《《計算機(jī)視覺》知識要點總結(jié)終極new》由會員分享，可在線閱讀，更多相關(guān)《《計算機(jī)視覺》知識要點總結(jié)終極new（10頁珍藏版）》請在裝配圖網(wǎng)上搜索。

1、1、 、。；視覺是人類觀察世界、認(rèn)知世界的重要功能手段。人類從外界獲得信息約有80%來自視覺系統(tǒng)。 2、 計算機(jī)視覺是指用計算機(jī)實現(xiàn)人類的視覺功能，即對客觀世界中三維場景的感知、加工和理解。 計算機(jī)視覺的研究方法只有有兩種：一種是仿生學(xué)的方法，參照人類視覺系統(tǒng)的結(jié)構(gòu)原理，建立相應(yīng)的處理模塊完成類似的功能和工作；另一種是工程的方法，即從分析人類視覺過程的功能著手，并不刻意模擬人，視覺系統(tǒng)內(nèi)部結(jié)構(gòu)，而僅考慮系統(tǒng)的輸入和輸出，并采用任何現(xiàn)有的手段來實現(xiàn)系統(tǒng)的功能。 計算機(jī)視覺主要研究目標(biāo)有兩個：一是建立計算機(jī)視覺系統(tǒng)來完成各種視覺任務(wù)； 二是把該研究作為探索人腦視覺工作機(jī)理的手段

2、，即生物學(xué)機(jī)理。 3、 計算機(jī)視覺系統(tǒng)的功能模塊主要有以下幾個模塊：圖像采集、預(yù)處理、基元檢測、目標(biāo)分割、表達(dá)描述、形狀分析等，參考下圖1.4.1 4、 整個視覺過程是由光學(xué)過程，化學(xué)過程和神經(jīng)處理過程這3個順序的子過程所構(gòu)成。 光學(xué)過程：我們需要掌握的是人眼水平截面的示意圖，見圖2.1.1。光學(xué)過程基本確定了成像的尺寸。類似照相機(jī)。 化學(xué)過程：視網(wǎng)膜表面的光接收細(xì)胞可分為：錐細(xì)胞（亮視覺）和柱細(xì)胞（暗視覺）?；瘜W(xué)過程，基本確定了成像的亮度或顏色。 神經(jīng)處理過程：將對光的感覺轉(zhuǎn)換為對景物的知覺。視覺處理過程流圖2.1,2如下： 5、形狀知覺是對景物各部

3、分相對關(guān)系的知覺，也與視野中各種空間關(guān)系的知覺有關(guān)。 6、輪廓（封閉的邊界）是形狀知覺中最基本的概念，人在知覺一個形狀以前一定先看到輪廓。輪廓的構(gòu)成如果用數(shù)學(xué)語言來說就是輪廓對應(yīng)亮度的二階導(dǎo)數(shù)。輪廓與形狀又有區(qū)別，輪廓不等于形狀。輪廓在幫助構(gòu)成形狀時還有“方向性”。輪廓通常傾向于對它所包圍的空間發(fā)生影響，即輪廓一般是向內(nèi)部而不是向外部發(fā)揮構(gòu)成形狀的作用 。 7、主觀輪廓：在沒有直接刺激作用下產(chǎn)生的輪廓知覺。主觀輪廓的形成是在一定感覺信息的基礎(chǔ)上進(jìn)行知覺假設(shè)的結(jié)果 8、空間知覺的問題本質(zhì)是一個深度感知的問題。人對空間場景的深度感知主要依靠雙目視覺實現(xiàn)。 9、圖像采集是獲取圖像的技術(shù)和

