人工基础智能 2

模块二体验机器“感知与理解”世界单元六操控机器“看懂”图像世界人工智能概论——财经商贸AI技术与应用第一节机器"看懂"世界的基本原理一、图像获取(一)连续的模拟世界和离散的数字世界(二)认识计算机中的图像二、图像预处理(一)图像去噪(二)对比度增强(三)几何校正三、特征提取(一)形状特征提取(二)颜色特征提取(三)纹理特征提取四、图像理解一、图像获取图像获取是计算机视觉起点，通过采样（空间分割）和量化（亮度映射0–255）将连续光学信号转为数字像素矩阵。灰度图每像素单值，彩色图每像素R、G、B三值。像素矩阵是机器“看见”世界的唯一对象。维度核心内容核心任务连续光学信号→离散数字图像信号（像素矩阵）采样空间上分割为网格（如28×28点阵）量化亮度映射为0–255整数（0纯黑/255纯白）灰度图像每像素单值（0–255），仅亮度信息彩色图像每像素R、G、B三值（0–255），组合表色关键认知机器“看”到的唯一对象是数字矩阵一、图像获取采样与量化：计算机无法直接处理连续信号，需通过采样（空间上分割为网格，如28×28）和量化（亮度映射为0–255整数）两步转换。最终连续图像变为计算机唯一处理的数字矩阵。一、图像获取图像类型：数字矩阵中每个单元称为像素。灰度图像每个像素一个数值（0–255），仅含亮度信息；彩色图像每个像素由R、G、B三通道数值（0–255）组成。理解像素与图像类型是学习后续图像预处理、特征提取的基础。维度核心内容核心任务连续光学信号→离散数字图像信号（像素矩阵）采样空间上分割为网格（如28×28点阵）量化亮度映射为0–255整数（0纯黑/255纯白）灰度图像每像素单值（0–255），仅亮度信息彩色图像每像素R、G、B三值（0–255），组合表色关键认知机器“看”到的唯一对象是数字矩阵二、图像预处理图像预处理改善图像质量。去噪：高斯滤波处理高斯噪声（均匀颗粒感）但会模糊边缘；中值滤波处理椒盐噪声（孤立亮点/暗点）且保留边缘。对比度增强用直方图均衡化拉开明暗层次。几何校正确纠正图像倾斜与变形，常用于文档扫描校正。二、图像预处理含高斯噪声的图像原始图像含椒盐噪声的图像（一）图像去噪高斯噪声（传感器热噪声引起，均匀颗粒感）用高斯滤波处理，但会模糊边缘；椒盐噪声（极亮/极暗孤立点）用中值滤波处理，能有效清除噪点而保留边缘。二、图像预处理高斯滤波去噪前后对比

（一）图像去噪高斯噪声（传感器热噪声引起，均匀颗粒感）用高斯滤波处理，但会模糊边缘；椒盐噪声（极亮/极暗孤立点）用中值滤波处理，能有效清除噪点而保留边缘。二、图像预处理（一）图像去噪高斯噪声（传感器热噪声引起，均匀颗粒感）用高斯滤波处理，但会模糊边缘；椒盐噪声（极亮/极暗孤立点）用中值滤波处理，能有效清除噪点而保留边缘。中值滤波去噪前后对比

二、图像预处理（二）对比度增强图像“发灰”时用直方图均衡化重新分配灰度值，拉开明暗层次。局限：会同步增强噪声，对局部明暗差异大的场景适应性不足。

对比度增强前后对比二、图像预处理（三）几何校正通过数学变换纠正图像倾斜或变形（如旋转变换矩阵），为后续分析提供准确的形状基础，常用于文档扫描校正和工业视觉检测。

几何校正前后对比三、特征提取特征提取将像素提炼为特征向量。形状特征：边缘检测勾勒轮廓，角点检测定位关键点。颜色特征：颜色直方图是“色彩指纹”。纹理特征：对比度值量化粗糙度，值越高越粗糙，可区分材质。

