计算机视觉基础复习文档格式.docx
《计算机视觉基础复习文档格式.docx》由会员分享，可在线阅读，更多相关《计算机视觉基础复习文档格式.docx（15页珍藏版）》请在冰豆网上搜索。
投影
P30-46计算机视觉有哪些典型应用
OCR（光学字符识别）、智能交通、人脸检测、表情识别、多视点三维重建、基于视觉的生物识别、辅助驾驶、无人驾驶汽车、基于视觉的人机交互、智能机器人、工业机器人
P48CCD/CMOS传感器的成像原理：
光电转换
P49-54采样与量化影响图像的哪些属性
采样影响图像空间分辨率；
量化影响图像幅度分辨率（灰度）
P61图像坐标系
左上角为坐标原点
P75-78像素距离与邻域关系
习题1.2P19计算机视觉要达到的目的有哪些？
答：
计算机通过图像和视频对客观世界的感知、识别和理解；
对场景进行解释和描述；
根据对场景的解释和描述制定行为规划。
第三章PPT
P11薄透镜成像模型
P17-21射影几何中哪些物理信息丢失和保留了？
丢失信息：
长度、角度
保留信息：
直线特性、交比不变性
P22-24灭点和灭线的概念
场景中的平行线投影到图像平面后，会聚于“灭点”
灭线：
灭点的集合
P46-49像机成像过程中包含了哪些内参和外参？
P51像机标定的目的，思路和基本方法
}
目的：
确定像机的内参和外参。
}思路：
通过一组已知世界坐标的图像特征点，建立超定方程求解。
}方法：
最小二乘求解超定方程，寻找最优估计。
P63径向畸变和切向畸变的概念
习题
第四章PPT
P4-7图像平移、尺度、旋转和级联变换
}用矩阵乘实现级联变换
如图像依次进行平移、尺度和旋转变换，有
P14最近邻插值
P16-18双线性插值
P20-31图像灰度映射
灰度映射原理
}基于图像像素的点操作
}映射函数
}灰度映射的关键是根据增强要求设计映射函数
灰度映射：
图像二值化、图像反色、动态范围压缩、对比度增强
P31-32直方图的概念和意义，用已学过的数学原理进行解释
P40直方图均衡计算
表4.3.1L为灰度级数（本例为8）
-------------------------
原始图灰度级01234567
原始直方图0.020.050.090.120.140.20.220.16
累积直方图gf0.020.070.160.280.420.620.841.0
四舍五入取整00123467注：
int（（L-1）*gf+0.5）
确定映射关系0,1->
02->
13->
24->
35->
46->
67->
7
新直方图0.070.090.120.140.200.220.16
直方图均衡过程示例
P52-66模板滤波的概念和理解
}概念：
利用像素本身以及其邻域像素的灰度关系进行图像增强的方法。
}理解：
1.滤波取自信号处理中的概念；
2.滤波是在图像空间通过邻域操作完成的；
3.邻域操作通常借助模板运算来实现
P69中值滤波概念和基本步骤
选择局部窗口中亮度的中间值代替窗口中心像素
}步骤：
◦将模板中心与图像中某像素位置重合
◦读取模板下各对应像素的灰度值
◦将这些灰度值从小到大排成一列
◦找出这些灰度值里排在中间的一个
◦将这个中间值赋给对应模板中心位置像素
◦遍历图像中所有像素
P71中值滤波与均值滤波的比较
Ø
中值滤波和线性滤波的区别：
1、中值滤波可有效消除突变，线性滤波总是响应所有的变化
2、中值滤波具有部分不连续保持特性，线性滤波会产生平滑过渡的效果
中值滤波和均值滤波的区别：
中值滤波器比均值滤波器更适合去除加性椒盐噪声
习题4.3P75
}设用三角形代替下图中的四边形，建立与下式相对应的校正几何形变的空间变换式。
}解:
以顶点为对应点，一个对应点可列出2个公式，因此三角形的三个顶点可列出6个公式，最多求解6个几何形变参数，因此空间变换式为：
习题4.11P76
}将M幅图像相加求平均可以获得消除噪声的效果，用一个n×
