图像分割方法:
Canny边缘检测+霍夫圆检测
组合式传统算法。先用Canny算子提取图像梯度边缘，再利用霍夫变换在参数空间投票寻找符合圆形方程的几何形状
适用：背景简单、目标为明显圆形的工业检测。
特点：速度快，无需训练，但参数需手动调优，对噪声敏感。
SAM3
开放词汇AI分割。利用强大的视觉与文本编码器，理解自然语言概念（如“穿红衣服的人”），在图像或视频中进行精准分割
适用：自动驾驶、医疗影像、交互式编辑。
特点：精度极高，泛化能力强，支持多模态提示，但模型大，需高性能GPU
特征点识别方法:
LOFTR
无检测器端到端匹配。利用 Transformer 直接从图像中学习稠密特征，一步预测像素级匹配，利用全局上下文信息。
适用：弱纹理、大视角变化场景（如三维重建）。
特点：在传统方法失效的弱纹理区域表现好，但计算量较大。
Mathanything
通用跨模态匹配。基于 ELOFTR 架构，通过大规模预训练（Mixing Multi-Resources Data）学习外观无关的根本结构。能处理可见光、红外、深度图等不同模态间的匹配。
适用：医疗影像（CT-MR配准）、遥感（可见光-SAR）、红外-可见光匹配。
特点：核心优势在于处理外观差异巨大的图像，单权重支持8+种未见过的跨模态任务，无需针对特定任务重新训练。
Superpoint+lightglue
学习型特征组合。SuperPoint 提取特征点，LightGlue（轻量级 Transformer）进行鲁棒匹配。
适用：实时性要求高的 SLAM、三维重建。
特点：性能与效率的平衡，比传统方法在低纹理区域表现更好，速度较快。
矫正方法:
透视矫正
模拟三维视角变换。利用单应性矩阵（3x3），将任意四边形映射为矩形，纠正“近大远小”的透视畸变。
适用：文档扫描（倾斜变正面）、建筑立面校正。
特点：能处理复杂视角倾斜，但对角点定位精度要求高。
仿射矫正
保持平行性的二维变换。利用 2x3 变换矩阵，保持平行性（平行线变换后仍平行），处理旋转、缩放、剪切。
适用：简单的图像旋转、平移、配准。
特点：计算简单，但无法纠正透视畸变（不能把梯形变矩形）。
高级技巧)