特征类型核心方法作用形状特征边缘检测、角点检测勾勒轮廓、定位关键点颜色特征颜色直方图图像“色彩指纹”，概括明暗与风格纹理特征对比度值计算量化粗糙度：值越高越粗糙，区分材质三、特征提取形状特征提取：关注几何形态。边缘检测（如Canny算子）通过分析梯度突变勾勒轮廓；角点检测（如Harris算法）定位各方向变化显著的关键点。

（a）原图

（b）提取的边缘（轮廓）

（c）检测到的角点（蓝点）形状特征提取示例三、特征提取颜色特征提取：颜色直方图统计各颜色出现频率，是图像的“色彩指纹”，概括明暗基调与色彩风格。

颜色特征提取示例三、特征提取纹理特征提取：量化像素灰度空间变化模式，如计算对比度值——值越高纹理越粗糙，值越低越平滑。可用于客观区分不同材质。

（a）皮革与织物图像

（b）纹理对比度值对比（值越大越粗糙）纹理特征提取示例四、图像理解图像理解是计算机视觉的最终目标，通过机器学习对特征进行分类和定位，回答“有什么”“在哪里”。如根据纹理对比度值（决策边界10.25）区分皮革与织物，将数值映射为语义，可解释性强。

计算机理解图像示例第二节计算机视觉的常见任务一、计算机视觉的常见任务(一)图像分类(二)目标检测(三)图像分割(四)其他任务二、体验计算机视觉的应用(一)体验图像分类模型(二)体验目标检测模型(三)体验语义分割模型(四)体验实例分割模型(五)体验姿态估计模型(六)体验OCR模型一、计算机视觉的常见任务图像分类（是什么）、目标检测（是什么+在哪里）、图像分割（语义分割标类别但不分个体；实例分割区分每个个体）、姿态估计（如何动）、人脸识别（你是谁）、OCR（写了什么）。各任务对应不同应用场景。任务核心问题典型应用图像分类是什么？图像检索、内容审核目标检测是什么？在哪里？自动驾驶、安防监控物体区域分离前景vs背景目标识别预处理语义分割像素属哪类街景理解（不分个体）实例分割每个独立个体区分同类不同对象姿态估计如何动？体育分析、人机交互人脸识别你是谁？手机解锁、金融支付OCR写了什么？文档数字化、票据录入一、计算机视觉的常见任务图像分类——解决“是什么？”判断图像包含哪个预定义类别，如图像检索、内容审核。目标检测示意目标检测——解决“是什么？在哪里？”定位目标位置并识别类别，如自动驾驶、安防监控。一、计算机视觉的常见任务图像分割：物体区域分离（区分前景与背景）；语义分割（为每个像素赋予类别标签，但无法区分同类个体）；实例分割（精确分割每个独立个体，可区分同类不同对象）。(a)原图(b)前景物体分离(c)去除干扰背景

前景与背景分割效果一、计算机视觉的常见任务图像分割：物体区域分离（区分前景与背景）；语义分割（为每个像素赋予类别标签，但无法区分同类个体）；实例分割（精确分割每个独立个体，可区分同类不同对象）。语义分割效果

(a)原图(b)语义分割：分割出每种类别一、计算机视觉的常见任务图像分割：物体区域分离（区分前景与背景）；语义分割（为每个像素赋予类别标签，但无法区分同类个体）；实例分割（精确分割每个独立个体，可区分同类不同对象）。实例分割效果

(a)原图(b)实例分割：每只狗单独分割一、计算机视觉的常见任务姿态估计——解决“如何动？”检测人体关键点构建骨架，用于体育分析、人机交互。

人脸识别——解决“你是谁？”通过检测、对齐、特征比对实现身份验证，用于手机解锁、金融支付。OCR——解决“写了什么？”将图像文字转为可编辑文本，用于文档数字化、票据录入。二、体验计算机视觉的应用通过ModelScope魔搭社区零代码体验计算机视觉任务：

