Компьютерное зрение — традиционная обработка изображений
фильтрация изображений
фильтрация изображений: Подавление шума целевого изображения с максимально возможным сохранением деталей изображения.
гладкий: Также известный как размытие, это простой и часто используемый метод обработки изображений. Одним из эффектов сглаживания является уменьшение шума.
1. Перечислите распространенные линейные фильтры
Фильтр нижних частот пропускает низкие частоты
Фильтр высоких частот пропускает высокие частоты.
Полосовой фильтр пропускает определенный диапазон частот
Полосовой фильтр пропускает определенный диапазон частот и блокирует прохождение других частот.
All-pass filter пропускает все частоты, изменяя только фазу
Режекторный фильтр блокирует узкий частотный диапазон от прохождения
2. Линейная фильтрация и нелинейная фильтрация
Линейная фильтрация: Коробчатый фильтр Фильтр среднего Фильтр Гауссанелинейная фильтрация: медианный фильтр двусторонний фильтр
①блочный фильтр(функция boxblur): каждый выходной пиксель представляет собой среднее значение значений пикселей окрестности ядра, чтобы получить
②средний фильтр(Функция размытия): фильтрация среднего фактически заменяет значение каждого пикселя в исходном изображении средним значением.
Усреднение каждого пикселя с окружающими 8 пикселями
принцип: на изображении обрабатываемому пикселю дается шаблон, включающий соседние пиксели вокруг него. Метод замены исходного значения пикселя средним значением всех пикселей в шаблоне.
метод: выберите шаблон для текущего обрабатываемого пикселя, который состоит из нескольких пикселей его соседей,
Метод замены исходного значения пикселя средним значением пикселей в шаблоне.
преимущество: усредненная операция каждого пикселя выполняется с окружающими 8 пикселями, скорость сглаживания изображения высокая, а алгоритм простой.
недостаток: 1. При уменьшении шумов размыть изображение, особенно по краям и деталям, причем чем больше размер размытия, тем больше степень размытия изображения. 2. Эффект сглаживания шума соли и перца не идеален. (не могу убрать шум)
Детали изображения не могут быть хорошо защищены, а шумоподавление также разрушает детали изображения, тем самым размывая изображение и не может хорошо удалять шумовые точки.
③фильтр Гаусса(фильтр Гаусса)
Гауссова фильтрация — это линейный сглаживающий фильтр, подходящий для удаления гауссовского шума и широко используемый в процессе шумоподавления при обработке изображений.
Фильтрация по Гауссу — это процесс взвешенного усреднения всего изображения.Значение каждого пикселя получается взвешенным усреднением самого себя и значений других пикселей в его окрестности.
фильтрация по Гауссуконкретная операцияЭто: использовать шаблон (или свертку, маску) для сканирования каждого пикселя изображения и использовать средневзвешенное значение серого пикселей в окрестности, определенной шаблоном, для замены значения центрального пикселя шаблона.
Фильтр сглаживания Гаусса дляПодавление нормально распределенного шумаочень эффективный.
④медианный фильтр(медианный фильтр)
Медианная фильтрация является типичным методом нелинейной фильтрации. Основная идея заключается в замене значения серого пикселя медианным значением значения серого окрестности пикселя. Детали краев изображения сохраняются.
⑤двусторонняя фильтрация
Двусторонний фильтр — это метод нелинейной фильтрации, который представляет собой компромисс между пространственной близостью изображения и сходством значений пикселей и учитывает пространственную информацию и сходство оттенков серого для достижения цели сохранения краев и шумоподавления. Это просто, неитеративно и локально.
Используется для шумоподавления изображения, когда информация о границах важна и должна быть сохранена. Недостатком является то, что, поскольку двусторонняя фильтрация обеспечивает информацию о границах, она сохраняет слишком много высокочастотной информации.Для высокочастотного шума в цветных изображениях двусторонняя фильтрация не может полностью отфильтровать, но может хорошо отфильтровать низкочастотную информацию.
⑥Фильтр Винера
Фильтр Винера представляет собой адаптивный фильтр минимальной среднеквадратичной ошибки. Метод фильтрации Винера является статистическим методом. Оптимальный критерий основан на корреляционной матрице изображения и шума. Он может регулировать выходные данные фильтра в соответствии с локальной дисперсией изображения. Чем больше локальная дисперсия, тем более плавным фильтр, тем сильнее эффект.
