计算机视觉——期末复习（填空、名词解释）_计算机视觉期末考试题

图像文件：指包含图像数据的文件，文件内除图像数据本身以外，还有对图像的描述信息等

距离变换：特殊的变换，把二值图像变换为灰度图像

距离图：如果考虑目标区域中的每个点与最接近的区域外的点之间的距离， 并用与距离成正比的灰度表示该点的灰度，那么这样得到的结果称为距离变换图，简称距离图；

空间分辨率：数字化的空间采样点数

幅度分辨率：即采样点值的量化级数

采样：将空间连续的图像变换成离散点的操作

量化：将像素灰度转换成离散的整数值的过程

辐射到图像采集矩阵中光电感受单元的信号在空间上被采样，而在强度上被量化

摄像机标定：从世界坐标系到计算机图像坐标系统的成像变换。借助预先知道的一组基准点获取摄像机参数的计算过程

边缘：图像的边缘是像素灰度值发生加速变化而不连续的结果

Roberts算子：交叉微分算法，采用对角方向相邻两像素值之差；基于交叉差分的梯度算法，通过局部差分计算检测边缘线条。常处理具有陡峭的低噪声图像。当图像边缘接近于正45度或负45度，算法处理效果更理想。缺点是对边缘的定位不太准确，提取的边缘线条较粗。

Prewitt算子：利用特定区域内像素灰度值产生的差分实现边缘检测；采用3*3模板对区域内像素值进行计算;结果比Roberts 算子更加明显;适合识别噪声较多、灰度渐变的图像

Sobel算子：计算图像明暗程度近似值,根据图像边缘旁边明暗程度把该区域内超过某个数的特定点记为边缘;像素点上下、左右邻点灰度加权差，在边缘处达到极值；在Prewitt算子基础上增加权重概念，从而实现图像锐化并突出边缘轮廓

.SUSAN算法特点：使用参数少, 对计算量及存储量要求低, 光强不变性, 旋转不变性和一定程度的尺寸不变性

Harris算子应用：图像匹配与检索, 图像物体形变恢复(摄像机标定), 三维重建

Laplacian算子：n维欧几里得空间中的一个二阶微分算子；用于图像增强领域和边缘提取.作用:团块检测;边缘检测;

Canny算子：把边缘问题转换为检测单位函数极大值的问题来考虑；3个指标：低失误概率（信噪比准则）；高位置精度（定位精度准则）；单像素边缘（单边缘相应准则）

最小核同值区（SUSAN区）：像素值与圆心位置像素值接近的区域和（颜色接近的区域）

角点：轮廓之间的交点；对于同一场景，即使视角放生变化，通常具备稳定性质的特征；该点附近区域的像素点无论在梯度方向上还是其梯度幅值上有着较大变化。使用一圆形模板和一圆的中心点，通过圆的中心点像素值与模板圆内其他像素值比较，统计与圆中心点像素值近似的像素数量，当这种像素数量小于某一阈值，则圆中心点是角点

核同值区：将模板中各个像素都与模板中心的核像 素的灰度进行比较，总有一部分模板区域像素的灰度与核像素的灰度相同或相似，这部分区域就是核同值区USAN

显著性:能使一个特征、图像点、图像区域或目标的鉴别性或相对于其环境更显眼的量/特性

目标分割：指将感兴趣的目标区域从图像中分离并提取出来，即图像分割；计算机视觉领域，图像分割指将数字图像细分为多个图像子区域（像素的集合）的过程。

主动轮廓模型：是一种从可能含有噪声的2D图像中提取物体轮廓线的架构。

内部能量函数：用来推动主动轮廓形状的改变，并保持轮廓上点之间的距离不要太远或太近

外部能量函数：将变形模板向感兴趣的特征位置吸引

K-均值聚类：将各个聚类子集内的所有数据样本的均值作为该聚类的代表点；通过迭代过程把数据集划分为不同的类别；使得评价聚类性能的准则函数达到最优，从而使生成的每个聚类类内紧凑，类间独立。不适合处理离散型

链码：一种利用由顺次连接的、具有特定长度和方向的直线段来表示目标边界线的方法。

链码归一化： 首先任选一起始点得到原链码；然后将该原链码看成是一个n位自然数，并将其按一个方向循

环移位，当该n位自然数值最小时对应的链码就是所求的归一化链码；最后并将该链码对应的起点作为该闭合边界的归—化链码起点

边界段：利用一定的分段原则将边界分成若干段，分别对每 一段进行表示

凸包：一个五角形称为集合S，将其五个顶点连起来得到一个五边形H。五角形S是一个凹体，五边形H为凸体，也是包含S的最小凸形，称为凸包；包含目标区域的最小凸形

外接盒：包含目标区域的最小长方形（边与坐标轴平行）

围盒：包含目标区域的最小长方形（朝向无限制）

骨架：是区域形状结构的一种简化表示方法。一个区域点和两个边界点的最小距离，是一种细化结构，可以通过中轴变换来获得。特点; 骨架上的任意一点至少与两个不同的边界上的点具有相同的最小距离。

