目錄

一，導(dǎo)論

二，圖像采樣和頻域處理

1.計算機圖像

2.常用的亮度等級（灰度值）

3.多通道圖像

4.圖像插值算法（記住哪些算法）

5.像素空間關(guān)系

1像素鄰域

2.像素連接

3.像素連通

4.像素距離（三個公式記?。?/p>

6.傅里葉級數(shù)

7.傅里葉變換

8.離散余弦變換

三，基本圖像處理運算

1.灰度直方圖

2.點算子

?3.直方圖正規(guī)化（計算題）

?4.直方圖均衡化（步驟，計算）

?5.閾值處理

6.最優(yōu)閾值處理（寫出算法流程）

?7.自適應(yīng)閾值處理

8.群運算（給出原圖卷積和結(jié)果）

?9.形態(tài)學操作

膨脹

?腐蝕

開操作

閉操作

?頂帽操作

底帽變換

?四，低級特征提取

1.邊緣檢測

2.一階邊緣檢測

3.Canny邊緣檢測算子（考流程盡量記住公式）

4.二階邊緣檢測

5.局部特征檢測

6.Harris角點檢測（寫出流程）

7.尺度不變特征變換（大題）

五，形狀匹配的特征提取

1.低級，高級特征

2.閾值處理，背景減法

3.模板匹配（?。?/p>

4.霍夫變換（計算題）

六，可變形形狀分析

1.圖像分割，邊緣檢測，串行邊界技術(shù)

2.串行區(qū)域技術(shù)：區(qū)域生長(給一張原圖，區(qū)域生長結(jié)果是什么)

?3.串行區(qū)域技術(shù)：區(qū)域分裂合并

?七，目標描述與紋理描述

1.目標描述（關(guān)注標紅地方）

2.鏈碼（給一張圖求得它的鏈碼）、

?3.灰度共生矩陣?

一，導(dǎo)論

? 計算機視覺是研究計算機去模擬生物外顯或宏觀視覺功能的科學與技術(shù)，其首要目標是通過圖像認識和理解現(xiàn)實世界的模型，從而實現(xiàn)對人類視覺系統(tǒng)功能的擴大，延申和部分替代

二，圖像采樣和頻域處理

1.計算機圖像

? 計算機圖像（光柵圖像）是一個像素矩陣，矩陣中的每個元素被稱為像素（Pixel）

2.常用的亮度等級（灰度值）

? 計算機圖像中通常以[0, 2^??]做為均勻量化范圍，代表從黑到白的色階或亮度變化。

常用K值

3.多通道圖像

計算時記住×通道數(shù)

4.圖像插值算法（記住哪些算法）

最鄰近插值，

線性插值，雙線性插值，

三次插值，雙三次插值

5.像素空間關(guān)系

1像素鄰域

4 鄰域（ N4 ）： ??, ?? → ?? ? 1, ?? , ?? + 1, ?? , ??, ?? ? 1 , (??, ?? + 1)

對角鄰域（ ND ）： ??, ?? → ?? ? 1, ?? ? 1 , ?? ? 1, ?? + 1 , ?? + 1, ?? ? 1 , (?? + 1, ?? + 1)

?

?8鄰域（N8）：N4 + ND

2.像素連接

同樣，像素連接也由三種形式，以最簡單的二值圖像為例，假設(shè) ?? = {1} 是既定灰度集合：

4- 連接：兩個像素 ?? 和 ?? 的 像素值均在 ?? 中，且 ?? 在 ?? 的 4- 鄰域中

?8-連接：兩個像素??和??的像素值均在??中，且??在??的8-鄰域中。

m- 連接（混合連接）：兩個像素 ?? 和 ?? 的 像素值均在 ?? 中，且 滿足 下列條件之一：

1. ?? 在 ?? 的 4- 鄰域中

2. ?? 在 ?? 的對角鄰域中，且 ?? 的 4- 鄰域與 ?? 的 4- 鄰域的交集中不包含取值為 ?? 中的像素

eg：

• 圖(a)中，p和q是m鄰接、8鄰接的。q和r是m鄰接、4鄰接的。p和r不鄰接。
• 圖(b)中，p和q是m鄰接、4鄰接的。q和r是m鄰接、4鄰接的。p和r是8鄰接、但不是m鄰接的（因為p和r的4鄰域交集中，有個q是屬于V的）。
• 只要是4鄰接就是m鄰接。8鄰接，旁邊能不能找到一個同時和你是4鄰接的像素。如果有，就靠這個中間像素建立m通路。m通路建立起來，可以彼此互通，但不是直達。所以你們不是m鄰接。

