1、計算機(jī)視覺與機(jī)器視覺的區(qū)別

計算機(jī)視覺是利用計算機(jī)實現(xiàn)人的視覺功能，即對客觀世界中三維場景的感知、加工、解釋，側(cè)重于場景分析和圖像解釋的理論和方法，而機(jī)器視覺更關(guān)注通過視覺傳感器獲取環(huán)境的圖像，構(gòu)建具有視覺感知功能的系統(tǒng)，以及實現(xiàn)檢測和辨識物體的算法。

2、歐氏距離、城區(qū)距離、棋盤距離區(qū)別

歐氏距離給出的結(jié)果最準(zhǔn)確,但計算時需平方和開方運(yùn)算,計算量較大。城區(qū)距離和棋盤距離為非歐氏距離,不需平方和開方運(yùn)算,計算量較小,但結(jié)果有一定誤差。距離的計算只考慮圖像中兩個像素的位置，不考慮兩個像素的灰度值。
3、USAN判斷方法原理

將模板中各個像素都與模板中心的核像 素的灰度進(jìn)行比較。當(dāng)圓形模板在亮區(qū)域（目標(biāo)區(qū)域）和暗區(qū)域（背景區(qū)域），USAN最大。當(dāng)圓形模板1/4在暗區(qū)域，USAN最小。當(dāng)圓形模板1/2在暗區(qū)域，為邊緣點(diǎn)USAN為最大值一半。USAN面積超過一半時，核像素處于圖像中的灰度一致區(qū)域

4、Hough變換的基本原理

利用點(diǎn)與線的對偶性,將原始圖像空間的給定的曲線通過曲線表達(dá)形式變?yōu)閰?shù)空間的一個點(diǎn).把原始圖像中給定曲線的檢測問題轉(zhuǎn)化為尋找參數(shù)空間中的峰值問題;即把檢測整體特性轉(zhuǎn)化為檢測局部特性.如直線,橢圓,圓,弧線等

5、直線檢測原理

一條直線由兩個點(diǎn)A和B確定（笛卡爾坐標(biāo)）；y=kx+q寫成關(guān)于(k,q)函數(shù)表達(dá)式q=-kx+y；變換后的空間為Hough空間，即笛卡爾坐標(biāo)系中一條直線對應(yīng) Hough空間的一個點(diǎn)；反過來同樣成立。步驟:(1)對參數(shù)空間中參數(shù)p和q的可能取值范圍進(jìn)行量化，根據(jù)量化結(jié)果構(gòu)造一個累加數(shù)組A(pmin : pmax , qmin : qmax)，初始化為零;(2)對每個XY空間中的給定點(diǎn)讓p取遍所有可能值,用q==px+y計算出q,根據(jù)p和q的值累加A，即A(p, q) = A(p, q) + 1 (3) 根據(jù)累加后A中最大值所對應(yīng)的p和q，由y=px+q確定出XY中的一條直線

6、位置直方圖檢測原理?（橫向直方圖）

位置直方圖：將圖像向多個軸投影，并對像素灰度求和而得到的直方圖。假設(shè)圖像中有多個分開的目標(biāo)，將每個目標(biāo)分別向水平方向和垂直方向，進(jìn)行投影疊加，可分別獲得一個水平直方圖和一個垂直直方圖。從這兩個直方圖向目標(biāo)區(qū)域進(jìn)行反投影，就可確定出各個目標(biāo)的位置。實際中，根據(jù)兩個直方圖分布情況可檢測出圖像中的目標(biāo)。

1. 最穩(wěn)定區(qū)域的三個因素

最穩(wěn)定區(qū)域：從目標(biāo)種子出發(fā)，用區(qū)域生長策略產(chǎn)生一系列（嵌套的）周圍區(qū)域。區(qū)間差距大+區(qū)內(nèi)接近+有一定尺寸。因素(1) 這個區(qū)域與其外部周邊區(qū)域之間是否有很高的對比度 (2) 這個區(qū)域內(nèi)部是否只有很低的對比度（即很平滑）(3) 這個區(qū)域的面積不能太小，否則噪聲影響過大

