HBU_计算机视觉
[HBU]计算机视觉期末复习，包括名词解释、填空、选择、简答、计算题、综合设计。
目录
第1讲机器视觉概述
一、名词解释
1、机器视觉
【机器视觉是使用光学（或类似）器件进行非接触感知，自动获取和解释一个真实场景的图像，以获取信息和（或）控制机器（或过程）。】
2、图像分割
【将背景与前景分割开】，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、特征提取
【将最能表示目标特征的主要信息经过特定的运算提取出来，以便降低目标信息的维度】
二、填空
1、机器视觉是使用____器件进行____感知，自动获取和解释一个____图像,以获取信息和(或)控制机器（或过程)。【光学、非接触、真实场景】
2、图像采集主要包括____、____、光电图像转换、图像数字转换四个环节。【照明、成像】
3、光源主要分为____、____两大类。【自然光源、人工光源】
4、相机/摄像机根据成像器件的类型分为____、____两类。【CCD相机、CMOS相机】
5、图像预处理主要包括____、 ____两大类技术。【空域图像增强、频域图像增强】
6、基本图像分割方法包括____、____两种。【基于边界的分割技术：边缘检测
基于区域的区域技术：阈值分割、区域生长】
三、简答
1、简要介绍机器视觉系统的基本组成。
【照明系统、采像系统、图像预处理、图像分割、特征提取、目标分类及解释、执行动作】
2、简要介绍图像采集的几个主要环节。
【照明、成像、光电图像转换、图像数字转换】
3、简要介绍人工光源的主要类型。
【热辐射光源：白炽灯等
气体放电光源：荧光灯等
固体发光光源：LED（Light-Emitting Diode，发光二极管）等（工业上常用）
激光光源：气体、液体、固体、半导体激光光源
优点：单色性、方向性好，亮度高；
缺点：贵
辐射光源：X射线、γ射线等（医学上用）】
4、简要说明CCD相机与CMOS相机各自的特点。
【CCD：响应速度快、集成度低、成品率低、功耗大
CMOS：两极反转！！！】
5、简单说明描述目标的典型特征有哪些?
【颜色特征、纹理特征、形状特征、变换特征】
6、简要介绍你所了解的常用分类器。
【判定树：判定树是一种监督学习的分类方法，它通过对数据集进行分析归纳，构建一棵树状结构来对数据进行分类或预测。判定树由内部节点（决策节点）、分支和叶节点组成。
SVM：支持向量机(Support Vector Machine, SVM)是一种监督学习算法，主要用于分类和回归分析。它的核心思想是找到一个最优超平面来划分不同类别的数据点，使得不同类别之间的间隔最大化。
神经网络：神经网络（Neural Network）是一种模仿生物神经系统结构和功能的计算模型，属于机器学习的重要组成部分。
基本结构
- 输入层：接收原始数据输入，如图像像素、文本词向量等
- 隐藏层：进行特征提取和转换，可包含多个层级
- 输出层：产生最终预测结果，如分类概率、回归值等
- 神经元：每个节点包含权重和激活函数（如ReLU、Sigmoid）
】
7、构建一个机器视觉系统时，通常需要获取哪些系统需求?
【1、检测什么东西2、检测哪些指标3、目标物多大4、工作距离多远5、分辨率多大6、检测速度多快7、安装空间多大8、目标物是什么颜色9、什么材质10、判断为合格的判据是什么11、工作信号是什么12、剔除或控制的方式是什么13、工作环境怎样14、交货日期是哪天】
8、怎样才算一幅好的图像?
【充分利用视场，从而最大限度地利用分辨率；
对比度要合适；
焦距要准确；
照明均匀，避免反光；
图像畸变小
感兴趣的特征容易被识别，其它特征不显示或得到抑制。】
9、一个机器视觉系统的机械部分，通常应具备哪些功能?
【理料：将待检物整理成满足视觉检测的形状等；
输送：将待检物送到检测区；
定位：确定指定目标的位置；
剔除：将指定目标从物料中剔除；
下料：将处理后的物料收集起来；】
10、构建一个机器视觉系统时，你有哪些好的建议?
【尽可能使用能够采购的零件，能买到的东西就不要自己做；
采用“分而治之”的策略做系统；
充分考虑现场条件
把困难x2或x3】
四、单项选择
1、机器视觉是使用____器件进行非接触感知的。【B】
(A)玻璃 (B)光学 (C)塑料 (D)金属
2、机器视觉是使用光学器件对目标物进行____感知的。【C】
(A)接触 (B)远距离 (C)非接触 (D)近距离
3、光源主要分为自然光源和____两大类。【B】
(A)不自然光源 (B)人工光源 (C)手工光源 (D)半手工光源
4、下面哪种光源不是自然光源____。【C】
(A)太阳 (B)月亮 (C)路灯 (D)星星
5、下面哪种光源不是人工光源____。【D】
(A)白炽灯 (B)LED灯 (C)荧光灯 (D)太阳
第2讲图像处理概述
一、名词解释
1、几何变换
【又称为图像空间变换，它将一幅图像中的作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
【两个具有不同灰度值的相邻区域之间总存在边缘，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】
4.边缘检测
【边缘检测是数字图像处理中一种基础而重要的技术，主要用于识别图像中亮度或颜色发生显著变化的区域边界。】
二、填空
1、图像预处理一般包括数字化、几何变换、归一化、____、____、____等内容。【平滑、增强、图像复原】
2、图像处理一般包括____、____、图像编码、____、图像重建等内容。【图像增强、图像复原、图像分割】
3、几何变换一般包括____、____两部分内容。【空间运算、灰度插值】
4、空域图像增强技术常用的操作包括____、____两种。【点操作、模板操作】
5、图像滤波─般分为____、____两种。【平滑滤波、锐化滤波】
6、低通滤波器可以保留____分量而除去____分量。【低频、高频】
7、频域的低通滤波与空域的____滤波效果类似。【平滑】
8、频域的高通滤波与空域的____滤波效果类似。【锐化】
9、图像分割中的两个最基本的原则是____和____。【数值相似性、空间接近性】
10、图像分割的基本方法有____和____。【基于区域的方法、使用边缘检测的轮廓预估方法】
11、图像边缘一般可利用____进行检测。【求导数】
12、常见的图像边缘剖面有____、____、____【阶梯状、脉冲状、屋顶状】
13、Roberts边缘检测算子属于____微分算子。【一阶】
14、图像分割技术一般包括____和____两种。【基于边界的分割技术、基于区域的分割技术】
15、边缘是____不连续的结果,是图像局部强度变化____的部分。这种不连续常可利用____方便地检测到。【灰度、最显著、求导数】
16、____是最常见的并行区域分割算法。【阈值分割】
17、____是最常见的串行区域分割算法。【区域生长】
18、按噪声和信号之间的关系，可将噪声分为____噪声和____噪声。【加性、乘性】
三、简答
1、图像预处理的主要目的是什么?
