计算机视觉第一次作业
1、比较中值滤波器和均值滤波器的特征，并鉴别其使用条件：通过自己选定的图像实现3*3
和7*7的中值滤波和锐化滤波，试比较它们的结果。
答：中值滤波器是一种常用的非线性平滑滤波器，其原理与均值滤波器类似，二者不同之处在于：中值滤波器的输出像素值是由领域像素的中间值而不是平均值决定的。
中值对极限像素值远不如平均值那么敏感，所以中值滤波器产生的模糊较少，更适合于消除图像的孤立噪声点。
中值滤波代码：锐化滤波代码:
原图像：3*3中值滤波7*7中值滤波
锐化滤波：
（sobel算子）（prewitt算子）（拉普拉斯算子）
I=imread('1.jpg');
A=rgb2gray(I);
A=double(A);
H=[0 1 0,1 -4 1,0 1 0]; 拉普拉斯锐化滤波代码
J=conv2(A,H,'same');
S=A-J;
imshow(S)
2、高斯滤波器的特点及其适用场合是什么？为什么要用不同参数的高斯滤波器来平滑呢？
用具体图像实例说明。
答：高斯函数具有五个重要的性质：
（1）二维高斯函数具有旋转对称性，即滤波器在各个方向上的平滑程度是相同的．一般来说，一幅图像的边缘方向是事先不知道的，因此，在滤波前是无法确定一个方向上比另一方向上需要更多的平滑．旋转对称性意味着高斯平滑滤波器在后续边缘检测中不会偏向任一方向．
（2）高斯函数是单值函数．这表明，高斯滤波器用像素邻域的加权均值来代替该点的像素值，而每一邻域像素点权值是随该点与中心点的距离单调增减的．这一性质是很重要的，因为边缘是一种图像局部特征，如果平滑运算对离算子中心很远的像素点仍然有很大作用，则平滑运算会使图像失真．
（3）高斯函数的付立叶变换频谱是单瓣的．图像常被不希望的高频信号所污染(噪声和细纹理)．而所希望的图像特征（如边缘），既含有低频分量，又含有高频分量．高斯函数付立叶变换的单瓣意味着平滑图像不会被不需要的高频信号所污染，同时保留了大部分所需信号．
（4）高斯滤波器宽度(决定着平滑程度)是由参数σ表征的，而且σ和平滑程度的关系是非常简单的．σ越大，高斯滤波器的频带就越宽，平滑程度就越好．通过调节平滑程度参数σ，可在图像特征过分模糊(过平滑)与平滑图像中由于噪声和细纹理所引起的过多的不希望突变量(欠平滑)之间取得折衷．
（5）由于高斯函数的可分离性，较大尺寸的高斯滤波器可以得以有效地实现．二维高斯函数卷积可以分两步来进行，首先将图像与一维高斯函数进行卷积，然后将卷积结果与方向垂直的相同一维高斯函数卷积．因此，二维高斯滤波的计算量随滤波模板宽度成线性增长而不是成平方增长．
Gaussian,[3 3],1.6 Gaussian,[3 3],0.6 Gaussian,[3 3],1
Gaussian,[7 7],1.6 Gaussian,[5 5],1.6
3、用直方图修正的方法实现对亮度对比度扩展。
取一副对比度很弱的图像做实验，看一看
直方图修正法对对比度增强的影响。
通过自己选定的图像实现几种不同对比度增强方法，并对他们的性能进行评价。
灰度修正对对比度的影响：
原代码：
原图：灰度修正后图像：
灰度线性变换+Gamma（0.3）校正：Gamma（0.3）校正：
Unsharp算子滤波对比度增强：。
计算机视觉作业
答:图象分割:把图像划分成区域，使得每一个区域对应一个候选的目标，这种划分称为图象分割．1.图像分割最简形式: 把灰度图(gray image)转换成二值图简单阈值化方法,自动阈值化方法:模态方法(mode),迭代式阈值选择法,自适应阈值化方法,变量阈值化方法,双阈值方法3、区域增长的双阈值算法的内容是什么？1、选择两个阈值T1和T2．2、把图像分割成三个区域：R1，包含所有灰度值低于阈值T1的像素；R2，包含所有灰度值位于阈值T1和T2之间的像素；R3，包含所有灰度值高于阈值T2的像素．3、查看分配给区域R2中的每一个像素．如果某一像素邻接区域R1，则把这一像素重新分配给R1．4、重复步骤3直到没有像素被重新分配．5、把区域R2剩下的所有像素重新分配给R3阵列表示,层级表示,基于特征的区域表示。