4、過程。對應(yīng)于視覺過程中的光學(xué)和化學(xué)過程。需要利用幾何學(xué)原理解決場景中目標(biāo)的投影位置在圖像中國的什么地方的問題和利用光度學(xué)原理（或輻射度學(xué)）建立場景中的亮度與圖像中對應(yīng)位置灰度的聯(lián)系。 10、圖像采集中主要的模型：幾何成像模型和亮度成像模型 11、世界坐標(biāo)系：也稱為真實或現(xiàn)實世界坐標(biāo)系XYZ，是客觀事件的絕對坐標(biāo)（也稱為客觀坐標(biāo)系統(tǒng)）。一般的3-D場景都是用這個坐標(biāo)系統(tǒng)來表示的。 攝像機(jī)坐標(biāo)系：是以攝像機(jī)為中心指定的坐標(biāo)系統(tǒng)xyz，一般取攝像機(jī)的光學(xué)軸為z軸。 圖像平面坐標(biāo)系：在攝像機(jī)內(nèi)形成的圖像平面的坐標(biāo)系統(tǒng)x’y’。一般取圖像平面與攝像機(jī)坐標(biāo)系統(tǒng)xy平面平行，且x軸與x’軸，y與y’

5、軸分別重合，這樣圖像平面的原點就在攝像機(jī)的光學(xué)軸上。 12、 固態(tài)陣列中最常用的主要元件是用電荷耦合器件（change-coupled device，CCD），特點是具有非?？斓目扉T速度。 CMOS（complementary metal oxide semiconductor）攝像機(jī)基于互補(bǔ)型金屬氧化物半導(dǎo)體工藝，其傳感器主要包括傳感器核心、模/數(shù)轉(zhuǎn)換器、輸出寄存器、控制寄存器、增益放大器等。特點是低功耗、尺寸小，總體成本低。但是噪聲水平比CCD高一個量級。 電荷注射器件（charge-injection device，CID），有一個和圖像矩陣對應(yīng)的電極矩陣，在每一個像素位置有兩個隔

6、離絕緣的能產(chǎn)生電位阱的電極。優(yōu)點是，隨機(jī)訪問，不會產(chǎn)生圖像浮散。但是相對CCD，CID對光電敏感度要低很多。 13、 采集裝置基本性能指標(biāo)：線性響應(yīng)，靈敏度，信噪比，陰影（不均勻度），快門速度，讀取速率。 14、 圖像采集的方式主要由光源、采集器和景物三者決定。 15、 空間分辨率（即數(shù)字化的空間采樣點數(shù)）。幅度分辨率（即采樣點值的量化級數(shù)）。輻射到圖像采集矩陣中光電感受單元的信號在空間上被采樣，而在強(qiáng)度上被量化 。 16、 17、 攝像機(jī)標(biāo)定的一般程序和步驟： 兩極標(biāo)定法：（參考P53---例3.4.1-攝像機(jī)外部參數(shù)的標(biāo)定示例） 18、 坐標(biāo)的基本變換：

7、 19、 直方圖均衡化：是一種典型的通過對圖像的直方圖進(jìn)行修正來獲得圖像增強(qiáng)效果的自動方法。基本思想是把原始圖的直方圖變換為在整個灰度范圍內(nèi)均勻分布的形式，這樣就增加了像素灰度值的動態(tài)范圍，從而達(dá)到增強(qiáng)圖像整體對比度的效果。直方圖均衡化列表計算參考p65例4.3.1。 20、 直方圖規(guī)定化：用戶可指定規(guī)定化函數(shù)來得到特殊的增強(qiáng)功能。3個步驟：(1)　對原始圖的直方圖進(jìn)行灰度均衡化(2)　規(guī)定需要的直方圖，并計算能使規(guī)定的直方圖均衡化的變換(3)　將第1步得到的變換反轉(zhuǎn)過來，即將原始直方圖對應(yīng)映射到規(guī)定的直方圖。 在上述步驟（3）中的對應(yīng)映射規(guī)則有單映射規(guī)則（SML）和組映射規(guī)則（

8、GML）。分別如下所示： SML GML 21、 邊緣檢測：一階導(dǎo)數(shù)算子：prewitt；sobel；roberts；kirsch; 二階導(dǎo)數(shù)算子：拉普拉斯；馬爾；canny；編程實現(xiàn)上述算法的代碼如下： %邊緣檢測 clear; I1 = imread(C:\Users\acer\Desktop\car.jpg); % I=rgb2gray(I1); BW1 = edge(I,roberts); %Roberts算子 BW2 = edge(I,sobel); %Sobel算子 BW3 = edge(I,prewitt); %Prewitt

