计算机视觉02 第二章 视觉的基本知识
计算机视觉的基础知识
计算机视觉的基础知识计算机视觉是一门研究计算机系统如何“理解”和解释视觉信息的学科领域。
它是人工智能和计算机图形学的交叉学科，涉及图像处理、模式识别、机器学习和计算机图形学等多个领域，可以应用于医学影像、自动驾驶、安防监控、智能手机相机等各种领域。
本文将介绍计算机视觉的基础知识，包括图像处理、特征提取、目标检测、深度学习和计算机视觉应用等方面的内容。
一、图像处理图像处理是计算机视觉的基础技术之一，它涉及对图像进行预处理、增强、噪声去除、边缘检测、图像分割等操作。
常见的图像处理技术包括模糊滤波、锐化滤波、直方图均衡化、腐蚀膨胀、边缘检测算子等。
图像处理技术可以帮助计算机系统更好地理解图像信息，为后续的特征提取和目标检测提供更好的输入数据。
二、特征提取特征提取是计算机视觉中的重要环节，它涉及将图像中的信息转化为计算机能够理解的特征向量。
常见的特征提取方法包括颜色直方图、梯度直方图、局部二值模式、哈尔小波变换等。
特征提取的目标是提取出能够表征图像内在信息的特征向量，为后续的目标检测和分类任务提供有效的输入。
三、目标检测目标检测是计算机视觉中的核心任务之一，它涉及在图像中识别和定位特定的目标物体。
目标检测技术可以分为两个阶段：特征提取和目标分类。
在特征提取阶段，计算机系统会对图像中的信息进行提取，然后通过各种分类算法进行目标分类。
常见的目标检测算法包括Haar特征级联检测器、HOG+SVM、YOLO、Faster R-CNN等。
四、深度学习深度学习是近年来计算机视觉领域取得突破性进展的重要驱动力。
深度学习借鉴了人脑神经元网络的结构，通过多层神经网络进行特征提取和分类，在图像识别、目标检测、语义分割等任务中取得了显著的成果。
常见的深度学习模型包括卷积神经网络（CNN）、循环神经网络（RNN）、长短时记忆网络（LSTM）、生成对抗网络（GAN）等。
五、计算机视觉应用计算机视觉在各个领域都有着广泛的应用，以下是其中的一些典型应用：1.医学影像：计算机视觉可以帮助医生对CT、MRI等医学影像进行自动分析和诊断，辅助医生制定治疗方案。
计算机视觉技术的基础
计算机视觉技术的基础计算机视觉是一种广泛应用于计算机系统中的技术，它利用计算机、数学、物理和生物学等多学科知识，通过数字图像的处理和算法的实现，让计算机回答问题，压缩、存储、识别、增强、测量以及对现实世界进行表示。
对于计算机视觉技术的基础，我们可以分为以下两个方面来探讨。
一、计算机视觉技术的物理基础计算机视觉技术是基于数字图像的处理和算法实现的，因此，光学想象的物理结构和原理是计算机视觉技术的重要基础。
首先，光学成像依赖于光的干涉和衍射现象，计算机视觉技术是在此基础上发展出来的。
其次，要对数字图像进行处理和算法实现，就必须对数字图像的采集和传输有所了解。
数字图像是由像素组成的，每个像素代表图像中的一个小区域，像素的大小和数量决定了图像的分辨率和质量。
数字图像的采集和传输过程中还包括噪声、失真、失真和编码等问题。
因此，在计算机视觉技术的研究中，光学想象的物理结构和原理以及数字图像的采集和传输方法都是基础。
二、计算机视觉技术的数学基础计算机视觉技术还依赖于数学的基础，因为图像处理和算法需要数学模型来解决问题。
首先，人眼对图像的观察和判断是基于空间特征和频率特征的，在计算机视觉技术的研究中，空间滤波、频率滤波和边缘检测等算法都是建立在空间特征和频率特征上的。
其次，计算机视觉技术的研究中还使用了概率论、线性代数、统计学、微积分和优化算法等数学工具。
