《計(jì)算機(jī)視覺》 教學(xué)案例匯 1、直方圖變換- 10、目標(biāo)檢測

教學(xué)案例1：直方圖變換一、實(shí)驗(yàn)?zāi)康呐c任務(wù)通過本實(shí)驗(yàn)，要求學(xué)生掌握直方圖計(jì)算、直方圖均衡化等變換算法，通過調(diào)整圖像的直方圖來增強(qiáng)圖像質(zhì)量。二、實(shí)驗(yàn)內(nèi)容、要求及安排實(shí)驗(yàn)內(nèi)容：對輸入圖像計(jì)算其直方圖，進(jìn)行直方圖變換處理，輸出處理后的直方圖；實(shí)現(xiàn)一種圖像濾波，并輸出濾波后的圖像及其直方圖。實(shí)驗(yàn)要求Python實(shí)驗(yàn)安排：本實(shí)驗(yàn)屬于開放性實(shí)驗(yàn)，要求每個(gè)學(xué)生獨(dú)立地完成本實(shí)驗(yàn)項(xiàng)目。三、任務(wù)實(shí)現(xiàn)及相關(guān)素材（一）任務(wù)簡介：對輸入圖像進(jìn)行直方圖變換處理，輸出處理后圖像及其直方圖。（二）數(shù)據(jù)簡介：給定任一圖像。（三）模型簡介：直方圖變換算法主要包含三個(gè)步驟：1）計(jì)算輸入圖像的灰度直方圖；2）進(jìn)行直方圖均衡化處理；3）對圖像進(jìn)行濾波處理；4）計(jì)算濾波后的圖像的直方圖；5）顯示上述結(jié)果。（四）環(huán)境說明：算法開發(fā)環(huán)境推薦使用anoconda+pytorch，編程語言為Python。AnacondaPython支持LinuxMac,python（五）參考代碼：見案例代碼數(shù)據(jù)。教學(xué)案例2：圖像拼接一、實(shí)驗(yàn)?zāi)康呐c任務(wù)通過本實(shí)驗(yàn)，要求學(xué)生掌握基于特征點(diǎn)匹配的圖像拼接算法，通過圖像的特征點(diǎn)檢測與特征匹配來實(shí)現(xiàn)圖像拼接。二、實(shí)驗(yàn)內(nèi)容、要求及安排實(shí)驗(yàn)內(nèi)容：對輸入兩幅有重疊區(qū)域的圖片，實(shí)現(xiàn)特征點(diǎn)檢測、特征匹配及特征變換算法，實(shí)現(xiàn)兩幅圖像的拼接。實(shí)驗(yàn)要求Python實(shí)驗(yàn)安排：本實(shí)驗(yàn)屬于開放性實(shí)驗(yàn)，要求每個(gè)學(xué)生獨(dú)立地完成本實(shí)驗(yàn)項(xiàng)目。三、任務(wù)實(shí)現(xiàn)及相關(guān)素材（一）任務(wù)簡介：實(shí)現(xiàn)基于對應(yīng)特征點(diǎn)檢測的圖像拼接。（二）數(shù)據(jù)簡介：任意兩幅具有重疊區(qū)域的圖像。（三）模型簡介：圖像拼接算法主要包含三個(gè)步驟：1）選擇一種特征點(diǎn)檢測算法，在兩幅圖像上檢測特征點(diǎn)；2）選擇圖像點(diǎn)特征的表示方法，通過特征比對實(shí)現(xiàn)兩幅圖像對應(yīng)特征點(diǎn)的檢測；3）選擇合適的變換，通過對應(yīng)特征點(diǎn)計(jì)算變換參數(shù)，實(shí)現(xiàn)圖像拼接。（四）環(huán)境說明：算法開發(fā)環(huán)境推薦使用anoconda+pytorch，編程語言為Python。AnacondaPython支持LinuxMac,python（五）參考代碼：見案例代碼數(shù)據(jù)。教學(xué)案例3：線特征表示一、實(shí)驗(yàn)?zāi)康呐c任務(wù)ASM（）二、實(shí)驗(yàn)內(nèi)容、要求及安排實(shí)驗(yàn)內(nèi)容MatlabASMASM（PDM）PCA實(shí)驗(yàn)要求python三、任務(wù)實(shí)現(xiàn)及相關(guān)素材（一）任務(wù)簡介：人臉識別任務(wù)旨在利用主動形狀模型(ActiveShapeModel)技術(shù)，通過分析人臉圖像的形狀特征，實(shí)現(xiàn)對人臉的自動檢測和定位。該任務(wù)主要包含模型訓(xùn)練和模型搜索兩個(gè)階段：ASMASM（二）數(shù)據(jù)集簡介：LFWLabeledFaceintheLFW132335749250x250（三）模型簡介：ASMASM1995ASM:,然后依據(jù)形狀信息建立統(tǒng)計(jì)形狀模型,,,而且它還能將形狀的可變性限制在一個(gè)較小范圍內(nèi),從而保證了目標(biāo)形狀等改變時(shí)不會因各種影響因素的改變而改變,也可以有效地防止模型的過擬合ASM（四）環(huán)境說明：算法實(shí)驗(yàn)平臺為MATLAB，編程語言為Matlab。