我们正在努力恢复Google Play商店上的Unionpedia应用程序
传出传入
🌟我们简化了设计以优化导航！
Instagram Facebook X LinkedIn

计算机视觉各主题列表

指数 计算机视觉各主题列表

这是一个计算机视觉以及图象处理的主题列表.

目录

  1. 21 关系: 单应性，尺度不變特徵轉換，互相关，仿射变换，伽瑪校正，光流法，图像分割，粒子濾波器，直方图均衡化，隨機抽樣一致，马尔可夫网络，计算机视觉，边缘检测，霍夫变换，色彩空間，雷登變換，Fundamental matrix，JPEG 2000，RANSAC，最小二乘法，方向梯度直方图。

  2. 科学纲要
  3. 维基百科纲要
  4. 计算机相关列表
  5. 计算机视觉

单应性

单应性是几何中的一个概念。单应性是一个从实射影平面到射影平面的可逆变换，直线在该变换下仍映射为直线。具有相同意义的词还包括直射变换、射影变换和射影性等， 不过“直射变换”也在更广义的范围内使用。 形式化地说，射影变换是一种在射影几何中使用的变换：它是一对透视投影的组合。它描述了当观察者视角改变时，被观察物体的感知位置会发生何种变化。射影变换并不保持大小和角度，但会保持重合关系和交比——两个在射影几何中很重要的性质。射影变换形成了一个群。 对于更广义的射影空间——具有不同维度或不同的域——来说，“单应性”代表射影线性变换（由其相关的向量空间的线性变换导出的可逆变换），而“直射变换”（意为“把直线映射为直线”）更为广义，它既包含了单应性，也包含了自同构直射变换（由域自同构导出的直射变换），或者是这两者的组合。.

查看 计算机视觉各主题列表和单应性

尺度不變特徵轉換

尺度不變特徵轉換(Scale-invariant feature transform 或 SIFT)是一種机器視覺的演算法用來偵測與描述影像中的局部性特徵，它在空間尺度中尋找極值點，並提取出其位置、尺度、旋轉不變數，此演算法由 David Lowe 在1999年所發表，2004年完善總結。 後續的論文中也有許多基於 SIFT 改進的論文，例如 SURF 將 SIFT 的許多過程近似，達到加速的效果；PCA-SIFT利用主成分分析降低描述子的維度，減少記憶體的使用並加快配對速度。 其應用範圍包含物體辨識、機器人地圖感知與導航、影像縫合、3D模型建立、手勢辨識、影像追蹤和動作比對。 此演算法有其專利，專利擁有者為 英屬哥倫比亞大學。.

查看 计算机视觉各主题列表和尺度不變特徵轉換

互相关

在统计学中，互相关有时用来表示两个随机矢量 X 和 Y 之间的协方差cov（X, Y），以与矢量 X 的“协方差”概念相区分，矢量 X 的“协方差”是 X 的各标量成分之间的协方差矩阵。 在信号处理领域中，互相关（有时也称为“互协方差”）是用来表示两个信号之间相似性的一个度量，通常通过与已知信号比较用于寻找未知信号中的特性。它是两个信号之间相对于时间的一个函数，有时也称为“滑动点积”，在模式识别以及密码分析学领域都有应用。 对于离散函数 fi 和 gi 来说，互相关定义为 其中和在整个可能的整数 j 区域取和，星号表示复共轭。对于连续信号 f(x) 和 g(x) 来说，互相关定义为 其中积分是在整个可能的 t 区域积分。 互相关实质上类似于两个函数的卷积。.

查看 计算机视觉各主题列表和互相关

仿射变换

仿射变换，又称仿射映射，是指在几何中，一个向量空间进行一次线性变换并接上一个平移，变换为另一个向量空间。 一個對向量 \vec 平移 \vec ，與旋轉放大縮小 A的仿射映射為 \vec.