**Какой фильтр используется для шума соли и перца? ** Медианный фильтр
обнаружение края
Целью обнаружения границ является поиск набора пикселей с резкими изменениями яркости на изображении, которые часто являются контурами. Если край на изображении может быть точно измерен и расположен, это означает, что фактический объект может быть обнаружен и измерен, в том числе площадь объекта, диаметр объекта, форма объекта и т. д. могут быть измерено.
оператор обнаружения границЧто:
Первый порядок: оператор Робертса Кросса, оператор Превитта, оператор Собеля, оператор Кэнни, оператор компаса.
Второй порядок: оператор Лапласа, Марр-Хилдрет, пересечение нуля второй производной в направлении градиента.
1. Введение в обнаружение хитрых краев
Обнаружение границ Кэнни — очень популярный алгоритм обнаружения границ, предложенный Джоном Кэнни в 1986 году. Это многоэтапный алгоритм, то есть он состоит из нескольких шагов.
1. Шумоподавление изображения 2. Расчет градиента изображения 3. Немаксимальное подавление 4. Пороговое экранирование
Во-первых, уменьшение шума изображения. Мы знаем, что оператор градиента можно использовать для улучшения изображения, что по существу достигается за счет улучшения контура края, то есть края могут быть обнаружены. Однако все они сильно зависят от шума. Затем наш первый шаг — сначала подумать об удалении шума, потому что шум — это то место, где оттенки серого сильно изменяются, поэтому его легко идентифицировать как ложный край.
Второй шаг — рассчитать градиент изображения и получить возможные края.. Как мы представили в предыдущей статье «Градиент изображения», вычисление градиента изображения может получить край изображения, потому что градиент — это место, где уровень серого явно изменяется, а край — это также место, где уровень серого изменяется. меняется явно. Конечно, этот шаг дает только грань возможного. Потому что изменение оттенков серого может быть краем, а может и не быть. Этот шаг имеет множество всех возможных ребер.
Третий шаг, не максимальное подавление. Обычно места, где изменения оттенков серого относительно сконцентрированы, В направлении градиента в локальном диапазоне сохраняются изменения оттенков серого с наибольшими изменениями, а остальные не сохраняются, так что большую часть точек можно исключить. Превращает край шириной в несколько пикселей в край шириной в один пиксель. То есть «толстые края» становятся «тонкими краями».
Четвертый шаг, двойной пороговый скрининг. После немаксимального подавления остается еще много возможных краевых точек, и дополнительно устанавливается двойной порог, то есть низкий порог (low) и высокий порог (high). Если изменение оттенков серого больше высокого, оно устанавливается как пиксель с сильным краем, а если оно ниже низкого, оно устраняется. Настройки между низкими и высокими являются слабыми краями. Дальнейшее суждение, если в его поле есть сильные краевые пиксели, оставьте его, если нет, удалите.
Цель этого состоит в том, чтобы сохранить только четкие контуры ребер, некоторые ребра могут не быть закрытыми, и их необходимо дополнить точками между низкими и высокими, чтобы сделать ребра как можно более закрытыми.
Как работает хитрый оператор? Кратко опишите этапы расчета оператора Кэнни.
① Преобразовать цветное изображение в оттенки серого; ② Использовать фильтр Гаусса для сглаживания изображения; ③ Рассчитать величину и направление градиента изображения; ④ Выполнить немаксимальное подавление величины градиента; ⑤ Использовать двойные пороги для обнаружения и соединения границ; Оператор Canny использует порог гистерезиса, который требует двух порогов (высокий порог и низкий порог). Если величина местоположения пикселя превышает верхний порог, пиксель резервируется как краевой пиксель. Если величина местоположения пикселя меньше нижнего порога, пиксель исключается. Если величина местоположения пикселя находится между двумя пороговыми значениями, этот пиксель сохраняется только в том случае, если он соединен с пикселем выше верхнего порога.