均值滤波和高斯滤波中值滤波器、边缘保持滤波器7、边缘检测算法有哪四个步骤？（1）滤波：边缘检测算法主要是基于图像强度的一阶和二阶导数，但导数的计算对噪声很敏感，因此必须使用滤波器来改善与噪声有关的边缘检测器的性能．需要指出，大多数滤波器在降低噪声的同时也导致了边缘强度的损失，因此，增强边缘和降低噪声之间需要折衷．（2）增强：增强边缘的基础是确定图像各点邻域强度的变化值．增强算法可以将邻域（或局部）强度值有显著变化的点突显出来．边缘增强一般是通过计算梯度幅值来完成的．（3）检测：在图像中有许多点的梯度幅值比较大，而这些点在特定的应用领域中并不都是边缘，所以应该用某种方法来确定哪些点是边缘点．最简单的边缘检测判据是梯度幅值阈值判据．（4）定位：如果某一应用场合要求确定边缘位置，则边缘的位置可在子像素分辨率上来估计，边缘的方位也可以被估计出来．8、请举出三种边缘检测器算子的卷积模板。
(1)Roberts算子(2)Sobel算子(3) Prewitt算子9、LoG边缘检测算法的基本特征是什么？基本特征：•平滑滤波器是高斯滤波器．•增强步骤采用二阶导数(二维拉普拉斯函数)．•边缘检测判据是二阶导数零交叉点并对应一阶导数的较大峰值．•使用线性内插方法在子像素分辨率水平上估计边缘的位置10、什么是链码？链码是沿着轮廓记录边缘表的一种表示方法．链码规定了边缘表中每一个边缘点的轮廓方向，其中方向被量化为四个或八个方向中的一个．11、请说明轮廓表示的多直线段分裂方法的内容。
西电计算机视觉大作业
一、引言
随着互联网广泛普及的应用，各种各样的数据资源包括文本、图片、音频、视频等放在网络服务器上供用户访问。但是这种网络资源的幵放也带了许多弊端，比如一些用户非法下载、非法拷贝、恶意篡改等，因此数字媒体内容的安全和因特网上的侵权问题成为一个急需解决的问题。数字水印作为一项很有潜力的解决手段，正是在这种情况下应运而生。
（2）噪声攻击下的提取
图3.2LSB噪声攻击下水印提取(左：高斯噪声，右：椒盐噪声)
通过实验结果，可以知道高斯噪声下提取的水印并没有在椒盐噪声下提取的清晰，但依然能够获取水印信息，说明LSB算法具备一定的抗噪效果。
（3）剪切攻击下的提取
剪切攻击是一种空间上的攻击手段，一般采用剪切嵌入水印图像的一部分，然后再利用残缺的图像来还原嵌入的信息。
图2.1两层多分辨率小波分解示意图
每一级分解都把图像分解为四个频带水平（HL）、垂直(LH)、对角(HH) 和低频，其中低频(LL)部分还可以进行下一级的分解，从而构成了小波的塔式分解。一幅图像经过分解之后，图像的主要能量主要集中于低频部分，图像的高频部分即图像的细节部分所含能量较少，分布在三个子图中，主要包含了原图的边缘和纹理部分信息。
彩色水印提取的具体步骤 ：
（1）对嵌有水印的彩色图片降维得到RGB三个分量上的水印图片；
（2）对RGB三个分量上的水印图片在变换域进行分块提取；
（3）对水印图像进行重构，得到RGB三个分量上的水印图片；
（4）对得到的RGB三个分量上的水印图片进行合成得到彩色水印图片。
2.2.2、设计方法和实施过程
（1）水印的嵌入
图2.3 水印提取流程图
（3）攻击方式
1高斯噪声攻击
使用matlab自带函数：
计算机图像与机器视觉作业
第一部分文献翻译MITSUBISHI ELECTRIC RESEARCH LABORA TORIES三菱电子研究实验室Bethe free energy, Kikuchi approximations,and belief propagation algorithms贝特自由能量，菊池近似与BP算法AbstractThis is an updated and expanded version of TR2000-26, but it is still in draft form. Belief propagation (BP) was only supposed to work for tree-like networks but works surprisingly well in many applications involving networks with loops, including turbo codes. However, there has been little understanding of the algorithm or the nature of the solutions it finds for general graphs.摘要本文是TR2000-26版本的更新和扩展，但仍然是一个草案。
