提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档
文章目录
计算机视觉重点知识点总览
1. 基础知识
1.1 图像表示与处理
- 灰度图像：每个像素只有一个亮度值。
- 彩色图像：常见的表示方式有RGB、HSV等。
- 图像预处理：滤波（均值滤波、高斯滤波）、边缘检测（Sobel、Canny）、二值化等。
1.2 图像变换
- 仿射变换：平移、旋转、缩放等。
- 透视变换：用于模拟3D到2D的投影。
- 傅里叶变换：用于图像的频域分析。
2. 特征提取与匹配
2.1 点特征
- Harris角点检测：基于图像梯度变化检测角点。
- SIFT（尺度不变特征变换）：提取尺度、旋转、光照不变的特征点。
- SURF（加速鲁棒特征）：SIFT的加速版，使用积分图像和盒滤波。
2.2 线与边缘特征
- Hough变换：检测直线、圆等几何形状。
- Canny边缘检测：多阶段边缘检测算法，效果好但计算复杂。
2.3 区域特征
- HOG（方向梯度直方图）：用于描述图像局部区域的形状特征。
- LBP（局部二值模式）：用于纹理分析，计算简单且有效。
3. 图像处理与分析
3.1 图像分割
- 阈值分割：基于像素值的简单分割。
- 区域生长：从种子点开始，根据相似性准则扩展区域。
- 图割算法：如GrabCut，结合用户交互实现精确分割。
3.2 目标检测
- 滑动窗口：在图像上滑动窗口，对每个窗口进行分类。
- HOG+SVM：用于行人检测的经典方法。
- 深度学习：如R-CNN、YOLO、SSD等，实现高效准确的目标检测。
3.3 目标跟踪
- MeanShift/CamShift：基于颜色直方图的跟踪算法。
- Kalman滤波：用于预测目标位置，结合观测值更新状态。
- 深度学习跟踪：如Siamese网络，实现端到端的目标跟踪。
4. 深度学习在计算机视觉中的应用
4.1 卷积神经网络（CNN）
- 基本结构：卷积层、池化层、全连接层。
- 经典模型：LeNet、AlexNet、VGG、ResNet等。
- 迁移学习：利用预训练模型进行微调，适应新任务。
4.2 目标识别与分类
- ImageNet数据集：包含大量标注图像，用于训练深度模型。
- softmax分类器：用于多分类问题。
- 细粒度分类：识别同一大类下的不同子类，如鸟类识别。
4.3 语义分割与实例分割
- FCN（全卷积网络）：用于像素级分类。
- U-Net：常用于医学图像分割。
- Mask R-CNN：实现实例分割，同时检测目标并分割其轮廓。
5. 三维视觉与重建
5.1 立体视觉
- 双目立体匹配：通过两张视角不同的图像恢复深度信息。
- 结构光：利用已知图案的投影和变形恢复深度。
- 激光扫描：使用激光束扫描物体表面，获取三维点云。
5.2 三维重建
- SFM（结构从运动）：从多张图像中恢复场景的三维结构和相机运动。
- SLAM（同步定位与地图构建）：在未知环境中，实时构建地图并定位自身。
总结
提示：这里对文章进行总结：
例如：以上就是今天要讲的内容，自学记录计算机视觉基础知识点总览。