×

11、计算机视觉

hqy hqy 发表于2025-06-07 22:41:07 浏览5 评论0百度已收录

抢沙发发表评论

11.1 基础概念及图像表示

11.1.1 数字图像根基

概念

描述

典型值/示例

像素

作为图像的最小构成单元

在 1920×1080 分辨率的图像中，蕴含约 207 万像素

色彩空间

一种颜色的编码模式

常见如 RGB（具备 3 个通道）、HSV（基于色相与饱和度）

量化深度

体现单通道颜色的精确程度

通常有 8 比特（取值范围 0 - 255）、16 比特（取值范围 0 - 65535）

11.1.2 图像预处理

灰度化公式：

高斯滤波核：def gaussian_kernel(size=3, sigma=1): # 生成一维线性空间，用于后续构建二维网格 ax = np.linspace(-(size - 1) / 2, (size - 1) / 2, size) # 利用一维线性空间创建二维网格坐标 xx, yy = np.meshgrid(ax, ax) # 依据高斯函数公式计算高斯核矩阵 kernel = np.exp(-(xx ** 2 + yy ** 2) / (2 * sigma ** 2)) # 对高斯核矩阵进行归一化处理 return kernel / kernel.sum()

11.2 传统视觉手段

11.2.1 特征检测算法

Harris角点检测：
SIFT特征描述符：

11.2.2 图像分割

大津阈值法（Otsu阈值法）：def otsu_threshold(hist): # 计算直方图元素总和 total = hist.sum() # 初始化类间方差最大值和对应的阈值 current_max, threshold = 0, 0 # 遍历所有可能的阈值 for t in range(1, len(hist)): # 计算前景和背景的像素总数 w0 = hist[:t].sum() w1 = hist[t:].sum() # 计算前景的平均灰度值，若前景像素总数为零则平均灰度值为零 mu0 = np.sum(np.arange(t) * hist[:t]) / w0 if w0 > 0 else 0 # 计算背景的平均灰度值，若背景像素总数为零则平均灰度值为零 mu1 = np.sum(np.arange(t, len(hist)) * hist[t:]) / w1 if w1 > 0 else 0 # 计算类间方差 var_between = w0 * w1 * (mu0 - mu1) ** 2 # 如果当前类间方差大于之前记录的最大值，则更新最大值和对应的阈值 if var_between > current_max: current_max, threshold = var_between, t # 返回使类间方差最大的阈值 return threshold

11.3 深度学习模型

11.3.1 卷积神经网络

卷积运算：
经典架构对比：

模型

深度

创新亮点

Top - 5准确率

时代特性

AlexNet

8

ReLU激活函数与多GPU训练

84.7%

2012年ImageNet竞赛折桂之作

ResNet50

50

残差连接机制

93.3%

有效化解梯度消失难题

EfficientNet

复合缩放策略

深度、宽度与分辨率协同调校

94.7%

实现资源效率的革命性跨越

11.3.2 目标检测

YOLOv5模型架构：
损失函数：

11.4 三维视觉

11.4.1 立体匹配

视差计算：

点云生成：def disparity_to_depth(disparity, baseline, focal_length): """ 此函数用于将视差转换为深度。通过结合基线长度和焦距信息，利用给定的视差值计算对应的深度值。 参数: disparity (float): 输入的视差值。 baseline (float): 基线长度，即两个相机光心之间的距离。 focal_length (float): 相机的焦距。 返回: float: 计算得出的深度值。 """ return baseline * focal_length / (disparity + 1e-6)

11.4.2 NeRF神经渲染

体积渲染公式：

11.5 应用系统

11.5.1 人脸识别系统——处理流程：

人脸检测（采用MTCNN算法）关键点定位（实施68点检测）特征提取（运用ArcFace方法）相似度比对（借助余弦距离度量）

11.5.2 自动驾驶感知——多传感器融合：

11.6 前沿方向

11.6.1 视觉大模型——SAM分割模型：

# 从segment_anything库中导入SamPredictor类 from segment_anything import SamPredictor # 初始化SamPredictor对象，将预训练的SAM模型传递给它 predictor = SamPredictor(sam_model) # 为预测器设置待处理的图像 predictor.set_image(image) # 利用预测器进行预测，传入点坐标和点标签 # 函数返回分割掩码、分数和日志its，此处仅保留分割掩码 masks, _, _ = predictor.predict(point_coords=points, point_labels=labels)

11.6.2 生成式视觉——Stable Diffusion模型：

应用场景： 图像修复：对受损或有瑕疵的图像进行修复与完善。 风格迁移：实现图像风格的转换与迁移。 超分辨率重建：达成图像的超分辨率重建，提升图像清晰度与质量。

小结

计算机视觉的核心技术涵盖以下关键方面：

特征表示层面，历经从手工特征到深度学习特征表示的显著演进。理解范畴上，实现了从二维图像理解迈向三维场景重建的跨越。模型发展态势为，从专用模型朝着通用大模型的方向不断推进。任务融合维度，达成了判别式任务与生成式任务的有机融合。

关键词：卷积核、感受野、非极大抑制、视差图、扩散模型。