BP算法被认为只能在在树形网络中使用，但是却在别的应用领域如环形网络及Trubo码中表现十分优异。
然而，我们对于算法或者是解决一般问题的方法的本质知之甚少。
We show that BP can only converge to a stationary point of an approximate free energy, known as the Bethe free energy in statistical physics. This result characterizes BP fixed-points and makes connections with variational approaches to approximate Inference. 我们知道置信传播算法只能收敛到一个近似自由能量的固定点，在统计物理中被称为贝特自由能。
计算机视觉作业
后付年金的终值和现值 先付年金的终值和现值
一对一的验证过程
一对多的辨别过程
自动人脸识别系统
自动人脸识别系统
数据采集 子系统 人脸检测 子系统 人脸识别 子系统
识别结果： He is …!
• 所谓自动人脸识别系统，是指不需要人为干预，能够自动获 取人脸图像并且辨别出其身份的系统 • 一个自动人脸识别系统至少要包含三个部分，即数据采集子 系统、人脸检测子系统和人脸识别子系统
人脸识别的评价标准
定义11：登陆时间（Enrollment Time）从一幅人脸图像获取后，进 行人脸检测、定位和特征提取所花费的时间，此时间是数学统计平均 值，用毫秒（ms）表示。 定义12：比对时间（Matching Time）比较两张人脸特征所花费的时 间，此时间包含文件读写时间的数学统计平均值，用毫秒（ms）来 表示。或者是将一张人脸特征与一定数量的人脸特征进行比对所花费 的时间的总和，表示为毫秒/万人。 定义13：首选识别率（First Hit）匹配相似度最大的人脸是正确的人 的比率。即将识别结果按照匹配相似度从大到小排列，排在第一位的 人脸就是正确的被识别的人的比率。 定义14：累计识别率（Firs n Hit）正确的识别结果在前N个候选人中 的比率。即将识别结果按照匹配相似度从大到小排列，在前N个结果 中存在被识别的人的比率。
面部特征的模式识别与算法
线性判别分析（Fisher 线性判别） 支持向量机SVM 贝叶斯网络 隐马尔可夫模型及其基本问题 人工神经网络 模糊模式识别
人脸识别系统的设计与实现
人脸识别系统的总体设计 人脸识别系统的算法设计 人脸识别系统的实现
人脸识别系统的开发与实验工具
Intel® 开源计算机视觉库OpenCV简介
计算机视觉技术练习(习题卷1)
计算机视觉技术练习(习题卷1)说明：答案和解析在试卷最后第1部分：单项选择题，共67题，每题只有一个正确答案,多选或少选均不得分。
1.[单选题]逆光拍照时，人脸比较暗，使用伽马矫正对图像进行增强达到逆光也清晰的效果，γ的取值可以选择？（）A)0B)0.5C)1D)22.[单选题]阅读以下文字：假设我们拥有一个已完成训练的、用来解决车辆检测问题的深度神经网络模型，训练所用的数据集由汽车和卡车的照片构成，而训练目标是检测出每种车辆的名称（车辆共有10种类型）。
现在想要使用这个模型来解决另外一个问题，问题数据集中仅包含一种车（福特野马）而目标变为定位车辆在照片中的位置。