2. Кратко опишите оператор Собеля
Оператор Собеля — это оператор дискретного дифференцирования, который в основном используется для обнаружения границ. Его оператор Собеля сочетает сглаживание по Гауссу и дифференциальный вывод для вычисления приблизительного градиента функции оттенков серого изображения. Использование этого оператора в любой точке изображения даст соответствующий вектор градиента или его вектор нормали.
Когда размер ядра равен 3, наше ядро Собеля может давать относительно очевидные ошибки (в конце концов, оператор Собеля — это всего лишь аппроксимация производной). Для решения этой проблемы OpenCV предоставляет функцию Scharr, но эта функция работает только на ядрах размера 3. Работа этой функции такая же быстрая, как и функция Собеля, но результат более точный.
3. Кратко опишите основные этапы обнаружения границ в традиционных алгоритмах.
①Фильтр: Фильтр для удаления шума; ②Улучшение: улучшение характеристик края; ③Некоторым образом извлеките край, чтобы завершить обнаружение края.
4. Как найти ребро, ребро 45°
Оператор Sobel осуществляет обнаружение горизонтальных краев, обнаружение вертикальных краев, обнаружение краев под углом 45 градусов, 135 градусов.
5. SIFT
Масштабно-инвариантное преобразование признаков (SIFT) — это метод обнаружения, описания и сопоставления локальных характерных точек на изображениях в компьютерном зрении. сопоставление характерных точек.
Как функции SIFT инвариантны относительно вращения?
Функция просеивания поддерживает инвариантность вращения, поворачивая ось координат к основному направлению ключевой точки.Главное направление ключевой точки получается путем подсчета максимального значения гистограммы распределения направления градиента пикселей в локальной окрестности ключевой точка.
Сопоставление функций SIFT
Для характерных точек, обнаруженных на двух изображениях, можно использовать евклидово расстояние вектора признаков в качестве меры сходства характерных точек, взять ключевую точку на изображении 1 и найти две ближайшие ключевые точки на изображении 2. Если отношение ближайшего расстояния к следующему ближайшему расстоянию меньше определенного порога, пара ключевых точек с ближайшим расстоянием считается совпадающей точкой. При снижении порога шкалы количество точек совпадения SIFT уменьшится, но будет относительно более стабильным. Диапазон значений порогового соотношения обычно составляет 0,4–0,6.
Возможности SIFT
SIFT — это алгоритм обнаружения, описания и сопоставления локальных характерных точек изображения путем обнаружения крайних точек в масштабном пространстве, извлечения инвариантов положения, масштаба и поворота, их абстрагирования в векторы признаков для описания и, наконец, использования для изображения. характерные точки. Функции SIFT остаются инвариантными к оттенкам серого, преобразованию контраста, вращению, масштабированию и т. д., а также устойчивы к изменениям угла обзора, аффинным изменениям и шуму. но этоПроизводительность в реальном времени не высока,Характерные точки не могут быть точно извлечены для объектов с гладкими краями.
6. Сопоставление функций SURF
Надежная функция ускорения (SURF) похожа на функцию SIFT, а также является дескриптором функции, используемым для обнаружения, описания и сопоставления локальных характерных точек на изображениях. SIFT — это широко используемый алгоритм извлечения характерных точек, но его производительность в режиме реального времени невысока.Без помощи аппаратного ускорения и взаимодействия выделенных графических процессоров (GPU) трудно достичь требований в реальном времени. Для некоторых сценариев приложений в реальном времени, таких как система отслеживания целей в реальном времени, основанная на сопоставлении характерных точек, необходимо обрабатывать десятки кадров изображений в секунду, а также выполнять поиск и позиционирование характерных точек, генерацию векторов признаков, сопоставление векторов признаков и целевая блокировка должна быть завершена за миллисекунды и т. д., функции SIFT трудно удовлетворить этот спрос. SURF опирается на идею приближенного упрощения (приблизительная замена DoG LoG) в SIFT и упрощает гауссовский дифференциальный шаблон второго порядка матрицы Гессе.С помощью интегрального графа фильтрация изображения по шаблону требуется только несколько простых операций сложения и вычитания, и эта операция не зависит от размера шаблона фильтра. SURF эквивалентен ускоренной и улучшенной версии SIFT, которая повышает скорость работы при условии, что обнаружение характерных точек достигает аналогичной производительности. В целом SUFR в несколько раз быстрее SIFT по скорости работы и имеет лучшую общую производительность.