3.像素連通

? 4- 連通：序列中相鄰像素均滿足 4- 連接

? 8- 連通：序列中相鄰像素均滿足 8- 連接

4-連通：不存在，8-連通：兩條。?

4.像素距離（三個公式記住）

距離公式：歐式距離，城市距離，棋盤距離

歐式距離

城市距離(D4距離)：

像素點?? ??, ?? 到像素點?? ??,?? 的城市距離定義如下：

?棋盤距離（D8距離）：

6.傅里葉級數(shù)

7.傅里葉變換

離散信號

????????目前已經(jīng)學習的傅里葉級數(shù)僅針對于在周期內(nèi)連續(xù)的函數(shù)，那么離散信號又如何處理呢？

一維離散傅里葉變換

????????離散傅里葉變換（Discrete Fourier Transform, DFT）是傅里葉變換在時域和頻域上都呈現(xiàn)離 散的形式，將時域信號的采樣變換為在離散時間傅里葉變換（Discrete-time Fourier Transform， DTFT）的頻域采樣。

????????在形式上，變換兩端（時域與頻域）的序列都是有限長（技術(shù)限制）的，那么我們將這一組不同域的序列都認為是離散周期信號的主值序列。換一種思路，可以將有限長的離散信號看作為經(jīng)過周期延拓后的周期信號再作變換

記住下圖：

?傅里葉變換的意義，性質(zhì)（選擇填空）

意義：

1. 簡化計算 ，傅里葉變換可將空域中復(fù)雜的卷積運算轉(zhuǎn)換為頻域中簡單的乘積運算。

2. 某些在空域中難以處理或比較復(fù)雜的問題，利用傅里葉變換 將空域映射至頻域，在頻域中

處理后反變換回空域 ，從而 簡化處理和分析過程 。

3. 存在著部分僅能在頻域處理的特定應(yīng)用需求 ，如在頻域中進行特征提取、數(shù)據(jù)壓縮、紋理

分析、水印嵌入等。

性質(zhì)：

1. 可分離性，可將二維DFT分解為兩個一維DFT。

2.圖像平均值，?即圖像灰度平均值可有DFT在原點處的值求得。?

3.周期性

4.共軛對稱性

5. 圖像的傅里葉變換頻譜關(guān)于 (??/2, ??/2) 對稱。 ??（ ??, ??）? 是大小為 ?? ? ?? 的圖像，根據(jù)離散傅里 葉變換的周期性和共軛對稱性：

6.DFT的周期性：對于圖像的二維離散傅里葉變換，其時域與頻域始終都是沿著圖像的軸方向無限拓展。

ps:

圖像平移對頻譜沒有影響

8.離散余弦變換

離散余弦變換主要用于數(shù)據(jù)壓縮

三，基本圖像處理運算

1.灰度直方圖

2.點算子

?3.直方圖正規(guī)化（計算題）

?4.直方圖均衡化（步驟，計算）

????????直方圖均衡化是使用灰度直方圖對圖像的對比度進行調(diào)整的圖像處理方法，目的在于提高圖像的全局對比度。其基本思想是對圖像進行非線性拉伸，重新分配像素灰度值，使一定灰度范圍內(nèi)的像素數(shù)量可以大致相當。

eg：A0：像素（乘積結(jié)果），H（a0）：nk, L:灰度范圍

?