例如，概率统计是计算机视觉技术中用于解决图像分类、目标检测等问题的基础，线性代数是用于解决图像压缩、图像匹配等问题的基础，微积分和优化算法则是用于解决图像增强、图像叠加等问题的基础。
总结一下，计算机视觉技术的基础包括物理基础和数学基础。
光学想象的物理结构和原理以及数字图像的采集和传输方法都是计算机视觉技术的物理基础，空间特征和频率特征、概率论、线性代数、统计学、微积分和优化算法等则是计算机视觉技术的数学基础。
了解并掌握这些基础对于计算机视觉技术的应用和研究都是至关重要的。
介绍计算机视觉技术的基本概念与原理
介绍计算机视觉技术的基本概念与原理计算机视觉技术是一种模仿人类视觉系统的人工智能技术，通过使用计算机和相应的算法来处理和理解图像和视频数据。
它涉及图像处理、模式识别、机器学习和人工智能等领域，旨在让计算机能够“看”和“理解”图像，并从中提取有用的信息。
计算机视觉技术的基本概念包括图像获取、图像预处理、特征提取、目标检测与识别以及图像分析和理解。
首先，图像获取是计算机视觉的起点。
计算机视觉系统需要通过摄像头或其他图像采集设备获得图像或视频数据。
随着技术的发展，现在许多智能设备都具备了图像采集功能，例如手机、安防摄像头等。
然后，图像预处理是对图像进行处理和去噪以减少图像中的噪声和失真。
常见的预处理方法包括图像去噪、图像增强、图像缩放和图像去除背景等。
这些预处理方法能够提高图像质量，并为后续的处理步骤提供更好的基础。
接下来，特征提取是计算机视觉技术中的一个重要环节。
通过提取图像中的特征，可以将复杂的图像数据转换为计算机可以处理的数值数据。
常用的特征包括边缘、纹理、颜色、形状等。
特征提取方法可以有很多种，如直方图、SIFT（尺度不变特征转换）、HOG（方向梯度直方图）等。
在目标检测与识别方面，计算机视觉技术通过训练模型来自动识别和检测图像中的目标物体。
目标检测是在图像中找到感兴趣的目标的位置和边界，而目标识别则是确定目标物体的类别。
这一步骤可以通过机器学习和深度学习等方法来实现，如支持向量机（SVM）、卷积神经网络（CNN）等。
最后，图像分析和理解是计算机视觉技术的最终目标。
通过对图像进行分析和理解，计算机可以获得更高层次的理解和推理能力。
这包括图像语义分割、目标跟踪、行为识别等。
图像分析和理解可以应用在许多领域，如自动驾驶、人脸识别、图像搜索等。
计算机视觉技术的原理是基于图像的数学表示和计算机算法的结合。
图像可以看作是二维像素矩阵，每个像素点上都有一个灰度或颜色值。
计算机视觉算法通过对图像矩阵的分析和处理来实现图像的识别和分析。
计算机视觉技术的基本原理和使用方法
计算机视觉技术的基本原理和使用方法计算机视觉技术是指通过计算机模拟人类视觉系统，使计算机能够理解、分析和处理图像或视频内容。
它模仿了人类大脑处理图像的方式，通过组合图像处理、模式识别、人工智能等技术，使计算机能够感知和理解图像中的信息。
本文将介绍计算机视觉技术的基本原理和使用方法，以帮助读者更好地了解和应用该技术。
一、计算机视觉技术的基本原理1. 图像获取与预处理：计算机视觉的第一步是获取图像，可以使用各种图像获取设备，如相机、摄像机、扫描仪等。
获取到的图像通常需要进行预处理，如去噪、增强、裁剪等，以提高后续处理的效果。
2. 特征提取与描述：在计算机视觉中，特征是指用来描述图像中某种属性或结构的数学表示，比如边缘、角点、纹理等。
特征提取的目的是从图像中提取出这些关键特征，并将其转换为计算机可以理解和处理的数字化表示形式。
