所有的可能值，用q=-px+y算的q，根据p和q对累加数组A进行累加
        （3）根据累加后A中最大值所对应的p和q，由式y=px+q确定出空间XY中的一条直线，A中的最大值代表在此直线上给定点的数目，满足直线方程的点就是共线的。
    哈弗变换技术的基本策略是：
        根据点——线对偶性，由图像空间中的点确定参数空间中的线，再由参数空间中的线的交点确定图像空间中的线。
    广义哈弗变换：
        基本原理
    完整哈弗变换：
    
9、椭圆定位与检测
    （1）直径二分法
    （2）弦——切线法
10、位置直方图：
    背景：
        对很小的孔，可用模板匹配来检测
        对大的圆形目标，可用哈弗变换来检测
        对不大不小的目标，可以使用位置直方图技术。

        注意：位置直方图适合检测和定位圆形（盘或孔）的目标
11、计算量分析：
    公式：
        Ot
        Om
    什么情况下使用位置直方图技术
        p<<N/n
    当N<np时，需要将图像先分解为子图像，再使用位置直方图技术
 

标签：复习,阈值,检测,角点,像素,边缘,期末,基元,模板
来源： https://blog.csdn.net/weixin_47254604/article/details/121059979