9、算子 BW4 = edge(I,log); %log算子 BW5 = edge(I,canny); %CANNY算子 h = fspecial(gaussian,5); BW6 = edge(I,zerocross,[],h); %zerocross算子 subplot(2,4,1),imshow(I); title(原圖像灰度圖); subplot(2,4,2),imshow(BW1); title(Roberts edge check); subplot(2,4,3),imshow(BW2); title(sobel edge check); subplot(2,

10、4,4),imshow(BW3); title(prewitt edge check); subplot(2,4,5),imshow(BW4); title(log edge check); subplot(2,4,6),imshow(BW5); title(canny edge check); subplot(2,4,7),imshow(BW6); title(zerocross edge check); 以上為《計算機(jī)視覺》課本上的要點小結(jié)。 《機(jī)器視覺》課本大家基本都有，那部分的知識要點各位就自己補(bǔ)充完善一下。 機(jī)器視覺偏重于計算機(jī)視覺技術(shù)工程化，能夠自動獲取和分

11、析特定的圖像，以控制相應(yīng)的行為。計算機(jī)視覺為機(jī)器視覺提供圖像和景物分析理論及算法基礎(chǔ)，機(jī)器視覺為計算機(jī)視覺的實現(xiàn)提供傳感器模型、系統(tǒng)構(gòu)造和實現(xiàn)手段。 機(jī)器視覺系統(tǒng)： 視覺傳感器 視頻輸入 高速圖像采集系統(tǒng) 圖像數(shù)據(jù) 專用圖像處理系統(tǒng) 計算機(jī) 標(biāo)準(zhǔn)/控制總線 視覺系統(tǒng)三個層次：計算理論、表達(dá)和算法、硬件實現(xiàn) 圖像恢復(fù)形狀信息 名稱 目的 基元 圖像 亮度表示 圖像中每一點的亮度值 基元圖 表示二維圖像中的亮度變化位置及其幾何分布和組織結(jié)構(gòu) 零交叉、斑點、端點和不連續(xù)點、邊緣、有效

12、線段、組合群、曲線組織 2.5維基圖 在以觀測者為中心的坐標(biāo)系中，表示可見表面的方向、深度值和不連續(xù)的輪廓 局部表面朝向（“針”基元）、離觀測者的距離、深度上的不連續(xù)點、表面朝向的不連續(xù)點 三維模型表示 在以物體為中心的坐標(biāo)系中，用由體積基元和面積基元構(gòu)成的模塊化多層次表示，描述形狀及其空間組織形式 分層次組成若干三角模型，每個三角模型都是在幾個軸線空間的基礎(chǔ)上構(gòu)成的，所有體積基元或面積形狀基元都附著在軸線上 齊次坐標(biāo)表示法，由n+1維矢量表示一個n維矢量 邊緣是指圖像中像素灰度有階躍變化或屋頂狀變化的那些像素的集合 圖像亮度的一階導(dǎo)數(shù)的幅度在階躍邊緣上非常大而在非邊緣上為零

13、 邊緣有方向和幅度兩個特性，通常沿邊緣走向的幅度變化比較平緩，而垂直于邊緣走向的幅度變化比較劇烈。 攝像機(jī)標(biāo)定建立攝像機(jī)圖像像素位置和場景位置的關(guān)系 R和T是旋轉(zhuǎn)矩陣和平移矩陣，外部參數(shù) 雙目立體視覺基于視差原理，由三角法原理進(jìn)行三維信息獲取 信息融合：冗余性、互補(bǔ)性、時效性 融合方法：信號級融合方法（加權(quán)平均法屬于信息級融合方法）、像素級融合方法、特征級融合方法、決策級融合方法。 變形輪廓線：主動輪廓線、動態(tài)輪廓線。 平移變換不能用矩陣形式來表示。 均衡化程序： Im=imread(region.jpg); J=histeq(Im); %均衡化 subplot(2,

14、2,1); imshow(Im); title(原圖); %顯示原圖 subplot(2,2,2); imhist(Im); title(原圖直方圖); %顯示原圖的直方圖 subplot(2,2,3); imshow(J); title(均衡化結(jié)果); %顯示均衡化后的圖像 subplot(2,2,4); imhist(J); title(均衡化結(jié)果的直方圖); %顯示均衡化后的直方圖 規(guī)定化程序： I=imread(tire.tif); J=histeq(I,32); [counts,x]=imhist(J); Q=imread(1.jpg);