A)除去神经网络中的最后一层，冻结所有层然后重新训练B)对神经网络中的最后几层进行微调，同时将最后一层（分类层）更改为回归层C)使用新的数据集重新训练模型D)所有答案均不对3.[单选题]在无人机输电线路巡检中以及变电站机器人巡检工作中，基于相关（）服务能力，实现设备缺陷、隐患智能辨识。
A)声纹识别B)自然语言处理C)语音识别D)图像识别4.[单选题]坐标为（21,13）和坐标为（22,12）的两个像素在空间上存在什么邻接关系？A)不存在邻接关系B)对角邻接C)8-邻接D)4-邻接5.[单选题]图像识别是以图像的主要（ ）为基础的A)元素B)像素C)特征D)部件6.[单选题]常用的的灰度内插法不包括()。
A)双线性内插法B)三次多项式C)最近邻元法7.[单选题]经自动标注工具处理后的图像样本状态包括已标注和（）？A)未标注B)未审核C)已标注D)无缺陷8.[单选题]在形状检测算法在检测圆柱面时,需要点云提供较为准确的()。
A)点云法向B)点云切向C)点云中心D)点云边缘9.[单选题]一副8位RGB的彩色图像中，(255，255，255)代表什么着色？A)红色B)白色C)黑色D)蓝色10.[单选题]一副照片在存放过程中出现了很多小的噪点,对其扫描件进行()操作去噪效果最好。
计算机视觉汇总面经分享（面试突击必看）
计算机视觉汇总⾯经分享（⾯试突击必看）总结复习步骤：集中复习（1）第⼀次-6⽉下旬，⼤概复习了20天左右，主要了解基础知识总结⼤纲和常见考点，复习之前所做的项⽬的细节，补充理论知识；（2）第⼆次-7⽉下旬，⼤概复习了7天左右，温习之前没有搞懂和提前批⾯试过程中涉及的内容，以及查看各种⾯经和针对⾃⼰需求公司的要求进⾏复习；（3）第三次-8⽉上旬，⼤概复习了7天左右，主要是过滤计算机的基础知识，包括计算机⽹络和数据库什么的，结果找CV的⼯作很少问到，Linux和操作系统多⼀点；（4）第四次-8⽉下旬，复习深度学习内容，集中时间看了下以前笔试⾯试中还没有搞懂的东西。
细节复习：零碎复习（1）每次⾯试之前都会花0.5~1天时间去看⼀下总结的考点和⽹上（⽜客⽹或者其他）提供的⾯经上的问题；（2）有些问题⼀开始也不会，⾯试的公司多了就会了。
注意事项（1）在校未出去实习①没时间出去实习，⼀定要早点准备，尤其是撸码，⼤⼩公司都很看重coding，国企就不说了，基础复习起来很快，撸码这个需要花费时间，有些东西看到了就会，没看到就真不会② 5⽉份开始刷题，⼀直刷到7⽉份，肯定很屌，⽆敌③基础知识6⽉就要开始看了，最晚不超过7⽉初，7⽉初提前就开始了，早点的6⽉份就开始了④提前批⼀定要多投，不投不被掠不知道努⼒复习，我⾃⼰算起来投了50+，⾯试了25+（阿⾥，头条，滴滴，地平线，华为，依图，图森，顺丰，锐明科技，旷视，海康，银⾏，英特尔等）拿到了10+，其中有三分之⼀的公司会因为简历不匹配给挂掉，剩下三分之⼀的公司绝⼤部分挂在coding，基础和其他⾯试环境印象只有2家给挂掉了，还是刷题太少了。
⑤投递的时候⼀定要分层次和时间，开始的时候可以考虑投⼀些中⼩型不是很想去的公司，积累⾯经和稳固⾃⼰的基础知识；然后7⽉份下旬和8⽉份上旬是提前批的黄⾦时期，可以⼤⼒去尝试⼤⼚，更新⼀波知识然后再说想去的公司；9⽉份秋招⾯试⼀下提前批没有⾯试好的公司和⼤⼚，捡捡漏。
电子科技大学计算机视觉作业答案
，在 matlab 中模拟可以得
clear; clc; a=linspace(0,pi); b=linspace(0,2*pi); [theta,phi]=meshgrid(a,b);
r=4; z0=40; x0=40; f=24; x=f*((r*sin(phi).*cos(theta)+x0).)/(r*cos(phi)+z0); y=f*((r*sin(phi).*sin(theta)).)/(r*cos(phi)+z0);
plot(x,y,'b') 所以在透视映射下球的投影不是圆。
3.Camera Calibration 无法找到这个数据：/cs766-1/public/html/fall06/hw/hw1/Feature2D.txt。 以下仅为题目所给的参考答案。
