机器视觉算法总结，带你深入了解图像处理算法

一、机器视觉算法有哪些？

图像处理算法：包括滤波、边缘检测、图像增强和图像分割等算法，用于对图像进行预处理和特征提取。

特征提取算法：包括SIFT、SURF、ORB等算法，用于从图像中提取出关键点和特征描述子。

目标检测算法：包括Haar Cascades、HOG+SVM、Faster R-CNN等算法，用于检测图像中的目标物体。

人脸识别算法：包括Eigenfaces、Fisherfaces、LBPH等算法，用于从图像中识别出人脸并进行识别。

三维重建算法：包括立体视觉、结构光、TOF等算法，用于重建物体的三维模型。

深度学习算法：包括卷积神经网络（CNN）、循环神经网络（RNN）和生成对抗网络（GAN）等算法，用于处理大规模和复杂的图像数据集。

增强现实算法：包括视觉跟踪、投影变换、三维重建等算法，用于将虚拟物体与真实世界中的物体进行融合。

二、常用的图像处理算法：

1、图像变换：（空域与频域、几何变换、色度变换、尺度变换）

1. 几何变换：图像平移、旋转、镜像、转置；

2. 尺度变换：图像缩放、插值算法（最近邻插值、线性插值、双三次插值）；

3. 空间域与频域间变换：由于图像阵列很大，直接在空间域中进行处理，涉及计算量很大。因此，有时候需要将空间域变换到频域进行处理。例如：傅立叶变换、沃尔什变换、离散余弦变换等间接处理技术，将空间域的处理转换为频域处理，不仅可减少计算量，而且可获得更有效的处理（如傅立叶变换可在频域中进行数字滤波处理）。

2、图像增强：

图像增强不考虑图像降质的原因，突出图像中所感兴趣的部分。如强化图像高频分量，可使图像中物体轮廓清晰，细节明显；如强化低频分量可减少图像中噪声影响。

1. 灰度变换增强（线性灰度变换、分段线性灰度变换、非线性灰度变换）；

2. 直方图增强（直方图统计、直方图均衡化）；

3. 图像平滑/降噪（邻域平均法、加权平均法、中值滤波、非线性均值滤波、高斯滤波、双边滤波）；

4. 图像（边缘）锐化：梯度锐化，Roberts算子、Laplace算子、Sobel算子等；

3、纹理分析（取骨架、连通性）；

4、图像分割：

图像分割是将图像中有意义的特征部分提取出来，其有意义的特征有图像中的边缘、区域等，这是进一步进行图像识别、分析和理解的基础。

1. 阈值分割（固定阈值分割、最优/OTSU阈值分割、自适应阈值分割）;

2. 基于边界分割（Canny边缘检测、轮廓提取、边界跟踪）；

3. Hough变换（直线检测、圆检测）；

4. 基于区域分割（区域生长、区域归并与分裂、聚类分割）；

5. 色彩分割；

6. 分水岭分割；

5、图像特征：

1. 几何特征（位置与方向、周长、面积、长轴与短轴、距离(欧式距离、街区距离、棋盘距离)）；

2. 形状特征（几何形态分析（Blob分析）：矩形度、圆形度、不变矩、偏心率、多边形描述、曲线描述）；

3. 幅值特征（矩、投影）；

4. 直方图特征（统计特征）：均值、方差、能量、熵、L1范数、L2范数等；直方图特征方法计算简单、具有平移和旋转不变性、对颜色像素的精确空间分布不敏感等，在表面检测、缺陷识别有不少应用。

5. 颜色特征（颜色直方图、颜色矩）

6. 局部二值模式( LBP)特征：LBP对诸如光照变化等造成的图像灰度变化具有较强的鲁棒性，在表面缺陷检测、指纹识别、光学字符识别、人脸识别及车牌识别等领域有所应用。由于LBP 计算简单，也可以用于实时检测。

6、图像/模板匹配：

轮廓匹配、归一化积相关灰度匹配、不变矩匹配、最小均方误差匹配

7、色彩分析：
色度、色密度、光谱、颜色直方图、自动白平衡

8、图像数据编码压缩和传输：
图像编码压缩技术可减少描述图像的数据量（即比特数），以便节省图像传输、处理时间和减少所占用的存储器容量。压缩可以在不失真的前提下获得，也可以在允许的失真条件下进行。编码是压缩技术中最重要的方法，它在图像处理技术中是发展最早且比较成熟的技术。

9、表面缺陷目标识别算法：
传统方法：贝叶斯分类、K最近邻（KNN）、人工神经网络（ANN）、支持向量机（SVM）、K-means等；

10、图像分类（识别）：
图像分类（识别）属于模式识别的范畴，其主要内容是图像经过某些预处理（增强、复原、压缩）后，进行图像分割和特征提取，从而进行判决分类。

11、图像复原：

图像复原要求对图像降质的原因有一定的了解，一般讲应根据降质过程建立“降质模型”，再采用某种滤波方法，恢复或重建原来的图像。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。