本文目录导读：
《计算机视觉基本知识点总结》
计算机视觉概述
计算机视觉是一门研究如何使机器“看”的科学，旨在让计算机理解图像或视频中的内容，它涵盖了从图像获取、预处理到高级语义理解的多个环节。
（一）图像的获取
图片来源于网络，如有侵权联系删除
1、图像传感器
- 摄像头是最常见的图像获取设备，CCD（电荷耦合器件）和CMOS（互补金属 - 氧化物 - 半导体）传感器是其核心部件，CCD传感器具有高灵敏度和低噪声的优点，但成本较高；CMOS传感器功耗低、集成度高，在现代消费级摄像头中广泛应用。
- 除了传统的可见光摄像头，还有红外摄像头等特殊类型的传感器，红外摄像头可以捕捉物体发出的红外辐射，在夜间监控、热成像等领域有重要应用。
2、图像的数字化
- 模拟图像通过采样和量化转化为数字图像，采样确定了图像在空间上的离散点，量化则确定了每个离散点的灰度值或颜色值的离散程度，常见的RGB图像中，每个像素点的颜色由红、绿、蓝三个通道的值表示，每个通道的值通常量化为0 - 255之间的整数。
（二）图像预处理
1、灰度化
- 在很多计算机视觉任务中，将彩色图像转换为灰度图像是一种常见的预处理步骤，灰度化可以简化后续处理，减少计算量，常用的灰度化方法有加权平均法，即根据人眼对不同颜色的敏感度，对RGB三个通道的值进行加权求和得到灰度值，如Gray = 0.299R+0.587G + 0.114B。
2、滤波
- 图像滤波用于去除噪声，线性滤波如均值滤波，通过计算像素邻域内的平均值来替换中心像素的值，能够有效去除椒盐噪声等，非线性滤波如中值滤波，将像素邻域内的像素值排序后取中间值作为中心像素的值，对脉冲噪声有很好的抑制效果。
3、图像增强
- 对比度增强可以提高图像中目标与背景的对比度，直方图均衡化是一种常用的对比度增强方法，它通过重新分布图像的灰度直方图，使图像的灰度分布更加均匀，从而增强图像的对比度。
特征提取
1、边缘检测
- 边缘是图像中灰度值发生急剧变化的地方，Sobel算子、Prewitt算子和Canny算子是常用的边缘检测算子，Sobel算子和Prewitt算子计算简单，通过计算图像在水平和垂直方向上的梯度来检测边缘，Canny算子则是一种多阶段的优化算法，具有更好的边缘检测效果，它包括噪声抑制、计算梯度幅值和方向、非极大值抑制和双阈值检测等步骤。
2、角点检测
- 角点是图像中两条边缘的交点，具有独特的局部特征，Harris角点检测算法是一种经典的角点检测方法，它基于图像的自相关函数，通过计算角点响应函数来确定角点的位置，Shi - Tomasi角点检测算法是对Harris角点检测算法的改进，它选择具有较大特征值的点作为角点，在某些情况下具有更好的稳定性。
图片来源于网络，如有侵权联系删除
3、特征描述子
- SIFT（尺度不变特征变换）特征描述子是一种非常重要的特征描述方法，它具有尺度不变性、旋转不变性等优点，SIFT特征的提取过程包括尺度空间极值检测、关键点定位、方向确定和特征描述符生成等步骤，另一种常用的特征描述子是SURF（加速稳健特征），它在计算速度上比SIFT有很大的提高，同时也保持了较好的特征描述能力。
目标检测与识别
1、传统目标检测方法
- 滑动窗口法是传统目标检测的基本方法，它通过在图像上滑动不同大小和比例的窗口，然后对每个窗口内的图像进行特征提取和分类，判断是否包含目标，但是这种方法计算量非常大，效率较低。
- 基于特征的目标检测方法利用目标的特定特征进行检测，利用人脸的几何特征（如眼睛、鼻子、嘴巴的相对位置）和外观特征（如肤色等）进行人脸检测。
2、基于深度学习的目标检测
