【计算机视觉】关键考点

计算机标定

计算机标定的流程？

1.求解内参矩阵和外参矩阵的积H

当一张图片上的标定板角点数量等于4时，即可求得该图片对应的矩阵H 。当一张图片上的标定板角点数量大于4时，利用最小二乘法回归最佳的矩阵H 。

最小二乘法:简单地说就是通过n组X（u，v）和Y（U，V），求解八个参数。

https://blog.csdn.net/W1995S/article/details/118153146

2.求解内参矩阵

3.求解外参矩阵

4、标定相机的畸变参数

r为图像像素点到图像中心点的距离，即

在这里，x->u y->v

边缘检测

Canny边缘检测的流程是什么？

Canny 边缘检测分为如下几个步骤：

(1)应用高斯滤波平滑图像，目的是去除噪声。

滤波的目的是平滑一些纹理较弱的非边缘区域，以便得到更准确的边缘。在实际处理过程中，通常采用高斯滤波去除图像中的噪声。

(2)计算图像梯度，得到可能边缘;

(3)应用非最大抑制技术来消除边误检；

通过以上描述可知，该步骤是边缘细化的过程。针对每一个像素点：
如果该点是正/负梯度方向上的局部最大值，则保留该点。
如果不是，则抑制该点（归零）。

(4)应用双阈值的方法筛选边缘信息;

因此设置两个阀值，分别为高阀值(maxVal)和低阀值(minVal)。根据当前边缘像素的梯度幅度与这两个阀值之间的关系，判断边缘的属性，具体步骤如下:
   ①如果当前边缘像素的梯度幅度大于或等于高阀值，则将当前边缘像素标记为强边缘（需要保留）。
  ②如果当前边缘像素的梯度幅度介于高阀值与低阀值之间，则将当前边缘像素标记为虚边缘（需要保留）。
  ③如果当前边缘像素的梯度幅度小于或等于低阀值，则抑制当前边缘像素（需要抛弃）。

(5)利用滞后技术来跟踪边界。

Sobel算子边缘检测

角点检测

Harris角点检测

Harris角点检测的基本思想：算法基本思想是使用一个固定窗口在图像上进行任意方向上的滑动，比较滑动前与滑动后两种情况，窗口中的像素灰度变化程度，如果存在任意方向上的滑动，都有着较大灰度变化，那么我们可以认为该窗口中存在角点。

决策树

决策树的建立

卷积神经网络

卷积神经网络简述？

卷积神经网络是一种前馈神经网络，由一个或多个卷积层和顶端的全连通层组成，同时也包括关联权重和池化层。

卷积层可以产生一组平行的特征图，功能是对输入数据进行特征提取。它通过在输入图像上滑动不同的卷积核并执行一定的运算而组成。此外，在每一个滑动的位置上，卷积核与输入图像之间会执行一个元素对应乘积并求和的运算以将感受野内的信息投影到特征图中的一个元素。

卷积层中包含激励函数以协助表达复杂特征。

池化层（pooling layer）

在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤，它实际上是一种非线性形式的降采样。池化层包含预设定的池化函数，其功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量。池化层选取池化区域与卷积核扫描特征图步骤相同，由池化大小、步长和填充控制。

完全连接层

最后，在经过几个卷积和最大池化层之后，神经网络中的高级推理通过完全连接层来完成。就和常规的非卷积人工神经网络中一样，完全连接层中的神经元与前一层中的所有激活都有联系。卷积神经网络中的全连接层等价于传统前馈神经网络中的隐含层。全连接层位于卷积神经网络隐含层的最后部分，并只向其它全连接层传递信号。

输出层

卷积神经网络中输出层的上游通常是全连接层，因此其结构和工作原理与传统前馈神经网络中的输出层相同。对于图像分类问题，输出层使用逻辑函数或归一化指数函数输出分类标签。

反向传播算法的流程？

简介：

在神经网络中，正向传播用于模型的训练，模型中的参数不一定达到最佳效果，需要进行“反向传播”进行权重等参数的修正。此外，神经网络每层的每个神经元神经元都可以根据误差信号修正每层的权重。

反向传播算法的计算？

例题一：

一个更加详细的例子：https://blog.csdn.net/baidu_41774120/article/details/125764136

例题二

例题三：

色彩转换

RGB转HSI

HSI转RGB

直方图均衡化

直方图均衡化的流程

了解直方图均衡化的原理之后，我们以一个简单的例子来手工计算均衡化后的图像。这里我们假设存在以下这张图像（假定图像的灰度级范围是 [0, 9]）：

计算过程如下：

朴素贝叶斯

朴素贝叶斯计算