【消除图像中无用的信息，恢复有用的真实信息，增强有关信息的可检测性，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、图像预处理—般包含哪些主要内容?
【数字化、几何变换、归一化、平滑、增强、复原等内容】
3、图像处理的主要目的是什么?
【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、图像处理—般包含哪些主要内容?
【图像增强、图像复原、图像编码、图像分割、图像重建等内容】
5、为什么要进行图像的数字化?
【便于在计算机中保存图像；便于计算机对图像进行处理】
6、简要说明典型的空域滤波器有哪些?
【线性：邻域平均滤波器；邻域加权平均滤波器；非线性：中值滤波；边缘保持滤波】
7、简要说明频域增强的一般步骤。
【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、简要介绍常用的频域增强方法。
【低通滤波、高通滤波、带通滤波、带阻滤波】
9、导致图像质量下降有哪些常见因素?
【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、图像分割中的两个最基本的原则是什么?
【数值相似性：如灰度差、区域灰度分布
空间相似性：如欧氏距离、区域致密度】
11、简单说明边缘检测的基本原理。
【两个具有不同灰度值的相邻区域之间总存在边缘
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、简要介绍常用的阈值选取方法。
【极小值点阈值：将灰度直方图曲线的极小值作为阈值。
最优阈值：有时目标和背景的灰度值有部分交错，用全局阈值并不能将它们绝然分开。这时希望能减少误分割的概率，选取最优阈值是一种常用的方法。】
13、请给出图像分割的形式化定义，并进行简要解释。
（下面这四个公式就是形式化定义，我也不太会解释）
【解释：1.所有子区域的并集等于整个图像区域
- 任意两个子区域之间不存在交集。
- 对于每个子区域Ri，存在一个属性或特征P，使得对Ri中的所有像素，P(像素)均为真（TRUE）
- 两个子区域在它们公共边界上的像素不具有相同的属性或特征。】
14、简要描述常见的两种图像分割技术。
【基于区域的分割方法：从种子点开始，根据像素之间的相似性（如灰度、颜色等）逐渐扩展区域，直到满足某个停止准则。
方法：选择一个或多个种子点作为起始点，然后搜索与种子点相邻的像素，如果相邻像素与种子点具有足够的相似性（即它们之间的特征值之差小于某个阈值），则将这些像素合并到种子点所在的区域中。重复此过程，直到没有更多可合并的像素为止。
基于阈值的分割方法：基于阈值的分割是根据像素的灰度值与预先设定的阈值进行比较，将像素分为不同的类别。
方法：灰度阈值分割法是一种最常用的并行区域技术，它涉及将输入图像f通过阈值T转换为输出图像g。对于物体的图像元素，g(i,j)=1；对于背景的图像元素，g(i,j)=0。】
四、单项选择
1、中值滤波器对____噪声的去除效果最好。【B】
(A)高斯噪声 (B)椒盐噪声 (C)条带噪声 (D)混合噪声
2、平滑滤波器可以部分地消除噪声，但也容易造成____。【B】
(A)图像清晰 (B)图像模糊 (C)图像变小 (D)图像变大
3、频域的低通滤波与空域的____滤波效果类似。【A】
(A)平滑 (B)锐化 (C)高通 (D)带通
4、频域的高通滤波与空域的____滤波效果类似。【B】
(A)平滑 (B)锐化 (C)高通 (D)带通
5、Roberts边缘检测算子属于____微分算子。【A】
(A)一阶 (B)二阶 (C)三阶 (D)四阶
6、阈值分割算法属于____区域分割方法。【B】
(A)串行 (B)并行 (C)串并混合 (D)非
7、基于区域增长的图像分割属于____区域分割方法。【A】
(A)串行 (B)并行 (C)串并混合 (D)非
8、空域图像增强技术中的点操作处理的对象是____。【A】
(A)单个像素 (B)多个像素 (C)像素的邻域 (D)整幅图像
9、空域图像增强技术中的模板操作处理的对象是____。【B】
(A)单个像素 (B)像素的邻域 (C)整幅图像 (D)图像的变换值
10、图像频谱给出的是图像的____性质。【A】
(A)全局 (B)局部 (C)个别 (D)大小
五、计算题
这个的计算方式其实比较简单容易得出：
| 位置 | Gx | Gy | 幅值 G（精确值） | 幅值 G（近似值） |
|---|---|---|---|---|
| (2,2) | 6 | -5 | 61 | 7.81 |
| (2,3) | -2 | 2 | 8 | 2.83 |
| (2,4) | -4 | 0 | 4 | 4.00 |
| (3,2) | 4 | -5 | 41 | 6.40 |
| (3,3) | -4 | 4 | 32 | 5.66 |
| (3,4) | -4 | 1 | 17 | 4.12 |
| (4,2) | 4 | -5 | 41 | 6.40 |
| (4,3) | -6 | 4 | 52 | 7.21 |
| (4,4) | -2 | 0 | 2 | 2.00 |
只保留整数也可以。
-
点 (2,2) g′(2,2)=41(7+7+2+5)=421=5.25
-
点 (2,3) g′(2,3)=41(5+6+6+1)=418=4.5
-
点 (2,4) g′(2,4)=41(3+2+5+2)=412=3
-
点 (3,2) g′(3,2)=41(6+7+1+6)=420=5
-
点 (3,3) g′(3,3)=41(5+5+7+2)=419=4.75
-
点 (3,4) g′(3,4)=41(1+1+6+1)=49=2.25
-
点 (4,2) g′(4,2)=41(7+6+2+5)=420=5
-
点 (4,3) g′(4,3)=41(5+6+7+1)=419=4.75
-
点 (4,4) g′(4,4)=41(1+2+5+2)=410=2.5
-
- 梯度向量：G(3,3)=[−1−4]
- 梯度幅值：∣∇f(3,3)∣=17≈4.12
第4讲特征提取与选择
一、名词解释
1、图像目标的特征
【特征是对一个或一组客体特性的抽象。任一客体或一组客体都具有众多特性，人们根据客体所共有的特性抽象出某一概念，该概念便成为了特征。
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
【1、纹理是图像中反复出现的局部模式和它们的排列规则
2、纹理反映了图像中像素亮度变化的一种趋势】
3、特征选择
【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】
二、填空
1、目前用于特征提取的方法主要有____、____两种。【手工设计特征、特征学习】
2、图像目标特征的类型主要包括____、____、代数特征、变换系数特征、其他物理特征等。【视觉特征、统计特征】
3、图像的视觉特征指人类视觉对目标的感觉特征,其主要包括____、____、____、____。【颜色、边缘、轮廓、纹理、形状】
4、人对物体的色彩感觉不仅与____有关，还受时间、空间、外表状态以及该物体周围环境的影响，同时还受人的主观因素的影响。【物体本来的颜色特性】
5、自然界的颜色分为____和____两大类。【彩色、非彩色】
6、RGB颜色模型是—种____模型。【相加】
7、CMY颜色模型是一种____模型。【相减】
8、纹理反映了图像中像素____的一种趋势【亮度变化】
三、简答
1、简要介绍图像目标特征有哪些类型。
【视觉特征、统计特征、代数特征、变换系数特征、其他物理特征】
2、简要介绍图像的视觉特征有哪些?