查看 计算机视觉各主题列表和仿射变换

伽瑪校正

伽馬校正（Gamma correction） 又叫伽馬非線性化（gamma nonlinearity）、伽馬編碼（gamma encoding） 或是就只單純叫伽馬（gamma）。是用來針對影片或是影像系統裡對於光線的輝度（luminance）或是三色刺激值（tristimulus values）所進行非線性的運算或反運算。最簡單的例子裡伽馬校正是由下列冪定律公式所定義的。 其中A是一个常量，輸入和輸出的值都為非負实数值。一般地來說在A.

查看 计算机视觉各主题列表和伽瑪校正

光流法

光流(Optical flow or optic flow)是关于视域中的物体运动检测中的概念。用来描述相对于观察者的运动所造成的观测目标、表面或边缘的运动。光流法在樣型識别、计算机視覺以及其他影像處理領域中非常有用，可用于运动检测、物件切割、碰撞时间与物体膨胀的计算、运动补偿编码，或者通过物体表面与边缘进行立体的测量等等。.

查看 计算机视觉各主题列表和光流法

图像分割

在计算机视觉领域，图像分割（Segmentation）指的是将数字图像细分为多个图像子区域（像素的集合）（也被称作超像素）的过程。图像分割的目的是简化或改变图像的表示形式，使得图像更容易理解和分析。Linda G. Shapiro and George C.

查看 计算机视觉各主题列表和图像分割

粒子濾波器

粒子滤波器(particle filter)是一种使用蒙特卡罗方法(Monte Carlo method)的递归滤波器，透过一组具有权重的随机样本(稱為粒子)來表示隨機事件的後驗機率，從含有雜訊或不完整的觀測序列，估計出動態系統的狀態，粒子濾波器可以運用在任何狀態空間的模型上。 粒子濾波器是卡爾曼濾波器(Kalman filter)的一般化方法，卡爾曼濾波器建立在線性的狀態空間和高斯分布的雜訊上；而粒子濾波器的狀態空間模型可以是非線性，且雜訊分布可以是任何型式。.

查看 计算机视觉各主题列表和粒子濾波器

直方图均衡化

方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法。.

查看 计算机视觉各主题列表和直方图均衡化

隨機抽樣一致

随机抽样一致算法（RANdom SAmple Consensus，RANSAC）。它采用迭代的方式从一組包含離群的被觀測數據中估算出數學模型的參數。 RANSAC是一個非確定性算法，在某種意義上說，它會產生一個在一定概率下合理的結果，而更多次的迭代会使这一概率增加。此RANSAC算法在1981年由Fischler和Bolles首次提出。 RANSAC的基本假設是.

查看 计算机视觉各主题列表和隨機抽樣一致

马尔可夫网络

尔可夫网络，（马尔可夫随机场、无向图模型）是关于一组有马尔可夫性质随机变量X的全联合概率分布模型。 马尔可夫网络类似贝叶斯网络用于表示依赖关系。但是，一方面它可以表示贝叶斯网络无法表示的一些依赖关系，如循环依赖；另一方面，它不能表示贝叶斯网络能够表示的某些关系，如推导关系。马尔可夫网络的原型是易辛模型，最初是用来说明该模型的基本假设。.

查看 计算机视觉各主题列表和马尔可夫网络

计算机视觉

计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图像处理，用计算机处理成为更适合人眼观察或传送给仪器检测的图像。 作为一門科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取「信息」的人工智能系统。这里所指的信息指香农定义的，可以用来帮助做一个“决定”的信息。因为感知可以看作是从感官信号中提取信息，所以计算机视觉也可以看作是研究如何使人工系统从图像或多维数据中“感知”的科学。 作为一个工程学科，计算机视觉寻求基于相关理论与模型来建立计算机视觉系统。这类系统的组成部分包括：.

查看 计算机视觉各主题列表和计算机视觉

边缘检测

边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。这些包括（i）深度上的不连续、（ii）表面方向不连续、（iii）物质属性变化和（iv）场景照明变化。 边缘检测是图像处理和计算机视觉中，尤其是特征检测中的一个研究领域。 图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。有许多方法用于边缘检测，它们的绝大部分可以划分为两类：基于查找一类和基于零穿越的一类。基于查找的方法通过寻找图像一阶导数中的最大和最小值来检测边界，通常是将边界定位在梯度最大的方向。基于零穿越的方法通过寻找图像二阶导数零穿越来寻找边界，通常是Laplacian过零点或者非线性差分表示的过零点。.

