《计算机视觉》 教学案例汇 1、直方图变换- 10、目标检测

教学案例1：直方图变换一、实验目的与任务通过本实验，要求学生掌握直方图计算、直方图均衡化等变换算法，通过调整图像的直方图来增强图像质量。二、实验内容、要求及安排实验内容：对输入图像计算其直方图，进行直方图变换处理，输出处理后的直方图；实现一种图像滤波，并输出滤波后的图像及其直方图。实验要求Python实验安排：本实验属于开放性实验，要求每个学生独立地完成本实验项目。三、任务实现及相关素材（一）任务简介：对输入图像进行直方图变换处理，输出处理后图像及其直方图。（二）数据简介：给定任一图像。（三）模型简介：直方图变换算法主要包含三个步骤：1）计算输入图像的灰度直方图；2）进行直方图均衡化处理；3）对图像进行滤波处理；4）计算滤波后的图像的直方图；5）显示上述结果。（四）环境说明：算法开发环境推荐使用anoconda+pytorch，编程语言为Python。AnacondaPython支持LinuxMac,python（五）参考代码：见案例代码数据。教学案例2：图像拼接一、实验目的与任务通过本实验，要求学生掌握基于特征点匹配的图像拼接算法，通过图像的特征点检测与特征匹配来实现图像拼接。二、实验内容、要求及安排实验内容：对输入两幅有重叠区域的图片，实现特征点检测、特征匹配及特征变换算法，实现两幅图像的拼接。实验要求Python实验安排：本实验属于开放性实验，要求每个学生独立地完成本实验项目。三、任务实现及相关素材（一）任务简介：实现基于对应特征点检测的图像拼接。（二）数据简介：任意两幅具有重叠区域的图像。（三）模型简介：图像拼接算法主要包含三个步骤：1）选择一种特征点检测算法，在两幅图像上检测特征点；2）选择图像点特征的表示方法，通过特征比对实现两幅图像对应特征点的检测；3）选择合适的变换，通过对应特征点计算变换参数，实现图像拼接。（四）环境说明：算法开发环境推荐使用anoconda+pytorch，编程语言为Python。AnacondaPython支持LinuxMac,python（五）参考代码：见案例代码数据。教学案例3：线特征表示一、实验目的与任务ASM（）二、实验内容、要求及安排实验内容MatlabASMASM（PDM）PCA实验要求python三、任务实现及相关素材（一）任务简介：人脸识别任务旨在利用主动形状模型(ActiveShapeModel)技术，通过分析人脸图像的形状特征，实现对人脸的自动检测和定位。该任务主要包含模型训练和模型搜索两个阶段：ASMASM（二）数据集简介：LFWLabeledFaceintheLFW132335749250x250（三）模型简介：ASMASM1995ASM:,然后依据形状信息建立统计形状模型,,,而且它还能将形状的可变性限制在一个较小范围内,从而保证了目标形状等改变时不会因各种影响因素的改变而改变,也可以有效地防止模型的过拟合ASM（四）环境说明：算法实验平台为MATLAB，编程语言为Matlab。The/还（C、C++、Java、PythonSimulink/（五）参考代码：项目代码参见：/johnwmillr/ActiveShapeModelsLFW数据集参见：/lfw/或见案例代码数据。教学案例4：区域分割一、实验目的与任务通过本实验，要求学生能够了解区域分割的基本思想，通过学习一组训练图像和对应的标签，来建立区域分割模型，获得分割结果图并展示。二、实验内容、要求及安排Python实验安排：本实验属于开放性实验，要求每个学生独立地完成本实验项目。三、任务实现及相关素材（一）任务简介：区域分割包含三个子任务：语义分割、实例分割、全景分割。语义分割：每个像素对应一个类标签，同一类会被定义成一个区域块，不区分其中单个个体，但受限于定义的类数量，其中不使用的像素点会有指定的分类。实例分割：每个对象的掩码和类标签。区分单个物体以及单个物体所属的类型，但受限于能够识别的物体类型数量，无法识别的都作为背景（图上的黑色背景）。+（二）数据集简介：CRAG(ColorectalAdenocarcinomaGland)21320H&EMILD-Net论MedicalImageAnalysis17340HRC_WHU(High-ResolutionCloudDetectionDataset)：这个数据集由武汉大学的SENDIMAGE实验室创建，包含150张高分辨率云层验证数据图像，这些图像具有三个RGB0.515/SWINySEG(SingaporeWholeskyNychthemeronImageSEGmentationDatabase)：这个6768）2016112VOC2012(TheObjectClassesChallenge2012)20人、动物、车辆和家用物品等。上述数据集可以从网上搜索下载。（三）模型简介：（Fullyconnectednetwork,FCN）Shelhamer,LongDarrell2015,0NNN,U-NetRonneberger、FischerBrox2015U-Net（四）环境说明：算法开发环境推荐使用anoconda+pytorch，编程语言为Python。AnacondaPython支持LinuxMac,python（五）参考代码：UNet代码参见：/bubbliiiing/unet-pytorch.gitFCN 代码参见：/WZMIAOMIAO/deep-learning-for-image-processing/tree/master/pytorch_segmentation/fcn或见案例代码数据。教学案例5：纹理分析一、实验目的与任务PCANet二、实验内容、要求及安排实验内容：PythonPCANet的纹实验要求：Python最终提交调试成功的源程序代码和实验报告。实验安排：本实验属于开放性实验，要求每个学生独立地完成本实验项目。