【计算机视觉】3.传统计算机视觉方法

最新推荐文章于 2026-01-17 07:56:21 发布
原创 最新推荐文章于 2026-01-17 07:56:21 发布 · 1.2k 阅读 · 2 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
标签
#计算机视觉 #人工智能
本文详细探讨了传统计算机视觉中的关键模块，包括图像分割的阈值、边缘、区域和图论方法，以及人脸检测的Haar-like特征级联分类器，行人检测的HOG+SVM和DPM技术。

传统计算机视觉方法

一、大纲

图像分割

基于阈值、基于边缘
基于区域、基于图论

人脸检测

Haar-like 特征+级联分类器

行人检测

HOG+SVM
DPM

二、图像分割

基于阈值检测的方法
基于边缘检测的方法
基于区域的分割方法
基于图论的分割方法
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

基于阈值检测的方法

在这里插入图片描述

基于边缘检测的方法

在这里插入图片描述
在这里插入图片描述

基于区域的分割方法

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

基于图论的分割方法

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

三、人脸检测

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

四、行人检测

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

五、SVM

在这里插入图片描述
在这里插入图片描述在这里插入图片描述

六、DPM

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

计算机视觉:传统图像处理方法
iotflh的博客
12-29 5929
1、图像分割 经典的数字图像分割算法一般是基于灰度值的两个基本特征之一：不连续性和相似性。 （1）基于阈值： 基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值相比较，最后将像素根据比较结果分到合适的类别中。 算法的关键：确定阈值。 （2）基于边缘： 所谓边缘是指图片中两个不同区域的边界线上连续的像素点的集合，是图像局部特征不连续性的反映，体现了灰度、颜色、纹理等图像特性突变。 先确定图像中的边缘像素，把这些像素连接在一起就构成了所需的区域边界。 （3）基于区域 将图像按照相似性
CV | 传统的计算机视觉与基于深度学习的计算机视觉的区别（简述）
lovetaozibaby的博客
07-07 5137
简介 做计算机视觉也已经很久了，说起来接触深度学习的时间却并不是很多。在这一年的时间里，阅读的最新的文献确实大部分都与深度学习相关，这其实给人带来了很大的困惑。——是否，在未来，计算机视觉就一定要做深度学习？ 我从网上搜集了一下别人的看法。当然，如果你直接搜索“计算机视觉”，十条检索里有9条半都会涉及到“深度学习”。我从中看到了一篇博客（为什么深度学习仍未取代传统的计算机视觉技术？），18年发表，放到现在可能会有一定的过时，但是还是能体会到不同的关于概念上的区别。在这里摘取并总结有关**“传统的计算机视觉”
计算机视觉算法
李昭的博客
02-06 2030
掌握计算机视觉算法需要理论与实践结合，建议从经典模型（如LeNet、YOLOv3）入手，逐步深入复杂任务（如实例分割、视频分析）。：生成器（Generator）和判别器（Discriminator）对抗训练。：车道线检测（LaneNet）、障碍物检测（YOLO）、语义分割。：数据增强（旋转、裁剪、色彩变换）、迁移学习（预训练模型微调）。《深度学习》（花书）第9章（CNN）、第10章（序列建模）。：NeRF（神经辐射场）、点云处理（PointNet++）。：多尺度特征融合（FPN）、注意力机制（CBAM）。
分割 反比 权重图 梯度 灰度_图像处理之特征提取
weixin_39728213的博客
12-22 904