【颜色、边缘、轮廓、纹理、形状】
3、人对物体的色彩感觉与哪些因素有关?
【不仅与物体本来的颜色特性有关，还受时间、空间、外表状态以及该物体周围环境的影响，同时还受人的主观因素的影响】
4、简要介绍目前常用的颜色模型（至少介绍3种)。
【RGB是一种相加模型，主要用于显示设备。
CMY是一种相减模型，主要用于印刷行业。即：混合的油墨能反射和吸收什么光
HSV / HSI颜色模型
YUV / YCbCr颜色模型
CIE-Lab / L*a*b*颜色模型 】
5、用于描述目标的形状特征有哪些（至少介绍3种)?
【形状因子
外观比
扩展比例
充实度
偏心率
球状性
欧拉数】
6、简要介绍纹理的视觉特征有哪些。
【1、纹理的尺度性
同一物体，在不同尺度上其纹理特征不同
2、纹理的粗糙度
不同物质，其纹理粗糙度可能不同
3、纹理的规则性
有规则，无规则
4、纹理的区域性
不同区域，其纹理可能不同
】
7、简要介绍纹理特征的计算的两种常用方法。
【灰度直方图：将数字图像中的所有像素，按照灰度值的大小，统计其出现的次数，如平均亮度、平均对比度、平滑度、三阶矩、一致性、熵
灰度共生矩阵：就是一种通过研究灰度的空间相关特性来描述纹理的常用方法，如能量、对比度、均匀性、相关性、熵】
8、遗传算法—般可以通过设置什么条件来使算法停止进化。
【1）已达到指定的最大进化代数MaxGen，或
2）最优特征子集连续Gen代都没有发生变化。
MaxGen和Gen为经验常数。】
四、单项选择
1、RGB颜色模型是一种____模型。【A】
(A)相加 (B)相减 (C)相乘 (D)相除
2、CMY颜色模型是一种____模型。【B】
(A)相加 (B)相减 (C)相乘 (D)相除
3、为了减少光照强度变化对颜色判断的影响，可以选择____颜色模型。【C】
(A)RGB (B)CMY (C)HSV (D)CMYK
4、在 RGB颜色空间中，某像素的R、G、B三个分量的差异性越大，则该像
素属于非彩色像素的可能性就____。【B】
(A)越大 (B)越小 (C)无法判断 (D)为0
5、纹理反映了图像中像素____的一种趋势. 【B】
(A)尺度变化 (B)亮度变化 (C)面积变化 (D)远近变化
6、灰度共生矩阵就是一种通过研究灰度的____相关特性来描述纹理的常用方法。【A】
(A)空间 (B)时间 (C)亮度 (D)颜色
7、下面哪个不是特征选择的目的: 【D】
(A)降低特征空间维数 (B)简化分类器设计 (C)提高分类速度的目的 (D)构建分类器
8、遗传算法适合对____特征空间进行搜索。【B】
(A)较小 (B)较大 (C)颜色 (D)形状
五、计算题
六、综合题。
1、请给出一种用于选择最优特征子集的特征选择方案，并给出实施步骤。
【基于决策树（判定树）选择最优特征子集是一种有效的特征选择方法。决策树本身具有内在的特征重要性评估机制，可以帮助我们识别和选择最重要的特征。
实施步骤：
1.数据预处理
收集和整理数据，确保数据集包含所需的特征和目标变量。
处理缺失值、异常值，并对数据进行标准化或归一化处理（如果必要）。
2.选择基模型
选择决策树模型（例如，决策树分类器或回归器），作为特征选择过程中评估特征重要性的基模型。
3.训练决策树模型
使用全部特征训练决策树模型，并计算各个特征的重要性分数。
4.选择特征
根据特征的重要性分数，选择重要性较高的特征子集。可以通过设定一个阈值或选择前N个重要特征来实现。
5.评估模型性能
使用选择的特征子集训练最终模型，并评估模型的性能。可以使用交叉验证或留出法等方式进行评估，计算模型的准确率、精度、召回率、F1分数等性能指标。
6.调整和优化
根据模型性能评估结果，可以进行参数调整和优化。可以尝试不同的决策树模型或调整其参数，以获得更好的特征子集和模型性能。】
第5讲不变特征
一、名词解释
1、全局不变特征
【全局不变特征是将整幅图像看成一个整体，无差别地对待整幅图像中的每个像素数据，不管这个数据是表示目标的还是背景的。】
2、局部不变特征·
【图像局部特征是由一些亮度变化很大的像素点组成的局部结构，这些局部结构包含有丰富的图像信息，具有较强的代表性。】
二、填空
1、按几何不变性的自由度可以将不变特征分为____、____、____、____、【平移不变特征、旋转不变特征、仿射不变特征、尺度不变特征和投影不变特征】
2、按照特征层次的不同可以将不变特征分为____、____。【点不变特征和区域不变特征】
3、按照特征提取时区域的大小可将不变特征分为____、____、____、____【全局不变特征、局部不变特征、全局和局部相结合的不变特征】
4、全局不变特征是将整幅图像看成一个整体，无差别地对待整幅图像中的____数据，不管这个数据是表示目标的还是背景的。【每个像素】
5、随机变量×的数学期望E(X)是×的一阶____。【原点矩】
6、大小为M*N的数字图像f(xy)的质量可以定义为____。【】
三、简答
1、为什么要研究不变特征?