The/還（C、C++、Java、PythonSimulink/（五）參考代碼：項(xiàng)目代碼參見：/johnwmillr/ActiveShapeModelsLFW數(shù)據(jù)集參見：/lfw/或見案例代碼數(shù)據(jù)。教學(xué)案例4：區(qū)域分割一、實(shí)驗(yàn)?zāi)康呐c任務(wù)通過本實(shí)驗(yàn)，要求學(xué)生能夠了解區(qū)域分割的基本思想，通過學(xué)習(xí)一組訓(xùn)練圖像和對應(yīng)的標(biāo)簽，來建立區(qū)域分割模型，獲得分割結(jié)果圖并展示。二、實(shí)驗(yàn)內(nèi)容、要求及安排Python實(shí)驗(yàn)安排：本實(shí)驗(yàn)屬于開放性實(shí)驗(yàn)，要求每個(gè)學(xué)生獨(dú)立地完成本實(shí)驗(yàn)項(xiàng)目。三、任務(wù)實(shí)現(xiàn)及相關(guān)素材（一）任務(wù)簡介：區(qū)域分割包含三個(gè)子任務(wù)：語義分割、實(shí)例分割、全景分割。語義分割：每個(gè)像素對應(yīng)一個(gè)類標(biāo)簽，同一類會被定義成一個(gè)區(qū)域塊，不區(qū)分其中單個(gè)個(gè)體，但受限于定義的類數(shù)量，其中不使用的像素點(diǎn)會有指定的分類。實(shí)例分割：每個(gè)對象的掩碼和類標(biāo)簽。區(qū)分單個(gè)物體以及單個(gè)物體所屬的類型，但受限于能夠識別的物體類型數(shù)量，無法識別的都作為背景（圖上的黑色背景）。+（二）數(shù)據(jù)集簡介：CRAG(ColorectalAdenocarcinomaGland)21320H&EMILD-Net論MedicalImageAnalysis17340HRC_WHU(High-ResolutionCloudDetectionDataset)：這個(gè)數(shù)據(jù)集由武漢大學(xué)的SENDIMAGE實(shí)驗(yàn)室創(chuàng)建，包含150張高分辨率云層驗(yàn)證數(shù)據(jù)圖像，這些圖像具有三個(gè)RGB0.515/SWINySEG(SingaporeWholeskyNychthemeronImageSEGmentationDatabase)：這個(gè)6768）2016112VOC2012(TheObjectClassesChallenge2012)20人、動物、車輛和家用物品等。上述數(shù)據(jù)集可以從網(wǎng)上搜索下載。（三）模型簡介：（Fullyconnectednetwork,FCN）Shelhamer,LongDarrell2015,0NNN,U-NetRonneberger、FischerBrox2015U-Net（四）環(huán)境說明：算法開發(fā)環(huán)境推薦使用anoconda+pytorch，編程語言為Python。AnacondaPython支持LinuxMac,python（五）參考代碼：UNet代碼參見：/bubbliiiing/unet-pytorch.gitFCN 代碼參見：/WZMIAOMIAO/deep-learning-for-image-processing/tree/master/pytorch_segmentation/fcn或見案例代碼數(shù)據(jù)。教學(xué)案例5：紋理分析一、實(shí)驗(yàn)?zāi)康呐c任務(wù)PCANet二、實(shí)驗(yàn)內(nèi)容、要求及安排實(shí)驗(yàn)內(nèi)容：PythonPCANet的紋實(shí)驗(yàn)要求：Python最終提交調(diào)試成功的源程序代碼和實(shí)驗(yàn)報(bào)告。實(shí)驗(yàn)安排：本實(shí)驗(yàn)屬于開放性實(shí)驗(yàn)，要求每個(gè)學(xué)生獨(dú)立地完成本實(shí)驗(yàn)項(xiàng)目。