计算机视觉基础复习.docx
《计算机视觉基础复习.docx》由会员分享，可在线阅读，更多相关《计算机视觉基础复习.docx（22页珍藏版）》请在冰豆网上搜索。
计算机视觉基础复习
第一章
P11什么就是讣算机视觉
--■让计算机理解图像与视频
P12讣算机视觉与图像处理得区别
»数字图像处理
图像/视频-〉图像/视频（图像变换、图像滤波、图像复原、图像压缩、…）
＞计算机视觉
图像/视频-〉模型（二维基素图-〉2、5维要素图-〉三维模型表征）
P14-20计算机视觉中存在哪些难点与挑战
挑战:
外观、卜小与形状;■姿态/运动;复杂与理预测得行为;噪声与遮挡汐卜观变化;上下文间依赖性;视点变化
P23-28图像中存在哪些计算机视觉线索
深度线索:
直线透视;空间透视
远近顺序线索:
遮挡
形状线索:
纹理梯度
形状与光照线索：
阴影
位置与光照线索:
投影
P30-46讣算机视觉有哪些典型应用
OCR（光学字符识別）、智能交通、人脸检测、表情识别、多视点三维重建、基于视觉得生物识另U、辅助驾驶、无人驾驶汽车、基于视觉得人机交互、智能机器人、匸业机器人
P48CCD/CMOS传感器得成像原理:
尤绘转换
P49-54采样与量化影响图像得哪些属性
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
习題1、2P19汁算机视觉要达到得目得有哪些?
答:
计算机通过图像与视頻对客观世界得感烁识別与理解;对场景进荷耨与描述;根据对场景得解释与描述制定行为规划.
第三章
PM薄透镜成像模型
薄透镜模型
/:
焦距
瓦F:
焦点
x
where
x
where
and
P17-21射影几何中哪些物理信息丢失•与保留了？
丢失信息:
长度、角度保留信息疽线特性、交比不变性
P22-24灭点打火线得概念
场景中得平行线投影到图像平而后，会聚于“灭点”灭线:
火点得集合
P46-49像机成像过程中包含了哪些内参与外参？
像机内参和外参：
一般化形式
4
1/dx
-cotff/dx
f0
0I0]
二
0
l/（cA*『0
0f
r
1
0
01J
00
0i0
lio
Tjxi
£■//（血&•d»
/=
cote/dx
T
：
0
y
1
0
LoL1.
z
1
像机内参和外参：
般化形式
像机内部参数
（内参）
像机外部参数
（外參）
R3X3E灯孔
[X
Z叭0]
0AVoi0
001loj
示〃轴和诸由的不垂直因子。
像机内参和外参说明
»像机内参
£：
?
'轴尺度因子，或称灑归一化焦距仍加’铀尺度因子，或称倔归一化焦距-y:
〃轴和倔的不垂直因子，通常为0如m-光学中心
»像机外参
R：
像机旋转矩阵
T:
像机平移矩阵
P51像机标世得目得，思路与基本方法
目得:
确宦像机得内参与外参。
思路:
琴谄纟｛!
炉知骏界掘标歼I像特征点,
建勿怎方程求冷
P63
X
向变科做令1_0；刈
1
径向畸变和切向畸变
＞将a像坐标转为极坐标小©
＞dr为极坐标的幅度变化S.表现为径向崎变。
►dz为极坐标的角度变化呈・表现为切向崎变。
»在大多数视觉应用中切向隅变通常很小.因此可忽賂。
习题
第四章
P4・7图像平移、尺度、旋转与级联变换用矩阵乘实现级联变换
如国像依次进行平移、尺度勺旋转变换/有P14最3hO值I
P16-18「性蓟您T七
P20-31甲纟灰度映射v
灰度妬療理■■
■*
＞基于图像像素得点操作
A灰度映射得关键就是根据增强要求设计映肘函数
灰度映射：
图像二值化、图像反色、动态范围压缩、对比度堆强
P31-32宜方图得概念与意义，用己学过得数学原理进行解释
P40宜方图均衡订•算
1「
0.S4
08卜
0.6
062■■
04
02
0
0.2
0.1
0.22
（d）
0.2皿。
・
mn能训I
表4、3、1L为灰度级数（本例为8）
原始图灰度级
0
1
2
3
4
5
6
7
原始直方图
0
02
0、
050、
09
0、12
0、14
0、
20、
220、16
累积直方图gf
0
02
0、
070、
16
0、28
0、42
0、
620、
841、0
四舍五入取整
0
0
1
2
3
4
6
7
注:
int（（H）*gf+0,5）
确定映射关系
0,1->0
2->1
3->2
4->3
5->4
6->6
7->7
新直方图
0
07
0、
090、
12
0、14
0、2
0
0.