⎜⎛ − 0.2905 − 0.0532 0.1866 0.6283⎟⎞ (a).CamMatrix = ⎜ 0.0881 − 0.3264 0.0881 0.6010⎟
⎜⎝ − 0.0002 − 0.0002 − 0.0002 0.0021⎟⎠
在定义一个 2N*12 的矩阵 P 之后，通过寻找 P’*P 的特征向量对应的最小特征值的方法建立 要求的映射矩阵，并且把这个向量重构为一个 3*4 的矩阵。这和 3.1 节所描述的方法一致。 通过获得矩阵的方法打印出输入（u，v）的值和产生的结果，二者看起来与空间中等价立方 体的投影一致，所以该矩阵是可行的。
所以线的投影仍为线。
(b).证明：相机坐标系中球坐标：
。由第一题的知识我们知道它
在像平面上X的c 投=影(r为sin：ϕ cosθ + x0, r sin ϕ sin θ , r cosϕ + z0)
《计算机视觉》课程综合作业
《计算机视觉》课程综合作业一、论述题1.计算机视觉的研究领域及其主要支持技术？简述当前的技术进展。
答：计算机视觉是使用计算机及相关设备对生物视觉的一种模拟。
它的主要任务就是通过对采集的图片或视频进行处理以获得相应场景的三维信息，就像人类和许多其他类生物每天所做的那样。
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。
计算机视觉是一门综合性的学科，它已经吸引了来自各个学科的研究者参加到对它的研究之中。
其中包括计算机科学和工程、信号处理、物理学、应用数学和统计学，神经生理学和认知科学等。
有不少学科的研究目标与计算机视觉相近或与此有关。
主要支持技术包括图象处理、模式识别或图象识别、景物分析、图象理解等。
由于历史发展或领域本身的特点这些学科互有差别，但又有某种程度的相互重迭。
图象处理图象处理技术把输入图象转换成具有所希望特性的另一幅图象。
例如，可通过处理使输出图象有较高的信-噪比，或通过增强处理突出图象的细节，以便于操作员的检验。
在计算机视觉研究中经常利用图象处理技术进行预处理和特征抽取。
模式识别模式识别技术根据从图象抽取的统计特性或结构信息，把图象分成予定的类别。
例如，文字识别或指纹识别。
在计算机视觉中模式识别技术经常用于对图象中的某些部分，例如分割区域的识别和分类。
图象理解给定一幅图象，图象理解程序不仅描述图象本身，而且描述和解释图象所代表的景物，以便对图象代表的内容作出决定。
在人工智能视觉研究的初期经常使用景物分析这个术语，以强调二维图象与三维景物之间的区别。
图象理解除了需要复杂的图象处理以外还需要具有关于景物成象的物理规律的知识以及与景物内容有关的知识。
当前的技术进展：人工智能所研究的一个主要问题是：如何让系统具备“计划”和“决策能力”？从而使之完成特定的技术动作（例如：移动一个机器人通过某种特定环境）。
这一问题便与计算机视觉问题息息相关。
在这里，计算机视觉系统作为一个感知器，为决策提供信息。
计算机视觉(作业)
视觉是各个应用领域，如制造业、检验、文档分析、医疗诊断，和军事等领域中各种智能／自主系统中不可分割的一部分。
由于它的重要性，一些先进国家，例如美国把对计算机视觉的研究列为对经济和科学有广泛影响的科学和工程中的重大基本问题，即所谓的重大挑战（grand challenge）。
"计算机视觉的挑战是要为计算机和机器人开发具有与人类水平相当的视觉能力。
机器视觉需要图象信号，纹理和颜色建模，几何处理和推理，以及物体建模。
一个有能力的视觉系统应该把所有这些处理都紧密地集成在一起。
作为一门学科，计算机视觉开始于60年代初，但在计算机视觉的基本研究中的许多重要进展是在80年代取得的。
现在计算机视觉已成为一门不同于人工智能、图象处理、模式识别等相关领域的成熟学科。
计算机视觉与人类视觉密切相关，对人类视觉有一个正确的认识将对计算机视觉的研究非常有益。
为此我们将先介绍人类视觉。
计算机视觉与人类视觉密切相关，对人类视觉有一个正确的认识将对计算机视觉的研究非常有益。
为此我们将先介绍人类视觉。
