

首页  思维导图  详情



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

计算机视觉

实战案例源码

模版推荐

作者其他创作

大纲/内容

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

RGB：OpenCV中彩色图形的缺省值，索引0,1,2分别表示B,G,R

CMYK

HSI(HSV)：H范围是0~180，I=(R+G+B)/3，V=max(R,G,B)

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)<br>【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)<br>【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

概念

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

斜率截距：y = kx + b (每条直线对应一个k,b)

法线式：xcosθ + ysinθ = ρ (每条直线对应一个ρ,θ)

核心思想

将原坐标(x,y)转换到参数空间中表示，进一步利用投票机制解决鲁棒性问题

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(θ,ρ)空间量化成许多小格

根据(x,y)平面每个点代入θ的量化值，算出各个ρ

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

概念

目标：将图像划分为不同区域

图像标记：为像素f(x,y)打上准确的离散化标签g(x,y)，即将分割后的结果打上不同标签，便于后续处理

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

 Collect

Get Started

计算机与网络

 Collect

Get Started

计算机视觉的任务

 Collect

Get Started

计算机等级考试及软件开发

 Collect

Get Started

计算机理论课程模型





0 条评论

下一页