计算机视觉知识表征,计算机视觉基础题目

1. 颜色的三要素(three elements of color)：亮度(明度)、色调(色相)、饱和度(纯度)为颜色的三属性，又称颜色的三要素。

2. 方向梯度直方图(Histogram of Oriented Gradient, HOG)特征：

HOG特征对光照不敏感；

HOG是在图像的局部方格单元上操作，所以它对图像几何的和光学的形变都能保持很好的不变性；

HOG表示的是边缘(梯度)的结构特征，因此可以描述局部的形状信息；

位置和方向空间的量化一定程度上可以抑制平移和旋转带来的影响；

采取在局部区域归一化直方图，可以部分抵消光照变化带来的影响；

由于一定程度忽略了光照颜色对图像造成的影响，使得图像所需要的表征数据的维度降低了；

由于它这种分块分单元的处理方法，也使得图像局部像素点之间的关系可以很好得到的表征。

缺点：速度慢，实时性差；很难处理遮挡问题；由于梯度的性质，该描述子对噪点相当敏感。

3. RANSAC和最小二乘法：

两者的共同点都是要首先确定模型，模型分为线性模型与非线性模型。一般常见的应用是线性模型，如 f(x) = kx + t

在应用上，二者的差别是，least squares对噪声比较敏感，算法简单。而RANSAC能去除一些噪声的干扰，如果假定模型与实际的情形一致，那么一般由观测数据计算的RANSAC模型，更能接近实际情况，去除观测或过程噪声干扰，算法稍微复杂些(对噪声不敏感)

RANSAC的线性拟合算法步骤大致如下：

while 最大尝试次数

从观测点集中随机取两点，计算出直线的参数k, t(或者k用向量表示)，得出一个候选的直线模型。

计算候选直线与整个点集的匹配程度，可以采用统计在直线上(或到直线的距离小于一个阈值)的点的个数。

保留匹配程度最好的直线的参数。

如果本次尝试匹配点的个数占整个点集大部分，超出预期(阈值)，提前结束尝试。

endwhile

匹配程度也可以用其他指标来衡量，替换上面的匹配计算。

最小二乘法，也可以先进行去除离群点的数据预处理，应用RANSAC或穷举的方法，利用任意两点计算一条直线，将距离直线太远的点设置为离群点，距离直线较近的点为符合条件的点。循环处理，比较群内点的个数，记录下群内点数最多的集合。 这些点就是 去除离群点的点集合，利用这些点再进行最小二乘法拟合。

4.