【自学笔记】计算机视觉基础知识点总览-持续更新

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录 计算机视觉重点知识点总览1. 基础知识1.1 图像表示与处理1.2 图像变换 2. 特征提取与匹配2.1 点特征2.2 线与边缘特征2.3 区域特征 3. 图像处理与分析3.1 图像分割3.2 目标检测3.3 目标跟踪 4. 深度学习在计算机视觉中的应用4.1 卷积神经网络（CNN）4.2 目标识别与分类4.3 语义分割与实例分割 5. 三维视觉与重建5.1 立体视觉5.2 三维重建 总结

---

---

计算机视觉重点知识点总览 1. 基础知识 1.1 图像表示与处理 灰度图像：每个像素只有一个亮度值。彩色图像：常见的表示方式有RGB、HSV等。图像预处理：滤波（均值滤波、高斯滤波）、边缘检测（Sobel、Canny）、二值化等。 1.2 图像变换 仿射变换：平移、旋转、缩放等。透视变换：用于模拟3D到2D的投影。傅里叶变换：用于图像的频域分析。 2. 特征提取与匹配 2.1 点特征 Harris角点检测：基于图像梯度变化检测角点。SIFT（尺度不变特征变换）：提取尺度、旋转、光照不变的特征点。SURF（加速鲁棒特征）：SIFT的加速版，使用积分图像和盒滤波。 2.2 线与边缘特征 Hough变换：检测直线、圆等几何形状。Canny边缘检测：多阶段边缘检测算法，效果好但计算复杂。 2.3 区域特征 HOG（方向梯度直方图）：用于描述图像局部区域的形状特征。LBP（局部二值模式）：用于纹理分析，计算简单且有效。 3. 图像处理与分析 3.1 图像分割 阈值分割：基于像素值的简单分割。区域生长：从种子点开始，根据相似性准则扩展区域。图割算法：如GrabCut，结合用户交互实现精确分割。 3.2 目标检测 滑动窗口：在图像上滑动窗口，对每个窗口进行分类。HOG+SVM：用于行人检测的经典方法。深度学习：如R-CNN、YOLO、SSD等，实现高效准确的目标检测。 3.3 目标跟踪 MeanShift/CamShift：基于颜色直方图的跟踪算法。Kalman滤波：用于预测目标位置，结合观测值更新状态。深度学习跟踪：如Siamese网络，实现端到端的目标跟踪。 4. 深度学习在计算机视觉中的应用 4.1 卷积神经网络（CNN） 基本结构：卷积层、池化层、全连接层。经典模型：LeNet、AlexNet、VGG、ResNet等。迁移学习：利用预训练模型进行微调，适应新任务。 4.2 目标识别与分类 ImageNet数据集：包含大量标注图像，用于训练深度模型。softmax分类器：用于多分类问题。细粒度分类：识别同一大类下的不同子类，如鸟类识别。 4.3 语义分割与实例分割 FCN（全卷积网络）：用于像素级分类。U-Net：常用于医学图像分割。Mask R-CNN：实现实例分割，同时检测目标并分割其轮廓。 5. 三维视觉与重建 5.1 立体视觉 双目立体匹配：通过两张视角不同的图像恢复深度信息。结构光：利用已知图案的投影和变形恢复深度。激光扫描：使用激光束扫描物体表面，获取三维点云。 5.2 三维重建 SFM（结构从运动）：从多张图像中恢复场景的三维结构和相机运动。SLAM（同步定位与地图构建）：在未知环境中，实时构建地图并定位自身。

---

总结

提示：这里对文章进行总结： 例如：以上就是今天要讲的内容，自学记录计算机视觉基础知识点总览。