3. 目标检测与跟踪：目标检测是指在图像或视频中识别出感兴趣的目标对象，如人脸、车辆、物体等。
目标跟踪则是在视频序列中追踪目标的运动轨迹。
这些任务通常使用一些经典的算法，如卷积神经网络、支持向量机等。
4. 图像分类与识别：图像分类是指将图像分为不同的类别，图像识别则是在给定的类别中识别出特定的对象或物体。
这些任务常常使用深度学习技术，如卷积神经网络（CNN）、循环神经网络（RNN）等。
5. 三维重建与虚拟现实：通过计算机视觉技术，可以从多个视角的图像中重建出三维物体的形状和结构，并用于虚拟现实、增强现实等应用领域。
二、计算机视觉技术的使用方法1. 图像处理与分析：计算机视觉技术可以用于图像处理和分析，如图像增强、图像恢复、图像分割、图像融合等。
这些技术在医学影像、卫星图像、安防监控等领域有广泛应用。
2. 人脸识别与犯罪侦查：人脸识别是计算机视觉技术的一个重要应用领域，可以用于身份验证、犯罪侦查、社交媒体等。
通过人脸图像的比对和识别，可以实现自动识别和辨认个体。
3. 自动驾驶与智能交通：计算机视觉技术在自动驾驶和智能交通领域有着广泛的应用。
《计算机视觉》课程教学大纲.
《计算机视觉》课程教学大纲课程编号：50420031课程名称：计算机视觉英文名称：Computer Vision课程类别：专业限选课学分：2学时：40开课学期：二开课周次：11-20开课教研室：自动化系计算机控制教研室任课教师及职称：刘禾教授先修课程：图像处理与分析适用专业：模式识别与智能系统、控制理论与控制工程课程目的和基本要求：课程设置的目的使硕士研究生掌握介绍计算机视觉的基本理论和基本方法。
通过课程学习要求学生觉掌握的计算机视觉基本理论与方法以及计算机视觉的一些典型应用，了解国内外最新研究成果。
通过本课程学习使学生掌握计算机视觉的基本概念、基本理论和方法，初步具有运用相应理论解决实际问题的能力。
课程主要内容：全部课程内容分九章，各章具体内容、学时分配如下：第一章概述（2 学时）内容：计算机视觉的基本概念，Marr视觉计算理论，成像几何基础，计算机视觉的应用。
第二章人类视觉（2 学时）内容：人类视觉简介，视觉信息的多层处理。
第三章边缘检测（4 学时）内容：经典微分算子的边缘检测、LOG滤波器与马尔－希尔德累思边缘检测算子、多灰度图像的边缘聚焦法、坎尼边缘检测算子和基于梯度信息的自适应平滑滤波。
第四章明暗分析（2 学时）内容：图像辐射图，表面方向，反射图，由图像明暗恢复形状。
第五章深度分析（4 学时）内容：三维感知基本理论和方法，立体成像原理，被动立体测定技术和主动立体测定技术。
第六章标定问题（6 学时）内容：图像表征与摄像机标定，其中包括透视投影变换、摄像机的标定、摄像机的运动控制模型，双目立体标定。
第七章三维场景表示（4 学时）内容：三维空间曲面的表示，曲面分割等。
第八章二维运动图像分析（4 学时）内容：图像运动特征提取的基本方法，由局部光流恢复结构与运动参数估计，基于块的运动分析。
第九章三维运动估计（4 学时）内容：三维运动与结构估计、由运动与立体观测恢复3—D结构和基于生物视觉运动感知原理的多速度运动检测；基于CAD模型的三维机器视觉。
计算机视觉基础知识图像处理和目标检测
计算机视觉基础知识图像处理和目标检测计算机视觉是指让计算机具备“看”的能力，通过对图像或视频进行识别、分析和理解，实现智能化的图像处理。
图像处理是计算机视觉的重要组成部分，它涉及到对图像的预处理、增强、分割、特征提取等操作。
