计算机视觉
# 卷积核
# 高斯卷积
高斯核总值的和为1，分布满足正态分布
能消除高斯噪声
# 中值滤波器
能处理噪声
# 边缘检测
canny边缘检测
- 用高斯函数对图像做滤波处理
- 计算梯度幅值和方向
- 对每个点做非最大抑制：得到边缘清晰的图像
- 从强边开始跟进弱边：解决边缘出现断断续续的情况
# 特征点提取
# 角点检测
可以找到局部最大点
# 尺度选择特性SIFT
# DOG高斯差分
- 通过平滑将图像分成多组，每个图片尺寸一样，平滑程度不同
- 生成DOG金字塔：对相邻的高斯尺度空间图像相减，得到DOG的响应值图片
- 空间极值点检测：相邻图片3*3的区域内27个像素点的最大值保留
- 非最大抑制：去除阔值
- 稳定关键点的方向信息匹配：统计监测点16*16窗口的方向出现次数，得到主方向和辅方向
- 关键点描述：精简只剩8个辅助方向，作为每个关键点描述符
# 特征点匹配
- 暴力匹配：最小距离法
- 暴力匹配：距离阔值法
- 交叉匹配：一次匹配后，反过来用匹配到的点去匹配，如果仍然能匹配到，则保留
# 场景的类别识别-词袋向量
- 提取特征：SIFT方法提取图片的所有特征点
- 学习可视化词汇：用聚类进行分类
- 构建视觉词典：
- 用视觉词汇的频率来表示图像：
# 受监督的机器学习
# KNN：
是一种分类算法，懒惰学习，
数据事先分好了类，对于新加入的一个数据，找到离他最近的k个值，这个数据属于k个值里所属分类比例最大的那个类
# 支持向量机
一条线能将图像分成两部分
# 无监督的机器学习
# k-means聚类算法
# PCA算法
选取样本方差矩阵的前k个特征值对应的特征向量作为简化后的内容
# 神经网络
- 数据输入层：对原始图像数据进行预处理
- 卷积层：得到目标的特征
- 激活层：将数值压缩到0-1之间，决定了某个神经元是激活还是抛弃
- 池化层：压缩图像，去掉冗余信息
- 全连接层：将特征空间映射到样本区间，将之前提取到的特征组合起来，
上次更新: 2025/02/21, 14:57:10