【在图像获取过程中，总是存在尺度缩放、旋转、平移、噪声干扰、观察视点变化及光照变化等因素，这些因素影响了系统的鲁棒性。因而，在进行目标识别或跟踪时，必须从图像中提取对上述变化具有一定不变性的特征，再进行特征匹配。】
2、简要介绍影响目标识别的因素有哪些。
【尺度缩放、旋转、平移、噪声干扰、观察视点变化及光照变化等因素】
3、按几何不变性的自由度可以将不变特征分为哪些?
【平移不变特征、旋转不变特征、仿射不变特征、尺度不变特征和投影不变特征】
4、给出随机变量X、Y的ktm,阶原点矩和中心距的定义。
四、单项选择
1、下面哪种特征不属于几何不变特征（)。【D】
(A)平移不变特征 (B)旋转不变特征‘ (C)尺度不变特征 (D)区域不变特征
2、角点是一种典型的____不变特征。【A】
(A)局部 (B)全局 (C)混合 (D)变换
3、尺度越大，则同一个物体在所成的图像中就会____。【B】
(A)越小 (B)越大 (C)越清晰 (D)未知
第6讲物体分类与检测
一、填空
1、物体分类主要侧重于研究____问题。【what（是什么）】
2、物体检测主要侧重于研究____问题。【where（在哪）】
3、物体分类与检测主要面临____、____、____三个层次的困难与挑战。【实例、类别、语义】
4、对于分类任务而言，目标的类内差距越____越好，类间差距越____越好。【小、大】
5、底层特征提取一般有____方法和____方法。【基于兴趣点检测、密集提取方式】
6、常用的特征汇聚方法包括____和____两种方法。【空间特征汇聚、最大值汇聚】
二、简答
1、举例说明物体分类与检测的主要应用领域。
【安防领域的人脸识别、行人检测、智能视频分析、行人跟踪等
交通领域的交通场景物体识别（汽车避障等）、车辆计数、逆行检测、车牌检测与识别
互联网领域的基于内容的图像检索、相册自动归类】
2、简要介绍物体分类与检测面临的困难与挑战。
【实例层次：针对单个物体实例而言，通常由于图像采集过程中光照条件、拍摄视角、距离的不同、物体自身的非刚体形变以及其他物体的部分遮挡，使得物体实例的表观特征产生很大的变化，给视觉识别算法带来了极大的困难
类别层次：首先是类内差大，即属于同一类的物体表观特征差别比较大，强调的是类内不同实例的差别，例如同样是椅子，外观却是千差万别；其次是类间模糊性，即不同类的物体实例具有一定的相似性，如狼和哈士奇，从外观上很难分开二者；再次是背景的干扰，在实际场景下，物体不可能出现在一个非常干净的背景下，往往相反，背景可能是非常复杂的、对我们感兴趣的物体存在干扰的，这使得识别问题的难度大大增加
语义层次：困难和挑战与图像的视觉语义相关，一个典型的问题称为多重稳定性】
3、简要介绍图像数据库（数据集)的发展历程。
【简单到复杂，特殊到一般，小规模到大规
开始重点研究的是特定问题中的图像分类
然后重点研究的是一般目标的分类与检测
现在重点研究的是更大规模的分类与检测】
4、简要介绍基于词包(词袋)模型的物体分类框架。
【底层特征提取及特征编码→→通过特征汇聚产生视觉词典（将所有图像的局部特征进行聚类，得到一系列的视觉单词这些视觉单词构成了视觉词典。聚类方法通常使用K-means算法）→→通过统计产生视觉单词直方图→→分类器训练→→物体分类】
5、简要介绍深度信念网络的训练过程。
【深度信念网络DBN
DBN是一种层次化的无向图模型．
ＤＢＮ的基本单元就是 ＲＢＭ（受限波尔兹曼机）
首先先以原始输入为可视层，训练一个单层的ＲＢＭ，然后固定第一层ＲＢＭ权重，以ＲＢＭ隐藏层单元的响应作为新的可视层，训练下一层的ＲＢＭ，以此类推．
通过这种贪婪式的无监督训练，可以使整个ＤＢＮ模型得到一个比较好的初始值，然后可以加入标签信息，通过产生式或者判别式方式，对整个网络进行有监督的精调，进一步改善网络性能．
ＤＢＮ的多层结构，使得它能够学习得到层次化的特征表达，实现自动特征抽取。】
6、简要介绍目标检测中的两个关键任务。
【目标定位：任务是负责确定输入图像中是否存在指定类别的物体；如果存在，给出物体所处的位置和范围，通常使用方形包围盒Bounding Box。
目标分类：任务是负责判断所选图像区域中是否有感兴趣类别的物体出现，输出的带分数的标签表明感兴趣类别的物体出现在所选择区域中的可能性。】
7、简要介绍传统的目标检测算法的主要组成部分。
【检测窗口的选择：滑动窗口法（暴力搜索）、Selective Search区域提取法
特征的设计：Haar、HOG、LBP
分类器的设计：AdaBoost（SVM）、SVM、决策树】
8、简要介绍基于深度学习的目标检测算法的大致组成部分。
【特征学习部分：主要通过若干个卷积、池化、激活层的堆叠实现特征学习，也会嵌入注意力模块，提高学习效果
分类部分：可通过SoftMax分类器实现目标分类，
后处理部分（可选）：非极大值抑制】
三、单项选择
1、物体分类与检测面临的难点和挑战体现在____【D】
(A)实例层次 (B)类别层次 (C)语义层次 (D)以上都是
2、下面的____不是分类器。【D】
(A)SVM (B)决策树 (C)人工神经网络 (D)Otsu
3、相比而言，____在绝大部分情况下的性能更好。【A】
(A)最大值汇聚 (B)最小值汇聚 (C)平均值汇聚 (D)特征汇聚
4、深度信念网络DBN的基本单位____ 【B】
(A)SVM (B)RBM (C)CNN (D)KNN
5、YOLO目标检测算法属于____ 目标检测算法【A】
(A)一阶段 (B)两阶段 (C)三阶段 (D）零阶段
6、SSD目标检测算法属于____ 目标检测算法【A】
(A)一阶段 (B)两阶段 (C)三阶段 (D）零阶段
7、RCNN目标检测算法属于____ 目标检测算法【B】
(A)一阶段 (B)两阶段 (C)三阶段 (D）零阶段
四、计算题
逐点计算过程
- 中心 (2,2)（值 6）：7+5+7+7+6=32
- 中心 (2,3)（值 5）：5+1+6+2+5=19
- 中心 (2,4)（值 1）：3+2+2+1+1=9
- 中心 (3,2)（值 7）：6+5+7+6+7=31
- 中心 (3,3)（值 6）：5+1+7+2+6=21
- 中心 (3,4)（值 2）：1+2+6+1+2=12
- 中心 (4,2)（值 7）：7+5+6+6+7=31
- 中心 (4,3)（值 5）：5+1+7+2+5=20
- 中心 (4,4)（值 1）：1+3+6+2+1=13
小学[1. 0. 0. 0. 0. 0. 0.] 初中[0. 0. 0. 0. 1. 0. 0.]高中 [0. 0. 0. 0. 0. 1. 0.] 大专[0. 0. 1. 0. 0. 0. 0.] 本科[0. 0. 0. 0. 0. 0. 1.] 硕士研究生[0. 1. 0. 0. 0. 0. 0.] 博士研究生[0. 0. 0. 1. 0. 0. 0.]]