三、任务实现及相关素材（一任务简介（二）数据集简介：MNIST（ModifiedNationalInstituteofStandardsandTechnology）MNIST7000028x28像6000010000PCANetCIFAR-10（CanadianInstituteforAdvancedResearch10classes）106000032x325000010000PCANetImageNetImageNetTCNNDTD（DescribableDataset）47120像，共计5640FlickrTCNN109814500上述数据集可以从网上搜索下载。（三）模型简介：ConvolutionalNeuralNetwork）PCANet（PrincipalComponentAnalysisNetwork）PCANetPCANetPCA滤波器来提取图像特征，并使用直方图来表示图像特征。相比于传统的深度学习网络，PCANet（四）环境说明：算法开发环境推荐使用anoconda+pytorch，编程语言为Python。AnacondaPython支持LinuxMac,python（五）参考代码：T-CNN代码参见：/shantanu-ai/MTL-TCNN3PCANet代码参见：/lucasleesw/PCANet_python_ver或见案例代码数据。教学案例6：相机标定一、实验目的与任务通过本实验，要求学生掌握相机标定算法，求出相机的内外参数以及畸变参数，确定现实世界三维点与其在相机图像中对应的二维投影点之间的准确关系。二、实验内容、要求及安排实验内容实验要求Python实验安排：本实验属于开放性实验，要求每个学生独立地完成本实验项目。三、任务实现及相关素材（一）任务简介：实现相机标定。（二）模型简介：相机标定指建立相机图像像素位置与场景点位置之间的关系，根据相机成像模型，由特征点在图像中坐标与世界坐标的对应关系，求解相机模型的参数。相机需要标定的模型参数包括内部参数和外部参数。（三）环境说明：算法开发环境推荐使用anoconda+pytorch，编程语言为Python。AnacondaPython支持LinuxMac,python（四）参考代码：参考链接：/zhiyuanyou/Calibration-ZhangZhengyou-Method或见案例代码数据。教学案例7：三维重建一、实验目的与任务通过本实验，要求学生根据多视图，掌握三维重建算法，对三维物体构建适合计算机表示和处理的数学模型。二、实验内容、要求及安排实验内容：以单视图或多视图为输入，先对摄像机进行标定,即计算出摄像机的图像坐标系与世界坐标系的关系.然后利用多个二维图像中的信息重建出三维信息。实验要求实验安排：本实验属于开放性实验，要求每个学生独立地完成本实验项目。三、任务实现及相关素材（一）任务简介：基于立体视觉的三维重建。（二）模型简介：（（），三维重建算法流程主要步骤如下：（1）图像获取：在进行图像处理之前，先要用摄像机获取三维物体的二维图像。光照条件、相机的几何特性等对后续的图像处理造成很大的影响。（3）特征提取：特征主要包括特征点、特征线和区域。（三）环境说明：算法开发环境推荐使用anoconda+pytorch，编程语言为Python。AnacondaPython支持LinuxMac,python通常用于图像识别和语言处理等应用程序的机器学习。（四）参考代码：见案例代码数据。教学案例8：光流估计一、实验目的与任务通过本实验，要求学生掌握运动视频光流估计算法，熟悉稀疏光流与稠密光流的计算与评价方法。二、实验内容、要求及安排实验内容FlowNetPWCNet实验要求Python实验安排：本实验属于开放性实验，要求每个学生独立地完成本实验项目。三、任务实现及相关素材（一任务简介（二）数据集简介：FlyingChairs228723DFlickrICCV2015论文FlowNet:LearningOpticalFlowwithConvolutionalNetworksKITTI(optical(visual(objectdetection)跟踪(tracking)KITTI1530KITTI389HD1KBenchmarkSuite1000256x08Sintel3DSintel2312个测试序列。上述数据集可以从网上搜索下载。（三）模型简介：FlowNetFlowNet（truthFlowNetFlowNetSimple（FlowNet-S）和FlowNetCorrelation（FlowNet-C）。PWC-Net光流映射（四）环境说明：算法开发环境推荐使用anoconda+pytorch，编程语言为Python。AnacondaPython支持LinuxMac,python（五）参考代码：FlowNet代码参见：/philferriere/tfoptflow/blob/masterPWC-Net代码参见：/NVlabs/PWC-Net或见案例代码数据。教学案例9：图像分类一、实验目的与任务使学生掌握图像特征提取、传统图像分类、神经网络图像分类方法，了解MNIST、CIFAR等图像数据集的构成。二、实验内容、要求及安排实验内容实验要求Python实验安排：本实验属于开放性实验，要求每个学生独立地完成本实验项目。三、任务实现及相关素材（一任务简介（二）数据集简介：MNIST（ModifiedNationalInstituteofStandardsandTechnology）MNIST28×280~96000010000CIFAR-100（CanadianInstituteforAdvancedResearch100classes）10060032x3210020532x32RGBImageNet1400上述数据集可以从网上搜索下载。（三）模型简介：VGGNet2014KarenSimonyanAndrewZissermanVGG与AlexNetAlexNetx、7x、5x5)3x3Transformer(NLP)TransformerpatchTransformerEncoder（四）环境说明：算法开发环境推荐使用anoconda+pytorch，编程语言为Python。AnacondaPython支持LinuxMac,python（五）参考代码：VGG16代码参见：/ashushekar/VGG16VisionTransformer代码参见：/google-research/vision_tran