一种机器视觉算法

图像增强：硬件采集的图像质量不好，可应用软件进行增强。

灰度值变换：由于光源照明的影响，局部的图像会产生对比度与设定值不一致，需要局部的去增强对比度。为提高变换速度，灰度值变换通常通过查找表（LUT）来进行（将灰度输入值变换后输出保存到查找表中），最重要的灰度值变换是线性灰度值比例缩放：f(g)=ag+b（ag表示对比度，b表示亮度）。为了自动获取图像灰度值变换参数a、b的值，通过图像感兴趣区域的最大与最小灰度值设置出a、b的值（灰度值归一化处理）。灰度直方图表示某一灰度值i出现的概率。对于存在很亮和很暗的区域，图像归一化时需要去除一小部分最暗、最亮的灰度值（用2个水平线截取区域），再进行图像归一化处理，将对比度提高（鲁棒的灰度归一化处理）。

辐射标定：传感器收集的能量与图像实际灰度值的关系是非线性时候（一般需要是线性的，提高某些处理算法的精确度），对非线性相应求其逆响应的过程就是辐射标定。取q=？对响应函数求逆运算得到线性响应，求q的过程既是标定。

图像平滑：抑制由于多种原因产生的图像噪声（随即灰度值）。干扰后灰度值=图像灰度值+噪声信号（将噪声看作是针对每个像素平均值为0且方差是б²的随机变量），降噪方法之一、时域平均法，采集多幅图像进行平均，标准偏差将为原来的1/根号n，求的平均值后，将任意一幅图像减去平均，即为该幅图像的噪声；方法之二、空间平均操作法，通过像素数(2n+1)*(2m+1)的一个窗口进行平均操作，会使边缘模糊（计算量非常大，进行(2n+1)*(2m+1)次操作）；方法之三、递归滤波器，在前一个计算出的值的基础上计算出新的值，较方法一速度快了30倍；满足所有准则（平滑程度准则t，以及XXs滤波）的高斯滤波器：高斯滤波器是可分的，所以可以非常高效率的被计算出来，能够更好地抑制高频部分。若更关注质量，则应采用高斯滤波器；若关注执行速度，首选使用均值滤波器。

傅里叶变换：将图像函数从空间域转变到频率域，可以再进行频率高低的滤波操作平滑。

特征提取：区域的矩作为特征量，要对分割出来的区域进行操作，需要确定一个或多个特征量（特征），区域特征是能够从区域自身提取出来的特征；灰度值特征还需要图像中区域内的灰度值；轮廓特征是基于轮廓坐标的。

区域特征：区域的面积就是区域内所有点的总和，对于二值图像累加项较行程要多得多

归一化的矩推导出重心（p+q≥2）时，有：（二阶中心距）

通过计算椭圆的长轴、短轴与水平夹角或者矩形的长宽和方位为确定区域大小和方位。

在一定区域内，一个点集的凸包就是包含了区域内所有点的最小凸集（如果任意两点练成的直线上的所有点都在点集中，这个点集就是凸集），所以可以利用凸包来确定某区域（面积与该区域凸包比值为凸性）；然后再跟踪区域边界获取一个轮廓，获取到轮廓线段的欧几里得距离，进行求和就得到轮廓长度L,加上面积a引出紧性概念。

灰度值特征：先引出区域内最大最小灰度值，在两个不同参考区域内计算平均灰度值可测量出线性亮度变化，从而计算一个线性灰度值变换（平均灰度值是一个统计特征，另一个统计特征是灰度值的方差和标准偏差。（基于矩的灰度值特征与相应的局域矩的区域特性非常相似）使用区域的特征函数作为灰度值时，灰度值矩就被简化为区域矩（特征函数被用来解释1为像素在区域内，0为像素在区域外，在处理小物体上，灰度值矩能得到准确度更好地处理结果）；定义一个模糊隶属关系：灰度值低于北京灰度值最小值的每个像素，其隶属关系值为0，高于前景灰度值最大值的每个像素，关系为1，灰度值落在此范围内，其隶属关系通过线性插值得到，而这一计算过程需要使用浮点图像，所以将隶属关系值按比例放大到一个b位整数图像上（一般8位），再通过计算灰度值矩和中心灰度矩判断区域特征。

轮廓特征：亚像素精度轮廓长度的计算容易些，因为轮廓已经用于控制点，假设一个闭合轮廓通过来表示，R表示轮廓围绕的亚像素精度区域，则（p,q）阶矩被定义为：，与区域矩类似，可定义归一化的矩和中心距。轮廓的面积和重心计算公式为：重心：

这书看是看了也不知道看的用不用的到而且还有好多都是看不懂的，像书中有个

插值算法还有基于灰度值的模板匹配什么的，感觉现在也只是大概看看了解下有的专业术语，具体的都看不太懂。