计算机视觉的基础知识（持续补充）

注：

一、有些讲解起来篇幅过长，所以附上一些个人认为讲的比较好博客，还有一些专业名词我提及而没讲的可以自行搜索；

二、欢迎大家提问，虽然我也是在学习计算机视觉阶段，但是可以一起去尝试解决问题，然后补充问题的解决方案；

 

1.灰度图和彩色图的基本概念：

首先这里涉及一个概念就是通道，灰度图是单通道的，彩色图是多通道的（普遍是3通道）。

单通道描述的是灰度值，对于8bit的灰度图，可用0~255的灰度值描述图片的明亮程度，

0表示纯黑色，255表示纯白色。而彩色图通常用RGB（红绿蓝三原色，在opencv中是BGR）

去描述，彩色图由红绿蓝三种颜色叠加而成，即专业术语中的3通道。

 

2.卷积与卷积核：

卷积核实际上是一个n*m的权重矩阵（在图像处理中大部分卷积核是n*n，而且n一般为奇数即3*3,5*5，而在实际应用中根据需求卷积核可能会是n*m）

，卷积是两个变量在某范围内相乘后求和的结果。即以某个像素点为中心，求窗口内所有灰度值的和，以其作为中心像素新的灰度值。

推荐一篇博客：https://blog.csdn.net/chaipp0607/article/details/72236892

 

3.几种常见滤波的特点：

均值滤波：均值滤波是一种线性滤波器。优点在于效率高，缺点是计算均值会导致图像中的边缘信息以及特征信息“模糊”掉，

会丢失很多特征（原因是图像被平均，核越大，越模糊，特征被平均的范围增大）。

 

高斯滤波：高斯滤波也是线性滤波器，高斯滤波的卷积核是对称的，而且权值从中间到边缘递减，

由于二维高斯函数是旋转对称的，在各个方向上平滑程度相同，不会改变原图像的边缘走向，而且将中间作为重点。

 

中值滤波：中值滤波是非线性滤波器，对噪点处理效果比较好，效率方面比均值滤波差。

 

4.Vec3b:

常见于彩色图片，由于彩色图片的一个像素点是包含BGR三种颜色，就像三层颜色叠加（3通道）而成一个像素点，

所以存放一个彩色的像素点用Vec3b，它可以看作是vector<uchar, 3>。访问方式可以用at，即如以下三行访问BGR：

img.at<Vec3b>(14,25) [0]= 25;//B
img.at< Vec3b >(14,25) [1]= 25;//G
img.at< Vec3b >(14,25 [2]= 25;//R

 

5.如何遍历一张图片：

网上有5、6钟方法，但是我感觉实质上只有以下三种，其他的方法都是这三种延伸优化而来的：

（1）at　　（2）迭代器　　（3）指针

他们的遍历效率指针形式最快，迭代器次之，at最慢。

遍历图片的博客推荐：https://blog.csdn.net/lyq_12/article/details/84316288

 

6.图像的边缘像素的处理方式：

补零填充、边界复制、镜像填充、块填充。

 

7.卷积核的系数：

卷积核的系数（权重）代表着图片需要关注的地方，一般而言，权重越大的地方亮度越亮。

对于几种滤波的系数问题，实际上是有对应的计算方法的，比如高斯滤波，是通过高斯模板然后再归一化而来的。

 

8.线性滤波与非线性滤波的区别：

 

9.什么是低频，高频：

低频即图像变化不明显，比如一个灰度图，相邻像素的区域如果灰度值差别不大，那么这个区域就是变化不明显，就是低频；

反之，高频就是变化明显的地方，一般是边缘。

 

10.卷积核有什么规律，为什么可以处理图像：

 

11.减法判断图像处理的差异：

假如自己实现了一个均值滤波的算法，怎么判断自己的算法和别人的算法处理结果差不多呢，

这个是肉眼难以判断的（如果肉眼能直接判断的话就更加不用说），那么可以通过对处理过的两张图片作减法知晓算法差异。

 

12.将彩色图转成灰度图研究的好处：

彩色图比灰度图具有更多的细节，但是如果只是需要做一些边缘提取，那么将彩色图转换成灰度图，不仅算法设计上容易了，处理难度也降低了。

 

13.3D传感器在拍照的时候数据丢失：

可以从拍照对象的结构和使用的3D传感器两方面作出思考，总体来讲数据丢失很有可能是光源无法反射到摄像机，无法拍摄到。

 

17.算法的效率优化可以从哪些方面入手：

 

18.opencv的sigmaX和sigmaY

 

19.怎么理解非极大值抑制和滞后阈值中的排除和连接：