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
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)
【平滑的同时比较好的保留图像边缘】
【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】
【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
0 条评论
下一页