而目标检测则是在图像或视频中，对特定目标进行自动化的识别和定位，是计算机视觉中的一个关键任务。
一、图像处理图像处理是指对图像进行一系列运算、滤波、变换等操作，以实现图像的增强、修复、分割等效果。
图像处理的基础是数字图像的表示和存储方式，常用的图像表示方法有灰度图像、彩色图像等。
1. 图像预处理图像预处理通常是指在图像分析前对图像进行一系列操作，以减少噪声、增强图像特征，提高图像质量。
常用的图像预处理方法包括图像去噪、图像平滑、边缘检测等。
2. 图像增强图像增强是指通过一系列操作使图像在视觉上更加清晰、鲜艳，以增强图像的可视化效果。
图像增强常用的方法有点运算、直方图均衡化、滤波器的设计等。
3. 图像分割图像分割是指将图像划分为不同的区域，以实现对图像的目标提取。
图像分割常用的方法有阈值分割、边缘分割、区域分割等。
4. 特征提取在图像处理中，特征提取是指从图像中提取出具有代表性的特征，以实现对图像的理解和识别。
常用的特征提取方法有边缘检测、角点检测、纹理特征提取等。
二、目标检测目标检测是计算机视觉中的一个重要任务，它通过对图像或视频的分析，自动地识别和定位其中的目标物体。
目标检测是计算机视觉应用广泛的领域之一，常用于自动驾驶、安防监控、人脸识别等方面。
1. 目标定位目标定位是目标检测的第一步，它主要是确定目标物体在图像或视频中的位置和大小。
常用的目标定位方法有滑动窗口检测、边界回归、锚框方法等。
2. 特征提取在目标检测中，特征提取是非常关键的一步，它通过对图像或目标的特征进行提取，以实现对目标的识别和分类。
常用的特征提取方法有卷积神经网络（CNN）、HOG特征等。
3. 目标识别目标识别是指在目标检测中，根据提取到的特征，对目标进行分类和识别。
计算机视觉 教学大纲
计算机视觉教学大纲
摘要：
一、计算机视觉简介
二、计算机视觉的基本原理
三、计算机视觉的应用领域
四、计算机视觉的发展历程
五、计算机视觉的未来发展趋势
正文：
计算机视觉是一门研究如何使机器能够“看”的科学。
它通过使用计算机和各种传感器来代替人眼，对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。
计算机视觉既是工程领域，也是科学领域中的一个富有挑战性重要研究领域。
计算机视觉的基本原理是通过光学、电子学和数学等学科的交叉，实现对图像的获取、处理、分析和理解。
其核心是图像处理技术，包括图像预处理、图像增强、图像分割、特征提取和图像识别等。
计算机视觉的应用领域非常广泛，包括无人驾驶、智能家居、医疗健康、工业制造、安防监控等。
其中，无人驾驶是计算机视觉应用最为广泛的领域之一，通过计算机视觉技术，无人驾驶汽车可以实现自主导航、环境感知、路径规划等功能。
计算机视觉的发展历程可以追溯到上世纪50 年代，当时的主要研究集中在图像的分析和识别。
随着技术的不断进步，计算机视觉逐渐发展成为了一个
涉及多个学科的综合性学科，包括计算机科学、工程学、物理学、数学和神经科学等。
未来，计算机视觉将继续保持高速发展态势，并逐渐向更加智能化、精细化的方向发展。
例如，通过深度学习等人工智能技术，计算机视觉可以实现更加准确的目标检测和识别，以及更加精细的图像分割和分析。
此外，随着5G 技术的普及，计算机视觉的应用场景将更加丰富，例如远程医疗、智能交通等。
总之，计算机视觉是一个充满挑战和机遇的领域。
《计算机视觉》课件 (2)
计算机视觉是指计算机通过模拟人类视觉系统的方式，利用摄像机和计算机 算法来实现对图像和视频的理解与处理。