五、综合题
1、请给出―种苹果分级系统的设计方案，并给出实施步骤。
【### 硬件设计
1. **照明系统**
- 采用均匀的LED照明，避免阴影和反光。最好使用环形灯或平行光源照射苹果，确保光线均匀分布。
- 光源色温保持恒定，避免由于光线变化导致图像颜色失真。
2. **图像采集系统**
- 高分辨率工业相机：使用高分辨率的工业相机，如500万像素或以上，确保图像的细节清晰。
- 相机安装位置：相机安装在固定位置，正对传送带上的苹果，确保每个苹果都能被完全捕捉到。
- 传送带系统：苹果通过传送带进入图像采集区域，传送带速度要可调，以适应不同大小和速度的苹果。
3. **控制系统**
- 使用嵌入式控制器或工控机来控制整个系统的运行，包括照明、相机触发、图像采集和传送带速度调节。
### 软件设计
1. **图像增强**
- 采用图像预处理技术，如直方图均衡化、对比度调整等，增强图像的质量。
- 使用去噪算法（如中值滤波或高斯滤波）去除图像中的噪声，提高图像清晰度。
2. **图像分割**
- 使用颜色分割或边缘检测算法将苹果从背景中分离出来。常用的方法包括Otsu阈值分割、Canny边缘检测等。
- 如果苹果颜色与背景差异明显，可以采用颜色阈值分割；否则可以使用基于形态学操作的分割方法。
3. **特征提取**
- 颜色特征：提取苹果的平均颜色值（RGB或HSV颜色空间），判断颜色是否均匀。
- 纹理特征：使用Gabor滤波器或局部二值模式（LBP）提取苹果表面的纹理特征，检测表面缺陷。
- 形状特征：提取苹果的几何形状特征，如面积、周长、圆形度等，判断苹果的形状是否规则。
- 大小特征：计算苹果的长宽比例，判断大小是否符合标准。
4. **分类**
- 决策树：根据提取的特征，建立决策树模型进行分类。决策树可以根据颜色、大小、形状等特征逐层决策。
- 支持向量机（SVM）：使用SVM进行分类，通过训练样本学习分类边界，适用于特征空间较高维的情况。
5. **系统集成与优化**
- 数据库：将分类结果和图像存储在数据库中，便于后续数据分析和质量追踪。
- 用户界面：开发用户界面，显示分类结果和统计信息，便于操作人员监控和调整系统。
- 实时性：优化算法的计算效率，确保系统能够实时处理大量苹果。
### 实施步骤
1. 硬件安装与调试
- 安装照明系统和图像采集系统，确保设备稳定工作。
- 调试传送带速度和相机触发频率，确保图像采集的连贯性和清晰度。
2. 软件开发与测试
- 开发图像处理和特征提取算法，进行初步测试和验证。
- 根据测试结果优化算法，提高分类准确性和处理速度。
3. 系统集成与调试
- 将硬件和软件集成，进行系统整体调试。
- 调整系统参数，确保分类结果符合预期。
4. 现场测试与优化
- 在实际生产环境中进行现场测试，收集数据和反馈。
- 根据反馈进一步优化系统，提高系统的稳定性和分类准确性。
5. 培训与维护
- 对操作人员进行培训，确保其能够熟练操作系统。
- 定期维护系统，确保设备和软件的正常运行。
通过以上步骤，可以设计和实施一个高效的苹果分级系统，实现苹果的自动化分级，提高生产效率和产品质量。
】
2、请给出一种桔子分级系统的设计方案，并给出实施步骤。
【###硬件设计###
1.照明系统
采用均匀的LED照明，避免阴影和反光。最好使用环形灯或平行光源照射桔子，确保光线均匀分布。
光源色温保持恒定，避免由于光线变化导致图像颜色失真。
2.图像采集系统
高分辨率工业相机：使用高分辨率的工业相机，如500万像素或以上，确保图像的细节清晰。
相机安装位置：相机安装在固定位置，正对传送带上的桔子，确保每个桔子都能被完全捕捉到。
传送带系统：桔子通过传送带进入图像采集区域，传送带速度要可调，以适应不同大小和速度的桔子。
3.控制系统
使用嵌入式控制器或工控机来控制整个系统的运行，包括照明、相机触发、图像采集和传送带速度调节。
###软件设计###
1.图像增强
采用图像预处理技术，如直方图均衡化、对比度调整等，增强图像的质量。
使用去噪算法（如中值滤波或高斯滤波）去除图像中的噪声，提高图像清晰度。
2.图像分割
使用颜色分割或边缘检测算法将桔子从背景中分离出来。常用的方法包括Otsu阈值分割、Canny边缘检测等。
如果桔子颜色与背景差异明显，可以采用颜色阈值分割；否则可以使用基于形态学操作的分割方法。
3.特征提取
颜色特征：提取桔子的平均颜色值（RGB或HSV颜色空间），判断颜色是否均匀。
纹理特征：使用Gabor滤波器或局部二值模式（LBP）提取桔子表面的纹理特征，检测表面缺陷。
形状特征：提取桔子的几何形状特征，如面积、周长、圆形度等，判断桔子的形状是否规则。
大小特征：计算桔子的长宽比例，判断大小是否符合标准。
4.分类
决策树：根据提取的特征，建立决策树模型进行分类。决策树可以根据颜色、大小、形状等特征逐层决策。
支持向量机（SVM）：使用SVM进行分类，通过训练样本学习分类边界，适用于特征空间较高维的情况。
5.系统集成与优化
数据库：将分类结果和图像存储在数据库中，便于后续数据分析和质量追踪。
用户界面：开发用户界面，显示分类结果和统计信息，便于操作人员监控和调整系统。
实时性：优化算法的计算效率，确保系统能够实时处理大量桔子。
###实施步骤###
1.硬件安装与调试
安装照明系统和图像采集系统，确保设备稳定工作。
调试传送带速度和相机触发频率，确保图像采集的连贯性和清晰度。
2.软件开发与测试
开发图像处理和特征提取算法，进行初步测试和验证。
