Dasi_C_upup的博客

图像分割是将图像划分为具有相似特征的区域，广泛应用于医学影像、遥感等领域。传统方法包括基于边缘（如Canny算子）、区域（如大津法）和形态学（如分水岭算法）的分割技术。深度学习时代，FCN通过转置卷积和跳跃连接实现了端到端语义分割，U-Net采用编码器-解码器结构优化医学图像分割，DeepLab则引入空洞卷积和ASPP增强多尺度特征提取。2023年提出的SAM模型通过提示工程实现了零样本通用分割。核心技术进步体现在从分类到像素级预测的转变，关键技术包括转置卷积和空洞卷积。

识别分类

摘要：本文介绍了图像形变与几何变换的类型，包括平移、刚体、相似、仿射和投影变换，并重点分析了单应性变换的特点及其在图像拼接中的应用。针对特征匹配中的误匹配问题，详细阐述了RANSAC算法的流程及其关键参数（如最少样本数s）对迭代次数的影响。通过数学推导说明，随着变换复杂度增加（s增大），RANSAC所需迭代次数呈指数级增长。最后还简要提及了几何形变中的反向变形方法。

摘要： 特征描述子是将图像关键点转换为向量以实现跨图像匹配的关键步骤。理想描述子需具备旋转、缩放、光照不变性和可判别性。常见方法包括简单图像块、MOPS（多尺度定向补丁）和SIFT（尺度不变特征变换）。SIFT通过梯度直方图构建128维向量，具有强鲁棒性。匹配时采用L2距离和比值测试（最佳匹配与次优匹配的距离比）来剔除歧义匹配。算法性能通过ROC曲线评估，曲线下面积（AUC）越大，匹配效果越好。本课程重点介绍了SIFT描述子的构建与匹配策略。

本文探讨了特征检测在几何变换（如尺度变化）和光学变换下的稳定性问题，重点介绍了具有尺度不变性的Blob检测方法。首先区分了不变性与等变性概念：特征需对光学变换（光照）保持属性不变，对几何变换（移动、旋转）保持位置同步变化。分析了Harris检测器在平移和旋转下的等变性，以及尺度变化下的局限性。为解决尺度问题，提出了基于高斯拉普拉斯(LoG)的Blob检测方法，LoG算子通过“墨西哥草帽”形状匹配亮斑点特征。进一步引入尺度归一化（乘以σ²）来消除尺度对响应幅值的影响，确保不同尺度特征的公平比较。最后指出特征尺

本文探讨了计算机视觉中局部特征检测的核心问题及其应用。重点介绍了Harris角点检测器的数学原理，通过分析二阶矩矩阵H的特征值实现角点分类，并提出基于R评分的角点检测方法。文章还对比了简单窗口与高斯加权窗口的效果，指出后者通过中心加权机制提高了旋转不变性和稳定性。这些技术在图像配准、3D重建、目标识别等领域具有广泛应用价值。

本文探讨了图像缩放中的下采样与上采样技术。下采样时，朴素方法（直接丢弃行列）会导致走样问题，解决方案是采用高斯预滤波（低通滤波）以降低高频信号，满足奈奎斯特采样定理。上采样则需通过插值重建连续图像函数，常见方法包括：最近邻插值（简单但质量差）、双线性插值（1D线性扩展到2D）和双三次插值（效果更优）。此外，多帧超分辨率（如Google Pixel 3）利用多图对齐提升放大质量，而几何变形中反向变形也依赖插值避免空洞问题。这些技术共同解决了缩放过程中的走样和细节损失问题。

本文介绍了图像边缘检测的基本原理与方法。边缘定义为图像强度函数变化迅速的区域，表现为阶跃型或屋顶型变化。边缘检测通过计算图像导数实现，一阶导数极值点和二阶导数过零点分别对应边缘位置。为抑制噪声影响，需先进行高斯平滑处理。Canny边缘检测算法包含四个步骤：高斯滤波降噪、计算梯度幅值和方向、非极大值抑制细化边缘、双阈值处理连接边缘。算法性能受σ参数影响，大σ检测大尺度边缘，小σ捕捉精细边缘。在尺度空间中，边缘随σ增大可能移动或合并，但不会分裂。

图像滤波通过改变像素值实现图像增强和信息提取，核心原理是利用像素间的空间相关性。低通滤波（如均值滤波）通过平均像素值去除噪点，但会使图像变模糊；高通滤波（如Sobel算子）通过检测像素差异提取轮廓；锐化则是将边缘信息叠加到原图以增强细节。这些操作本质都是通过分析像素与邻域的关系来实现不同效果：去噪让像素趋近邻域，轮廓检测寻找像素差异，锐化则放大这种差异。卷积运算通过滑动核矩阵与图像矩阵计算实现这些功能。