简历项目涉及到的知识点

最新推荐文章于 2021-07-21 19:18:34 发布

落榜学子啪啪康

最新推荐文章于 2021-07-21 19:18:34 发布

阅读量890

点赞数

今天列举一下简历中项目涉及到的知识点，逐渐补全。

一、基于内容的遥感图像检索系统

1、Hadoop框架，MapRedce并行运算，HDFS文件系统分布式存储。

1）如何让每次Map读取一整幅图片？

2、图像分割算法：tile分割，四叉树分割，Meanshift，Selective Search算法相关知识。其他的图像分割算法（补全）超像素分割

1）四叉树分割：在灰度均匀分布的区域内，灰度的标准方差较小；而在灰度非均匀分布的区域内，灰度的标准方差较大。灰度的标准方差较大的区域可以再分为更小的灰度均匀分布的区域。从原始图像开始，如果他的标准方差超过一个预先设定的值，就把他分为四个象限，对每一个像素在重复进行以上操作，最终把图像分为具体较小的灰度标准方差的块。

2)Meanshift: 聚类的一种，均值漂移.和K-means类似。K-means 需要初始化K个中心点。

3)图像分割：

基于阈值的分割方法、基于边缘的分割方法、基于区域的分割方法（分水岭法）、基于图论的分割方法（Graph-Cut）

4)SLIC（simple linear iterative clustering）超像素分割算法，LAB颜色空间。

1. 初始化种子点（聚类中心）：按照设定的超像素个数，在图像内均匀的分配种子点。假设图片总共有 N 个像素点，预分割为 K 个相同尺寸的超像素，那么每个超像素的大小为N/ K ，则相邻种子点的距离（步长）近似为S=sqrt(N/K)。

2. 在种子点的n*n邻域内重新选择种子点（一般取n=3）。具体方法为：计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的地方。这样做的目的是为了避免种子点落在梯度较大的轮廓边界上，以免影响后续聚类效果。

3. 在每个种子点周围的邻域内为每个像素点分配类标签（即属于哪个聚类中心）。和标准的k-means在整张图中搜索不同，SLIC的搜索范围限制为2S*2S，可以加速算法收敛，如下图。在此注意一点：期望的超像素尺寸为S*S，但是搜索的范围是2S*2S。

4.计算距离，迭代直到收敛。

5)Selective Search

先用Efficient Graph-Based Image Segmentation(基于图论从像素点开始合并像素生成候选区域)得到最初的候选区域，然后应用一种类似于层次聚类的方法，计算相邻的候选区域的相似度（颜色，纹理，大小，fit），合并相似度最大的两个区域，然后计算合并后的区域与相邻区域的相似度，依次合并。最终得到目标区域。

3、特征提取算法实现。SIFT特征及其思想，GLCM纹理特征及其思想，颜色直方图等等特征。

2）SIFT特征：
SIFT算法可以分解为如下四步：
1.高斯差分（DoG）滤波：搜索所有尺度上的图像位置。通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点。
2.尺度空间的极值检测和关键点位置确定：对DoG金字塔中的每一层，进行尺度空间的极值检测（极大值和极小值），把每一个极值点作为候选点，在每个候选的位置上，通过一个拟合精细的模型来确定位置和尺度。关键点的选择依据于它们的稳定程度。
3.关键点方向确定：基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向。所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换，从而提供对于这些变换的不变性。
4.构建关键点特征描述符：在每个关键点周围的内，在选定的尺度上测量图像局部的梯度。这些梯度被变换成一种表示，这种表示允许比较大的局部形状的变形和光照变化。