根据测试结果优化算法，提高分类准确性和处理速度。
3.系统集成与调试
将硬件和软件集成，进行系统整体调试。
调整系统参数，确保分类结果符合预期。
4.现场测试与优化
在实际生产环境中进行现场测试，收集数据和反馈。
根据反馈进一步优化系统，提高系统的稳定性和分类准确性。
5.培训与维护
对操作人员进行培训，确保其能够熟练操作系统。
定期维护系统，确保设备和软件的正常运行。
通过以上步骤，可以设计和实施一个高效的桔子分级系统，实现桔子的自动化分级，提高生产效率和产品质量。
】
3、在建筑工地，为保护工人的安全，要求所有工人必须佩戴安全头盔，但仍存在个别不佩戴头盔的人。请给出一个利用机器视觉进行“未佩戴头盔'检测系统设计方案。
【###硬件设计###
1.照明系统
安装均匀的LED照明系统，确保光线充足且均匀，避免强烈的阴影和反光。
光源色温保持恒定，以减少光线变化对图像的影响。
2.图像采集系统
高分辨率相机：使用高分辨率工业相机（至少1080p或更高），确保捕捉到清晰的图像细节。
相机安装位置：相机安装在工地的关键位置，如出入口、主要工作区域等，确保可以捕捉到所有工人。
多角度覆盖：设置多台相机，从不同角度监控工地，确保不会有盲区。
传输系统：使用有线或无线传输系统，将实时图像传输到中央控制室。
3.控制系统
使用嵌入式控制器或工控机来控制整个系统的运行，包括相机触发、图像采集和传输。
配备高性能计算机进行图像处理和分析。
###软件设计###
1.图像预处理
去噪：使用中值滤波或高斯滤波去除图像中的噪声。
对比度和亮度调整：增强图像质量，确保图像中的人物和头盔清晰可见。
2.图像分割与检测
人员检测：使用深度学习模型（如YOLO、SSD或Faster R-CNN）进行人员检测，确定图像中的人。
头盔检测：在检测到的人区域内进一步检测是否佩戴头盔。可以使用预训练的头盔检测模型（例如使用YOLOv5进行头盔识别）。
3.特征提取
颜色特征：提取头盔的颜色特征，确保检测到的头盔符合安全标准的颜色（如黄色、白色等）。
形状特征：提取头盔的形状特征，确保检测到的头盔具有正确的形状。
4.分类与报警
分类：根据提取的特征，将图像中的人分类为“佩戴头盔”和“未佩戴头盔”两类。
报警系统：如果检测到未佩戴头盔的人员，立即发出警报（声光报警）并在控制室显示相应图像。
5.系统集成与优化
数据库：将检测结果和图像存储在数据库中，便于后续数据分析和安全追踪。
用户界面：开发用户界面，显示检测结果、统计信息和报警记录，便于操作人员监控和管理。
实时性：优化算法的计算效率，确保系统能够实时处理并响应。
###实施步骤###
1.硬件安装与调试
安装照明系统和图像采集系统，确保设备稳定工作。
调试相机位置和角度，确保所有工地区域均在监控范围内。
2.软件开发与测试
开发图像处理、人员检测和头盔检测算法，进行初步测试和验证。
根据测试结果优化算法，提高检测准确性和处理速度。
3.系统集成与调试
将硬件和软件集成，进行系统整体调试。
调整系统参数，确保检测结果符合预期。
集成报警系统，确保能够实时发出警报。
4.现场测试与优化
在实际工地环境中进行现场测试，收集数据和反馈。
根据反馈进一步优化系统，提高系统的稳定性和检测准确性。
进行多次测试，确保系统在各种光线条件和工况下都能有效工作。
5.培训与维护
对操作人员进行培训，确保其能够熟练操作系统。
制定系统维护计划，定期检查和维护设备和软件，确保其正常运行。
持续收集和分析数据，进行系统的迭代优化，提升检测准确率和系统稳定性。
通过以上步骤，可以设计和实施一个高效的“未佩戴头盔”检测系统，提高工地的安全管理水平，确保工人的安全。】
4、为保护电动车驾驶员的安全，要求其必须佩戴安全头盔，但仍存在个别不佩戴头盔的人。请给出一个利用机器视觉进行“未佩戴头盔"检测系统设计方案。
【###硬件设计###
1.照明系统
安装高效LED照明，确保光线充足且均匀，避免强烈的阴影和反光。
光源色温保持恒定，以减少光线变化对图像的影响，特别是在夜间或阴天条件下。
2.图像采集系统
高分辨率相机：使用高分辨率工业相机（至少1080p或更高），确保捕捉到清晰的图像细节。
相机安装位置：相机安装在电动车流量大的关键位置，如交通路口、停车场入口等，确保可以捕捉到所有骑行人员。
多角度覆盖：设置多台相机，从不同角度监控电动车，确保不会有盲区。
传输系统：使用有线或无线传输系统，将实时图像传输到中央控制室。
3.控制系统
使用嵌入式控制器或工控机来控制整个系统的运行，包括相机触发、图像采集和传输。
配备高性能计算机进行图像处理和分析。
###软件设计###
1.图像预处理
去噪：使用中值滤波或高斯滤波去除图像中的噪声。
对比度和亮度调整：增强图像质量，确保图像中的人物和头盔清晰可见。
2.图像分割与检测
车辆检测：使用深度学习模型（如YOLO、SSD或Faster R-CNN）进行车辆检测，确定图像中的电动车。
人员检测：在检测到的车辆区域内进一步检测骑行人员。
头盔检测：在检测到的骑行人员区域内进一步检测是否佩戴头盔。可以使用预训练的头盔检测模型（例如使用YOLOv5进行头盔识别）。
3.特征提取
颜色特征：提取头盔的颜色特征，确保检测到的头盔符合安全标准的颜色（如黄色、白色等）。
形状特征：提取头盔的形状特征，确保检测到的头盔具有正确的形状。
4.分类与报警
分类：根据提取的特征，将图像中的人分类为“佩戴头盔”和“未佩戴头盔”两类。
