计算机视觉章毓晋第三版第一章答案 计算机视觉教程 章毓晋

目录

3-计算机视觉技术及应用

3.1-计算机视觉定义及概述

3.2-计算机视觉的主要研究内容

3.3-人工智能与深度学习

---

第三章 计算机视觉技术及应用

3.1-计算机视觉定义及概述

1. 计算机视觉：信号处理理论与计算机出现后，人们试图用摄像机获取环境图像并将其转换成数字信号，用计算机实现对视觉信息处理的全过程。➡️ 形成新兴的学科：计算机视觉。
2. 数字图像：

1. 二维图像，用有限数字数值像素的表示，用数组/矩阵表示，其光照位置和强度都是离散的
2. 数字图像是由模拟图像数字化得到的，以像素为基本元素，可以用数字计算机存储和处理的图像

3. 数字图像处理：将图像信号转化为数字信号，并用计算机对其处理
4. 图像处理 🆚 计算机视觉

1. 图像处理：人是最终解释者。对图像操作，以提高图像质量、恢复图像以及压缩解压图像
2. 计算机视觉：计算机是图像的解释者。使计算机具有通过二维图像认知三维环境的能力，图像处理是计算机视觉达到其目的所使用的技术

5. 视觉计算理论—视觉系统研究的三个层次：计算理论 ➡️ 表示与算法 ➡️ 硬件实现
6. 视觉计算理论—视觉信息处理的三个阶段：

1. 基元图：图像的密度变化可能与物体边界这类具体的物理性质相对应，因此主要描述图像的密度变化及其局部几何关系
2. 2.5维图：以观察者为中心，描述可见面的方位、轮廓、深度及其他性质
3. 3维模型：以物体为中心，用来处理和识别的三维形状表象

---

3.2-计算机视觉的主要研究内容

1. 计算机视觉研究内容

1. 图像获取
2. 摄像机标定：从摄像机获取的信息出发，计算三维空间中物体的几何信息，并由此重建和识别物体。而空间物体表面某点的三维几何位置，与其在图像中对应点之间的相互关系，是由摄像机成像的几何模型才能决定，几何模型即为摄像机参数。获得参数的实验过程叫做摄像机标定。
3. 纹理分析

1. 纹理标志三要素：局部序列性；这些序列由基本部分非随机排列组成；各部分大致都是均匀的统一体
2. 一般认为，纹理就是指在图像中反复出现的局部模式和排列规则
3. 过程：提取纹理特征参数

4. 对象检测和识别
5. 特征检测：

1. 概念：表征图像所蕴含语义的属性数据
2. 目的：为了让计算机具有认识/识别图像的能力
3. 常见的图像特征：焦点、边缘、直线和纹理

6. 立体视觉；从2个或多个视点观察同一个物体，以获取在不同视觉下的感知图像，通过三角测量原理计算图像像素的位置偏差来获取物体的三维信息。是由多幅图像获取物体三维信息的方法，是计算机视觉的一个重要分支。
7. 运动估计
8. 图像分割

---

3.3-人工智能与深度学习

1. 深度学习

1. 本质：通过构建多隐层的模型和海量训练数据(可为无标签数据)，来学习更有用的特征，从而最终提升分类或预测的准确性。“深度模型” 是手段，“特征学习” 是目的。

1. 人感知深度靠的是人眼的视差
2. 与浅层学习区别

1. 强调了模型结构的深度，通常有5-10多层的隐层节点
2. 明确突出了特征学习的重要性，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易。与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据的丰富内在信息。

1. 人脑🧠工作原理

1. 从原始信号（像素级信号）到进一步信号处理，得到一些信息的边缘特征，然后进行抽象判断物体的形状，最后进一步抽象，得到物体的模型
2. 高层特征是低层特征的组合，从低层到高层的特征它越来越抽象，越来越能表现语义，从而有利于目标的识别以及分类 人脑工作原理

2. 深度学习 🆚 神经网络

1. 相同点
   二者均采用分层结构，系统包括输入层、隐层(多层)、输出层组成的多层网络，只有相邻层节点之间有连接，同一层以及跨层节点之间相互无连接，每一层可以看作是一个logistic回归模型。
2. 不同点：算法不同

1. 神经网络：采用BP算法调整参数，即采用迭代算法来训练整个网络。随机设定初值，计算当前网络的输出，然后根据当前输出和样本真实标签之间的差去改变前面各层的参数，直到收敛
2. 深度学习:采用逐层训练机制。采用该机制的原因在于如果采用BP机制，对于1个deep network (7层以上)，残差传播到最前面的层将变得很小，出现所谓gradient diffusion (梯度扩散)。

 

---

 若笔记📒存在记录错误，请批评指正！