?5.閾值處理

提取我們感興趣圖標

選取具有特定灰度 值 或特定灰度 范圍 的像素點，將圖像中的像素點分為若干類，從而實現(xiàn)對

感興趣目標的定位或分割。

6.最優(yōu)閾值處理（寫出算法流程）

Ostu算法流程：

假設(shè)存在閾值Th將圖像中所有像素分為兩類Cb(<Th)和Cf（>=Th） ,那么Cb和Cf中的所有像素點的灰度均值記作Mb和Mf,整張圖的灰度均值記為Mg，Cb和Cf的概率為Pb和Pf.

其中

?

?7.自適應(yīng)閾值處理

????????簡而言之，自適應(yīng)閾值在當前點鄰域范圍內(nèi)采用 均值 、 中值 或 高斯加權(quán) 求得閾值來對當前像素點進行二值化處理

8.群運算（給出原圖卷積和結(jié)果）

卷積：

通過兩個函數(shù) ?? 和 ?? 生成第三個函數(shù)的一種數(shù)學算子，表征函數(shù) ?? 與 ?? 經(jīng)過翻轉(zhuǎn)平移的重疊部分

函數(shù)值的乘積 對重疊長度（或面積）的積分

?

eg2：

?

?

?9.形態(tài)學操作

作用是什么？

膨脹

膨脹（Dilation）的定義為“位于某個點的探針（結(jié)構(gòu)元素）是否有探測到物件”

膨脹操作可實現(xiàn)將目標區(qū)域邊界點向外擴張，或?qū)⒕嚯x較近的不同區(qū)域進行連通，或可填補

區(qū)域內(nèi)部存在的空洞。

?腐蝕

腐蝕（Erosion）的定義為“位于某個點的探針（結(jié)構(gòu)元素）是否全都有探測到物件”

腐蝕操作可實現(xiàn)目標區(qū)域沿邊界向內(nèi)收縮，或?qū)^(qū)域邊界點消除，或可將小于指定結(jié)構(gòu)元素

的部分去除。

開操作

先腐蝕后膨脹

有消除細小物體，在纖細處分離物體和平滑較大物體邊界的作用

閉操作

先膨脹后腐蝕

填充物體內(nèi)細小空洞，連接鄰接區(qū)域和平滑邊界作用

?頂帽操作

用原圖減去開操作的結(jié)果

保留比結(jié)構(gòu)元素小的部分，同時也能保留比周圍環(huán)境亮的像素

底帽變換

用閉操作的結(jié)果減去原圖

保留比結(jié)構(gòu)元素小的部分，同時也能保留比周圍環(huán)境暗的像素

?四，低級特征提取

1.邊緣檢測

????????1.邊緣是不同區(qū)域的分界線，是 圖像局部強度變化最顯著 的像素集合

????????2邊緣上的這種灰度變化可以利用 微分算子 進行檢測，通常使用一階或二階導(dǎo)數(shù)來檢

測邊緣。

? ? ? ? 3.一階導(dǎo)數(shù)在 階躍圖像 由暗變明的位置處由一個向上的脈沖，而其他位置都為0 ，這表明可用 一階導(dǎo)數(shù)的幅度值 來檢測邊緣的存在，幅度峰值位置一般對應(yīng)于邊緣位置。

? ? ? ? 4.二階導(dǎo)數(shù)在一階導(dǎo)數(shù)的階躍上升區(qū)有一個向上的脈沖，而在一階導(dǎo)數(shù)的階躍下降區(qū)有一個向下的脈沖，在這兩個脈沖之間有一個過零點。因此，也可以用 二階導(dǎo)數(shù)過零點 來檢測邊緣位置，此外還可用二階導(dǎo)數(shù)在過零點附近的符號來確定邊緣像素在圖像邊緣的暗區(qū)或明區(qū)

????????5.脈沖狀邊緣 的剖面與上升階躍邊緣的一階導(dǎo)數(shù)形狀相似，所以脈沖狀邊緣的一階導(dǎo)數(shù)與上升階躍邊緣的二階導(dǎo)數(shù)形狀相同，而且它的兩個二階導(dǎo)數(shù)過零點正好分別對應(yīng)脈沖狀邊緣的上升沿與下降沿，通過檢測脈沖剖面的兩個 二階導(dǎo)數(shù)過零點 可以確定脈沖的范圍。

? ? ? ? 6.通過檢測屋頂邊緣的 一階導(dǎo)數(shù)過零點 可以確定屋頂?shù)奈恢谩?