知乎上看到一个话题——目前火热的 Deep Learning 会灭绝传统的 SIFT / SURF 特征提取方法吗？由于之前研究过SIFT和HOG这两种传统的特征提取方法，故本篇文章先对SIFT和HOG作一综述，并比较二者优缺点。之后，将SIFT和HOG同神经网络特征提取做一对比，浅谈对上述问题的看法。如果能写得快一些，再简单介绍其他几种传统的特征提取的方法——SURF、ORB、LBP、HAAR等...
计算机视觉的革命：从传统算法到深度学习
禅与计算机程序设计艺术
12-29 1350
1.背景介绍 计算机视觉(Computer Vision)是人工智能(Artificial Intelligence)的一个重要分支，它研究如何让计算机理解和处理人类世界中的视觉信息。在过去的几十年里，计算机视觉主要依赖于传统的图像处理和机器学习算法来解决问题。然而，随着深度学习(Deep Learning)技术的迅猛发展，计算机视觉领域遭到了深度学习的重大影响。 深度学习是一种新型的人工智能...
计算机视觉发展和应用浅谈
Gone_HuiLin的博客
08-07 1749
计算机视觉（Computer Vision）又称为机器视觉，顾名思义就是一门”教“计算机如何”看懂“世界的学科。计算机视觉从传统的计算机视觉技术发展到如今以深度学习技术为主线的视觉技术，本文将首先介绍传统计算机视觉中的特征提取方法、分类器的设计以及基于深度学习技术的自动特征提取及分类或回归技术，其次介绍一些典型的视觉应用及其使用的技术方案，然后介绍了视觉领域一些典型的工具（开发）库和的数据集，最后分析了计算机视觉领域面临的挑战以及对其未来进行展望。......
SAM3迁移指南：从传统CV方法到AI分割模型
最新发布
weixin_30633869的博客
01-17 646
本文介绍了基于星图GPU平台自动化部署sam3 提示词引导万物分割模型的完整流程。该镜像集成Gradio Web界面，支持通过自然语言提示实现图像中任意物体的精准分割，适用于AI应用开发、智能标注与内容编辑等场景，显著提升视觉任务效率。
计算机视觉——python3实现张正友棋盘相机标定图像
weixin_43837871的博客
04-14 6836
照相机标定 前言：相机标定是我们相机拍摄的物体都处于三维世界坐标系中，而相机拍摄成像时把三维相机坐标系向二维图像坐标系转换。不同镜头成像时的转换矩阵不同可能引入失真，标定的作用是近似地估算出转换矩阵和失真系数。为了估算，需要知道若干点的三维世界坐标系中的坐标和二维图像坐标系中的坐标。传统的照相机标定方法是通过世界坐标集(Xi,Yi,Zi)，以及它们在图像平面上的投影坐标集(ui,vi)，计算...
Radiance Fields from VGGSfM和Mast3r:两种先进3D重建方法的比较与分析
2401_87458718的博客
09-23 2423
近年来,随着深度学习技术的发展,一些新的方法被提出并取得了显著的进展。本文将重点介绍两种最新的基于深度学习的3D重建方法:VGGSfM和Mast3r,并通过Gaussian Splatting技术对它们的性能进行全面比较和分析。总的来说,VGGSfM和Mast3r代表了3D场景重建领域的最新进展,它们的出现不仅推动了该领域的技术发展,也为相关应用领域带来了新的机遇和挑战。随着这些技术的不断成熟和优化,我们有理由期待在不久的将来,更加精确、高效和实用的3D重建系统将会出现。
计算机视觉算法：从传统方法到深度学习革命（深度扩展版）
weixin_69882801的博客
02-10 1171
本文系统解析计算机视觉技术演进，新增算法数学推导、PyTorch实战代码、产业落地数据及多模态前沿模型分析。通过3大核心对比实验、5个行业级案例和12个可运行代码片段，构建完整的CV知识体系。
Halcon 分割之区域生长法
2202_75557553的博客
11-17 993
区域生长法也称为区域生成法，其基本思想是将一幅图像分成许多小的区域，并将具有相似性质的像素集合起来构成区域。具体来说，就是先在需要分割的区域内找一个种子像素作为生长的起始点，然后将种子像素周围邻域中与种子像素有相同或相似性质的像素（根据某种事先确定的生长或相似准则来判断）合并到种子像素所在的区域中；最后将这些新像素作为新的种子像素继续进行上述操作，直到没有满足条件的像素可被合并进来为止，图像分割随之完成。区域生长法的实质就是把具有某种相似性质的像素连通起来，从而构成最终的分割区域。
