计算机视觉基础复习.docx

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（15页珍藏版）》请在冰豆网上搜索。

计算机视觉基础复习

第一章PPT

P11什么是计算机视觉

采用计算机实现人类视觉功能，让计算机理解图像和视频。

P12计算机视觉与图像处理的区别

}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和挑战

挑战：

外观、大小和形状；复杂姿态/运动；复杂和不可预测的行为；噪声和遮挡；外观变化；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

形状和光照线索：

阴影

位置和光照线索：

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

}概念：

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

Ø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

习题

第六章PPT

P2目标分割的概念、目的、意义

}概念：

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。

匹配基元：

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：

}优点：

◦保证了一条扫描线上各像素点的优化匹配。

}缺点：

◦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。