查看 计算机视觉各主题列表和边缘检测

霍夫变换

霍夫變換是一種特徵檢測(feature extraction)，被廣泛應用在圖像分析（image analysis）、電腦視覺 (computer vision)以及數位影像處理 (digital image processing)。 霍夫變換是用來辨別找出物件中的特徵，例如：線條。他的演算法流程大致如下，給定一個物件、要辨別的形狀的種類，演算法會在參數空間(parameter space)中執行投票來決定物體的形狀， 而這是由累加空間(accumulator space)裡的局部最大值(local maximum)來決定。 現在廣泛使用的霍夫變換是由 Richard Duda 和 Peter Hart 在西元1972年發明，並稱之為廣義霍夫變換(generalized Hough transform)，廣義霍夫變換和更早前1962年的Paul Hough 的專利有關 。 經典的霍夫變換是偵測圖片中的直線，之後，霍夫變換不僅能識別直線，也能夠識別任何形狀，常見的有圓形、橢圓形。1981年，因為Dana H.

查看 计算机视觉各主题列表和霍夫变换

色彩空間

色彩空间（Color space）是对色彩的组织方式。借助色彩空间和针对物理设备的测试，可以得到色彩的固定模拟和数字表示。色彩空间可以只通过任意挑选一些颜色来定义，比如像彩通系统就只是把一组特定的颜色作为样本，然后给每个颜色定义名字和代码；也可以是基于严谨的数学定义，比如 Adobe RGB、sRGB。 色彩模型（Color model）是一种抽象数学模型，通过一组数字来描述颜色（例如RGB使用三元组、CMYK使用四元组）。如果一个色彩模型与绝对色彩空间没有映射关系，那么它多少都是与特定应用要求几乎没有关系的任意色彩系统。 如果在色彩模型和一个特定的参照色彩空间之间建立特定的映射函数，那么就会在这个参照色彩空间中出现有限的「覆盖区」（footprint），称作色域。色彩空间由色彩模型和色域共同定义。例如Adobe RGB和sRGB都基于RGB颜色模型，但它们是两个不同绝对色彩空间。 定义色彩空间时，通常使用 CIELAB 或者 CIEXYZ 色彩空间作为参考标准。这两个色彩空间在设计时便要求包含普通人眼可见的所有颜色。 由于「色彩空间」有着固定的色彩模型和映射函数组合，非正式场合下，这一词汇也被用来指代色彩模型。尽管固定的色彩空间有固定的色彩模型相对应，这样的用法严格意义上是错误的。.

查看 计算机视觉各主题列表和色彩空間

雷登變換

數學上，雷登變換是一種積分變換，這個變換將二維平面函數f變換成一個定義在二維空間上的一個線性函數 f(f的意思是對f做雷登變換)，而 f的值為函數f對該條線 f做積分的值。以右圖為例，黃色區域即是f，A線則是代表 f。 雷登變換是Johann Radon在西元1917年提出，他也同時提出雷登變換的反變換公式，以及三次空間的雷登變換公式。 三次空間雷登變換，是對一個平面積分(對線積分則是 X-ray transform)。而在不久之後，更高維度的歐幾里得空間的雷登變換被提出，更詳盡的廣義雷登變換要查Integral geometry。 在複數上有和雷登變換相似的Penrose transform，雷登變換被廣泛的應用在斷層掃描，雷登反變換可以從斷層掃描的剖面圖重建出投影前的函數。.

查看 计算机视觉各主题列表和雷登變換

Fundamental matrix

#重定向 基础矩阵.

