图像处理

图像分割的主要算法：1.基于阈值的分割方法；2.基于边缘的分割方法；3.基于区域的分割方法；4.基于聚类分析的图像分割方法；5.基于小波变换的分割方法；6.基于数学形态学的分割方法；7.基于人工神经网络的分割方法；8. 基于遗传学算法的分割方法。

腐蚀与膨胀是数字形态学里的两个基本操作，一般用于二值图像（当然RGB图也可以用）。腐蚀的作用说白了就是让暗的区域变大，而膨胀的作用就是让亮的区域变大。

线性滤波器经常用于剔除输入信号中不想要的频率或者从许多频率中选择一个想要的频率。常见的有：低通、高通、带通、带阻、全通、陷波。

针对模糊图像的处理，个人觉得主要分两条路，一种是自我激发型，另外一种属于外部学习型。接下来我们一起学习这两条路的具体方式。

图像处理就是一个典型的门槛低、厅堂深的领域。不需要太多基础，学过线性代数，会一点编程就够了；但是那些算法却深不可测，是个消耗功夫的活儿。

点结构光只能获取单个点的深度信息，如要获取整个被测对象表面结构信息，需要沿着水平和垂直两个方向逐点扫描，效率比较低。点结构光技术只是对点状光斑进行处理，算法简单，计算复杂度小，但是需要引入扫描移动设备，以保证点光斑的遍历扫描，使得系统效率低下，难以满足实时性要求。

空间域滤波是在图像空间中借助模板对图像进行邻域操作,处理图像的每一个像素的取值都是根据模板对输入像素邻域内的像素值进行加权叠加得到的。空间域滤波是让图像在频域空间内某个范围的分量受到抑制,同时保证其他分量不变,从而改变图像的频率分布。空间域滤波是应用模板卷积对图像每一个像素进行局部处理。

深度学习算法现在是图像处理软件库的组成部分。在他们的帮助下，可以学习和训练复杂的功能；但他们的应用也不是万能的。

图像边缘是两个具有不同灰度的均匀图像区域的边界，边缘检测是图像处理的基本问题，目的是标识数字图像中亮度变化明显的边缘点，不断向上构成更高层次的特征描述。并且剔除不相关的特征信息，保留图像重要的结构属性。

造成图像模糊的原因有很多，其中包括光学因素、大气因素、人工因素、技术因素等等，日常生产生活中对图像进行去模糊操作有其重要意义。要取得比较好的处理效果，不同原因导致的模糊往往需要不同的处理方法。从技术方面来向，模糊图像处理方法主要分为三大类，分别是图像增强、图像复原和超分辨率重构。