2.一階邊緣檢測

物體邊緣實際上是灰度值的階梯變化，而灰度變化可以通過相鄰點進行 差分 處理來增強。

? 水平邊緣檢測：對 水平 方向上的相鄰點進行差分處理可以檢測 垂直 方向上的灰度變化。

? 垂直邊緣檢測：對 垂直 方向上的相鄰點進行差分處理可以檢測 水平 方向上的灰度變化。

3.Canny邊緣檢測算子（考流程盡量記住公式）

1.高斯濾波。 目的是降噪，過濾掉噪聲，以免對邊緣檢測進行干擾，同時也有可能加大邊緣寬度

2.計算梯度幅度和梯度方向。利用Sobel邊緣檢測算子得到不同方向上的梯度值gx（x，y）和gy（x，y）。根據(jù)下列公式得到梯度幅度和梯度方向。

3.過濾非最大值。在高斯濾波的過程中，邊緣的寬度可能被擴大了，因此我們使用非極大抑制算法來過濾不是邊緣的點，使邊緣的寬度盡可能趨近于1.

4.雙閾值處理。設(shè)定兩個閾值，分別記為maxVal和minVal。其中大于maxVal的點都判定為邊緣，而低于minVal的點判定為非邊緣。對于中間像素點，如果與確定為邊緣的像素點鄰接，則判定為邊緣，否則為非邊緣。

4.二階邊緣檢測

二階相對于一階存在的優(yōu)勢

? 二階微分關(guān)心的是圖像灰度的突變而不強調(diào)灰度緩慢變化區(qū)域，對邊緣定位能力更強。

? 二階邊緣檢測具有旋轉(zhuǎn)不變性。在一階微分中，我們用 ???? + |????| 來近似像素點的梯度，

當旋轉(zhuǎn)一個角度時，該值就會相應(yīng)發(fā)生變化，但對于二階微分則沒有這個問題。

? 散度：純量，表示空間各點矢量場 發(fā)散 的強弱程度

拉普拉斯邊緣檢測算子的主要優(yōu)點是 各向同性（旋轉(zhuǎn)不變性） 。

5.局部特征檢測

????????理解圖像的前提是需要計算機能較好的對圖像進行描述，取得圖像的 特征 。

?不同的檢測方法對特征點有不同的定義。

? 圖像局部 曲率 突變的點。

? 局部窗口沿各方向移動，均產(chǎn)生明顯變化的點

6.Harris角點檢測（寫出流程）

1.計算圖像I（X，Y）兩個方向上的梯度Ix，Iy。

?2.計算圖像兩個方向梯度的乘積

?3.用高斯函數(shù)對Ix^2、Iy^2,Ixy進行高斯加權(quán),生成矩陣M的元素A,B,C。

?