报警系统：如果检测到未佩戴头盔的人员，立即发出警报（声光报警）并在控制室显示相应图像。
5.系统集成与优化
数据库：将检测结果和图像存储在数据库中，便于后续数据分析和安全追踪。
用户界面：开发用户界面，显示检测结果、统计信息和报警记录，便于操作人员监控和管理。
实时性：优化算法的计算效率，确保系统能够实时处理并响应。
###实施步骤###
1.硬件安装与调试
安装照明系统和图像采集系统，确保设备稳定工作。
调试相机位置和角度，确保所有电动车骑行人员均在监控范围内。
2.软件开发与测试
开发图像处理、车辆检测、人员检测和头盔检测算法，进行初步测试和验证。
根据测试结果优化算法，提高检测准确性和处理速度。
3.系统集成与调试
将硬件和软件集成，进行系统整体调试。
调整系统参数，确保检测结果符合预期。
集成报警系统，确保能够实时发出警报。
4.现场测试与优化
在实际环境中进行现场测试，收集数据和反馈。
根据反馈进一步优化系统，提高系统的稳定性和检测准确性。
进行多次测试，确保系统在各种光线条件和交通状况下都能有效工作。
5.培训与维护
对操作人员进行培训，确保其能够熟练操作系统。
制定系统维护计划，定期检查和维护设备和软件，确保其正常运行。
持续收集和分析数据，进行系统的迭代优化，提升检测准确率和系统稳定性。
通过以上步骤，可以设计和实施一个高效的“未佩戴头盔”检测系统，提高电动车骑行人员的安全管理水平，确保骑行人员的安全。】
5、其它类似题目如红掌花卉的分级(利用红掌红色部分的面积占比、植株高度等特征进行分级)、玫瑰花鲜切花的分级，等等。
【红掌花卉的分级系统设计方案
###硬件设计###
1.照明系统
采用均匀的LED照明，避免阴影和反光。光源色温保持恒定，以减少光线变化对图像的影响。
选用适当的光源颜色，以突出红掌花卉的红色部分和其他特征。
2.图像采集系统
高分辨率相机：使用高分辨率工业相机（至少500万像素），确保捕捉到清晰的图像细节。
相机安装位置：相机固定在花卉通过传送带时的正上方，以捕捉整个植株的图像。
多角度覆盖：在必要时，增加侧面相机，以捕捉植株的高度。
传输系统：使用有线或无线传输系统，将实时图像传输到中央控制室。
3.控制系统
使用嵌入式控制器或工控机来控制整个系统的运行，包括照明、相机触发、图像采集和传送带速度调节。
配备高性能计算机进行图像处理和分析。
###软件设计###
1.图像预处理
去噪：使用中值滤波或高斯滤波去除图像中的噪声。
对比度和亮度调整：增强图像质量，确保图像中的花卉特征清晰可见。
2.图像分割与检测
颜色分割：使用颜色分割算法（如HSV颜色空间）提取红掌花卉的红色部分。
形状检测：检测红掌花卉的整体形状，用于进一步分析。
3.特征提取
颜色特征：计算红色部分的面积占比。
高度特征：使用相机捕捉的高度信息计算植株的高度。
形状特征：提取花卉的形状特征，如面积、周长等。
4.分类
决策树：根据提取的特征，建立决策树模型进行分类。
支持向量机（SVM）：使用SVM进行分类，通过训练样本学习分类边界。
5.系统集成与优化
数据库：将分类结果和图像存储在数据库中，便于后续数据分析和质量追踪。
用户界面：开发用户界面，显示分类结果和统计信息，便于操作人员监控和调整系统。
实时性：优化算法的计算效率，确保系统能够实时处理大量花卉。
###实施步骤###
1.硬件安装与调试
安装照明系统和图像采集系统，确保设备稳定工作。
调试传送带速度和相机触发频率，确保图像采集的连贯性和清晰度。
2.软件开发与测试
开发图像处理和特征提取算法，进行初步测试和验证。
根据测试结果优化算法，提高分类准确性和处理速度。
3.系统集成与调试
将硬件和软件集成，进行系统整体调试。
调整系统参数，确保分类结果符合预期。
4.现场测试与优化
在实际生产环境中进行现场测试，收集数据和反馈。
根据反馈进一步优化系统，提高系统的稳定性和分类准确性。
5.培训与维护
对操作人员进行培训，确保其能够熟练操作系统。
制定系统维护计划，定期检查和维护设备和软件，确保其正常运行。
玫瑰花鲜切花的分级系统设计方案
###硬件设计###
1.照明系统
使用均匀的LED照明，确保光线充足且均匀，避免强烈的阴影和反光。
光源色温保持恒定，以减少光线变化对图像的影响。
2.图像采集系统
高分辨率相机：使用高分辨率工业相机（至少500万像素），确保捕捉到清晰的图像细节。
相机安装位置：相机固定在传送带上方，以捕捉经过的每支玫瑰花。
多角度覆盖：在必要时，增加侧面相机，以捕捉玫瑰花的形态和长度。
传输系统：使用有线或无线传输系统，将实时图像传输到中央控制室。
3.控制系统
使用嵌入式控制器或工控机来控制整个系统的运行，包括照明、相机触发、图像采集和传送带速度调节。
配备高性能计算机进行图像处理和分析。
###软件设计###
1.图像预处理
去噪：使用中值滤波或高斯滤波去除图像中的噪声。
对比度和亮度调整：增强图像质量，确保图像中的花卉特征清晰可见。
2.图像分割与检测
颜色分割：使用颜色分割算法（如HSV颜色空间）提取玫瑰花的红色部分。
形状检测：检测玫瑰花的整体形状，用于进一步分析。
3.特征提取
颜色特征：计算红色部分的面积占比。
长度特征：使用相机捕捉的长度信息计算花茎的长度。
形状特征：提取花卉的形状特征，如花瓣数、开花程度等。
4.分类
决策树：根据提取的特征，建立决策树模型进行分类。
支持向量机（SVM）：使用SVM进行分类，通过训练样本学习分类边界。
5.系统集成与优化
