下载文档原格式
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
