文章目录
第一章 课程概述
1.研究理论和应用
2.计算机和人之间对图像的差异
1.感知上的本质区别
2.视角变化
3.光照变化
4.尺度变化
5.形态变化
6.背景混淆干扰
7.遮挡
8.类内物体的外观差异
3.课程简介
4.主要研究的问题
1.图像预处理
2.图像特征及描述
3.深度学习之前的方法
5.神经网络和深度学习基础
6.目标检测
7.图像分割
8.GAN
9.环境和开源库
10.应用案例环境
张量:高维数组
第二章 图像预处理
1.目录
2.颜色空间(RGB、CMY、)
减法叠加,越叠加越黑,一般是四个通道的
最精确的颜色空间构成
3.图片灰度化
4.图像与处理(实际上是图像增强)
5.图像处理方法
1.特征提取方法(直方图、CLAHE)
1.直方图
2.CLAHE
2.形态学运算
3.空间域处理及其变换
1.卷积
2.边界填充策略
3.均值滤波
4.中指滤波
5.高斯滤波(模拟人眼)
作用:
离得越远,转换出来的图像和看到的图像更接近
降低复杂度
垂直或者水平的变化不大,均值平滑就是1
4.如何让卷积更快(空域卷积=频域乘积)
5.高斯金字塔
高斯金字塔,一般在大图上找小的特征,在小图上找大的特征
6.拉普拉斯金字塔
7.傅里叶变换
傅里叶变换的不足(解决办法:短时傅里叶变换、加窗傅里叶变换)
8.小波变换
第三章 图像特征提取
1.颜色特征
2.边缘特征
1.边缘定义
2.边缘提取
边缘提取除了横向和纵向(单向求导),最难的是斜边(两个方向上的求导)
σ在高斯滤波中代表的是均值,它的大小决定着是瘦高还是扁平
这里引进了梯度的概念
3.基于特征点的特征描述子
1.特征点的定义
2.Harris角点
3.FAST角点检测
4.斑点(拉普拉斯梯度二阶导数)
二阶导数等于0的时候是边界
二阶导数是极大值的时候是斑点(先做高斯,再做拉普拉斯)