計算機視覺期末復習

1、精選優(yōu)質文檔-傾情為你奉上一、1.什么是計算機視覺？理解計算機視覺問題的產生原理。研究用計算機來模擬生物視覺功能的技術學科。具體來說，就是讓計算機具有對周圍世界的空間物體進行傳感、抽象、分析判斷、決策的能力，從而達到識別、理解的目的。 2.直方圖的均衡化處理的“中心思想”是把原始圖像的從比較集中的某個灰度區(qū)間變成在全部灰度范圍內的。就是對圖像進行拉伸，重新分配值，使一定灰度范圍內的像素數量大致相同。就是把給定圖像的直方圖分布改變成“均勻”分布直方圖分布。是將原圖像通過某種變換，得到一幅灰度直方圖更為均勻分布的新圖像的方法。設圖像均衡化處理后，圖像的直方圖是平直的，即各灰度級具有相同的出現頻數，

2、那么由于灰度級具有均勻的概率分布，圖像看起來就更清晰了。二、1.常見的幾何變換：平移Tx為點（x，y）在x方向要平移的量。 旋轉變尺度：x軸變大a倍，y軸變大b倍。 2.卷積掩膜技術： 對應相乘再相加 掩膜的有效應用去噪問題3. 均值濾波器（低通）：抑制噪聲主要用于抑制噪聲，對每一個目標像素值用其局部鄰域內所有像素值的加權均值置換。con命令高斯濾波器：一個樸素的道理，距離目標像素越近的點，往往相關性越大，越遠則越不相干。所以，高斯濾波器根據高斯函數選擇鄰域內各像素的權值 medfilt1 。區(qū)別方法是：高通濾波器模板的和為0，低通濾波器模板的和為1常用的非線性濾波器：中值濾波；雙邊濾波；非局

3、部濾波4.邊緣檢測算子：通過一組定義好的函數，定位圖像中局部變換劇烈的部分（尋找圖像邊緣）。主要方法有：Robert交叉梯度，Sobel梯度，拉普拉斯算子，高提升濾波，高斯-拉普拉斯變換（都是高通濾波器）Canny邊緣檢測 算法步驟：1. 用高斯濾波器平滑圖像 2. 用一階偏導有限差分計算梯度幅值和方向. 3. 對梯度幅值進行非極大值抑制 4. 用雙閾值算法檢測和連接邊緣5.分割（大題 偽碼？）（1）經典方法是基于灰度閾值的分割方法*介紹單值閾值，它把一幅灰度圖像轉換成二值圖像*求T的常用的方法是求解灰度直方圖中的雙峰或者多峰，并以兩峰之間的谷底作為閾值

4、。*全局閾值是指整幅圖像使用同一個閾值做分割處理，并產生一個二值圖，區(qū)分出前景對象和背景。適用于背景和前景對比度大的圖像 算法實現：- 選取一個合適的閾值T，逐行掃描圖像 凡灰度級大于T的，顏色置為255；凡灰度級小于T的，顏色置為0 （2）自適應閾值：解決單值閾值無法工作的一個方法是將圖像分割為子圖像，并分別進行閾值化處理6.Hough變換：可用于將邊緣像素連接起來得到邊界曲線，主要優(yōu)點在于受噪聲和曲線間斷的影響較小(魯棒性好) 這意味著：原圖像空間中的每條直線在參數空間中都對應一個點。如果一幅圖像中存在某一條直線，那么對應參數空間中，某個點一定被擊中較多次。但是如果采用表示直線，不能表示水