三、任務(wù)實(shí)現(xiàn)及相關(guān)素材（一任務(wù)簡介（二）數(shù)據(jù)集簡介：MNIST（ModifiedNationalInstituteofStandardsandTechnology）MNIST7000028x28像6000010000PCANetCIFAR-10（CanadianInstituteforAdvancedResearch10classes）106000032x325000010000PCANetImageNetImageNetTCNNDTD（DescribableDataset）47120像，共計(jì)5640FlickrTCNN109814500上述數(shù)據(jù)集可以從網(wǎng)上搜索下載。（三）模型簡介：ConvolutionalNeuralNetwork）PCANet（PrincipalComponentAnalysisNetwork）PCANetPCANetPCA濾波器來提取圖像特征，并使用直方圖來表示圖像特征。相比于傳統(tǒng)的深度學(xué)習(xí)網(wǎng)絡(luò)，PCANet（四）環(huán)境說明：算法開發(fā)環(huán)境推薦使用anoconda+pytorch，編程語言為Python。AnacondaPython支持LinuxMac,python（五）參考代碼：T-CNN代碼參見：/shantanu-ai/MTL-TCNN3PCANet代碼參見：/lucasleesw/PCANet_python_ver或見案例代碼數(shù)據(jù)。教學(xué)案例6：相機(jī)標(biāo)定一、實(shí)驗(yàn)?zāi)康呐c任務(wù)通過本實(shí)驗(yàn)，要求學(xué)生掌握相機(jī)標(biāo)定算法，求出相機(jī)的內(nèi)外參數(shù)以及畸變參數(shù)，確定現(xiàn)實(shí)世界三維點(diǎn)與其在相機(jī)圖像中對應(yīng)的二維投影點(diǎn)之間的準(zhǔn)確關(guān)系。二、實(shí)驗(yàn)內(nèi)容、要求及安排實(shí)驗(yàn)內(nèi)容實(shí)驗(yàn)要求Python實(shí)驗(yàn)安排：本實(shí)驗(yàn)屬于開放性實(shí)驗(yàn)，要求每個(gè)學(xué)生獨(dú)立地完成本實(shí)驗(yàn)項(xiàng)目。三、任務(wù)實(shí)現(xiàn)及相關(guān)素材（一）任務(wù)簡介：實(shí)現(xiàn)相機(jī)標(biāo)定。（二）模型簡介：相機(jī)標(biāo)定指建立相機(jī)圖像像素位置與場景點(diǎn)位置之間的關(guān)系，根據(jù)相機(jī)成像模型，由特征點(diǎn)在圖像中坐標(biāo)與世界坐標(biāo)的對應(yīng)關(guān)系，求解相機(jī)模型的參數(shù)。相機(jī)需要標(biāo)定的模型參數(shù)包括內(nèi)部參數(shù)和外部參數(shù)。（三）環(huán)境說明：算法開發(fā)環(huán)境推薦使用anoconda+pytorch，編程語言為Python。AnacondaPython支持LinuxMac,python（四）參考代碼：參考鏈接：/zhiyuanyou/Calibration-ZhangZhengyou-Method或見案例代碼數(shù)據(jù)。教學(xué)案例7：三維重建一、實(shí)驗(yàn)?zāi)康呐c任務(wù)通過本實(shí)驗(yàn)，要求學(xué)生根據(jù)多視圖，掌握三維重建算法，對三維物體構(gòu)建適合計(jì)算機(jī)表示和處理的數(shù)學(xué)模型。二、實(shí)驗(yàn)內(nèi)容、要求及安排實(shí)驗(yàn)內(nèi)容：以單視圖或多視圖為輸入，先對攝像機(jī)進(jìn)行標(biāo)定,即計(jì)算出攝像機(jī)的圖像坐標(biāo)系與世界坐標(biāo)系的關(guān)系.然后利用多個(gè)二維圖像中的信息重建出三維信息。實(shí)驗(yàn)要求實(shí)驗(yàn)安排：本實(shí)驗(yàn)屬于開放性實(shí)驗(yàn)，要求每個(gè)學(xué)生獨(dú)立地完成本實(shí)驗(yàn)項(xiàng)目。三、任務(wù)實(shí)現(xiàn)及相關(guān)素材（一）任務(wù)簡介：基于立體視覺的三維重建。（二）模型簡介：（（），三維重建算法流程主要步驟如下：（1）圖像獲?。涸谶M(jìn)行圖像處理之前，先要用攝像機(jī)獲取三維物體的二維圖像。