西电科大计算机视觉复习提纲
- 格式:docx
- 大小:1.12 MB
- 文档页数:14
什么叫滤波?1.8
形成一个新的图像, 其像素是原始像素的组合
线性滤波(互相关,卷积)指用相邻的线性组合(加权和)替换每个像素
什么时候用到滤波?1.8
从图像中获取有用信息,如提取边缘或轮廓
增强图像,如消除噪音,锐化和增强形象
典型的图像处理1.9
图像恢复,如去噪,清晰化
图像压缩
定位结构特征,如角点,边缘
相关和卷积的定义以及关系1.13
相关,每个像素的本地邻点和权重核之间的点积
卷积,同上,只是权重核反转(水平和垂直),满足交换律,分配律和结合律
高斯核,高斯滤波的形式1.29
,通过调节的值,来变换高斯滤波器的效果高斯滤波器,是一个低通滤波器,从图像中删除高频分量
以宽度为卷积两次= 以宽度*√2卷积一次
不同的滤波器,不同的参数有什么用
阈值不是线性滤波器
什么是边缘?2.6
边缘是图像强度函数中快速变化的地方
怎样通过图像的导数(一阶,二阶)来表示图像的边缘2.6
边缘对应于导数的极值
如何对一个数字图像F[X,Y]求积分?2.7
重建连续图像F,然后计算导数
采用离散导数(有限差分)
图像的梯度,幅值怎么算,方向怎么算2.8
梯度幅值,边缘强度由此定义
梯度方向,边缘方向就是梯度方向
怎么去噪2.11
先做平滑
d(f*h)/dx的峰值就是边缘
几个算子2.16
Sobel算子,标准定义中没有1/8,但这不会对边缘检测产生影响,如果想要得到正确的梯度赋值,1/8项是必须的
什么叫非最大抑制2.23
抑制不是极大值的元素,搜索局部的极大值,即,检查像素是否沿梯度方向为局部最大值,需要插值像素p 和r
Canny边缘检测器,怎么做2.28
用高斯导数做滤波
获得梯度的幅值与方向
非最大抑制
连接与滞后阈值化
定义两个阈值,低和高
使用高阈值寻找边缘曲线的起点,用低阈值确定后继点
取决以下的参数
σ:高斯模糊的宽度,大的时候可以检测打出度的边缘,小的时候可以检测细微边缘
高阈值和低阈值
使用高斯平滑后的尺度空间的性质2.31
边缘位置随尺度σ的增大而变化
随σ增加,两条边缘有可能合并
随σ增加,边缘不可能分成两个
插值
提取特征的步骤4.19
特征检测
特征描述符
特征匹配
特征跟踪
局部特征的优点4.17
局部性,对遮挡和噪声鲁棒
数量,在一张图中很多
独特性,可以区分大量对象
效率,可实现实时性能
哈瑞斯角点检测的步骤4.40
计算图像中每个点的梯度
根据梯度创建H矩阵
计算H的特征值
查找具有较大相应的点(λmin>阈值)
选择哪些λmin是局部最大值的点
其中H矩阵为
Harris算子,Harris角点检测器
步骤
图像导数
导数的平方
高斯滤波器
角点函数-两个特征值都很强,Harris算子>阈值
非最大抑制
不能值检查x和y方向梯度很大的区域,因为一条对角线即可满足。
Harris尺度不变:
寻找使f 具有局部最大值的尺度:同时在位置和尺度上查找
实现方法:在高斯金字塔上使用固定大小的窗口(按理说改高斯的德尔塔,求得响应峰值的尺度)
图像拼接的步骤4.8
提取特征
匹配特征
对齐图像
图像不变性,如何通过特征描述表达图像的旋转,尺度不变性如何实现不变性不变性是指,即使图像被变换,描述符也不应该改变
如何实现不变性
确保检测器是不变的
设计不变的特征描述符
特征描述符实现旋转不变性
寻找图像块的主导方向,即,出现最多的梯度方向
按此角度旋转图像块
MOPS描述符
选取所检出特征周围40*40的方形窗口
缩放到1/5大小
旋转到水平
在以特征为中心的8*8方形窗口内采样
规格化,强度减去平均值除以标准差,均值为0,方差为1
SIFT描述符
在所检出特征周围取16*16的窗口
为每个像素计算边缘方向(梯度角度-90度)
去除弱的边缘(梯度幅值阈值)
为剩余边缘方向建立直方图
完整版
将16*16窗口划分为4*4单元格
计算每个单元格的方向直方图
16个单元格*8方向=128维描述符
将该128维向量归一化到单位长度
优点
异常健壮的匹配技术
其他描述符
HOG 梯度直方图,滑动窗口,用于行人检测
FREAK 快速视网膜关键点,感知动机,用于视觉SLAM
LIFT 学习不变特征变换,基于深度学习
特征匹配
在给定I1中的特征,在I2中如何找到最佳匹配
定义距离函数来比较两个描述符
测试I2中所有的特征,找出距离最小的一个
图像滤波,更改图像的值域
图像卷绕,更改图像的定义域
图像变换有哪几种
平移,尺度放缩,旋转,仿射,投影,圆柱
卷绕有两种
前向和反向
线性变换的性质
原点映射到原点
直线映射到直线
平行线保持平行
比率被保持
线性变换的组合是线性变换
变换矩阵
任何最后一行为[0 0 1]的3*3矩阵表示的转换称为仿射变换基本的仿射变换,仿射变换的形式
仿射变换的性质
原点不一定映射到原点