7. Особенности ЛБП
Локальный двоичный шаблон (LBP) — это оператор, используемый для описания локальных особенностей текстуры изображений. Функции LBP имеют значительные преимущества, такие как инвариантность оттенков серого и инвариантность вращения. Он объединяет каждый пиксель изображения с его окрестностями. Значения пикселей сравниваются , а результат сохраняется как двоичное число, а полученная двоичная битовая строка используется как закодированное значение центрального пикселя, то есть значение признака LBP. LBP предоставляет шаблон признаков для измерения отношения соседства между пикселями, поэтому он может эффективно извлекать локальные особенности изображений, а благодаря простому вычислению его можно использовать в сценариях приложений в реальном времени на основе классификации текстур, таких как обнаружение объектов, распознавание лиц и т. д.
8. Функция HOG извлечения признаков изображения
Функция гистограммы ориентированного градиента (HOG) — это дескриптор функции, используемый для обнаружения объектов в компьютерном зрении и обработке изображений. Он строит функции, вычисляя и подсчитывая гистограммы направления градиента локальных областей изображения. Функция Hog в сочетании с классификатором SVM широко используется для распознавания изображений, особенно для обнаружения пешеходов с большим успехом.
9. Кратко объясните сходства и различия между алгоритмами SIFT и SURF.
[Не удалось передать изображение по внешней ссылке, исходный сайт может иметь механизм защиты от пиявки, рекомендуется сохранить изображение и загрузить его напрямую (img-RTF9Qmie-1634884565296) (общий обзор резюме — традиционная обработка изображений.assets/image-20210523140035410 .png)]
①Масштабное пространство: SIFT использует пирамиду DoG для свертки изображения с изображением и понижающей дискретизации изображения; SURF использует приблизительную пирамиду DoH (т. е. прямоугольные фильтры разных масштабов) для свертки изображения. С помощью интегрального графика фактическая операция включает только несколько простых сложений и вычитаний без изменения размера изображения.
②Обнаружение характерных точек: SIFT сначала выполняет немаксимальное подавление, удаляет низкоконтрастные точки, а затем удаляет краевые точки через матрицу Гессе. SURF вычисляет значение детерминанта (DoH) матрицы Гессе, а затем выполняет немаксимальное подавление.
③Основное направление характерной точки: SIFT подсчитывает гистограмму направления градиента в окне окрестности квадрата, взвешивает амплитуду градиента и берет направление, соответствующее наибольшему пику; SURF вычисляет значение отклика вейвлета Хаара в направлениях x и y каждого сектора в круглой области, чтобы определить направление сектора с наибольшей совокупной суммой ответов.
④Описание функции: SIFT делит окрестности возле ключевой точки на области 4×4, подсчитывает гистограмму направления градиента каждой подобласти и соединяет их в вектор признаков 4×4×8=128 измерений; SURF делит окрестности 20s×20s Разделите на подблоки 4 × 4, вычислите отклик вейвлета Хаара для каждого подблока и подсчитайте 4 количества признаков, чтобы получить 4 × 4 × 4 = 64-мерные векторы признаков.
В целом, алгоритмы SURF и SIFT достигают одинаковой производительности при обнаружении характерных точек.SURF использует интегральный граф для приблизительного преобразования операции свертки шаблона в операцию сложения и вычитания, что лучше, чем функция SIFT с точки зрения скорости вычислений.
10. Сравните три алгоритма извлечения признаков SIFT, HOG и LBP.
[Не удалось передать изображение по внешней ссылке, исходный сайт может иметь механизм защиты от пиявки, рекомендуется сохранить изображение и загрузить его напрямую (img-3Q2NnDol-1634884565302) (Общий обзор CV -- традиционная обработка изображений.assets/image-20210523140105650 .png)]
11. Назовите несколько алгоритмов обнаружения признаков, обычно используемых в традиционных алгоритмах.
①FAST: быстрый детектор признаков
②STAR: Детектор звездных характеристик
③SIFT: Преобразование инвариантных функций масштаба
④SURF: Speeded UP Robust Feature — ускоренная версия надежного алгоритма обнаружения признаков.