15、 figure;imshow(Q); title(原圖像); A=rgb2gray(Q); figure;imhist(A); title(原圖像直方圖); M=histeq(A,counts); figure;imshow(M); title(直方圖規(guī)定化后的圖像); figure;imhist(M); title(規(guī)定直方圖); 小波變換及融合實驗代碼 [X map]=imread(C:\Documents and Settings\Administrator\桌面\1.jpg); X1=X;map1=map; subplot

16、(2,2,1);image(X1); colormap(map1);title(可見光圖像); [X map]=imread(C:\Documents and Settings\Administrator\桌面\2.jpg); X2=X;map2=map; subplot(2,2,2);image(X2);colormap(map2);title(紅外光圖像); [c1 L1]=wavedec2(X1,1,sym4); [c2 L2]=wavedec2(X2,1,sym4); c=0.5*(1.2*c1+0.8*c2); XX=waverec2(c,L1,sym4); subp

17、lot(2,2,3);image(XX);title(融合結(jié)果一); Csize1=size(c1); for i=1:Csize1 c1(i)=0.8*c1(i); end; Csize2=size(c2); for j=1:Csize2 c2(j)=1.2*c2(j); end; C=0.6*(c1+c2); XXX=waverec2(c,L2,sym4); subplot(2,2,4); image(XXX); title(融合后結(jié)果二); 1. 邊緣檢測實驗代碼 I = imread(1.jpg);

18、 %如果是其他類型圖像,請先轉(zhuǎn)換為灰度圖 BW_sobel = edge(I,sobel); BW_prewitt = edge(I,prewitt); BW_roberts = edge(I,roberts); BW_laplace = edge(I,log); BW_canny = edge(I,canny); figure(1); subplot(2,3,1),imshow(I),xlabel(原始圖像); subplot(2,3,2),imshow(BW_sobel),xlabel(sobel檢測); subplot(2,3,3),imshow(BW_prewit

19、t),xlabel(prewitt檢測); subplot(2,3,4),imshow(BW_roberts),xlabel(roberts檢測); subplot(2,3,5),imshow(BW_laplace),xlabel(laplace檢測); subplot(2,3,6),imshow(BW_canny),xlabel(canny檢測); %%加入高斯噪聲（μ=0，σ^2=0.01）檢測結(jié)果 I_g1 = imnoise(I,gaussian,0,0.01); BW_sobel = edge(I_g1,sobel); BW_prewitt = edge(I_g1,pr

20、ewitt); BW_roberts = edge(I_g1,roberts); BW_laplace = edge(I_g1,log); BW_canny = edge(I_g1,canny); figure(2); subplot(2,3,1),imshow(I_g1),xlabel(加入高斯噪聲(μ=0，σ^2=0.01)圖像); subplot(2,3,2),imshow(BW_sobel),xlabel(sobel檢測); subplot(2,3,3),imshow(BW_prewitt),xlabel(prewitt檢測); subplot(2,3,4),imsho

21、w(BW_roberts),xlabel(roberts檢測); subplot(2,3,5),imshow(BW_laplace),xlabel(laplace檢測); subplot(2,3,6),imshow(BW_canny),xlabel(canny檢測); %%加入高斯噪聲（μ=0，σ^2=0.02）檢測結(jié)果 I_g2 = imnoise(I,gaussian,0,0.02); BW_sobel = edge(I_g2,sobel); BW_prewitt = edge(I_g2,prewitt); BW_roberts = edge(I_g2,roberts);

22、BW_laplace = edge(I_g2,log); BW_canny = edge(I_g2,canny); figure(3); subplot(2,3,1),imshow(I_g2),xlabel(加入高斯噪聲(μ=0，σ^2=0.02)圖像); subplot(2,3,2),imshow(BW_sobel),xlabel(sobel檢測); subplot(2,3,3),imshow(BW_prewitt),xlabel(prewitt檢測); subplot(2,3,4),imshow(BW_roberts),xlabel(roberts檢測); subplot(2,3,5),imshow(BW_laplace),xlabel(laplace檢測); subplot(2,3,6),imshow(BW_canny),xlabel(canny檢測； 2．實驗結(jié)果