计算机视觉的概述
定义与发展
探索计算机和图像处理技术的交叉领域，起 源于20世纪60年代。
技术基础
图像处理、模式识别、机器学习等。
关键任务
图像识别、目标检测、运动跟踪、立体重建 等。
虚拟现实
计算机视觉技术为虚拟现实提 供更真实和沉浸式的体验。
总结和重点
计算机视觉的定义与发展历程。 计算机视觉面临的挑战和限制。
计算机视觉的核心技术和应用领域。 计算机视觉的未来发展趋势。
安防
人脸识别、行为检测等。
工业
质检、自动化生产等。
计算机视觉的挑战和限制
1 复杂场景
2 准确性
光照变化、遮挡等导致图像处理的困难。
目标识别和跟踪的精确度有待提高。
3 隐私问题
人脸识别等技术引发的隐私争议。
4 算力需求
大规模图像和视频分析对计算资源的需求 高。
计算机视觉在实际生活中的应用
1
人脸识别技术
应用广泛
医学影像分析、智能监控、自动驾驶等。
计算机视觉中的核心技术
1 图像预处理
去噪、增强、图像配准等。
3 目标检测与识别
基于机器学习的特征分类和模式匹配。
2 特征提取和描述
边缘检测、角点检测、特征描述子等。
4 立体视觉
利用多个图像重建场景的三维模型。
计算机视觉应用领域
医疗
病变检测、肿瘤分析等。
人脸解锁、相册自动分类等智能手机
增强现实
2
应用。
通过摄像头将虚拟物体叠加到真实世
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
起到光电传感器的作用,吸收光量子,输出生物电流 视觉通路
将生物电信号经过平均与会聚转换成一束信号,传送 到大脑皮层 大脑皮层视觉区
工作机理非常复杂 ,还没有被探明
眼球构造
从人眼的构造可知，它的 光路是由以下几部分组成： 前眼房(角膜、水样液)、 虹膜和瞳孔、水晶体、玻 璃体等。
马赫带效应
视觉”惰性”的表现
亮度,韦伯定律 色彩,色调错觉 边界,马赫带 形状\大小,变化 运动,时间的适应性
2.盖式塔组合规律
人们的视觉往往能把图像中空间散布的小点、 小块看成连贯的线条或一块区域，这些线 条或区域可能是一个物体的一个表面，它 们往往具有一定的模式特征。人们就是通 过这些模式特征收集图像中的散片,进而发 现物体的形状。这种组合碎片的能力由著 名的心理学家Gestalt总结成以下一些规律。
3.深度知觉
深度知觉是重要的基本视觉信息之一。主要由双 眼视觉获得。双眼视觉是指动物或人用双眼注视 同一个物体时的视觉状态。正常的双眼视觉提供 了视觉融合的（而不是双影的）以及高度的立体 感。由于双眼在水平位置上的差别，同一个物体 在左右眼的视网膜像是有微小差别的，正是这种 差别为视觉系统提供了立体视觉的最基本的信 息——视差。立体视觉使我们得到了一个对周围 世界的生动而精确的相对的深度分辨。
若带电体系中正负电荷一样多，正电荷出发的全部电 力线都集中到负电荷上去；
两条电力线不会相交。
修复模型
激发子的结构
激发子的安置
场强的计算
E U U x U yˆ n
(x xi )qi
x n
( y yi )qi
yˆ
x
y
i1 ( (x xi )2 ( y yi )2 )3 i1 ( (x xi )2 ( y yi )2 )3
神经元的工作方式
Dentrites: ωx-θ; x为源信号,ω为权值(双极性), θ为阈值.
细胞体: 加法器
n
y sign[ i xi i ] i 1
Axon:调频传送
免除噪声干扰和衰减影响
神经元之间的传送
在两个神经元的dentrites和axon之间有电解化学 物质,起到电容的作用.