- R - CNN（Region - based Convolutional Neural Networks）系列是深度学习目标检测的重要成果，R - CNN首先通过选择性搜索等方法生成候选区域，然后对每个候选区域进行卷积神经网络（CNN）特征提取和分类，Fast R - CNN在R - CNN的基础上进行了改进，共享了卷积层计算，提高了检测速度，Faster R - CNN则进一步引入了区域提议网络（RPN），实现了端到端的目标检测，大大提高了检测效率。
- YOLO（You Only Look Once）系列是一种单阶段的目标检测算法，它将目标检测视为一个回归问题，直接预测目标的类别和位置，YOLO具有检测速度快的优点，适用于实时性要求较高的场景。
图像分割
1、阈值分割
- 阈值分割是一种简单而有效的图像分割方法，它根据图像的灰度值分布，选择一个或多个阈值，将图像中的像素分为不同的类别，对于具有明显双峰灰度分布的图像，可以选择一个阈值将图像分割为目标和背景两部分。
2、基于区域的分割
- 区域生长法是基于区域的分割方法之一，它从图像中的种子点开始，将与种子点具有相似特征（如灰度值、颜色等）的相邻像素合并到同一个区域，直到满足停止条件为止，分裂合并法也是一种基于区域的分割方法，它先将图像分成较大的区域，然后根据一定的准则对这些区域进行分裂或合并，以得到最终的分割结果。
3、基于边缘的分割
- 利用边缘检测得到的边缘信息进行图像分割，通过连接边缘点形成闭合的轮廓，从而将图像分割为不同的区域，但是这种方法对边缘检测的准确性要求较高，如果边缘检测不准确，会导致分割结果不理想。
三维视觉
1、立体视觉
- 立体视觉通过模拟人类双眼视觉系统，利用两个或多个摄像头同时拍摄同一场景的图像，然后根据三角测量原理计算出场景中物体的三维坐标，立体匹配是立体视觉中的关键步骤，它需要找到左右图像中对应的像素点，常用的立体匹配方法有基于特征的匹配和基于区域的匹配，基于特征的匹配首先提取图像中的特征点，然后在左右图像中寻找对应的特征点；基于区域的匹配则是在图像中选取一定大小的区域进行匹配。
图片来源于网络，如有侵权联系删除
2、结构光法
- 结构光法通过投射特定的光图案（如条纹光、点光等）到物体表面，然后根据物体表面反射光图案的变形来计算物体的三维形状，在条纹结构光法中，投射的条纹光在物体表面会发生弯曲和变形，通过分析条纹的变形情况可以得到物体表面的高度信息。
3、运动恢复结构（SfM）
- SfM是一种从多幅图像序列中恢复场景三维结构和相机运动参数的技术，它基于特征匹配和三角测量原理，通过分析图像中特征点在不同图像中的位置变化来计算相机的运动轨迹和场景的三维结构，SfM在计算机视觉领域有广泛的应用，如三维建模、虚拟现实等。
计算机视觉的应用
1、安防监控
- 在安防监控领域，计算机视觉技术可以实现目标检测（如检测人员、车辆等）、行为分析（如判断人员的行为是否异常）和事件预警（如火灾、入侵等事件的预警），通过安装在公共场所的摄像头，利用目标检测算法实时监测是否有可疑人员出现，一旦发现可疑行为，可以及时发出警报。
2、自动驾驶
- 计算机视觉是自动驾驶技术的关键组成部分，它可以用于识别道路标志、车道线检测、车辆和行人检测等，利用深度学习算法识别交通标志的类型，为自动驾驶车辆提供行驶规则信息；通过车道线检测确保车辆在正确的车道内行驶，避免偏离车道引发事故。
3、医疗影像分析
- 在医疗领域，计算机视觉技术可以用于分析X光、CT、MRI等医疗影像，在肿瘤检测中，通过对医疗影像进行特征提取和分析，可以辅助医生更准确地检测肿瘤的位置、大小和形状等信息，提高诊断的准确性和效率。
4、工业检测
- 在工业生产中，计算机视觉可以用于产品质量检测，在电子芯片制造过程中，通过检测芯片表面的缺陷（如划痕、孔洞等），可以及时筛选出不合格产品，提高产品质量。
计算机视觉作为一个快速发展的领域，不断有新的技术和算法涌现，从基础的图像获取和预处理到高级的语义理解和应用，各个环节都在不断创新和优化，为众多领域带来了巨大的变革和发展潜力。
评论列表