计算机视觉期末笔记

计算机视觉笔记

图像：二值图（0，1） 灰度图（0~255） 彩色图（RGB）

卷积：滤波器翻转 ，可使用乘法交换律

互相关：滤波器不翻转，不可使用乘法交换律

边缘检测：求导求极值，极值点即为边缘

高斯滤波器：

均值滤波器：

Sobel算子：

RANSAC（直线检测算法，模型匹配算法） RANdom Sample Consistence

• 随机选择一组种子点对模型进行初始的估计
• 根据初始的估计计算出局内点（到直线的距离小于阈值）
• 若局内点的个数大于阈值，则此次估计有效，利用最小二乘法对直线重新拟合
• 重复以上步骤，找出多条直线，选择其中局内点个数最多的一条作为最终的拟合结果

优：

• 应用于各种模型拟合算法，易实现
• 容易计算出失败概率

缺：

• 只能处理包含一定比例局外点的样本集
• 若局外点比例较高，则没有霍夫变换效果好

Canny边缘检测：

• 使用高斯滤波器去除噪声
• 求梯度的方向跟幅值
• 非极大值抑制
• 双阈值与连通性

Harris角点检测：

角点：在以角点为中心的邻域中，梯度有多个主要的方向，可被重复检测，包含丰富的信息且具有可区分性

角点检测：

• 计算图像x，y方向上的梯度Ix，Iy
• 使用高斯函数作为窗口函数
• 计算 sei ta
• 非极大值抑制

其他的关键点检测算法：

• Harris-拉普拉斯
• DOG高斯差分算法（具有尺度不变性）:利用不同尺度的高斯差分算子与图像卷积，获得尺度空间，寻找极大值点

局部特征：

• 可重复性和准确性