8、目標(biāo)分割的目的、語義分割與實例分割的區(qū)別

目標(biāo)分割：指將感興趣的目標(biāo)區(qū)域從圖像中分離并提取出來，即圖像分割；計算機(jī)視覺領(lǐng)域，圖像分割指將數(shù)字圖像細(xì)分為多個圖像子區(qū)域（像素的集合）的過程。簡化或改變圖像的表示形式,使圖像更易理解和分析。圖像分割常用于定位圖像中的物體和邊界(線、曲線等)。圖像分割是對圖像中的每個像素加標(biāo)簽的一個過程，這個過程使得具有相同標(biāo)簽的像素具有某種共同視覺特性。

1. 主動輪廓模型的步驟、原理

一種基于邊緣信息的目標(biāo)分割方法。主要原理：通過構(gòu)造能量泛函，在能量函數(shù)最小值驅(qū)動下，輪廓曲線逐漸向待檢測物體的邊緣逼近，最終分割出目標(biāo)。先在圖像創(chuàng)建一條初始曲線，形狀不拘，但需將目標(biāo) 物體輪廓線包在內(nèi)測；建立“能量方程式” ，包括規(guī)范曲線形狀為目的之“內(nèi)部能量” ，及規(guī)范曲線與目標(biāo)物體輪廓線接近程度之“外部能量” ；在運(yùn)算過程中，最小化內(nèi)部能量可令曲線持續(xù)向內(nèi)部緊縮并保持平滑；最小化外部能量則可令曲線持續(xù)貼近目標(biāo)物體輪廓線而到達(dá)一致位置

11、均移確定聚類中心

首先隨機(jī)選擇一個初始的感興趣區(qū)域（初始點(diǎn)）并確定其重心，接下來，搜索該區(qū)域周圍點(diǎn)密度更大的感興趣區(qū)域并確定其重心，然后將窗移動到新重心確定的位置，這里原重心和新重心間的位移矢量對應(yīng)均移，重復(fù)上面的過程不斷將均值移動直到收斂。這里最后的重心位置確定了局部密度的極大值，即局部概率密度函數(shù)的最頻值。

13、目標(biāo)表達(dá)與描述的區(qū)別

目標(biāo)的表達(dá)和描述：實現(xiàn)對圖像分割得到的區(qū)域中的感興趣的目標(biāo)的幾何性質(zhì)進(jìn)行定性或定量的表示和描述。目標(biāo)的表達(dá)側(cè)重數(shù)據(jù)結(jié)構(gòu)；目標(biāo)的描述側(cè)重目標(biāo)的區(qū)域特性和不同區(qū)域之間的聯(lián)系與差別。

14、LBP含義、檢測過程、核心思想

思想：以中心像素的灰度值作為閾值，與他的鄰域相比較，得到相應(yīng)二進(jìn)制碼來表示局部紋理特征

過程：根據(jù)相鄰像素點(diǎn)與中間相鄰點(diǎn)相比的大小確定值為1或0(相鄰像素值>=中間像素值，為1；<為0)；對每個像素點(diǎn)鄰域信息進(jìn)行整合,變?yōu)猷徲蚋魑坏臄?shù)的編碼;然后對一個塊中所有像素編碼進(jìn)行直方圖統(tǒng)計，得到LBP特征。

15、模式分類原理

對一個未知模式x來說，如果將它代入所有決策函數(shù)算得d i (x)值最大，則x屬于第i類。如果對x的值，有d i (x) = d j (x)，則得到將類i與類j分開的決策邊界：dij(x)=di(x)-dj(x)=0。d ij (x) > 0，則模式屬于類s i ，反之，屬于類s j 。通過構(gòu)造一個分類函數(shù)或分類模型將數(shù)據(jù)集映射到某一給定類別中，即對具有給定特征的樣本通過分類器進(jìn)行分類

獲取信息-->預(yù)處理-->特征提取-->構(gòu)建分類器-->決策輸出

利用圖像差的運(yùn)動檢測：序列圖像中，通過逐像素比較直接求取前后兩幀圖像之間的差別；假設(shè)照明條件在多幀圖像間基本不變化，那么圖像之間的差別就有可能是運(yùn)動的結(jié)果。

