week1 cv基础知识

myooooou

于 2022-09-08 17:25:59 发布

阅读量137

点赞数

分类专栏： cv 文章标签：人工智能

本文链接：https://blog.csdn.net/myooooou/article/details/126768758

版权

cv 专栏收录该内容

5 篇文章 0 订阅

订阅专栏

这篇博客深入探讨了RGB图像的基础知识，包括每个像素由红绿蓝三个数值组成，以及这些数值通常在0到255之间。文章详细阐述了点操作、卷积和互相关在图像处理中的应用。高斯滤波器作为线性滤波器的一种，被用于去除图像的高频成分，实现平滑效果。此外，博客还解释了卷积与互相关的区别，以及在特定情况下两者如何等价。通过具体的例子展示了卷积和互相关操作的顺序差异及其对图像的影响。

摘要由CSDN通过智能技术生成

RGB表示

Each RGB color image has 3 numbers (R,G,B) per pixel
Usually, R, G & B values are in [0, 255]
Represented as an m × n × 3 matrix

在这里插入图片描述

An RGB image can be considered as a vector-valued function

$f (x, y) = [r (x, y) g (x, y) b (x, y)]$

点操作 Point operations

$g (x, y) = a f (x, y) + b$

a控制对比度，b控制亮度

Cross-correlation

在这里插入图片描述

filtering

box filter

作用

Replaces each pixel with an average of its neighborhood
Achieve smoothing effect (remove sharp features)

在这里插入图片描述

linear filters

在这里插入图片描述

Gaussian filter

$G_{\sigma}=\frac{1}{2 \pi \sigma^{2}} e^{-\frac{\left(x^{2}+y^{2}\right)}{2 \sigma^{2}}}$

在这里插入图片描述

特性

Gaussian is a low-pass filter: it removes high-frequency components from the image

b.与自身的卷积是另一种高斯

c.使用小型-𝜎 kernel，repeat，并获得与较大-𝜎 内核相同的结果

d.使用高斯核与标准偏差𝜎进行两次卷积与使用对内核进行一次卷积的结果相同相同

e.高斯核是可分离的：它将因子分解为两个一维的乘积高斯

Separable filters

执行卷积的过程需要 $𝐾^2$ 操作（乘加）每像素，其中K是卷积核width or height；
在许多情况下，此操作可以通执行一维水平卷积，然后执行一维垂直卷积，加速计算，只需要2𝐾 操作每像素。
一个卷积核可以分离（成两个）
卷积核可以分离成横向卷积h和纵向卷积v, 也就是 $K=v h^{T}$

比如高斯滤波器就可以分离成横向和纵向：

$\begin{aligned} G_{\sigma}(x, y) &=\frac{1}{2 \pi \sigma^{2}} \exp -\frac{x^{2}+y^{2}}{2 \sigma^{2}} \\ &=\left(\frac{1}{\sqrt{2 \pi} \sigma} \exp -\frac{x^{2}}{2 \sigma^{2}}\right)\left(\frac{1}{\sqrt{2 \pi} \sigma} \exp -\frac{y^{2}}{2 \sigma^{2}}\right) \end{aligned}$