在上一章《角点检测：Harris 与 Shi-Tomasi 原理拆解》中，我们掌握了基于局部灰度变化的角点检测方法，这类算法能有效定位图像中的角点，但存在明显局限——缺乏尺度不变性、旋转不变性，且仅能提供特征点位置，无法实现鲁棒的图像间特征匹配。为解决该问题，本章将重点讲解两类经典的稳健局部特征算法：SIFT（Scale-Invariant Feature Transform，尺度不变特征变换）

在二值图像中，我们把前景目标的所有像素点（图中左侧二值化图的白色区域，如人物轮廓、帽子）记作集合AAA，把用来操作的小模板（结构元素）记作集合BBB。AAA被BBB腐蚀的结果（图中右侧腐蚀效果的白色区域）记作A⊖BA⊖BA⊖Bxy∣Bxy⊆AA⊖B{(xy∣Bxy​⊆A在这张图里，二值化图（左）的白色区域（人物轮廓、帽子）就是前景集合AAA，我们用 3×3 方形小模板作为结构元素BBB。AAA被B

归一化处理是提升相关性匹配算法鲁棒性的关键核心，它解决了CCORR 认亮不认像的先天缺陷，让算法从「理论可行」走向「实际可用」。模板匹配任务中，应优先选择带归一化的匹配算法（如 NCC），避免使用无归一化的基础算法（如 CCORR），以保证匹配结果的稳定性和可靠性。cv2.matchTemplate() 核心参数3个：目标图、模板图、匹配算法，用于生成相似度数据；cv2.rectangle() 核

本文围绕图像灰度变换与阈值化二值化技术方向核心本质关键方法适用场景实践注意事项灰度变换通过点运算映射函数sTrs=T(r)sTr优化图像对比度与明暗分布线性变换（对比度增强、反转）非线性变换（对数、伽马）分段灰度变换直方图均衡化/匹配1. 图像对比度低、灰度分布集中2. 需要统一多图灰度风格直方图均衡化易放大噪声，可配合滤波使用阈值化二值化设定阈值TTT，将灰度图转换为黑白二值图，实现前景与背景分

本文介绍了角点检测在计算机视觉中的关键作用，重点阐述了Harris角点检测算法的原理与实现。角点是图像中灰度变化显著的特征点，Harris算法通过计算像素邻域内不同方向移动后的灰度变化来判断角点。文章详细推导了算法的数学原理：首先定义窗口移动的灰度变化函数，通过泰勒展开简化为二次型，构建Harris结构矩阵M；然后利用矩阵行列式和迹构造响应函数R，实现对角点、边缘和平坦区域的高效判别。算法通过计算

灰度图像像素灰度值x∈0255x∈0255，设定分割阈值TTTgx255前景xT0背景x≤Tg(x) =255 \quad (前景), & x > T \\0 \quad (背景), & x \le Tgx255前景0背景​xTx≤T​解释：像素灰度大于阈值 T 判定为前景（白色255），小于等于 T 判定为背景（黑色0）。多阈值分割（T1T2⋯Tk−1T1​T2​⋯Tk−1​gx0。

小波变换是一种多分辨率、局部化的时/空频分析工具，可将图像从空域拆解为不同尺度的低频近似（轮廓）与高频细节（边缘/纹理/噪声）分量，解决了傅里叶变换“无空间定位”、短时傅里叶变换“固定窗宽”的缺陷，是计算机视觉中图像去噪、增强、融合、压缩、特征提取的核心进阶工具。傅里叶变换虽实现了图像从空域到频域的转换，但仅能反映全局频率分布，无法定位“某一频率出现在图像哪个位置”；短时傅里叶变换（STFT）通过

计算机网络，数据链路层全面总结

对比维度直方图均衡化去雾暗通道先验去雾核心原理空域对比度增强（视觉层面）大气散射模型还原（物理层面）处理逻辑仅拉伸亮度通道动态范围提取暗通道→估算大气光→求解透射率→复原场景色彩处理分离YCrCb亮度通道，避免色彩失真直接对RGB通道做物理建模，保留原始色彩去雾效果对比度提升明显，细节还原有限细节还原精准，雾效去除更彻底计算复杂度低（仅均衡化+直方图计算）高（暗通道+引导滤波等多步运算）结果对比。

本文系统介绍了卷积运算的原理与应用。卷积源于信号处理，通过"翻转-滑动-叠加"操作描述系统对输入信号的影响。离散一维卷积的计算过程包括卷积核翻转、逐点相乘求和，输出长度公式为m-n+1（无填充时）。为解决多次卷积导致信号缩短的问题，提出零填充和调整步长的方法，并给出统一输出长度公式。文章还阐述了卷积的交换律、结合律等数学性质，并通过Python代码实现了离散一维卷积运算，验证了