北邮计算机视觉1

type

Post

status

Published

date

Apr 16, 2022

slug

BUPT-cv1

summary

北邮计算机视觉课程视频笔记（一），主要内容是资源地址、基本滤波器（卷积）和简单的图像边缘提取

课程资源地址

计算机视觉入门课程

课程链接：[BiliBili]

课件链接：[Github] [Gitee] [蓝奏云]

课后练习链接：[Github] [Gitee]

计算机视觉与深度学习

课程链接：[BiliBili]

课件链接：[Github] [Gitee] [蓝奏云]

CH2.filter

普通卷积

卷积常用三种形态 full,same,valid

这种卷积得到原图

这种卷积可做简单平滑，二者相减如图

即可简单提取边缘，进一步卷积简单锐化效果

高斯卷积

以上普通卷积易造成多出来的水平或竖直纹理，使用高斯卷积可以避免，标准差σ控制集中程度，一般设置卷积核size为3σ

高斯卷积运算可以叠加，相同卷积两次等同于卷积1次

一个简单的类似可分离卷积的例子，可以将复杂度从降到(n是图片大小，m是卷积核长/宽)

噪声

椒盐噪声（黑&白）、脉冲噪声（白）、高斯噪声（每点叠加正态分布）

中值滤波核（median filter）和均值滤波核（mean filter），中位数-平均数

高斯噪声-高斯滤波（需要调整）

椒盐噪声-中值滤波

CH3.Edge detection

基本原理：导数求极值

求导算子

eg.一个的卷积核可以提取出竖直的轮廓（这可以看作是一个x方向求导算子，事实上，求导本身就可以看作是一种卷积，求导卷积和为0，平滑卷积和一般为1）。可以提取水平向的轮廓

各种定义方式：

边缘强度edge strength：

由于噪声情况存在，一边先对图片做平滑（卷积）操作，上面提到，求导也是一种卷积，故可以使用结合律先将平滑算子与求导算子结合再做卷积，可以降低计算复杂度

显然，采用高斯核的平滑卷积越大，图像越平滑，但边缘越模糊

Canny

理想是找到超像素的的真正边缘

一般图像平滑后利用边缘强度提取出边缘，进而阈值二值化后的边缘有的很粗，并不是真正的边缘，canny先使用非极大值抑制Non-Maximum Suppression，在梯度方向找寻极值，也需要插值得到加权之后的真正边缘点，细节可查资料。抑制后得到边缘单像素，但部分细节边缘可能会丢失，这来自于二值化的门限。

进一步采用双门限法，先用高门限提取明显边缘，在利用低门限补充细节，我们认为前者与后者之间存在连接，于是补全缺失部分，同时将并不能与前者近似连接的细节去除。