简单细胞-使用位置和方向 复杂细胞-使用方向和中心-
通过分层次检测得到完 整的边缘和形状的感觉
更上复杂层细胞-使用边角-
视觉信息处理
运动特性
外膝体细胞层中含有X细胞和Y细胞, X细胞对应较慢运 动,Y细胞对应较快运动.
主视觉区内有简单细胞和复杂细胞,简单细胞负责检测 简单的点和线条运动,复杂细胞负责更大区域的运动边 界和线条.
视觉系统所具有的各种功能使我们能够分 辨万物，感知它们的大小、形状、颜色、 亮暗、远近和动静；
人类的视觉系统事实上指的就是眼—脑系 统。眼—脑系统在完成上述这些视觉功能 时涉及不同的视觉信息处理过程。
人类视觉的解剖结构
人类的视觉系统由以下四个部分组成:
眼球; 是一个相当复杂,精细的光学仪器,起到调节适当的光
单眼线索
除了双眼视差提供的双眼对深度的信息外，还有 许多单眼的信息也有利于深度的分辨.
人类即使在头部固定且只使用单目来观测外部世 界时，也可以得到比较准确的深度知觉（Depth Perception）。此时，人类的主要依据是外界环 境及观察对象的物理特性或现象。这些仅凭一只 眼睛的视觉即可提供的线索就是单眼线索。
E F 1 q rˆ q0 4 0 r 2
电力线
U
n
Ui
i 1
1
4 0
q n i
r i1 i
U
P
E
dl
r
Edr
1 4 0
r
dr r2
1 4 0
q r
E U U x U ˆy x y
电力线是光滑曲线；
电力线起自正电荷（或无穷远处），止于负电荷（或 无穷远处），但不会在没有电的地方中断；
人类的眼球是一个相当复杂, 精细的光学仪器
眼底视网膜
视网膜包含感光细胞，水平细胞,双极细胞和神经节细胞。
感光细胞，即杆体细胞和锥体细胞。锥体细胞是明视器官，它在光 亮条件下发生作用，能分辨细节。共有三种锥体细胞,对应三元色. 杆体细胞是暗视器官对弱光反应灵敏，在低照明情况下发生作用。 但它不能感受颜色，对精细物象的辨别也没有什么贡献。
第二章 视觉的基本知识
主要内容
人类视觉系统的生理构造和工作方式
神经生理学 认知心理学
视觉系统的物理特性
光度学 色度学
视觉系统的几何特性
齐次坐标 射影几何
第一节 人类生理视觉系统
1.1 人类生理视觉系统
人类所有的感觉当中，视觉具有特别重要 的意义。研究表明，80%以上的外界信息是 由视觉系统所接收、处理和感知的；
1.3 认知心理学与计算机视觉
“黑箱理论”------心理学研究的主要方法 直觉------与底层视觉相关的一些规律,这是
我们要研究的主要内容 直觉的特点:
不准确 与识别对象知识关系不大 带有主观性 人类视觉所独有,发挥了积极作用
Байду номын сангаас
1.视觉的适应和对比特性
人的实际视觉感受并不与客观目标的物理度量严格 一致，而是与所看到的目标的周围环境、变化过程 有关。
这种场结构所产生的视觉反应可由”墨西哥草帽” 来表示.
这种场结构可以使人的视觉具有侧抑制作用，它 使观察物体时保证“集中注意力”．即把视觉活 动集中在注意圈内，不受圈外的变化所干扰。
感受野同心圆拮抗式模型
（Rodieck, 1965）
同心圆感受野工作原理
同心圆感受野工作原理
发现问题了吗?