220、16
直方图均衡过程示例
P52-66模板滤波得概念与理解
»概念:
利用像素木身以及其邻域像素得灰度关系进行图像增强得方法。
»理解：
1、滤波取口信号处理中得概念;2、滤波就是在图像空间通过邻域操作完成得;3、邻域操
作通常借妙模板运算來实现
P69中值滤波概念与基本步骤
»概念:
选择局部窗口中亮度得中间值代替窗口中心像素
Mi'11
1MI1>•iltic
Suri
VIon
Replay
»<>
□
2（）
27
33
31
►步骤：
将模板中心Lj图像屮某像索位址巫介读取模板卜•备对应像素得灰度值将这些灰度值从小到大排成•列
卩
1■—.
*+
火■■
4D
4—"
习题4、11P76
缘检测得原理
-Sr**
而颜色不连续、
0找出这些灰度值里排在屮间得个
0将这个中间值赋给对应模板中心位胃八像素
O遍历图像中所冇像素
P71中值滤波打均值滤波得比较
中值滤波与线性滤波得区别：
1中值滤波可有效消除突变，线性泯波总就是响应所有得变化
、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得效果中值滤波与均值滤波得区别：
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
a设用三角形代替下图中得四边形，建立与下式相对应得校正几何形变得空间变换式。
兀'=k\x+他y+斤3厂+褊y，二kp+k（"y+k'xy+%
嗨.•以顶点为对应点，一个对应点可列出2个公式，因此三角形得三个顶点可列出6个公式，最多求解6个几何形变参数,因此空间变换式为：
y二：
％+八2〉'+八3
yf=八x+k'y+/c・
»将M幅图像相加求平均J以获禅消除喋声祁效果,用一个nxn得模板进行平滑滤波也可获得消除噪声得效果，试比较两种方法得消噪效果
►M幅图像相加求平均■时间轴上得Y均容易产生运动模糊（重影）
►nxn模板肖T•滑滤波・》空间上得T•均容易产生空间模糊（边缘模糊）
习题4、12P76
Y寸论用于空间滤波得平滑滤波与锐化滤波得相同点、不同点以及联系
TI同小:
都能减弱或消除频域空间中得某些分it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it平滑图像中得细节信息。
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
P4为什么要边缘检测与边缘得成因
为什么要边缘检测：
»提取借息，识别目标
A恢复几何与视点
边缘得成因：
曲而法线不连续、深度不连续、表
亮度不连续
P10-21用己学过得数学原理解释边
A—阶导数极值点对应御就是边缘位置，极值得正或负表示边缘处就是由暗变亮还就是由亮变暗.
»二阶导数过零点來检测图像中边缘得存在。
P15有哪些一阶导数算子？
试写出其模板形式
Roberts梯度算子
1
_1
1
-1
Prewitt梯度算子（平均差分）
Sobel算子（加权平均差分）
1
■
1
-1
-•>
■
■1
“向同性Sobel算子：
将模板中得权值2改为J2,以使水平、垂直与对角边缘得梯度值相同。
P2i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：
二阶导数在边缘处岀现零交叉，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算子得最优检测准则
»最优边缘检测得含义就是：
°好得检测-算法能标识图像屮得实际边缘，避免噪声可虚假边缘「扰.
o好得定位-标识出得边缘可实际图像中得实际边缘尽町能接近。
o最小响应-对图像中得毎个亢实边缘点只有一个像素响应。
P41什么就是角点？
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，不受几何与亮度等变化得影响
»显誓性
每个角点都就是独特得
»局部性
特征描述得就是图像中得一个局部小区域
P43SUSAN角点检测得基本原理
。
采用圆形模板
。
统计模板中与模板核具有相同值得像素个数
。
USAN而积随模板在图像中得位置变化
。
利用USAN而积变化可检测边缘或角点。
。
USAN而积在图像角点处具有最小值，故称为SUSAN0
P51Hough变换得基本思想（投栗）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得儿何特征，投影到参数空间，通过投票方式确怎参数值。
即票数最多得参数获胜。
为什么要进行Hough变换：
»视觉场景中许多目标都可通过直线、圈弧等规则儿何特征来表述。
Hough变换就是获取规则几何特征得常用方法。
P55Hough变换中参数空间得概念，试写岀直线检测以及圆检测得参数空间
采用（P,切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4切中为一个点」
参数空间（P,切也称为Hough空间
P68Hough变换得优点
»对边缘不连续現冇较好得容忍性
A对噪声「•扰具右较好紂侔棒性
A对PI标遮扌为具右较好得抗干扰性
习题
第六章
P2目标分割得概念、目得、意义
»槪念:
将图像划分成若I：
典仃特征…致性且M不重隹得图像区域得过程。
AII紂:
仃选择牲地定化感呉趣对彖任鮒像屮得位岚'j范也
»意义：
1、区域对于图像理解打识别非常重要，往往表征场景中得丨丨标，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,毎个区域对应目标得不同部分。
3、图像分割就是将图像划分为一组有意义得区域。
P14图像分割有哪些方法？
基于哪些特征
»基于边缘得分割方法：
。
先提取区域边界，再确定边界限楚得区域；
»基于区域得分割方法：
。
确立每个像素得归属区域，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
-基于边缘得方法
-区域融合与区域增长
-混合优化方法
b）交互式图像分割算法
-〃Snake"或〃主动轮娜法〃
-“魔棒”或"魔笔”
»图像分割通常棊F•壳度、颜色、纹理、深度或运动。
P27图搜索有哪些策略，以及徉自特点
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、效率髙、
不易跳出无限深分支
P40试用直方图得概念解释直方图分割得思想
＞基本思想:
根据图像数据得特征将图像空间划分为互不重為得区域，从而达到分割得
目得。
P45最优阈值得分割思想
最优阈值
＞思路：
使图像中目标物和背景分割您课最小的阈值。
＞设一幅图像只由目标和背杲绢成，己知像素灰度概率密度分别为P%⑵和p/z）,目标像素占整幅图像像素比为a,则图像总的灰S级概率密度函数为：
»对于某个阈值ZR,有.