查看 计算机视觉各主题列表和Fundamental matrix

JPEG 2000

JPEG 2000是基于小波变换的图像压缩标准，由Joint Photographic Experts Group组织创建和维护。JPEG 2000通常被认为是未来取代JPEG（基于离散余弦变换）的下一代图像压缩标准。JPEG 2000文件的副檔名通常为.jp2，MIME类型是image/jp2。 JPEG 2000的压缩比更高，而且不会产生原先的基于离散余弦变换的JPEG标准产生的塊狀模糊瑕疵。JPEG 2000同时支持有损数据压缩和无损資料壓縮。另外，JPEG 2000也支持更复杂的渐进式显示和下载。 JPEG 2000是国际标准化组织（ISO）发布的标准，文档代码为ISO/IEC 15444-1：2000。虽然JPEG 2000在技术上有一定的优势，但是到目前为止（2006年），網際網路上采用JPEG 2000技术制作的图像文件数量仍然很少，并且大多数的浏览器仍然不支持JPEG 2000图像文件的显示。但是，由于JPEG 2000在无损压缩下仍然能有比较好的压缩率，所以JPEG 2000在图像品質要求比较高的医学图像的分析和处理中已经有了一定程度的广泛应用。.

查看 计算机视觉各主题列表和JPEG 2000

RANSAC

#重定向 隨機抽樣一致.

查看 计算机视觉各主题列表和RANSAC

最小二乘法

最小二乘法（又称--）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。 利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。 “最小平方法”是對過度確定系統，即其中存在比未知數更多的方程組，以迴歸分析求得近似解的標準方法。在這整個解決方案中，最小平方法演算為每一方程式的結果中，將殘差平方和的總和最小化。 最重要的應用是在曲線擬合上。最小平方所涵義的最佳擬合，即殘差（殘差為：觀測值與模型提供的擬合值之間的差距）平方總和的最小化。當問題在自變量（x變量）有重大不確定性時，那麼使用簡易迴歸和最小平方法會發生問題；在這種情況下，須另外考慮變量-誤差-擬合模型所需的方法，而不是最小平方法。 最小平方問題分為兩種：線性或普通的最小平方法，和非線性的最小平方法，取決於在所有未知數中的殘差是否為線性。線性的最小平方問題發生在統計迴歸分析中；它有一個封閉形式的解決方案。非線性的問題通常經由迭代細緻化來解決；在每次迭代中，系統由線性近似，因此在這兩種情況下核心演算是相同的。 最小平方法所得出的多項式，即以擬合曲線的函數來描述自變量與預計應變量的變異數關係。 當觀測值來自指數族且滿足輕度條件時，最小平方估計和最大似然估计是相同的。最小平方法也能從動差法得出。 以下討論大多是以線性函數形式來表示，但對於更廣泛的函數族，最小平方法也是有效和實用的。此外，迭代地將局部的二次近似應用於或然性（藉由費雪信息），最小平方法可用於擬合廣義線性模型。 其它依據平方距離的目標加總函數作為逼近函數的主題，請參見最小平方法（函數近似）。 最小平方法通常歸功於高斯（Carl Friedrich Gauss，1795），但最小平方法是由阿德里安-马里·勒让德（Adrien-Marie Legendre）首先發表的。.

查看 计算机视觉各主题列表和最小二乘法

方向梯度直方图

方向梯度直方图（Histogram of oriented gradient，简称HOG）是应用在计算机视觉和图像处理领域，用于的特征描述器。这项技术是用来计算局部图像梯度的方向信息的统计值。这种方法跟边缘方向直方图（edge orientation histograms）、尺度不变特征变换（scale-invariant feature transform descriptors）以及（ shape contexts）有很多相似之处，但与它们的不同点是：HOG描述器是在一个网格密集的大小统一的细胞单元（dense grid of uniformly spaced cells）上计算，而且为了提高性能，还采用了重叠的局部对比度归一化（overlapping local contrast normalization）技术。 其作者Navneet Dalal和Bill Triggs是法国国家计算机技术和控制研究所（INRIA）的研究员，他们在2005年的CVPR上首先发表了描述方向梯度直方图的论文。在这篇论文里，他们主要是将这种方法应用在静态图像中的行人检测上，但在后来，他们也将其应用在影片中的行人检测，以及静态图像中的车辆和常见动物的检测。.

查看 计算机视觉各主题列表和方向梯度直方图

另见

科学纲要

维基百科纲要

计算机相关列表

计算机视觉