5、平和豎直的情況。將其轉換為Hough變換就沒有了限制。直線還會變成單個點。參數空間的坐標變成了s，7.拓撲描述（應用？）區(qū)域的拓撲描述用于描述物體平面區(qū)域結果形狀的整體性。也就是說，只要圖形不撕裂或者折疊，拓撲描述的性質就不會受到圖形變形的影響。常用的特性有：（1）孔： 如果一個封閉的區(qū)域內，其不包含我們感興趣的像素，則成為此區(qū)域為圖像的孔洞，用H表示。（2）歐拉數EUL ：在圖像中，圖像中所有對象的總數C與孔洞數相減，為歐拉數。 EUL=C-H 在Matlab中，采用bweuler計算二值圖像的歐拉數。三、1角點: 是景物輪廓線上曲率的局部極大點，是物體邊緣拐角所在的位置點,對掌握景物的輪廓

6、特征具有決定作用。一旦找到了景物的輪廓特征點也就大致掌握了景物的形狀。Moravec角點算子是最早的角點算子 顏色特征：屬于圖像的內部特征，它描述了圖像或者圖像一部分區(qū)域。顏色特征和線段，角點特征比起來，對于尺寸，方向，突變等不敏感，因此顏色特征被用于圖像識別，檢索。顏色矩和顏色直方圖 顏色矩：以數字方法為基礎，通過計算矩來描述顏色的分布，一般來說在RGB空間，由于顏色分布主要集中在低階矩，因此常采用一階矩、二階矩等表達顏色的分布紋理特征：描述的是對圖像區(qū)域內的內容變化進行量化，捕捉那種具有周期性，規(guī)律性的變化。例如粗糙度，光滑度，顆粒度，隨機性和規(guī)范性。如灰度差統(tǒng)計，自相關函數，灰度更生矩陣

7、和基于頻譜特征的分析法。灰度共生矩陣就是通過研究灰度在空間相關性來描述紋理的常用方法。？?形狀特征?尺度空間理論2.排污口檢測（大題）：具體檢測的思路有兩種：第一種：間接閾值法step1: 通過大量采樣，在晴天、陰天、多云、大霧的天氣條件下，分別選定天空和海水的一塊區(qū)域，分別在此區(qū)域內統(tǒng)計海水和天空的飽和度并求均值；step2: 根據上述得到的海水的飽和度設置閾值。具體閾值的設定方法必須依據天空的飽和度，因為海水的飽和度與天氣直接相關。例如，在晴天的條件下，統(tǒng)計得到的天空的平均飽和度，記為sky_threshold，并根據sky_threshold從大量統(tǒng)計數據中確定一個飽和度的取值范圍，例如

8、從 M到N，海水的平均飽和度記為sea_threshold，也就是污水的飽和度閾值step3: 當攝像頭每次循環(huán)獲取到當前幀圖像時，按照step1中的方法，分別從天空和海水區(qū)域分割出一幅子圖，統(tǒng)計并計算出二者飽和度的均值，然后進行判斷；step4: 當step3中得到的天空的飽和度處于 M 到 N的范圍，就以sea_threshold作為污水的閾值，如果step3中得到的海水的平均飽和度低于sea_threshold，就認為海水被污染了，啟動報警系統(tǒng)發(fā)出警報，否則繼續(xù)執(zhí)行step3，直到系統(tǒng)關閉；第二種：直接閾值法step1:采集大量樣本圖片，不考慮天氣因素；step2:在海水區(qū)域，在排污口附

9、近分割出一幅子圖，并統(tǒng)計飽和度，記為s1；step3:在遠離排污口處分割出一幅相同大小的子圖，并統(tǒng)計飽和度，記為s2（也可以設置一個經驗閾值）；step4:計算兩個飽和度的差值記s = s1 - s2，然后根據多次試驗，求多組 s 的平均值，作為污水的閾值，記threshold；step4之后，攝像頭每次獲取的當前圖片重復上述操作，當計算得到的飽和度差值大于threshold時，認為排污口正在排污，啟動報警系統(tǒng)發(fā)出警報。 3.熵 熵是圖像所具有的信息量的度量，紋理信息也屬于圖像的信息，是一個隨機性的度量，當共生矩陣中所有元素有最大的隨機性、空間共生矩陣中所有值幾乎相等時，共生矩陣中元素分散分布

