机器视觉日常习题

第二讲 图像处理概述

1. 几何变换：又称为图像空间变换，它将一幅图像中的坐标位置映射到另一幅图像中的新坐标位置。
2. 图像分割：把图像分成各具特色的区域并提取感兴趣目标的技术和过程。
3. 图像边缘：

1. 平滑，增强，复原。
2. 一般包括：图像增强、图像复原、图像编码、图像分割、图像重建等内容。
3. 一般包含两部分内容：
   空间运算，实现输入图像与输出图像的位置映射
   灰度插值，用于计算新位置上像素的灰度值
4. 点操作和模板操作
5. 平滑滤波和锐化滤波
6. 保留低频分量而除去高频分量
7. 平滑
8. 锐化
9. 数值相似性：如灰度差、区域灰度分布
   空间接近性：如欧氏距离、区域致密度
10. 一种是基于区域的方法；
    另一种是使用边缘检测的轮廓预估方法

11. 一般常用一阶或二阶导数来检测边缘
12. 阶梯状
    脉冲状
    屋顶状
13. 一阶微分边缘检测算子
14. 单阈值分割
    多阈值分割
15. 边缘是灰度不连续的结果，是图像局部强度变化最显著的部分。这种不连续常可利用求导数方便地检测到
16. 灰度阈值分割法
17. 区域生长
    合并与分裂
18. 加性噪声和乘性噪声

1. 图像预处理的主要目的是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取、图像分割、匹配和识别的可靠性。

2. 一般包括：数字化、几何变换、归一化、平滑、增强、复原等内容。

3. 目的是对图像进行相关的一些运算，以便简化后续的图像分析（图像描述、图像识别）工作

4. 一般包括：图像增强、图像复原、图像编码、图像分割、图像重建等内容

5. 便于在计算机中保存图像
   便于计算对图像进行处理

6. 线性平滑滤波器+非线性平滑滤波器

7. 将图像从图像空间转换到频域空间（傅立叶变换）
   在频域空间对图像进行增强；
   将增强后的图像再从频域空间转换到图像空间（傅立叶逆变换）。

8. 低通滤波、高通滤波、带通滤波、带阻滤波

9. 噪声：内部噪声、外部噪声；高斯噪声、椒盐噪声
   运动：图像拖影问题。

10. 数值相似性：如灰度差、区域灰度分布
    空间接近性：如欧氏距离、区域致密度

11. 边缘是灰度不连续的结果，是图像局部强度变化最显著的部分。这种不连续常可利用求导数方便地检测到，一般常用一阶或二阶导数来检测边缘
12. 由直方图灰度分布选择阈值，对与灰度图像，利用图像灰度统计信息的方法显示灰度分布，而分割的阈值选择在不同的山谷，一般采用一维直方图阈值化方法。从直方图中选取合适的阈值进行图像分割即可。
13. 图像分割就是把图像分成各具特色的区域并提取感兴趣目标的技术和过程。
14. 基于边界的分割技术：一阶微分算子，二阶微分算子
    基于区域的分割技术：并行区域技术，串行区域技术

1. B. 中值滤波，对椒盐噪声滤除效果极好
2. B
3. A
   平滑滤波：可以减弱或消除图像中的高频分量，但不影响低频分量，主要用于消除噪声
   低通滤波
   原理：保留低频分量而除去高频分量。
   结果：可以除去或消除噪声，但同时也模糊了边缘轮廓。
4. B
   高通滤波
   原理：保留高频分量而除去低频分量。
   结果：除去图像的大部分信息，只保留边缘轮廓。
   锐化滤波：可以减弱或消除图像中的低频分量，但不影响高频分量，主要用于增强被模糊的细节或目标的边缘。
5. A
   
6. B 取阈值是最常见的并行区域分割算法

7. A
8. B (不确定)
9. B
   滤波是典型的模版操作
   利用像素本身及其邻域像素的灰度关系进行增强
10. A
    图像频谱给出的是图像全局的性质，所以频域增强不是对逐个像素进行的。

1. （待写，之前写错了，真不好意思）

不考

2. 用卷积，这个就不多说了（下列结果没有进行验算，主要学习计算方法）

这个矩阵比较特殊，它很对称，我们也可以对应位置相加，最后乘1/4.
在题目中不考虑边缘，所以我们会得到3*3的边缘矩阵，最后把边缘补充上就好了
结果：

对于边缘有两种方法，第一种是对边缘填0，第二种是边缘映射，将边缘
映射到边缘

手写：

第四章

1. 图像目标的特征是对图像目标特性的抽象，是用于区别不同种类的目标的概念描述。
2. 纹理是图像中反复出现的局部模式和它们的排列规则
3. 特征选择是指从一组原始特征中挑选出最有效的特征子集，以达到降低特征空间维数、简化分类器设计、提高分类速度的目的。