人工智能基礎與應用計算機視覺關鍵技術主講人：李恒人工智能課程團隊目錄|

CONTENTS圖像處理01特征提取特征匹配030201圖像處理圖像處理邊緣檢測線性濾波：均值濾波器、高斯濾波器等非線性濾波：中值濾波器、雙邊濾波器和非線性最大熵濾波濾波邊緣檢測是識別圖像中物體邊界的過程，它是圖像分割、目標跟蹤和特征提取等任務的基礎。常用的邊緣檢測算法有Sobel算子、Canny邊緣檢測和Laplacian算子等。幾何變換幾何變換涉及改變圖像的空間位置或尺寸，以適應不同的應用需求。常見的幾何變換包括：旋轉、縮放、平移、透視變換圖像處理濾波是圖像處理中用于去除噪聲或提取特征的技術。濾波器可以是線性的或非線性的，它們通過特定的數學操作（如卷積）應用于圖像，濾波的分類見下表：分類應用線性濾波

均值濾波器：對每個像素點及其鄰域內的像素取平均值減少圖片噪聲高斯濾波器：使用高斯函數作為權重，對鄰域內的像素賦予不同的影響力減少圖像的高斯噪聲非線性濾波

中值濾波器：替換像素值為其鄰域內的中值去除椒鹽噪聲雙邊濾波器：根據像素的空間距離和強度差異對像素值進行加權平均保留邊緣信息同時平滑圖像非線性最大熵濾波：基于圖像的熵概念，通過最大化圖像的熵來估計像素值圖像重建圖像處理線性濾波器通常用于圖像去噪、模糊處理以及圖像的預處理階段。它們在處理圖像時保留了圖像的線性特征，但可能會模糊圖像的邊緣。非線性濾波器適合于處理具有復雜特性的圖像，如去噪同時保持邊緣清晰、圖像細節增強等。它們在圖像處理中的應用包括圖像去噪、細節增強、圖像重建等。下圖展示對于同一張噪聲圖片，卷積核為11時，均值濾波和中值濾波的處理對比結果。圖像處理幾何變換涉及改變圖像的空間位置或尺寸，以適應不同的應用需求。常見的幾何變換見下表：幾何變換形式概念應用旋轉旋轉是圍繞一個固定點（旋轉中心）旋轉圖像的一個操作旋轉用于調整圖像的方向調整圖像的方向，比如將傾斜的文本或物體調整為水平方向縮放縮放是改變圖像尺寸的過程縮放用于適應不同的顯示需求或分辨率要求平移平移是將圖像中的每個點按照某個向量移動的操作用于估計相機的運動透視變換透視變換將圖像中的一個平面區域映射到另一個平面糾正透視失真，如將照片上的文本或場景變換為正面視角圖像處理邊緣檢測是識別圖像中物體邊界的過程，它是圖像分割、目標跟蹤和特征提取等任務的基礎。邊緣檢測算法通?；趫D像亮度的快速變化。邊緣檢測算法對比見下表。算法實現方法應用Sobel算子通過計算圖像的一階導數的近似值來檢測邊緣適用于噪聲干擾低的圖片Canny邊緣檢測首先使用高斯濾波去除噪聲，然后計算梯度幅度和方向，接著通過非極大值抑制來細化邊緣，最后使用雙閾值檢測來確定和連接邊緣適用于需要高精度邊緣定位的場合Laplacian算子基于二階導數算子Laplacian算子用于增強圖像快速變化區域02特征提取局部特征提取關注圖像中的具體區域或小部分，這些特征通常與圖像的特定內容或結構有關。局部特征的提取方法包括：角點檢測關鍵、局部二值模式等。局部特征提取全局特征提取關注整個圖像或圖像的重要全局屬性。全局特征的提取方法包括顏色直方圖等全局特征提取特征提取特征提取常用的幾個特征提取方法見下表所示簡介應用角點檢測包括Harris角點檢測器、Shi-Tomasi角點檢測器等，對場景的局部結構具有描述性。廣泛應用于運動跟蹤、立體視覺、全景拼接、特征匹配和增強現實等領域。局部二值模式描述圖像的全局紋理信息廣泛應用于紋理分類、人臉識別、背景分割和圖像分割等領域。顏色直方圖一種全局圖像描述符，它統計圖像中每種顏色的分布常用于圖像檢索、視頻分析、場景分類和顏色識別任務。03特征匹配SIFT算法包括尺度空間極值檢測、關鍵點定位、方向賦值和描述符生成四個主要步驟。01ORB是