光照條件、相機(jī)的幾何特性等對后續(xù)的圖像處理造成很大的影響。（3）特征提取：特征主要包括特征點(diǎn)、特征線和區(qū)域。（三）環(huán)境說明：算法開發(fā)環(huán)境推薦使用anoconda+pytorch，編程語言為Python。AnacondaPython支持LinuxMac,python通常用于圖像識別和語言處理等應(yīng)用程序的機(jī)器學(xué)習(xí)。（四）參考代碼：見案例代碼數(shù)據(jù)。教學(xué)案例8：光流估計(jì)一、實(shí)驗(yàn)?zāi)康呐c任務(wù)通過本實(shí)驗(yàn)，要求學(xué)生掌握運(yùn)動視頻光流估計(jì)算法，熟悉稀疏光流與稠密光流的計(jì)算與評價(jià)方法。二、實(shí)驗(yàn)內(nèi)容、要求及安排實(shí)驗(yàn)內(nèi)容FlowNetPWCNet實(shí)驗(yàn)要求Python實(shí)驗(yàn)安排：本實(shí)驗(yàn)屬于開放性實(shí)驗(yàn)，要求每個(gè)學(xué)生獨(dú)立地完成本實(shí)驗(yàn)項(xiàng)目。三、任務(wù)實(shí)現(xiàn)及相關(guān)素材（一任務(wù)簡介（二）數(shù)據(jù)集簡介：FlyingChairs228723DFlickrICCV2015論文FlowNet:LearningOpticalFlowwithConvolutionalNetworksKITTI(optical(visual(objectdetection)跟蹤(tracking)KITTI1530KITTI389HD1KBenchmarkSuite1000256x08Sintel3DSintel2312個(gè)測試序列。上述數(shù)據(jù)集可以從網(wǎng)上搜索下載。（三）模型簡介：FlowNetFlowNet（truthFlowNetFlowNetSimple（FlowNet-S）和FlowNetCorrelation（FlowNet-C）。PWC-Net光流映射（四）環(huán)境說明：算法開發(fā)環(huán)境推薦使用anoconda+pytorch，編程語言為Python。AnacondaPython支持LinuxMac,python（五）參考代碼：FlowNet代碼參見：/philferriere/tfoptflow/blob/masterPWC-Net代碼參見：/NVlabs/PWC-Net或見案例代碼數(shù)據(jù)。教學(xué)案例9：圖像分類一、實(shí)驗(yàn)?zāi)康呐c任務(wù)使學(xué)生掌握圖像特征提取、傳統(tǒng)圖像分類、神經(jīng)網(wǎng)絡(luò)圖像分類方法，了解MNIST、CIFAR等圖像數(shù)據(jù)集的構(gòu)成。二、實(shí)驗(yàn)內(nèi)容、要求及安排實(shí)驗(yàn)內(nèi)容實(shí)驗(yàn)要求Python實(shí)驗(yàn)安排：本實(shí)驗(yàn)屬于開放性實(shí)驗(yàn)，要求每個(gè)學(xué)生獨(dú)立地完成本實(shí)驗(yàn)項(xiàng)目。三、任務(wù)實(shí)現(xiàn)及相關(guān)素材（一任務(wù)簡介（二）數(shù)據(jù)集簡介：MNIST（ModifiedNationalInstituteofStandardsandTechnology）MNIST28×280~96000010000CIFAR-100（CanadianInstituteforAdvancedResearch100classes）10060032x3210020532x32RGBImageNet1400上述數(shù)據(jù)集可以從網(wǎng)上搜索下載。（三）模型簡介：VGGNet2014KarenSimonyanAndrewZissermanVGG與AlexNetAlexNetx、7x、5x5)3x3Transformer(NLP)TransformerpatchTransformerEncoder（四）環(huán)境說明：算法開發(fā)環(huán)境推薦使用anoconda+pytorch，編程語言為Python。AnacondaPython支持LinuxMac,python（五）參考代碼：VGG16代碼參見：/ashushekar/VGG16VisionTransformer代碼參見：/google-research/vision_tran