------------------------>不断更新中<------------------------
定义、原理、应用、优缺点
1.霍夫变换求直线，圆；
2.边缘检测：Canny边缘检测，sobel算子；
3.Ransac直线拟合；
4.间距扫描线算法，相当于图像算法中的暴力算法。将连续的图像数据(原图数据过大，相当于数据连续)转换为离散的数字信息，使其可用一般性的方法处理。间距取扫描线降低运算量；
5.若要判断，检测某一图像区域，可以先通过简单的采样数据筛选出可能的区域，再在数据量缩小后的筛选过的区域里做其他算法进行进一步的判断；
6.分类器：SVM；
7.神经网络：BP神经网络，CNN；
8.轮廓识别；
9.角点检测；
10.仿射变换，透视变换；
11.若要识别某图像区域，可以利用图像区域本身的特征（如果它有的话）。比如识别身份证时可以利用身份证上文字的分布特征进行识别；
12.图像结构相似度匹配算法SSIM；
13.降噪：模糊滤波cvSmooth，腐蚀，膨胀；
14.FFT
15.PSNR评价图像的保真性，是最普遍，最广泛使用的评鉴画质的客观量测法；
16.SIFT, SURF；
17.NC(normalized correlation)算法；
18.H-S直方图，Hue是色调，Saturation是饱和度；
机器学习：
1.马氏距离
2.Kmeans
3.朴素贝叶斯分类器
优点：超级简单，你只是在做一串计算。如果朴素贝叶斯（NB）条件独立性假设成立，相比于逻辑回归这类的判别模型，朴素贝叶斯分类器将收敛得更快，所以你只需要较小的训练集。而且，即使NB假设不成立，朴素贝叶斯分类器在实践方面仍然表现很好。如果想得到简单快捷的执行效果，这将是个好的选择。
缺点：不能学习特征之间的相互作用（比如，它不能学习出：虽然你喜欢布拉德·皮特和汤姆·克鲁斯的电影，但却不喜欢他们一起合作的电影）。
4.决策树
优点：易于说明和解释（对某些人来说—我不确定自己是否属于这个阵营）。它们可以很容易地处理特征间的相互作用，并且是非参数化的，所以你不用担心异常值或者数据是否线性可分（比如，决策树可以很容易地分辨某特征x的低端是类A，中间是类B，然后高端又是类A的情况）。
缺点：不支持在线学习，所以当有新样本时，你将不得不重建决策树。且容易过拟合，但这也正是诸如随机森林（或提高树）之类的集成方法的切入点。另外，随机森林往往是很多分类问题的赢家（我相信通常略优于支持向量机），它们快速并且可扩展，同时你不须担心要像支持向量机那样调一堆参数，所以它们最近似乎相当受欢迎。
训练速度：
识别速度：
5.Boosting
训练速度：
识别速度：
6.随机森林
训练速度：
识别速度：
7.Haar分类器(boost筛选式级联(cascade)分类器)
训练速度：较慢，十小时甚至一天
识别速度：0.5s级
8.期望最大化
9.K近邻
10.神经网络/多层感知器
优点：分类的准确度高,并行分布处理能力强,分布存储及学习能力强，对噪声神经有较强的鲁棒性和容错能力，能充分逼近复杂的非线性关系，具备联想记忆的功能等。
缺点：神经网络需要大量的参数，如网络拓扑结构、权值和阈值的初始值；不能观察之间的学习过程，输出结果难以解释，会影响到结果的可信度和可接受程度；学习时间过长,甚至可能达不到学习的目的。
11.SVM
优点：高准确率，为防止过拟合提供了好的理论保证，并且即使你的数据在基础特征空间线性不可分，只要选定一个恰当的核函数，它们仍然能够取得很好的分类效果。它们在超高维空间是常态的文本分类问题中尤其受欢迎。
缺点：它们内存消耗大，难于解释，运行和调参也有些烦人，因此，我认为随机森林正渐渐开始偷走它的“王冠”。
训练速度：非常快，分钟级
识别速度：非常快，ms级
图像特征：
FAST
STAR
SIFT
SURF
HoG
ORB
BRISK
Shape Context
MSER
Geometric Blur
PHOG
PHOW
GFTT
HARRIS
Dense
SimpleBlob
描述符提取：
SIFT
SURF
BRIEF
BRISK
ORB
FREAK