⑤ORB: сокращение от Oriented Brief, улучшенная версия краткого алгоритма с относительно хорошей общей производительностью.
12. Кратко опишите принцип преобразования Хафа
Линия представляется с использованием полярных координат, которые могут быть представлены параметрами полярного диаметра и полярного угла (r, θ). Преобразование Хафа использует этот способ представления прямых линий. То есть r=xcosθ+ysinθ означает, что каждая пара (r, θ) представляет собой прямую, проходящую через точку (x, y), если для данной точки (x, y) провести в полярных координатах пару полярных радиус полярный угол плоскость Проведение через нее прямой приводит к синусоиде (r>0 и 0
Как объяснялось выше, в общем случае прямую линию можно обнаружить, найдя количество кривых, пересекающихся в точке на плоскости θ-r. Чем больше кривых пересекается в точке, тем больше точек означает линия, представленная точкой пересечения. Вы можете определить, сколько кривых пересекает точку, чтобы считаться обнаруженной линией, установив порог точек на линии.
Преобразование Хафа исследует пересечение кривых, соответствующих каждой точке изображения.Если количество кривых, пересекающихся в точке, превышает пороговое значение, можно считать, что пара параметров (r, θ), представленная этим пересечением, представляет собой прямую линия на исходном изображении.
13. Кратко опишите принцип преобразования окружности Хафа.
Три параметра C(x0, y0, r), преобразованные из точки на плоской координатной окружности в полярную координату, где x0, y0 — центр окружности, когда r принимает фиксированное значение, тета сканирует на 360 градусов, а xy изменяется соответственно. Если соответствующие трехмерные пространственные кривые пересекаются в точке, они находятся на общей окружности, и в центре окружности имеется кумулятивное максимальное значение. Тот же пороговый метод можно также использовать для определения того, является ли окружность обнаружено.
14. Кратко опишите основные модули в opencv?
- Core - модуль основного компонента
Как основной компонент, Core должен делать много вещей, и он относительно прост. Включая базовые структуры данных, динамические структуры данных, функции рисования, функции, связанные с манипулированием массивами, вспомогательные функции, системные функции и макросы, XML/YML, кластеризацию и взаимодействие с OpenGL.
- Модуль обработки изображений Imgproc
Включая фильтрацию изображений, геометрическое преобразование изображений, гибридное преобразование изображений, гистограмму, анализ структуры и описание формы, анализ движения и отслеживание целей, обнаружение признаков и целей.
- Highgui — графический интерфейс верхнего уровня и ввод/вывод видео.
Включая пользовательский интерфейс, чтение/запись изображения и видео, новые функции QT.
- Видео - Видеоаналитика
Включая анализ движения и отслеживание целей.
- Calib3d - калибровка камеры и 3D-реконструкция
Включая калибровку камеры и 3D-реконструкцию.
- Features2d — структура 2D-функций
Включая обнаружение и описание функций, интерфейс сопоставления извлечения функций, рисование ключевых точек и точек соответствия, а также классификацию объектов.
- Objdetect - обнаружение объектов
Включая каскадный классификатор и SVM.
- МИ — машинное обучение
Включает статистические модели, байесовские классификаторы, классификаторы ближайших соседей, машины опорных векторов, деревья решений, повышение, деревья повышения градиента, случайные деревья, сверхслучайные деревья, максимальное ожидание, нейронные сети и данные машинного обучения.
- FLann — Кластеризация и поиск в многомерном пространстве
Быстрый поиск ближайшего соседа и кластеризация.
- Gpu — ускорение графического процессора в компьютерном зрении
Модули графического процессора и структуры данных, включая модули обработки и анализа изображений.
- Фото - расчетное изображение
Восстановление изображения и шумоподавление.
- Сшивание - сшивание изображений
Операционные функции верхнего уровня сшивания изображений, вращение, автоматическая калибровка, аффинное преобразование, оценка шва, добавление экспозиции и методы слияния изображений.
15. Что означает CV_8UC3 в opencv?
