图像处理常见算法总结

为了总结我最近几年所做的工作，本公众号在接下来的时间内将不定期介绍在图像处理实验过程中接触的常见算法。

      图像处理一直以来都是模式识别机器学习中热门的应用领域。由于具有高度发达的大脑，人类可以轻松驾驭识别图像的任务，并轻易的举一反三。但是对于电脑来说，识别一张图像是异常困难的，由于电脑没有人类抽象思维的能力，任何的输入在电脑面前都是一堆没有意义的数字。而图像处理的目的就是为了让电脑能够识别图像。

        常见的图像处理包括图像分割、图像分类、目标检测等。图像分割是从图像中找出目标所在的区域，把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。下图是图像分割的两个例子，分别从原始图像中分割出花和人物。其实简单理解，通常情况下图像分割就是去除图像背景的过程。

        常见的图像分割算法有基于阈值的分割算法、基于聚类的分割算法、基于边缘的分割算法、基于区域生长的分割算法以及基于图的分割算法，这些算法在分割效率、分割准确率方面表现各异。

        图像分类是判断一张图像中物体的类别。例如猫狗分类，判断图像是猫的图像还是狗的图像。对于图像的分类，最重要的是找到合适的特征，然后通过这些特征利用合适的分类算法就可以容易的对图像进行分类。常用的特征有基于灰度直方图的特征，基于形态学的特征以及基于纹理的特征，LBP、SIFT特征等等，这些特征是专家根据经验总结出来的，在一定程度上能够适用于某些固定的应用场景。但是这些特征并不具有很好的泛化性或者计算效率低。结合优秀的分类算法，比如随机森林，AdBoost，SVM也能取得不错的分类效果。

目标检测也叫目标提取，是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，定位目标，确定目标位置及大小。行人检测是常见的落地应用。由于物体在不同的角度，不同的距离具有不同的形态，所以准确检测目标是难度非常高的。传统的目标检测算法是从图像中通过滑动窗口的方法取得候选区域，然后在候选区域通过分类算法判断是否是所需要的目标。也有根据物体的形态纹理等特征获得候选区域的方法，包括selective search等一系列方法。这些方法在一定程度上能够满足应用的需要。但是随着实时检测要求的日益增高，上面算法由于效率低下不能适应新的需求，迫切希望提出更高效的算法替代传统的算法。

        近年来，随着深度学习在图像领域的大放光彩，越来越多的应用场景使用深度学习算法，不仅获得更好的准确性，而且在实时性方面也得到了大幅的提升。

本文将介绍图像处理的大概算法，后续我们将详细介绍各个算法以及各个算法的优缺点。欢迎大家关注！

参考文献：

https://blog.csdn.net/wi162yyxq/article/details/61619075

https://www.zhihu.com/question/36500536

https://blog.csdn.net/windtalkersm/article/details/79704777

本文内容发表于公众号"无熵大雅" , 欢迎关注公众号了解更多内容!