计算机视觉简介（极简）

最新推荐文章于 2025-04-19 17:07:03 发布

文弱_书生

最新推荐文章于 2025-04-19 17:07:03 发布

阅读量676

点赞数 24

分类专栏：乱七八糟文章标签：计算机视觉人工智能

本文链接：https://blog.youkuaiyun.com/qq_45670407/article/details/146139175

版权

乱七八糟专栏收录该内容

67 篇文章

订阅专栏

计算机视觉 (CV)

**计算机视觉 (CV)**是人工智能 (AI) 的一个领域，它使计算机能够解读视觉数据并根据这些数据做出决策。这包括图像、视频和其他视觉输入。

计算机视觉中的关键概念

图像处理：对图像中的像素数据进行处理。常用技术包括过滤、增强、边缘检测和分割。
特征提取：识别图像中的重要部分或模式，例如边缘、纹理和形状。
物体检测：定位和分类图像中的物体。技术包括使用 YOLO（你只看一次）和 R-CNN（基于区域的卷积神经网络）等算法。
图像分类：将图像归类到几个预定义类别之一。卷积神经网络 (CNN) 被广泛用于此目的。
图像分割：这是根据像素的特征将图像划分为不同区域以识别物体或边界的过程，从而简化图像并更有效地分析图像。
面部识别：根据面部特征识别或验证个人。
**边缘检测：**是一种用于识别物体或景观外边缘的技术，以便更好地识别图像中的内容。
模式**检测：**是识别图像中重复的形状、颜色和其他视觉指标的过程。
**特征匹配：**这是一种模式检测，通过匹配图像中的相似性来帮助对其进行分类。
运动分析：了解视频中的运动，包括物体跟踪和活动识别。
3D 视觉：从 2D 图像解释 3D 信息，包括深度估计和重建。

计算机视觉中使用的技术和算法

图像处理技术

1.过滤和卷积：

高斯模糊：减少图像中的噪点和细节。
Sobel 算子：通过计算图像强度的梯度进行边缘检测。

2.形态学操作：

腐蚀和扩张：用于去除图像中的噪声和分离物体。
开和闭：腐蚀和扩张的组合来细化物体形状。

3.直方图均衡化：

通过分散最常见的强度值来增强图像的对比度。

特征检测与描述

1. SIFT（尺度不变特征变换）：

检测并描述图像中不受尺度和旋转影响的局部特征。

2. SURF（加速稳健特征）：

与 SIFT 类似但速度更快，用于物体识别和 3D 重建。

**3.HOG特征描述子（方向梯度直方图）：**基于强度梯度分布描述图像特征。

物体检测与识别

1.Viola-Jones探测器：

实时物体检测框架，常用于人脸检测。

2. R-CNN（基于区域的卷积神经网络）：

快速 R-CNN：通过共享计算来改进 R-CNN。
Faster R-CNN：引入区域提议网络（RPN）来进一步加快进程。

3. YOLO（你只看一次）：

实时物体检测系统，可通过一次评估直接从完整图像预测边界框和类别概率。

4.SSD（单次多框检测器）：

另一个实时物体检测模型，使用单个深度神经网络检测图像中的物体。

图像分类

1.卷积神经网络（CNN）：

AlexNet：介绍了使用深度学习进行大规模图像识别。
VGGNet：以其简单性和统一的架构而闻名。
ResNet（残差网络）：使用跳过连接来允许训练非常深的网络。
Inception Network（GoogLeNet）：使用 Inception 模块来提高计算效率。

2.迁移学习：

使用预先训练的模型（如 VGG、ResNet）并在新数据集上对其进行微调。

图像分割

1.阈值：

一种简单的技术，根据阈值将像素值分为几类。

2. K均值聚类：

将图像划分为簇的无监督方法。

3.图形切割：

通过将问题建模为图形分割问题来分割图像。

4.分水岭算法：

将灰度图像视为地形表面，并找到分隔不同区域的线条。

5.全卷积网络（FCN）：

专为像素预测而设计的 CNN，常用于语义分割。

6.U-Net：

一种专为生物医学图像分割而设计的 CNN。

运动分析

1.光流：

视觉场景中物体的视运动模式是由观察者和场景之间的相对运动引起的。

2.卡尔曼滤波器：

通过预测移动物体的未来位置来进行物体跟踪。

3.颗粒过滤器：

当状态空间很大时，另一种对象跟踪方法很有用。

高级技术

1.生成对抗网络（GAN）：

用于生成逼真的图像、数据增强等。

2.自我监督学习：

利用大量未标记的数据来学习有用的表示。

3.注意力机制：

通过关注图像的重要部分来增强模型的性能。

计算机视觉框架

提供预构建功能、库和环境的各种工具和框架促进了计算机视觉的开发和部署。

1.OpenCV（开源计算机视觉库）

描述：主要针对实时计算机视觉的编程函数库。

特征：

图像和视频处理。
物体检测和追踪。
相机校准和三维重建。

语言：C++、Python、Java。

2. TensorFlow

描述：用于机器学习的端到端开源平台。

特征：

支持深度学习和机器学习模型。
用于可重复使用模型的 TensorFlow Hub。
适用于移动和嵌入式设备的 TensorFlow Lite。

语言：Python，C++。

3. Keras

描述：在 TensorFlow 上运行的高级神经网络 API。

特征：

简化深度学习模型的创建和训练。
模块化且可扩展。

语言：Python。

4.PyTorch

描述：基于Torch库的开源机器学习库。

特征：

动态计算图。
强力支持GPU加速。
广泛用于研究和生产。

语言：Python，C++。

5. Scikit-Image

描述：Python中用于图像处理的算法集合。

特征：

过滤、形态学、分割等等。
与其他科学 Python 库很好地集成。

语言：Python。

6. MATLAB

描述：用于数值计算、可视化和编程的高级语言和交互式环境。

特征：

用于计算机视觉应用的图像处理工具箱。
Simulink 用于基于模型的设计。

语言：MATLAB。

计算机视觉的应用

自动驾驶汽车：用于导航的物体检测和车道检测。
医疗保健：医学图像分析，例如放射学中的肿瘤检测。
零售：自动结账系统和库存管理。
农业：监测作物健康状况并检测害虫。
制造：质量检查和机器人指导。