像素亮度变换
- 亮度校正
- 灰度级变换
- 直方图均衡化
- 对数的灰度级变化
- 伪彩色
几何变换
- 像素坐标变换
- 双线性变换
- 仿射变换
仿射变换包含了一些典型的几何变换，包括旋转，平移，变尺度和斜切
几何变换作用在整个图像上时可能会改变坐标系，雅可比提供了坐标系如何变化的信息：
1.jpg
- 亮度插值
变换后的点集给出了非整数坐标的输出图像，输出图像光栅上每个像素的数值可以用一些相邻的非整数采样点的亮度插值。
三种常用的插值方法是
- 最近邻
- 线性
- 双三次
局部预处理
- 图像平滑：主要用于抑制噪声
可分离滤波器：在二维可分离意味着，卷积核可分解为两个一维向量的乘积，理论上提供了鉴别卷积模板是否可分的线索。每个秩为1的卷积模板是可分离的。 - 边缘检测算子
边缘是亮度函数发生急剧变化的位置
梯度方向是函数最大增长的方向，边缘的幅值是梯度的幅值，边缘方向是梯度方向旋转-90°的方向。
假定区域具有均匀的亮度，其边界就是图像函数变化的位置。
梯度方向和边缘方向垂直。
傅里叶变换的结果是谐波函数的组合，谐波函数sin(nx)的导数是ncos(nx)，因此，频率越高导数的幅值越大。这是为什么梯度算子增强边缘的另一个解释。
检测小局部邻域的单个梯度算子事实上是卷积，可以用卷积掩膜来表达。能够检测边缘方向的算子是用一组掩膜来表达的，每个对应某个方向。
- Roberts算子（2*2邻域）
- Laplace算子（是近似只给出梯度幅值的二阶导数的流行方法）
Laplace算子有一个缺点是它对图像中的某些边缘产生双重响应。 - Prewitt算子（近似图像函数一阶导数的算子由于具有确定梯度方向的能力，有时称作罗盘算子）
- Sobel算子
-
Kirsch算子
2.jpg
3.jpg
以上的边缘检测算子是基于很小邻域的卷积，只对特殊的图像效果好。这些边缘检测子的主要缺点是他们依赖物体的大小且对噪声敏感。
3.二阶导数过零点
- Laplacian of Gaussian LOG
- Difference of Gaussian DOG
4.Canny边缘提取
Canny检测子的最优性与以下的三个标准有关。 - 检测标准：不丢失重要的边缘，不应有虚假的边缘
- 定位标准： 实际边缘与检测到的边缘位置之间的偏差最小
-
单响应标准：将多个响应降低到单个边缘响应。
5.jpg
6.jpg
7.jpg
- 参数化边缘模型
参数化边缘模型是基于如下思想，即离散图像亮度函数可以看作是对连续或分段连续的图像亮度函数的采样的有噪声的近似。尽管我们并不知道连续的图像亮度函数，但是我们可以根据获得的离散图像亮度函数估计出它，因此图像的性质可以根据这个连续函数来确定。
（面元模型） - 频域的局部预处理
空间频率滤波器
- 低通滤波器：保持了低频率而抑制了高频率，抑制噪声。
- 高通滤波器：保持了高频率而抑制了低频率，增强边缘。
-带通滤波器：选择特定区域的频率来增强。
另外一种作用于频域的有用的预处理技术是同态过滤，同态过滤用于去除相乘性的噪声。
- 用局部预处理算子作线检测
- 角点（兴趣点）检测
- 最大稳定极值区域检测
最大稳定极值区域（MSER）检测算法
图像复原
图像复原的目标是从退化图像中重建出原始图像。
图像复原技术可以划分为两组
1.确定性的
2.随机性的