8 означает 8 бит, UC -- представляет --unsigned int -- беззнаковое целое, 3 - представляет количество каналов изображения 3
16. Кратко опишите класс Scalar в opencv
Scalar() представляет собой массив из 4 элементов и активно используется в opencv для передачи значений пикселей, таких как значения цвета RGB. Если четвертый параметр не используется, его не нужно записывать, если прописано только три параметра, то opencv будет думать, что нужно передать только три параметра.
17. Кратко опишите разницу между .hpp и .h
Суть .hpp заключается в том, чтобы смешать код реализации .cpp в заголовочный файл .h, а определение и реализацию включить в один и тот же файл, тогда вызывающему объекту этого класса нужно только включить файл .hpp, не нужно чтобы добавить cpp в проект. Код реализации будет напрямую скомпилирован в obj-файл вызывающей стороны, и отдельный obj генерироваться не будет.Использование hpp значительно сократит количество cpp-файлов и время компиляции в вызывающем проекте, и нет необходимости выпускать файлы lib и dll. , поэтому он очень подходит для написания общедоступных библиотек с открытым исходным кодом.
18. Кратко опишите, что такое оптический поток?
Оптический поток или оптический поток — это концепция обнаружения движения объекта в поле зрения. Используется для описания движения объекта, поверхности или края относительно движения наблюдателя.
19. Кратко опишите распространенные цветовые системы
①RGB — наиболее распространенная цветовая система, в которой используется механизм работы, аналогичный человеческому глазу, а также устройства отображения. ②HSV и HLS разлагают цвет на оттенок, насыщенность и яркость/яркость, описывают цвет более естественно и могут сделать алгоритм нечувствительным к условиям освещения входного изображения, отбрасывая последний элемент. ③Цветовая система YCrCb широко используется в формате изображения JPEG. ④CIELab — это перцептивно однородное цветовое пространство, подходящее для измерения расстояния между двумя цветами.
20. Кратко опишите 3 способа доступа к пикселям изображения.
① доступ к указателю, оператор C [] ② итератор итератор ③ динамическое вычисление адреса.
21. Кратко опишите операции расширения и эрозии при обработке изображений.
Расширение и эрозия воздействуют на белые (выделенные) части. Дилатация — это расширение выделенной части изображения, и рендеринг имеет большую выделенную область, чем исходное изображение Коррозия означает, что выделенная часть исходного изображения размыта, а рендеринг имеет меньшую выделенную область, чем исходное изображение. . Математически говоря, дилатация заключается в том, чтобы найти локальное максимальное значение и присвоить это максимальное значение указанному пикселю опорной точки, что будет постепенно увеличивать выделенную область на изображении, а эрозия — наоборот.
22. Кратко опишите процесс работы и сценарии использования открытой операции
Операция вскрытия представляет собой процесс сначала размывания, а затем расширения. Может использоваться для исключения мелких объектов, разделения объектов в тонких точках и сглаживания границ более крупных объектов без существенного изменения их площади.
23. Кратко опишите процесс работы и сценарии использования закрытых операций
Операция закрытия — это процесс сначала расширения, а затем эрозии, а операция закрытия может исключать маленькие черные дыры (черные области).
24. Кратко опишите определение и сценарии использования морфологических градиентов.
Морфологический градиент — это разница между картой расширения и картой эрозии.Выполнение этой операции на бинарной карте может выделить края пятен.Морфологические градиенты можно использовать для сохранения контуров краев объектов.
25. Кратко опишите определение и сценарии использования цилиндрической (top hat) операции
Цилиндр — это разница между исходным изображением и результирующим изображением открытой операции. Поскольку результатом операции вскрытия является увеличение трещин или локальных областей с низкой яркостью, изображение после операции вскрытия вычитается из исходного изображения, и на результирующем изображении выделяется область, которая ярче, чем область вокруг контура изображения. оригинальное изображение. Операция цилиндра часто используется для разделения участков, которые светлее, чем их соседи. Когда изображение имеет большой фон, а мелкие объекты являются обычными, для извлечения фона можно использовать операцию цилиндра.
26. Кратко опишите определение и сценарии использования черных вычислений.
