【图像基础】基本的图像处理知识

一些自己的理解和记录

图像金字塔和尺度空间

图像金字塔是以多分辨率来解释图像的一种结构。每做一次变换，图像的分辨率就会改变，但是图像并没有变得模糊。

尺度空间可以理解为用高斯对图像做了卷积，图像的分辨率还是那么大，像素还是那么多，只是细节被平均（平滑）掉了，原因就是高斯了，用周围的信号比较弱的像素和中间那个信号比较强的点做平均，平均值当然比最强信号值小了，这就起到了平滑的作用。所以尺度空间不同会使得图像模糊程度不同，但是分辨率不变。

传统图像金字塔关键在于降采样，每四个像素，求平均作为一个像素，显然分辨率降低了。

不变矩和尺度不变特征转换（SIFT）

不变矩是一种高度浓缩的图像特征，具有平移、灰度、尺度、旋转不变性。因此矩和矩函数经常用于模式识别、图像分类、目标识别和场景分析中。矩在统计学中表征随机向量的分布，灰度图像可以用二维灰度密度函数来表示，因此可以用矩来描述灰度图像特征。

hu矩 ：利用二阶和三阶规格中心矩可以导出7个不变矩组*（Φ(1)\Phi(1)~Φ(7)\Phi(7)）,它们在图像平移、旋转和比例变化时保持不变，对照度比较敏感。

Zernike矩：基于Zernike多项式的正交变换函数，计算更加复杂，在图像旋转和低噪声敏感度方面有较大优越性，可构造任意阶矩，因此广泛应用于目标识别研究。

尺度不变特征变换（SIFT） 是一种计算机视觉的算法，用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量。Mikolajczyk和Schmid针对不同的场景，对光照变化、图像几何变形、分辨率差异、旋转、模糊和图像压缩等6种情况，就多种最具代表性的描述子(如SIFT，矩不变量，互相关等10种描述子)进行了实验和性能比较，结果表明，在以上各种情况下，SIFT描述子的性能最好。

SIFT特征计算步骤：

1)、尺度空间的生成；

2)、检测尺度空间极值点；

3)、精确定位极值点；

4)、为每个关键点指定方向参数；

5)、关键点描述子的生成。