学习笔记：《数字媒体技术概论》-3/10 计算机视觉技术及应用-中国大学慕课公开课

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。数字图像二维图像，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图像处理🆚计算机

小林今天早睡了咩

777人浏览 · 2022-07-25 10:19:58

小林今天早睡了咩 · 2022-07-25 10:19:58 发布

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

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。
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
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
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
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
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

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

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。
  
  转载—隐藏层解释深度学习中的隐藏层是干什么的？_叫我AC的博客-CSDN博客_隐藏层
2. 人感知深度靠的是人眼的视差
3. 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。
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
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)。