C厂'背景7＜7,
p（z）z:
＜wC）+（i~a）p也）
J目标zg
最优阈值
A方程力幺；+BZE+C=0在一般情况下存在两个解。
A当且仅当时，有唯一解:
＞若《二
贝IJ-_%!
七％
2:
〃
2
P52最大类间方差（OTSU）得分割思想寻找使得类间方差最大得阈值习题6.10P115
＞设图像具有下图所示的灰度分布，其中p©）对应目标，厂⑵对应背景，若目标像素占整幅图像概率为0.5,EDa=0.5,求分割目标和背景的锻佳阈值。
id⑵川％
皿）十-1）/2
根据最优阈值计算公式：
a-P
4
（2）二17/2
场（玉）=（1-a）•他亿）
（z-l）/2二l-z/2・2=3/2
习题6.11PU5
＞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得均值为200,方差为400得小目标。
设所有目标合起来约占图像总而积得30%,提出一个基于取阈值
得分割算法将这些目标分割出。
根据最优阈值计算公式，并假设背景与目标得概率密度函数为高斯模型，且背景与目标得方差柑等J
第九章乙k-〃吻；％+In1_a
P3-9图像中包含了哪些渤度线索仙
阴彫纹増璽20询0輕等00J空kll0-2二10803P26.27平行光轴立体视從:
系统得妙H海度雀
麻理打基木公式
P（X,YN）
平行光轴立体视觉系统
考虑左、右像机光轴平行的特殊情况
/深度z
像平
MJ
/MmtD
P心4）、
像平
1——
如0
夢像机
B二基线
H
事d=X-X
〃wd称为视差
P32•3575-83立体视觉系统中有哪些约束
立体匹配得约朿:
o极线约束:
匹配点必须在极线上
o相似性约束:
左、右图像得匹配点应具有柑似得亮度或颜色。
即，假圧目标表而符合朗伯漫反射表面。
。
视差范围约束:
仅在视差搜索内搜索。
O唯一性约束：
■幅图像中得一个像素，在另一幅图像中最多只有一个对应点像素。
o顺序约束:
若参考图中A点在B点得左边，则另一幅图像中A点匹配点也在B点匹
配点得左边。
O平滑性约束:
除了遮挡或视差木身不连续区域外，小邻域范围内视差值变化量应很小或相似。
换言之视差曲面应就是分段连续得。
O互对应约束：
又称左右一致性，若以左图为基准图，左图上一像素点丹得搜索到右图上对应点像素为“；那么若以右图为基准图，像素》得对应点也应该就是左图上得像素点尸笼约束常用于遮描区得检测。
P41立体视觉标主校正得目得
校正得目得：
O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立体匹配得概念及分类
»立体匹配得过程:
为左图像得毎个像索点H任右图像中搜索对应点。
•根拯立体叽配过程中涉及得像素范圉,对分为：
局部立体匹配
通常以基于局部窗口得立体匹配方法为主。
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得相似测度与最大/最小。
匹配基元:
像素»根八立体匹配过程中采用得匹配基元，可分为：
致密匹配
搜索每个像素得对应点，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，构建稀疏得视差图、匹配基元为特征。
P58有哪些局部立体匹配方法与优缺点
方法:
对应件测度、相似性测度、距离测度、相关系刃测度、非参数化测度
＞优点：
。
容易实现，只需要考虔局部窗口区域
o对纹理丰富得区域八有较好匹配性能
o速度快，只需考虑冇限像索
。
易于硕件实现，易于流水线实现
»缺点：
。
视差不连续、遮扌为或边缘区域无法疋确估汁视溢
»对巫复性纹理、无/弱纹理区域无法准确估计视屋
P84全局立体匹配得思想与优缺点
思想:
基于动态规划得立体匹配方法
＞基于动态规划得匹配算法井不就是孤立地寻找毎个像素点得匹配值。
A优化整条扫描线，使得该扫描线上所有像素得匹配代价与最小,并满足顺序与平滑约束。
A不同扫描线独立完成优化。
优缺点：
＞优点：
。
保证了一条扫描线上各像素点得优化匹配。
»缺点：
。
缺少扫描线间得强制约束
。
无法将水平方向与垂直方向得连续性约朿有效融合。
。
局部误差会着扫描线传播。
O视差结果图中有着很明显得横纹效应。
升级会员 