1. 幀差法

基本思路：通過對視頻序列中兩幀（或多幀）圖像進(jìn)行差分運(yùn)算來提取運(yùn)動目標(biāo)的輪廓。

原理：（1）求兩幀圖像中每個對應(yīng)像素差的絕對值（像素灰度值差），得到幀差圖像

（2）幀差圖像進(jìn)行二值化處理：兩幀圖像中的某像素灰度值差大于設(shè)定閾值將該像素點(diǎn)判定為前景（運(yùn)動目標(biāo)）的部分，即前后時刻的兩圖發(fā)生變化的地方；其像素灰度值差小于設(shè)定的閾值，將該像素點(diǎn)判定為背景部分，即未發(fā)生變化;判定為運(yùn)動目標(biāo)部分的像素點(diǎn)全體，組成當(dāng)前觀測圖像幀上較為完整的目標(biāo)形狀及其大小和位置信息。

關(guān)鍵幀提取

原理：將兩幀圖像進(jìn)行差分，得到圖像的平均像素強(qiáng)度可以用來衡量兩幀圖像的變化大小。基于幀間差分的平均強(qiáng)度，每當(dāng)視頻中的某一幀于前一幀畫面內(nèi)容產(chǎn)生了大的變化，便認(rèn)為是關(guān)鍵幀，將其提取出來。

流程：取視頻，依次計算每兩幀之間的幀間差分，得到平均幀間差分強(qiáng)度；提取關(guān)鍵幀（使用差分強(qiáng)度的順序，使用差分強(qiáng)度閾值，使用局部最大值）

1. 背景差分法（靜止場景進(jìn)行運(yùn)動分割的通用方法）

將當(dāng)前獲取的圖像幀與背景圖像做差分運(yùn)算，得到目標(biāo)運(yùn)動區(qū)域的灰度圖，對灰度圖進(jìn)行閾值化提取運(yùn)動區(qū)域，

為避免環(huán)境光照變化影響，背景圖像根據(jù)當(dāng)前獲取圖像幀進(jìn)行更新。受場景環(huán)境變化、光照、天氣和外來因素的干擾，需定期、實時、或按某種規(guī)則對背景模型進(jìn)行更新，所以背景模型的更新策略也是背景減法的關(guān)鍵環(huán)節(jié)之一。

原理：（1）建立視頻序列的背景模型圖像；（2）求當(dāng)前幀圖像與背景模型圖像對應(yīng)像素的像素灰度值差（3）對當(dāng)前幀差圖像進(jìn)行二值化處理（若兩幀圖像中對應(yīng)位置的像素灰度值差大于設(shè)定的閾值，將該像素點(diǎn)判定為前景（運(yùn)動目標(biāo)）的部分；若其像素灰度值差小于設(shè)定的閾值，將該像素點(diǎn)判定為背景的部分。所判定為前景目標(biāo)的所有像素點(diǎn)，組成了當(dāng)前幀（觀測）圖像上較為完整的目標(biāo)形狀和位置信息。（4）按照某種規(guī)則對背景模型進(jìn)行更新。

背景建模

1）單幀抽取法

直接抽取視頻序列中某一幀圖像作為背景模型圖像(,)的方法。通常用于能夠確定在某段時間內(nèi)該幀作為背景參考圖像時，能夠檢測出臨時出現(xiàn)的運(yùn)動目標(biāo)，多用于背景連續(xù)一段時間不會變化的場景。

2）多幀統(tǒng)計平均法

統(tǒng)計平均法是指從視頻流中取連續(xù)的多幀圖像，并通過對多幀圖像中各像素點(diǎn)的灰度值求平均值，來獲得一幅新圖像作為背景模型圖像(,)的方法。統(tǒng)計平均法假設(shè)：盡管背景部分的某些點(diǎn)有時會被前景目標(biāo)遮擋，但在大部分時間里，可認(rèn)為背景部分的圖像都是不變或是緩變的。

3）中值法

指從視頻流中取連續(xù)的多幀圖像，并通過對多幀圖像中同位置像素點(diǎn)的灰度值進(jìn)行排序，然后分別取其中值作為背景圖像中相應(yīng)位置的像素灰度值，也即背景圖像的各像素灰度值由序列圖像對應(yīng)像素點(diǎn)的灰度值的中值來確定。

4）基于模型的方法

基于模型的方法分為單模態(tài)高斯背景模型法和多模態(tài)（混合）高斯背景模型法文章來源地址http://www.zghlxwxcb.cn/news/detail-450757.html

到了這里，關(guān)于計算機(jī)視覺——期末復(fù)習(xí)（簡答題）的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！