n的模板进行平滑滤波也可获得消除噪声的效果,试比较两种方法的消噪效果
}M幅图像相加求平均
时间轴上的平均
容易产生运动模糊（重影）
}n×
n模板的平滑滤波
空间上的平均
容易产生空间模糊（边缘模糊）
习题4.12P76
}讨论用于空间滤波的平滑滤波和锐化滤波的相同点、不同点以及联系
}相同点：
都能减弱或消除频域空间中的某些分量，而不影响或较少影响其它分量，从而达到增强效果。
}不同点：
平滑滤波减弱或消除高频分量，增强低频分量，平滑图像中的细节信息。
锐化滤波减弱或消除低频分量，增强高频分量，锐化图像中细节信息。
}联系：
两者效果相反，互为补充；
从原始图像中减去平滑滤波结果可得到锐化滤波效果；
而原始图像中减去锐化滤波结果可得到平滑滤波效果。
第五章PPT
P4为什么要边缘检测和边缘的成因
为什么要边缘检测：
}提取信息，识别目标
}恢复几何和视点
边缘的成因：
曲面法线不连续、深度不连续、表面颜色不连续、亮度不连续
P10-21用已学过的数学原理解释边缘检测的原理
}一阶导数极值点对应的
是边缘位置，极值的正
或负表示边缘处是由暗
变亮还是由亮变暗。
}二阶导数过零点来检测
图像中边缘的存在。
P15有哪些一阶导数算子？
试写出其模板形式
Roberts梯度算子
Prewitt梯度算子（平均差分）
Sobel算子（加权平均差分）
各向同性Sobel算子：
将模板中的权值2改为√2，以使水平、垂直和对角边缘的梯度值相同。
P21有哪些二阶导数算子？
二阶导数算子会对噪声敏感，试解释原因
拉普拉斯算子、马尔算子
对噪声敏感原因：
二阶导数在边缘处出现零交叉，即边缘点两边导数取异号，据此来检测边缘点。
但很容易被噪声覆盖。
P28Canny算子的最优检测准则
}最优边缘检测的含义是：
◦好的检测--算法能标识图像中的实际边缘，避免噪声和虚假边缘干扰。
◦好的定位--标识出的边缘与实际图像中的实际边缘尽可能接近。
◦最小响应--对图像中的每个真实边缘点只有一个像素响应。
P41什么是角点？
角点有什么特性？
}可重复性／可再现性
同一角点应能在不同图像中检测出，不受几何和亮度等变化的影响
}显著性
每个角点都是独特的
}局部性
特征描述的是图像中的一个局部小区域
P43SUSAN角点检测的基本原理
◦采用圆形模板
◦统计模板中与模板核具有相同值的像素个数
◦USAN面积随模板在图像中的位置变化
◦利用USAN面积变化可检测边缘或角点。
◦USAN面积在图像角点处具有最小值，故称为SUSAN。
P51Hough变换的基本思想（投票）以及为什么要进行Hough变换
基本思想：
}通常用在边缘检测或特征点检测后。
}每个边缘点根据其可能的几何特征，投影到参数空间，通过投票方式确定参数值。
即票数最多的参数获胜。
为什么要进行Hough变换：
}视觉场景中许多目标都可通过直线、圆弧等规则几何特征来表述。
Hough变换是获取规则几何特征的常用方法。
P55Hough变换中参数空间的概念，试写出直线检测以及圆检测的参数空间
采用（ρ,θ）表示图像空间中任意直线。
图像空间中一条直线在参数空间（ρ,θ）中为一个点。
参数空间（ρ,θ）也称为Hough空间
P68Hough变换的优点
}对边缘不连续具有较好的容忍性
}对噪声干扰具有较好的鲁棒性
}对目标遮挡具有较好的抗干扰性
第六章PPT
P2目标分割的概念、目的、意义
将图像划分成若干具有特征一致性且互不重叠的图像区域的过程。
}目的：
有选择性地定位感兴趣对象在图像中的位置和范围。
}意义：
1.区域对于图像理解和识别非常重要，往往表征场景中的目标，或部分目标。
2.一幅图像可以包含多个目标，每个目标包含多个区域，每个区域对应目标的不同部分。
3.图像分割是将图像划分为一组有意义的区域。
P14图像分割有哪些方法？
基于哪些特征
}基于边缘的分割方法：
◦先提取区域边界，再确定边界限定的区域；