机器视觉中的传统视觉与深度视觉
专注于 Qt/C++ 应用开发和机器视觉领域的开源项目分享。期待与您共同进步！
04-02 729
工业视觉是现代制造业中一个非常重要的应用领域，广泛用于产品质量检测，尤其是在生产线上。几乎所有的工业产品在流入市场之前，都要经历严格的缺陷检测环节，以确保它们符合质量标准。
计算机视觉算法：原理与应用
qq_20245171的博客
12-11 1094
计算机视觉算法作为人工智能的关键领域，正在迅速改变社会的方方面面。从传统方法到深度学习驱动的创新技术，计算机视觉的核心算法在多个行业中得到了广泛应用。然而，随着需求的增长和应用场景的复杂化，仍有许多技术挑战亟待解决。计算机视觉是人工智能领域的重要分支，旨在让计算机具备“看见”并理解世界的能力。通过模拟人类视觉系统，计算机视觉算法能够从图像和视频中提取有用信息，为各种实际应用提供支持。边缘检测用于提取图像中强度变化较大的区域，通常表示物体的轮廓。提供模型决策的可解释性，增强用户对 AI 系统的信任。
图像识别与检测：从传统算法到深度学习
禅与计算机程序设计艺术
01-07 4384
1.背景介绍 图像识别和检测是计算机视觉领域的核心技术，它涉及到从图像中识别和检测物体、场景等。图像识别和检测的应用范围广泛，包括人脸识别、自动驾驶、目标检测、图像分类等。 传统的图像识别和检测方法主要包括： 模板匹配：利用预定义的模板与图像进行匹配，用于识别固定形状和尺寸的目标。 特征提取：提取图像中的特征，如边缘、颜色、纹理等，然后使用这些特征进行目标识别和检测。 支持向量机(SVM)...
CV学习：传统（机器学习）图像识别（分类）
热门推荐
m0_51485946的博客
08-04 1万+
本文代码全部可运行，笔者运行环境：python3.7+pycharm+opencv4.6。此文是学习记录，记录实现图像识别所需知识，对各知识点并不做深入探究，但笔者提供了相关链接以便读者进行深入学习。 传统图像识别技术是指利用机器学习进行特征提取与图像分类。图像识别的过程包括信息获取、预处理、特征提取、图像分类。
计算机视觉概述
shuai_yue的博客
06-16 1613
计算机视觉概述 可以说，计算机视觉技术是人工智能技术的核心方向，特别是深度学习技术在计算机视觉中的应用，在最近五六年的人工智能浪潮中担当了先锋者的角色。甚至可以说，如果没有深度学习技术在过去几年对计算机视觉一些核心领域的推动和促进，就很可能没有这一波的人工智能技术浪潮。 我们可以这么来看待人工智能技术，它可以说是利用计算机技术来对人的感官，例如视觉、听觉、触觉以及思维进行模拟，从而建立起逻辑推断等智能才具备的能力。其中，计算机视觉技术无疑是至关重要的，也是非常困难的。 今天我会带你先来看看究竟什么是计算机视
计算机视觉分析：传统视觉VS深度学习
小白学视觉
03-18 1615
近日，来自麻省理工学院、加州大学伯克利分校、伊利诺伊大学香槟分校、华盛顿大学、帝国理工学院的六名顶级人工智能科学家、计算机视觉科学家在 ICCV 大会期间进行了题为「A discussio...
【计算机视觉】如何用传统方法在实现目标检测？
ZhangPY的专栏
04-15 1408
【计算机视觉】如何用传统方法在实现目标检测？ 问题描述 深度学习虽然很火热，但是数据量不大的时候，深度学习的性能还是比较差的，最主要的是模型能力太强，学出来之后不能泛化，因此一种可选的方法就是 不要处处都是深度模型，试试返璞归真的传统方法。 传统方法 基本上传统机器方法最直观的就是分类、回归，而对于计算机视觉中级任务：目标检测 该如何下手呢？一种最直观的想法就是用滑动窗口 sliding wind...
为什么深度学习不能取代传统的计算机视觉技术？
深度学习世界
03-15 1748
译者 | 王柯凝编辑 | 周翔当你辗转于各种论坛时，相信会经常看到这样的问题：深度学习是否会取代传统的计算机视觉？或者说，当深度学习看起来如此有效时，是否还有必要研究传统的计算机视觉技术？这是一个非常好的问题。深度学习已经彻底改变了计算机视觉和人工智能这一领域，许多曾经看起来不可能解决的问题，深度学习都能够解决——尤其是在图像识别和分类问题上，机器已经超越人类（短链：http://t.cn/Rnz
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值