计算机视觉
2020-03-05 11:38:14 0 举报AI智能生成
计算机视觉教程笔记
作者其他创作
大纲/内容
计算机视觉
照明和图像
照明模型
光通量 Φ
太阳光 Φ：3.566×10e28 lm
烛光 Φ：12.56 lm
白炽灯/卤钨灯 Φ：12～24 lm／W
荧光灯和气体放电灯 Φ：50～120 lm／W
LED灯 Φ：110 lm／W
辐照度E
黑夜E：0.001 ~ 0.02
月夜E：0.02～0.3
阴天室内E：5～50
阴天室外E：50～500
晴天室内E：100～1000
晴天阳光直射E：100000
适合阅读E：300～750
家用摄像机标准E：1400
颜色模型
CMYK
颜色空间转换(cv2.cvtColor函数)
图像去噪
什么是卷积
两个骰子加起来为t的概率，就是两个骰子的概率密度函数卷积
图像卷积是2维卷积，和1维卷积类似
平滑滤波(代数运算)
平均滤波(cv2.blur函数)
加权平均滤波（高斯模板-高斯平滑滤波(cv2.GaussianBlur函数)）
双边滤波器(cv2.bilateralFilter函数)【平滑的同时比较好的保留图像边缘】
空域核(高斯核)
值域核(与图像灰度的相互关系)
中值滤波(cv2.medianBlur函数)【5*5十字形窗口和菱形窗口对椒盐噪声有效】
形态学滤波(几何运算)
腐蚀(AΘB)、膨胀(A⊕B)（不互逆）
AΘB：A按照-B结构进行平移，对平移后的元素取交集（黑的变宽，变黑）
A⊕B：A按照B结构进行平移，对平移后的元素取并集（白的变大，变亮）
开运算：先腐蚀后膨胀【A○B=(AΘB)⊕B】
闭运算：先膨胀后腐蚀【A●B=(A⊕B)ΘB】
先开后闭：可有效去除噪声
边缘检测
检测思想
差分：差分的值大于指定阈值时认为发生了信号突变，信号突变的位置就是边缘
使用边缘检测滤波器进行图像平滑滤波
边缘检测滤波器
算子（获得梯度E）
Robert算子
Sobel算子
Laplace算子
LoG算子
Canny算子
解决其他算子问题
噪声增强（因微分运算）
边缘断裂（因光照或采样的影响）
虚检边缘（因噪声或渐变灰度）
步骤
平滑图像
计算梯度（幅值和方向）及方向离散化
梯度值进行非极大值抑制
自动边缘连接
优点
检测准确
对噪声稳健
根据梯度计算边缘强度和方向
形态学基本操作
边缘梯度(gradient)：灰度膨胀图像与灰度腐蚀图像的差值【r=(A⊕B)-(AΘB)】（与Sobel算子类似）
顶帽变换(tophat)：图像与其开运算的差值【r=A-(A○B)】（适用背景暗前景亮，突出前景）
黑帽变换(blackhat)：图像闭运算与自身的差值【r=(A●B)-A】（把明亮背景的暗色前景突出出来，又叫底帽变换）
击中或击不中变换(HMT)：所有B1中匹配的像素(击中)和未在B2中匹配的像素(击不中)组成，B1和B2可以合并成一个元素B【r=A⊙B=(AΘB1)∩(A°ΘB2)】（A°表示对A求补）
常用做法
增强对比度：将源图加上顶帽变换再减去底帽变换
图像变换
意义
使图像的特征更为特出
使原来无法直接观测的特征直接显现出来
提取图像中的特征，便于后续处理及图像理解（如了解图像光照特点，便于图像分割）
变换
图像放缩
图像平移
图像旋转
图像镜像
图像翻转
距离变换
作用：把连通的区域分开，便于确定有多少目标，有类似细化的效果
对数极坐标变换（Log-Polar变换）
应用：全景展开
灰度直方图
概念
对图像灰度统计特征的描述，灰度值作为横坐标，图像中灰度出现的次数作为纵坐标
也可以看做各个灰度级别出现的概率密度函数，所有其积分为1
根据直方图可以看出图像曝光情况（是否偏亮、偏暗）和对比度情况（亮度过于集中，对比度差）
灰度直方图均衡化
重新调整灰度，但亮的依然亮，暗的依然暗，调整后直方图比较标准
图像得到增强，但会带来噪声
局部照明不好，可进行局部直方图均衡化（满足一定条件才进行增强）
霍夫变换
通过暴力搜索查找直线的计算量太大，另外查找时需要借助阈值，该值难以设置
常用于检测直线、园等规则形状
直线方程表达
核心思想
直角坐标系中的一点对应参数空间中一条近似正弦曲线
同一直线上的多个点，在参数空间中必相交于一点
变换步骤
将对应格计数累加
当全部点变换后，对小格进行检验（投票机制），设置累计阈值T
计数器大于T的小格对应于共线点，其可用于直线拟合参数
计数器小于T的反映非共线点，丢弃不用
应用
自动驾驶查找车道
飞机跑道识别
图像分割
目标：将图像划分为不同区域
方法
基于图像灰度阈值
自动阈值分割，目标是令类间方差最大
大津(Otsu)算法确定阈值，采用遍历方式（遍历灰度值0~254），思想直接，实现速度快。
局部阈值法：多区域分割，可有效解决照明不均的问题
多阈值法：二值化分割方法的扩展，可解决多值目标的分割问题
基于边界的方法
基于区域的方法
基于聚类的方法
基于图论及概率模型的方法
深度学习的方法
图像描述
0 条评论
回复 删除
下一页