}基于区域的分割方法：
◦确定每个像素的归属区域，从而完成分割
}图像分割方法分类：
a）自动分割算法
–聚类方法
–基于边缘的方法
–区域融合和区域增长
–混合优化方法
b）交互式图像分割算法
–“Snake”或“主动轮廓法”
–“魔棒”或“魔笔”
}图像分割通常基于亮度、颜色、纹理、深度或运动。
P27图搜索有哪些策略，以及各自特点
广度优先搜索特点：
完备、可获得最优解，效率低
深度优先搜索特点：
难以获得最优解、效率高、不易跳出无限深分支
P40试用直方图的概念解释直方图分割的思想
}基本思想：
根据图像数据的特征将图像空间划分为互不重叠的区域，从而达到分割的目的。
P45最优阈值的分割思想
P52最大类间方差（OTSU）的分割思想
寻找使得类间方差最大的阈值
习题6.10P115
习题6.11P115
}一幅图像背景部分均值为20，方差为400，在背景上分布着一些互不重叠的均值为200，方差为400的小目标。
设所有目标合起来约占图像总面积的30%，提出一个基于取阈值的分割算法将这些目标分割出。
根据最优阈值计算公式，并假设背景和目标的概率密度函数为高斯模型，且背景和目标的方差相等：
第九章PPT
P3-9图像中包含了哪些深度线索？
阴影纹理遮挡运动模糊等。
P26-27平行光轴立体视觉系统的感知深度的原理和基本公式
P32-3575-83立体视觉系统中有哪些约束
立体匹配的约束：
◦极线约束：
匹配点必须在极线上
◦相似性约束：
左、右图像的匹配点应具有相似的亮度或颜色。
即，假定目标表面符合朗伯漫反射表面。
◦视差范围约束：
仅在视差搜索内搜索。
◦唯一性约束：
一幅图像中的一个像素，在另一幅图像中最多只有一个对应点像素。
◦顺序约束：
若参考图中A点在B点的左边，则另一幅图像中A点匹配点也在B点匹配点的左边。
◦平滑性约束：
除了遮挡或视差本身不连续区域外，小邻域范围内视差值变化量应很小或相似。
换言之视差曲面应是分段连续的。
◦互对应约束：
又称左右一致性，若以左图为基准图，左图上一像素点pl的搜索到右图上对应点像素为pr；
那么若以右图为基准图，像素pr的对应点也应该是左图上的像素点pl。
该约束常用于遮挡区的检测。
P41立体视觉标定校正的目的
校正的目的：
◦输入图像通过透视变换使得外极线水平，且共线。
◦畸变校正，使得成像过程符合小孔成像模型。
P52立体匹配的概念及分类
}立体匹配的过程：
为左图像的每个像素点（xl,yl），在右图像中搜索对应点。
}根据立体匹配过程中涉及的像素范围，可分为：
局部立体匹配
通常以基于局部窗口的立体匹配方法为主。
匹配基元：
局部窗口
全局立体匹配
匹配过程中，求解一行或整幅图像中所有像素的相似测度和最大/最小。
像素
}根据立体匹配过程中采用的匹配基元，可分为：
致密匹配
搜索每个像素的对应点，构建致密视差图
匹配基元为像素
稀疏匹配
仅为特征搜索对应点，构建稀疏的视差图.
匹配基元为特征。
P58有哪些局部立体匹配方法和优缺点
方法：
对应性测度、相似性测度、距离测度、相关系数测度、非参数化测度
}优点：
◦容易实现，只需要考虑局部窗口区域
◦对纹理丰富的区域具有较好匹配性能
◦速度快，只需考虑有限像素
◦易于硬件实现，易于流水线实现
}缺点：
◦视差不连续、遮挡或边缘区域无法正确估计视差
◦对重复性纹理、无/弱纹理区域无法准确估计视差
P84全局立体匹配的思想和优缺点
思想：
基于动态规划的立体匹配方法
}基于动态规划的匹配算法并不是孤立地寻找每个像素点的匹配值。
}优化整条扫描线，使得该扫描线上所有像素的匹配代价和最小，并满足顺序和平滑约束。
}不同扫描线独立完成优化。
优缺点：
◦保证了一条扫描线上各像素点的优化匹配。
◦缺少扫描线间的强制约束
◦无法将水平方向和垂直方向的连续性约束有效融合。
◦局部误差会着扫描线传播。
◦视差结果图中有着很明显的横纹效应。
升级会员 