本文根据北京邮电大学计算机学院卢鹏老师讲授的计算机视觉与深度学习课程分章节整理。有需要的同学可以通过本系统学习课程的详细知识~

1.图像噪声

噪音分类

2. 卷积

卷积定义

卷积属性

卷积示例

锐化的解释

卷积去噪

平均卷积核

平均卷积核的问题及解决方案

高斯卷积核

• 如何设置卷积核大小？
  
  大方差或大尺寸卷积核具有很强的平滑能力
  小方差或小尺寸卷积核平滑能力弱
  经验法则: 将卷积核的半窗宽度设置为 3𝜎，最终卷积模板尺寸为2 × 3𝜎 + 1
• 如何设置高斯函数的标准差？
  标准差设置成1， 卷积模板宽度=2x3x1 + 1 = 7
  
• 高斯卷积核的可分离性：可以分解为两个一维高斯的乘积
  
  

中值滤波器

总结：三种噪声中，对于椒盐噪声和脉冲噪声，推荐使用中值滤波器。对于高斯噪声，可以使用高斯卷积核进行去噪。

3.边缘提取

1. 为什么要研究边缘？
   编码图像包含大量语义和形状信息
   边缘表示相对于像素表示显然更紧凑
2. 一种边缘
   
3. 边缘检测目标
   

边缘检测

检测图像中亮度发生显着急剧变化的位置

图像推导 图像偏导 图像梯度

噪音影响

1.平滑

2.高斯一阶偏导卷积核

高斯核 vs高斯一阶偏导核

Canny边缘检测器

1.用高斯一阶偏导核卷积图像

2.计算每个点的梯度幅值和方向

3.非极大值抑制

4.连接与阈值（滞后）

双阈值

1. 定义两个阈值：低和高
2. 先开始高阈值的边缘曲线，再继续低阈值的边缘曲线
   

4.纹理表示

纹理类别

基于卷积核组的纹理表示方法

1. 使用卷积核组提取图像中的纹理基
   
2. 使用卷积核组对图像进行卷积得到对应的特征响应图组
   
3. 使用特征响应图的某种统计信息来表示图像中的纹理。
   
   当我们忽略图元位置，只关注图元出现的对应纹理以及图元出现的频率时，可以得到以下信息：
   

卷积核组设计

• 内核类型（边、条和点）
• 卷积核尺度（3-6个尺度）
• 卷积核方向（6个角度）
  

5. 图像增强

数据增强：通过使用各种生成可信图像的随机变换来增强样本，从现有的训练样本中生成更多的训练数据。
数据增强的目标：训练模型不要两次查看完全相同的图像。这使得模型可以观察到更多的数据，从而具有更好的泛化能力。