非经典感受野的发现
视觉系统中的反演集合结构现象的研究——非经典感受野中的 一些数学拓扑结构,刘建忠,中国科技论文在线,2007
3.图像特征与视觉生理结构的关系
色彩
三元色与三种锥体细胞相对应
视觉接受场存在有侧抑制作用,两种互相抑制色块的交 界处会产生色彩增强的感觉
形状
形状是由线条,边缘等特征组成
大脑皮层中的两种细胞:简单细胞和复杂细胞
水平细胞.负责横向联系感光细胞,起到平均调和信号的作用. 双极细胞.锥体细胞和杆体细胞经水平细胞与双极细胞连接。一般情
况是每一个锥体细胞与一个双极细胞连接，这是为了在光亮条件下 便于精细地感受外界的刺激。而杆体细胞往往是几十个连接到一个 双极细胞。这是为了在黑暗条件下能汇集外界微弱的光刺激. 神经节细胞.其细胞的视觉纤维通向大脑.
电力线补全
电力线补全
电力线补全的修正
直线：直线拟合 曲线：改变初始搜索方向
D
rs re
Sdir
Edir
电力线补全的例子
实验结果
第一深度层的 待补全轮廓
第一深度层的 补全结果
第一深度层的修复场
实验结果
第二深度层的 待补全轮廓
第二深度层的 补全结果
第二深度层的修复场
实验结果
实验结果
盖式塔组合规律
相似律
接近律
盖式塔组合规律
光顺律
闭合律
盖式塔组合规律
对称律
简化律
盖式塔组合规律
完形趋向律
图形——背景律
盖式塔组合规律的应用之一---感知修复
场景图
灰度轮廓
输入立体图对
立体视觉中的深度感知和表面完全化的相互作用机制研究 (2005,中科大博士论文, )
静电场
电场强度与电势
称为相关视觉区. 20、21区：视觉的判断等高层处理。
大脑皮层的工作机理非常复杂,目前有关它的工作 过程仅能知道的是一切意识是和神经元的激活与 抑制有关，因此有必要进一步对神经细胞单元作 一定的研究。
人类视觉系统的组成
人类视觉的眼—脑系统看成一个有生命的光学变换器和信 息处理系统，可分为三个部分。第一部分是光学系统，由 于有关的神经活动最少，因此最为简单；第二部分是视网 膜。它把光信号转变成电信号，并进行某些细胞一级的处 理。第一、第二两部分都在眼睛里。最后一部分是视觉信 息处理，它实质上是代表从视网膜到大脑皮层的视觉通路 上所完成的复杂处理的统称。
在眼中
在大脑和到大脑的通路中
输入图像
光学系统
光信号
视网膜
电信号
视觉信息处理
感知
传导
处理
1.2 神经元及视觉神经结构
神经元细胞是由细胞体,输入机构(dentrites),和输 出机构(突触axon)组成.
神经元的基本工作方式为激活与抑制两种状态。 当输入端的生物电变化时，细胞体状态变化并产 生一个相应的生物信号.
单眼线索在绘画及摄影中发挥着重要的作用，也 被称之为图形线索。
单眼线索
物体的相对大小
所谓的透视原理基于一个简单的光学事实：离眼睛或 镜头近的物体看起来比离得远的大。如果我们看到两 个人或任何两个物体，凭经验得知两者同样大小，那 么，看起来稍大的一定离我们近。
会聚的线条
透视原理中的一个特殊情况是，两条平行线会在远距 离处汇合在“消失点”上。我们在此时就熟悉的一个 例子是两条铁轨在远方地平线上会聚为一点.
同心圆感受野
同心圆感受野
人的视觉细胞存在视觉场结构.视点的中心区域存 在正性细胞．它们接收光能并产生一个正的反应。 在该中心区域周围存在着负性细胞．它们在接收 光能时产生相反的反应。负性细胞随中心距增大 而迅速稀疏，代之而起的中性细胞不产生任何反 应。这种解释由诺贝尔奖金获得者Hartline得到 证实。
空气透视
最早注意到这种效果的是400年前的达·芬奇。空气中 的雾、烟或着灰尘能散射日光，使远处的物体比近处 的物体显得淡而模糊。
单眼线索
单眼线索
颜色