本篇包括以下算法的原理部分：

• 简单线性迭代聚类（SLIC）

Github 的 README.md 并不支持公式的渲染，所以部分原理讲解的东西移到这个篇章的博客中。

本篇包含：

• 骨架提取
• 霍夫变换
• Canny 边缘检测
• Metric Rectification

对于运动引起的图像模糊，最简单的方法是直接做逆滤波，即在已知退化函数的时候使用逆变换得到原图像。但是逆滤波对加性噪声特别敏感，使得恢复的图像几乎不可用。下面一些方法可以解决这个问题，但这些都是基于在已知或者通过一些方法估计得到退化函数的基础之上进行的。

维纳滤波

最小均方差（维纳）滤波用来去除含有噪声的模糊图像，其目标是找到一个均方差最小的估计，可以去除噪声，同时清晰化模糊图像。

• 2021/5/28: 增加了部分示例代码

小波变换

小波 (Wavelet) 是时间（空间）频率的局部化分析，它通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节。有人把小波变换称为“数学显微镜”。

而对于图像处理相关领域，小波变换曾经相当的热门，一些经典的算法如 JPEG-2000 就是基于小波变换原理的。

要理解小波变换，有一大堆需要铺垫的东西…

2021/4/24: 解决(?)公式渲染问题，卸了重装了渲染器，然后参考配置了服务器渲染

空间&频率域滤波

用于记录学习数字图像处理的历程（不完全同步学校课程，不定期摸鱼）

空间域滤波

直方图均衡化

直方图的形状往往与图像的外观有关。

• 在暗图像的直方图中，大多数直方图容器集中在灰度级较低的一端（靠近 0）
• 亮的图像的直方图中，多数直方图容器集中在灰度级的高端
• 低对比度的图像的直方图中，直方图容器基本位于灰度级的中间
• 高对比度图像的直方图，容器覆盖了较宽的范围，并且像素的分布是基本均匀的