10、時，熵較大。它表示了圖像中紋理的非均勻程度或復雜程度。若灰度共生矩陣值分布均勻，也即圖像近于隨機或噪聲很大，熵會有較大值。4.Sift特征 / 步驟？a) SIFT特征是圖像的局部特征，其對旋轉、尺度縮放、亮度變化保持不變性，對視角變化、仿射變換、噪聲也保持一定程度的穩(wěn)定性。 b) 獨特性(Distinctiveness)好，信息量豐富，適用于在海量特征數據庫中進行快速、準確的匹配。 c) 多量性，即使少數的幾個物體也可以產生大量SIFT特征向量。 d) 高速性，經優(yōu)化的SIFT匹配算法甚至可以達到實時的要求。 e) 可擴展性，可以很方便的與其他形式的特征向量進行聯合5.均值漂移：是一種有效的

11、統(tǒng)計迭代算法。是一種基于密度梯度上升的非參數方法，通過迭代運算找到目標位置，實現目標跟蹤。它顯著的優(yōu)點是算法計算量小，簡單易實現,適合于實時跟蹤場合；但是跟蹤小目標和快速移動目標時常常失敗，而且在全部遮擋情況下不能自我恢復跟蹤。通過實驗提出應用核直方圖來計算目標分布，證明了均值漂移算法具有很好的實時性特點Mean Shift特性四、1.人工智能：AI。它是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統(tǒng)的一門新的技術科學。它企圖了解人類與機器智能的實質，并生產出一種能以人類智能相似的方式做出反應的智能機器。2.機器學習：通過算法使得機器從大量的歷史數據中習得規(guī)律，從而對新的數

12、據樣本做智能識別或預測未來。 機器學習主要分為符號主義學習（以決策樹模型與相關算法為代表）、連接主義學習（以神經網絡模型.）與統(tǒng)計學習（以支持向量機.）3.機器學習按照學習的方式：1.監(jiān)督學習：一種典型的機器學習方法。利用一組已知類別的樣本調整分類器的參數，使其達到所要求性能的過程。 監(jiān)督學習相當于有人在旁邊看著算法學習（實際上利用兩組已經標定好的正樣本和負樣本去實現），隨時糾正學習中的錯誤。糾正的方式就是對于錯誤的學習給予懲罰（例如降低權值），直到訓練得到的模型達到目標識別率。2.非監(jiān)督學習：在未加標簽的數據中（沒有正負樣本集合了），試圖找到隱藏的結構。因為提供給學習者的實例是未標記的，因此

13、沒有錯誤或報酬信號來評估潛在的解決方案。典型算法為K-means算法。3.強化學習：不同于監(jiān)督學習一開始就提供帶標簽的學習數據集合，強化學習中由環(huán)境提供學習好壞作的評價(通常為一個回報函數)，RL系統(tǒng)靠獲得的反饋不斷的獲得知識并改進學習方案，從而進行自身學習。典型的算法：Agent技術。4.深度學習：概念源于人工神經網絡的研究。是一種多隱式層的神經網絡。通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現數據的分布式特征表示。相互關系 簡述每個4.貝葉斯方法（大題）（概率圖模型）算題：P(A|B)表示事件B已經發(fā)生的前提下，事件A發(fā)生的概率，叫做事件B發(fā)生下事件的條件概率。（通常用）

14、注意：樸素貝葉斯算法是假設各個特征之間相互獨立。舉例： 一座別墅在過去的 20 年里一共發(fā)生過 2 次被盜，別墅的主人有一條狗，狗平均每周晚上叫 3 次（A），在盜賊入侵（B）時狗叫的概率被估計為 0.9，問題是：在狗叫的時候發(fā)生入侵的概率是多少？答：我們假設 A 事件為狗在晚上叫，B 為盜賊入侵，我們現在要估計的是P(B|A)。則以天為單位統(tǒng)計，P(A) = 3/7，P(B) = 2/(20*365) = 2/7300，P(A|B) = 0.9，按照公式很容易得出結果：P(B|A) = 0.9*(2/7300)/(3/7) = 0.000585.聚類：聚類分析是在數據中發(fā)現數據對象之間的關系