Операция Black Hat — это разница между закрытым графиком результата операции и исходным изображением. Полученное изображение после операции «черная шляпа» выделяет области, более темные, чем область вокруг контура исходного изображения, и эта операция связана с размером выбранного ядра. Поэтому операция «черная шляпа» используется для выделения участков, которые темнее соседних точек. Визуализация имеет очень совершенные очертания.
27. Кратко опишите метод заполнения заливкой
Метод заливки заливкой — это метод заливки соединенных областей с помощью определенного алгоритма заливки цветом и достижения различных эффектов заливки путем установки верхнего и нижнего пределов подключаемых пикселей и метода соединения. Заливки часто используются для выделения или разделения частей изображения для обработки или анализа. Проще говоря, это автоматический выбор области, связанной с исходной точкой, а затем замена области указанным цветом.
28. Кратко опишем определение аффинного преобразования
Аффинное преобразование, также известное как аффинное отображение, относится к процессу преобразования векторного пространства в другое векторное пространство путем выполнения линейного преобразования с последующим перемещением в геометрии. Он сохраняет прямолинейность и параллелизм двухмерной графики (линия остается линией после трансформации). Произвольное аффинное преобразование можно представить, умножив его на матрицу (линейное преобразование), за которой следует вектор (перенос).
29. Кратко опишите виды и отличия некоторых пирамид изображений
В целом существует два типа пирамид изображений, а именно:Пирамида Гаусса(пирамида Гаусса): используется для понижения разрешения основной пирамиды изображения;Пирамида Лапласа(лапласианпирамида): он используется для восстановления несемплированного изображения верхнего слоя из изображения нижнего слоя пирамиды. При цифровой обработке изображений это также остаток предсказания. Он может восстановить изображение в наибольшей степени и использовать вместе с пирамидой Гаусса. Краткое различие между ними: пирамида Гаусса используется для понижения дискретизации изображения, а пирамида Лапласа используется для повышения дискретизации с нижнего уровня пирамиды.Для восстановления изображения пирамида Лапласа может пониматься как инверсия гауссовой пирамида.
30. Кратко опишем определение выпуклой оболочки
Для заданного набора точек на двумерной плоскости выпуклая оболочка представляет собой выпуклый многоугольник, образованный путем соединения самых внешних точек, который может содержать все точки в наборе. Полезным способом понять форму или контур объекта является вычисление выпуклой оболочки объекта.
31. Кратко опишите определение и сценарии использования обратной проекции.
Обратная проекция — это способ записи того, как пиксели данного изображения вписываются в распределение пикселей модели гистограммы. Проще говоря, сначала нужно рассчитать модель гистограммы объекта, а затем использовать модель для поиска объекта, присутствующего на изображении. Обратная проекция используется для поиска точки или области во входном изображении (обычно большего размера), которая лучше всего соответствует конкретному изображению (обычно меньшему), то есть для определения места появления шаблонного изображения во входном изображении.
32. Кратко опишите принцип и сценарии использования алгоритма обнаружения углов Харриса.
Обнаружение углов Harris — это алгоритм извлечения углов, непосредственно основанный на изображениях в градациях серого, с высокой стабильностью, особенно для обнаружения L-образных углов. Однако из-за использования фильтрации по Гауссу скорость работы относительно низкая, информация об углах теряется, положение смещается, а извлечение углов группируется.
33. Кратко опишите алгоритм водораздела
Алгоритм водораздела - это метод сегментации области изображения.В процессе сегментации он будет использовать сходство между соседними пикселями в качестве важной ссылки, чтобы соединить пиксели с одинаковыми пространственными позициями и одинаковыми значениями серого друг с другом. замкнутый контур, и замыкание является важной особенностью алгоритма водораздела. Общие этапы работы алгоритма водораздела: Общие этапы работы алгоритма водораздела: цветное изображение в оттенках серого, затем получение карты градиента и, наконец, выполнение алгоритма водораздела на основе карты градиента для получения линии края сегментированного изображения.
Ссылка на ссылку
Библиотека Baidu.com/view/no 859EC…
blog.CSDN.net/obs или нет _know…
Раскрась себя TCO.GitHub.IO/2017/06/27/…
blog.CSDN.net/post_в мгновение ока/art IC…
blog.CSDN.net/post_в мгновение ока/art IC…
блог woo woo woo.cn на.com/is Contemporary/afraid/103…