CV课堂笔记


[TOC]

lec2

图像滤波

相关运算

卷积

​ 环中心对称的时候卷积相当于滤波。

用途

模板匹配

在这里插入图片描述

图像增强

在这里插入图片描述

​ 将噪声减弱

​ 减弱噪声的方式:局部平均。均值滤波

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

​ filter的size越大,模糊效果越好。

在这里插入图片描述

​ 设计一个滤波器,更关注与图像中心。

在这里插入图片描述

​ $\sigma$越大,滤波效果越明显。

在这里插入图片描述

3$\sigma$检验

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

​ 在3$\sigma$以内,size对滤波效果的影响大,3$\sigma$以外,size的大小的影响效果小。

在这里插入图片描述

在这里插入图片描述

​ 高斯滤波在计算机视觉中的作用

在这里插入图片描述

​ 模拟图像比例的变化。

特征提取

边缘检测

通过求导的方式。

在这里插入图片描述

image-20210916195433450

​ 那么,在图像中如何求导呢?

在这里插入图片描述

Sobel Detector

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

非最大抑制 Non-maximum Supression

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

lec3 纹理

高斯导数滤波器

先相关再求导=先求导再相关

所以可以先求导成为高斯导数滤波器。

在这里插入图片描述

!在这里插入图片描述

纹理

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

拉普拉斯算子(二阶偏导数)

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

拉普拉斯算子的作用:图像增强

为什么不用作边缘检测呢?

在这里插入图片描述

在这里插入图片描述

拉普拉斯算子对噪声也很敏感,所以我们可以仿照高斯导数滤波器,对拉普拉斯先滤波再求导。同样地,也可以先求导,再将拉普拉斯导数作为拉普拉斯导数滤波器进行滤波。

在这里插入图片描述

在这里插入图片描述

注意左上的函数是LOG反过来的(为了好看)

在这里插入图片描述

​ 首先因为它的的边缘不连续

​ 其次因为计算零交叉太复杂了,所以它不被用来边缘检测,它通常用来提取纹理特征。

DOG

在这里插入图片描述

(不用求二阶导数,但是它的$sigma$可以使DOG和LOG有相同的零交叉)

DOG可以少卷一次。

在这里插入图片描述

Filter bank

在这里插入图片描述

在这里插入图片描述

这里才是LOG真正的样子。

多元高斯分布 Multivariate Gaussian

在这里插入图片描述

在这里插入图片描述

总结


文章作者: XX
版权声明: 本博客所有文章除特別声明外,均采用 CC BY 4.0 许可协议。转载请注明来源 XX !
  目录