15、，將sj進行分組，組內的相似性越大，組間的差別越大，則聚類效果越好。K-means算法是一種硬聚類算法，是典型的基于原型的目標函數聚類方法的代表。K均值聚類法步驟：一、初始化聚類中心 1、根據具體問題，憑經驗從樣本集中選出C個比較合適的樣本作為初始聚類中心。 2、用前C個樣本作為初始聚類中心。 3、將全部樣本隨機地分成C類，計算每類的樣本均值，將樣本均值作為初始聚類中心二、初始聚類 1、按就近原則將樣本歸入各聚類中心所代表的類中。 2、取一樣本，將其歸入與其最近的聚類中心的那一類中，重新計算樣本均值，更新聚類中心。然后取下一樣本，重復操作，直至所有樣本歸入相應類中。 三、判斷聚類是否合理 采用

16、誤差平方和準則函數判斷聚類是否合理，不合理則修改分類。循環(huán)進行判斷、修改直至達到算法終止條件。 6.k近鄰算法（大題）：（是一種基本分類和回歸方法）即是給定一個訓練數據集，對新的輸入實例，在訓練數據集中找到與該實例最鄰近的k個實例，這k個實例的多數屬于某個類，就把該輸入實例分類到這個類中。（類似于少數服從多數思想） /最近的概念？歸一化公式？算法藻類識別五、1.視頻處理方法mmreader myvideo = mmread('FileName.后綴名'，1：10)；如： myvideo=mmread('test.mp4',1:10);% myvideo 是一個數

17、組，1：10 表示讀取第1：10幀.(讀取的文件要在當前目錄，否則自己路徑)或者video，sound = mmread('FileName.后綴名'，1：10)； %video，sound分別表示視頻和音頻 例如：一個讀取視頻，顯示幀，并保存每一幀 的代碼為： 2.幀差法兩幀差法偽代碼：下面一樣三幀差法偽代碼：3.Lucas-Kanade是一種廣泛使用的光流估計的差分方法，這個方法是由Bruce D. Lucas和Takeo Kanade發(fā)明的。它假設光流在像素點的鄰域是一個常數，然后使用最小二乘法對鄰域中的所有像素點求解基本的光流方程。調用方式：Lucas_Kanade(&

18、#39;1.bmp','2.bmp',10) 對運動大小的敏感程度。（上圖）六、被動測距傳感指視覺系統(tǒng)接收來自場景發(fā)射或反射的光能量，形成有關場景光能量分布函數，即灰度圖像，然后在這些圖像的基礎上恢復場景的深度信息最一般的方法是使用兩個相隔一定距離的攝像機同時獲取場景圖像來生成深度圖與此方法相類似的另一種方法是一個攝象機在不同空間位置上獲取兩幅或兩幅以上圖像，通過多幅圖像的灰度信息和成象幾何來生成深度圖深度信息還可以使用灰度圖像的明暗特征、紋理特征、運動特征間接地估算是主動測距傳感是指視覺系統(tǒng)首先向場景發(fā)射能量，然后接收場景對所發(fā)射能量的反射能量主動測距傳感系統(tǒng)也稱為測距成象系統(tǒng)雷達測距系統(tǒng)和三角測距系統(tǒng)是兩種最常用的兩種主動測距傳感系統(tǒng)因此，主動和被動測距傳感的主要區(qū)別在于視覺系統(tǒng)是否是通過增收自身發(fā)射的能量來測距。讀圖像：讀取 A=imread(FILENAME,FMT) 這里FILENAME 指定圖像文件的完整路徑和文件名。如果在work工作目錄下只需提供文件名。 FMT為圖像文件的格式對應的標準擴展名。 I1=imread('D:1.jpg'); %讀入圖像圖像進行處理1. 圖像的平移是將圖像映射到新圖像中的新坐標。 function J=mo