人类视觉感觉是人的大脑与周围世界联系的窗口，它的任务是识别周围的物体，并告诉这些物体之间的关系。
我们的思维活动是以我们对客观世界与环境的认识为基础的，而感觉则是客观世界与我们对环境的认识之间的桥梁，使我们的思维与周围世界建立某种对应关系。
视觉则是人最重要的感觉，它是人的主要感觉来源。
人类认识外界信息的80%来自视觉。
人有多种感觉，但对人的智力产生影响的主要是视觉和听觉。
味觉和嗅觉是丰富多样的，但很少有人去思考它们。
在视觉和听觉中形状、色彩、运动、声音等就很容易被结合成各种明确和高度复杂、多样的空间和时间的组织结构。
所以这两种感觉就成了理智活动得以行使和发挥作用的非常合适的媒介和环境。
但人听到的声音要想具有意义还需要联系其它的感性材料。
而视觉则不同，它是一种高度清晰的媒介，它提供关于外界世界中各种物体和事件的丰富信息。
因此它是思维的一种最基本的工具。
计算机视觉课后作业1——图像处理基础
计算机视觉课后作业1——图像处理基础刚刚开始接触计算机视觉的课程，此次完成图像处理基础部分的内容，并且将其中的直⽅图，⾼斯滤波和直⽅图均衡化的实验结果写在该博客。
环境：Python+opencv软件：PyCharm 2020.1.1⽬录1 直⽅图1.1 基本原理1.2 代码1.3 实验截图2 直⽅图均衡化2.1 基本原理2.2 代码2.3 实验截图3 ⾼斯滤波（⾼斯模糊）3.1 基本原理3.2 代码3.3 实验截图1 直⽅图1.1 基本原理图像的直⽅图反映了⼀幅图像的像素分布情况。
横坐标代表像素的种类，纵坐标代表每⼀种像素值在图像中的像素总数或者占所有像素个数的百分⽐，能够很直观的展⽰出图像中各个像素值占⽐的多少。
我们⼀般⽤到的直⽅图都是灰度直⽅图，其中横坐标是图像的灰度级（0-255），纵坐标则是该灰度级出现的频率或个数。
通过⼀幅图像的亮暗情况就可以判断出其直⽅图的⼤致分布情况，较暗的图像的直⽅图像素分布聚集在左侧，较亮的图像直⽅图像素分布聚集在右侧。
1.2 代码注意：<1>⽤到了PIL库中的Image模块，⽤来打开本地图⽚。
PIL(Python Imaging Library)是⼀个⾮常好⽤的图像处理库，但新版的Python不⽀持PIL，⽽是使⽤Pillow（也是第三⽅库）。
<2>pylab 模块是进⾏⼆维，三维数据绘制的⼯具模块，由于 pylab是matplotlib中的⼀个模块所以我们直接安装matplotlib库就可以对它进⾏调⽤。
<3>在默认状态下，matplotlb⽆法在图表中使⽤中⽂,在此我们使⽤matplotlib的字体管理器matplotlib.Font_manager来指定字体⽂件。
from PIL import Imagefrom pylab import *from matplotlib.font_manager import FontProperties# 添加中⽂字体⽀持font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14)# 指定字体⽂件——中⽂im = array(Image.open('D:\\MATLAB\\bin\\fj.jpg').convert('L')) # 打开图像，并转成灰度图figure()subplot(121)gray()contour(im, origin='image')#在原点左上⾓显⽰轮廓图像axis('equal')#x轴和y轴单位长度⼀致axis('off')#关闭坐标轴线title(u'图像轮廓', fontproperties=font)subplot(122)hist(im.flatten(), 128)#绘制图像灰度直⽅图title(u'图像直⽅图', fontproperties=font)plt.xlim([0,260])plt.ylim([0,11000])show()1.3 实验截图2 直⽅图均衡化2.1 基本原理对于随便⼀张图来说，较暗图像的灰度直⽅图的分量（灰度级）集中在灰度较低的⼀端；⽽较亮图像的灰度直⽅图的分量则偏向于灰度较⾼的⼀端。