?4.計算每個像素的Harris響應(yīng)值R，對小于閾值t的R置為0

5.在3X3或5X5的鄰域內(nèi)進行非極大值抑制，局部最大值點為圖像中的角點

性質(zhì)：

Harris 角點檢測算子具有 旋轉(zhuǎn)不變性 ，

Harris 角點檢測算子具有部分灰度不變性。

不足：

? 具有旋轉(zhuǎn)不變性但不具有尺度不變性

? 像素級角點提取

? 檢測時間較長，不能滿足實時檢測要求

7.尺度不變特征變換（大題）

特征點定位（大題）

1. 構(gòu)建尺度空間 （高斯金字塔） 。 高斯金字塔的構(gòu)建過程分為兩步：1 ）高斯平滑； 2 ）降采樣。

2. 構(gòu)建高斯差分金字塔 （ Difference of Gaussian ， DoG ）：由高斯金字塔每組逐層相減構(gòu)建。

?3. 尋找DoG局部極值點。某像素點為鄰域中的最大或最小值，則認為該點即為圖像在該尺

度下的一個局部極值點。

4. 極值點過濾。為了提高關(guān)鍵點的穩(wěn)定性，需要對尺度空間DoG函數(shù)進行曲線擬合對極值點坐標進行修正。

利用已知的離散空間點插值求得連續(xù)空間極值點的方法叫做 子像元插值 。
直方圖的峰值代表了該特征點處鄰域內(nèi)梯度 主方向

梯度直方圖生成過程：

1. 以半徑為 3 ? 1.5?? 的鄰域范圍進行梯度與方向統(tǒng)計；

2. 以 10° 為一柱，共分 36 個柱子，直方圖的峰值代表了該特征點處鄰域內(nèi)梯度 主方向 ；

3. 統(tǒng)計梯度幅值時在為鄰域每個像素點配以 1.5?? 的高斯加權(quán)，以降低遠離點的幅值權(quán)重；

五，形狀匹配的特征提取

1.低級，高級特征

低級特征：它表示數(shù)字圖像的基本特征，無需任何形狀信息即可從圖像中自動提取，如角點、邊緣、顏色特征等。

?高級特征性質(zhì)：

1.光照不變性。對光照強度變化不敏感。

2.平移不變性。形狀出現(xiàn)在圖像任意位置均可檢測。

3.旋轉(zhuǎn)不變性。不因形狀旋轉(zhuǎn)方向改變而對結(jié)果產(chǎn)生影響。

4.尺度不變性。無論目標大小都能穩(wěn)定提取。

2.閾值處理，背景減法

閾值處理是一種簡單的形狀提取技術(shù)。 若形狀的灰度已知 ，則可利用該灰度級對圖像進行閾

值處理來找到相應(yīng)的形狀。

3.模板匹配（?。?/h3>

模板匹配四種方法

1計算相關(guān)度前先求模板與圖像之間的灰度差：

2. 兩步檢測法 ：每隔幾個像素位置進行匹配，目標一般在相關(guān)度較高位置的附件，在此區(qū)域

再進行逐像素匹配。

3. 邊緣匹配法 ：先抽取圖像邊緣，計算相關(guān)度時只考慮邊緣點。由于像素個數(shù)較少，因此可

以提高匹配速度。

4. 局部匹配法 ：先對模板的一部分進行匹配，當匹配程度較高時，再考慮全部模板匹配，否

則退出匹配。

4.霍夫變換（計算題）

六，可變形形狀分析

1.圖像分割，邊緣檢測，串行邊界技術(shù)

????????圖像分割是指把圖像 分解 成各具特性的區(qū)域并 提取 處感興趣目標的技術(shù)和過程。

????????圖像分割的基本策略為提取圖像中各像素點的 特征 （全局或局部），通過分析特征的 相似 性

從而 組合 近似像素稱為區(qū)域，區(qū)域的外輪廓即為對象的邊緣

????????主動輪廓模型（Active Contour Models, Snakes ）是 Kass 等人在 1988 年提出的，該算法將圖像分割的問題轉(zhuǎn)換為求解能量 泛函 最小值的問題。主要思路是通過構(gòu)造能量泛函，通過迭代使得輪

廓曲線由 初始位置 逐漸向能量函數(shù)值最小的位置逼近，最終分割出目標。

????????Snakes模型是在曲線本身的 內(nèi)力 與圖像數(shù)據(jù)的 外部約束力 共同作用下移動的 變形輪廓線 ，作

用在模型上的力依據(jù)其所在圖像位置及其形狀決定如何在空間局部變化（蠕動）。內(nèi)力的作用是

對輪廓線起平滑約束作用，而外力的作用則是引導(dǎo)模型向圖像特征移動。

2.串行區(qū)域技術(shù)：區(qū)域生長(給一張原圖，區(qū)域生長結(jié)果是什么)

?3.串行區(qū)域技術(shù)：區(qū)域分裂合并

?七，目標描述與紋理描述

1.目標描述（關(guān)注標紅地方）

2.鏈碼（給一張圖求得它的鏈碼）、

給定起點，起點坐標要寫

?

?3.灰度共生矩陣?

文章來源地址http://www.zghlxwxcb.cn/news/detail-477154.html

目22

標描述與2紋理描述目標描述與紋

理描述

到了這里，關(guān)于計算機視覺 期末復(fù)習的文章就介紹完了。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)！