边界的长度：指包含目标区域的轮廓的周长

边界的直径：连接边界上两个距离最远点的线段的长度

区域面积：描述区域的大小尺寸，区域的基本特性之一，定义：区域中像素的数目

区域密度：描述分割区域的目的是描述原目标的特性；

形状数：具有最小值的原链码的一阶差分码，其值限定了可能的不同形状的数目。

区域形状树：描述区域的紧凑性；与区域中所有点到区域外的距离总和有关；

欧拉数：描述区域的连通性，一个区域的拓扑描述符，是全局特征参数 E=C(联通)-H(孔数)

欧拉公式：全部由线段构成的区域集合。V(顶点数)-B(边数)+F(面数)=E=C(联通)-H(孔数)

纹理：一种反映图像中同质现象的视觉特征，体现物体表面共有的内在属性，包含物体表面结构组织排列的重要信息以及它们与周围环境的联系；

灰度共生矩阵(联合概率矩阵):通过图像中某灰度级结构重复出现的概率描述图像纹理信息

局部二值模式：纹理分析算子，借助局部邻域定义的纹理测度。属于点样本估计方式，具有尺度不变性、旋转不变性、计算复杂度低等特点

旋转不变性：改进后的LBP特征是灰度不变的，但是不是旋转不变的；实现旋转不变性：不断旋转圆形邻域，得到所有可能的初始定义的LBP值，然后取其中的最小值作为该邻域的值

运动矢量场： 将每个运动矢量用（有起点）无箭头的线段（线段长度与矢量大小

即运动速度成正比）来表示，并叠加在原始图像上

运动矢量方向直方图：仅保留运动的方向信息以减少数据量；通过对运动矢量场中方向数的统计，提取出场中图像块的运动方向 分布，以表达视频中目标的主要运动情况

运动区域类型直方图：借助对区域参数模型的表示来表达运动矢量场中各种运动的信息。

运动目标跟踪：在视频中，对运动目标的检测。利用先前帧图像中已获得的运动信息

光流：当摄像机与场景目标间有相对运动时所观察到的亮度模式运动

统计模式识别：也称为决策论模式识别方法，是从被研究的模 式中选择能足够代表它的若干特征（设有d 个），每一个模式 都由这d 个特征组成的在d 维特征空间的一个d 维特征向量来表示，于是每个模式在d 维特征空间占有一个位置。

最小距离分类器：基于对模式采样来估计各类模式统计参数，并完全由各类均值和方差确定；

计算机图像加工系统：显示、存储、采集

基本图像类型： 二值图像、灰度图像、索引图像、RGB图像

图像分类：模拟图像、数字图像

图像显示与表达：矩阵表达、矢量表达

图像显示设备：阴极射线管（CRT）、电视显示器、液晶显示屏（LCD）

二值图像显示方式：离散点集表示、覆盖区域 矩阵表达

图像表示形式：矢量表达形式、光栅表示形式

图像文件格式：BMP、GIF、TIFF、JPEG、PNG

目标分割：实例分割，语义分割

评价指标：查准率（精确率/精确性）、) 查全率（召回率）、PR曲线、ROC曲线、ROC曲线的曲线下面积（AUC）、F-测度（也称F-分数）

城区距离：D4(p,q)= |x-s|,|y-t|

棋盘距离：D8(p,q)=max(|x-s|,|y-t|)

欧氏距离：DE(p,q)=[(x-s)**2,(y-t)**2]**(1/2)

常用采集装置：CCD摄像机、CMOS摄像机、CID摄像机

图像采集装置：物理器件（传感器）、数字化器件

椭圆定位检测方法：直径二分法、弦-切线法

阈值分割方法分类：全局阈值、局部阈值、动态阈值

运动直方图表达形式：运动矢量方向直方图（MDH）；运动区域类型直方图（MRTH）

运动目标跟踪的方法：卡尔曼滤波器、粒子滤波器

运动目标分割策略：先分割再计算运动信息、先计算运动信息再分割、同时计算运动信息和进行分割

光流要素：运动（速度场），形成必要条件；带光学特性的部位，携带信息； 成像投影

显著性的特点：高层语义特征, 认知稳定性, 全局稀缺性, 局部差异性

良好的显著性检测模型满足的三个标准：良好的检测, 高分辨率, 计算效率

围绕区域有哪些：外接盒 围盒 凸包 (精度依次提升)

目标分割：语义分割：把图像中每个像素赋予一个类别标签（如汽车、建筑），标注为人，羊，狗，草地；实例分割：目标检测和语义分割的结合。相对目标检测的边界框，实例分割可精确到 物体的边缘，相对语义分割，实例分割需要标注出图上同一物体的不同个体