数据库：将分类结果和图像存储在数据库中，便于后续数据分析和质量追踪。
用户界面：开发用户界面，显示分类结果和统计信息，便于操作人员监控和调整系统。
实时性：优化算法的计算效率，确保系统能够实时处理大量花卉。
###实施步骤###
1.硬件安装与调试
安装照明系统和图像采集系统，确保设备稳定工作。
调试传送带速度和相机触发频率，确保图像采集的连贯性和清晰度。
2.软件开发与测试
开发图像处理和特征提取算法，进行初步测试和验证。
根据测试结果优化算法，提高分类准确性和处理速度。
3.系统集成与调试
将硬件和软件集成，进行系统整体调试。
调整系统参数，确保分类结果符合预期。
4.现场测试与优化
在实际生产环境中进行现场测试，收集数据和反馈。
根据反馈进一步优化系统，提高系统的稳定性和分类准确性。
5.培训与维护
对操作人员进行培训，确保其能够熟练操作系统。
制定系统维护计划，定期检查和维护设备和软件，确保其正常运行。
通过以上步骤，可以设计和实施高效的红掌花卉和玫瑰花鲜切花的分级系统，提高生产效率和产品质量。】
第7讲视觉注意机制
一、填空
1、自下而上的视觉注意过程完全受图像底层特征的驱动，与____无关。【任务】
2、自上而下的视觉注意过程受高层任务驱动，依赖于____。【特定的任务】
3、因为自上而下的视觉注意过程依赖于特定的任务，____较强。【主观性】
4、自下而上的视觉注意只受输入图像底层特征的影响，____较强。【客观性】
二、简答
1、简要说明自上而下与自下而上的视觉注意过程有何不同。
【因为自上而下的视觉注意过程依赖于特定的任务，主观性较强；
而自下而上的视觉注意只受输入图像底层特征的影响，客观性较强；
因此，很多研究者把注意力集中在模仿自下而上的视觉注意上。
但现在有学者希望将某些常识用于指导提取显著目标，实际上就是二者的结合。】
2、简要介绍Itti的基于显著性的视觉注意模型。
【核心思想
Itti的模型基于生物学上的视觉注意机制，假设人类视觉系统通过选择性地关注视觉场景中的显著特征来有效地处理视觉信息。该模型通过建立显著图（saliency map）来识别和突出视觉场景中的显著区域。
###主要步骤###
1.特征提取
输入图像被分解为多个特征通道，包括颜色、强度和方向。
这些特征通道分别通过一系列线性滤波器进行处理，提取不同尺度和特征的图像信息。
2.特征图生成
对每个特征通道，生成多尺度特征图，表示该特征在不同尺度下的强度。
特征图包括颜色（红-绿、蓝-黄对比）、强度（亮度）和方向（边缘方向，如0度、45度、90度、135度）。
3.特征图归一化
将各个尺度的特征图归一化，以平衡不同特征通道之间的影响。
归一化过程可以包括中心-环绕机制，突出显著区域的局部对比度。
4.显著图生成
将归一化后的特征图在不同尺度上进行整合，生成单一的显著图。
通过线性或非线性组合方法将各个特征图合并到显著图中。（特征集成）
5.显著点选择
在显著图上寻找局部最大值，作为视觉注意的候选区域。
使用抑制机制（如抑制返回机制）防止模型反复关注同一显著区域。
应用与扩展
Itti的显著性模型被广泛应用于计算机视觉任务，如目标检测、图像分割和机器人视觉导航等。总结
Itti的基于显著性的视觉注意模型通过模拟人类视觉系统的注意机制，有效地识别视觉场景中的显著区域。通过多尺度特征提取和显著图的生成，该模型为计算机视觉提供了一种有效的方法来处理和分析视觉信息。】
3、简要介绍候晓迪的基于谱残差的视觉注意模型。
【核心思想
候晓迪的基于谱残差（Spectral Residual）的视觉注意模型，提出了一种不同于传统特征提取方法的思路，通过频域分析来实现视觉注意。该模型的核心思想是利用图像的频谱信息来去除背景信息，突出前景，使得视觉注意集中在图像的显著区域。（从关注前景转到关注背景上来）
###主要步骤###
1.傅里叶变换
将输入图像转换到频域，得到图像的频谱图（包括幅度谱和相位谱）。
2.谱残差计算
对幅度谱进行处理，计算其谱残差。具体方法是将幅度谱的对数值减去其平滑后的值。平滑操作可以通过高斯滤波器等方法实现。
谱残差表示幅度谱的异常部分，这些异常部分通常对应图像中的显著特征。
3.重构显著图
利用相位谱和处理后的谱残差，通过逆傅里叶变换将频域信息转换回空间域。
得到的空间域图像即为显著图，它反映了图像中显著区域的分布。
4.显著区域提取
在显著图中，显著值较高的区域被认为是图像的显著区域。
这些区域通常对应于前景目标，而背景区域则显著值较低。
应用与扩展
目标检测和跟踪：该模型可以用于实时目标检测和跟踪，通过显著图快速定位目标。
图像分割：在图像分割中，显著图可以作为前景分割的初始条件，有助于提高分割的准确性。
视觉导航：在机器人视觉导航中，该模型可以帮助机器人识别和避开障碍物，选择路径。
总结
候晓迪的基于谱残差的视觉注意模型，通过频域分析和谱残差计算，有效地去除背景信息，突出前景目标。】
三、单项选择
1、面对一个复杂的场景，人类视觉系统能够迅速地将注意力集中在少数几个显著的视觉对象上，这个过程称为____。 【A】
(A) 视觉注意(B) 视觉记忆 (C) 场景思考 (D) 视觉判断
2、因为自上而下的视觉注意过程依赖于特定的任务，____较强。【A】
(A) 主观性(B) 客观性 (C) 综合性(D)智能性
3、自下而上的视觉注意过程只受输入图像底层特征的影响，____较强。【B】
(A) 主观性(B) 客观性 (C) 综合性(D) 智能性
更多推荐
6
0- 0
已为社区贡献1条内容
所有评论(0)