（一）体验图像分类模型二、体验计算机视觉的应用通过ModelScope魔搭社区零代码体验计算机视觉任务：

（一）体验图像分类模型二、体验计算机视觉的应用通过ModelScope魔搭社区零代码体验计算机视觉任务：

（一）体验图像分类模型二、体验计算机视觉的应用通过ModelScope魔搭社区零代码体验计算机视觉任务：

（二）体验目标检测模型二、体验计算机视觉的应用通过ModelScope魔搭社区零代码体验计算机视觉任务：

（二）体验目标检测模型二、体验计算机视觉的应用通过ModelScope魔搭社区零代码体验计算机视觉任务：

（三）体验语义分割模型二、体验计算机视觉的应用通过ModelScope魔搭社区零代码体验计算机视觉任务：

（三）体验语义分割模型二、体验计算机视觉的应用通过ModelScope魔搭社区零代码体验计算机视觉任务：

（三）体验语义分割模型预测种类概率（≈像素占比）解读grass-merged

(草地)1图片中很大一部分区域被识别为草地sky-other-merged

(天空)1天空占据了图片的显著部分fence-merged

(栅栏)1图中包含栅栏tree-merged

(树木)1图中包含树木water-other

(水体-其他)1图中包含一部分水体river

(河流)1河流是水体的具体类别elephant

(大象)1关键目标，图中包含大象二、体验计算机视觉的应用通过ModelScope魔搭社区零代码体验计算机视觉任务：

（四）体验实例分割模型二、体验计算机视觉的应用通过ModelScope魔搭社区零代码体验计算机视觉任务：

（四）体验实例分割模型二、体验计算机视觉的应用通过ModelScope魔搭社区零代码体验计算机视觉任务：

（四）体验实例分割模型二、体验计算机视觉的应用通过ModelScope魔搭社区零代码体验计算机视觉任务：

（五）体验姿态估计模型二、体验计算机视觉的应用通过ModelScope魔搭社区零代码体验计算机视觉任务：

（五）体验姿态估计模型二、体验计算机视觉的应用通过ModelScope魔搭社区零代码体验计算机视觉任务：

（六）体验OCR模型第三节百度OCR工具识别发票一、计算机"看懂"发票的原理(一)图像的数字化采集与预处理(二)关键信息区域的定位(三)文本内容的识别(四)结构化数据生成与校验二、认识OCR工具三、认识百度智能云OCR工具四、在百度OCR在线识别工具中体验OCR识别技术五、调用百度OCR实现发票识别(一)实训前准备工作(二)借助DeepSeek生成发票识别的Python代码一、计算机"看懂"发票的原理从像素到数据，OCR让机器“看懂”发票。

步骤核心任务关键方法①预处理提升图像可靠性灰度化、二值化、几何校正、去噪②区域定位框选关键字段位置边缘检测、纹理分析、形状匹配、投影分析③文本识别识别字符内容模板匹配（印刷体）/CNN深度学习④结构化生成转为业务可用数据格式转换+勾稽关系校验二、认识OCR工具OCR工具分四类：平台集成型（百度/阿里/腾讯云，需API）；专业软件（Adobe/ABBYY，版面还原强）；免费在线（Smallpdf等，便捷但基础）；开源引擎（Tesseract/PaddleOCR，可二次开发）。

类别代表工具特点适用场景平台集成型百度/阿里/腾讯云OCR高精度，支持多格式，需API调用企业级应用、自动化流程专业软件AdobeAcrobat、ABBYY、金蝶云OCR文档处理强，版面还原好财务、审计高标准场景免费在线百度OCR在线、Smallpdf无需安装，操作简便个人快速处理开源引擎Tesseract、PaddleOCR开源免费，自定义程度高技术团队二次开发三、认识百度智能云OCR工具百度智能云OCR：上传图片即识别，支持中英文及常用符号，针对发票、身份证等优化，直接返回关键字段，无需训练模型，识别准确率高。

维度核心内容服务类型云端文字识别服务使用方式上传图片→获得识别结果支持内容中文、英文、数字及常用符号优化对象增值税发票、身份证、银行卡等返回字段金额、发票代码、开票日期等优势无需训练模型，准确率高，稳定可扩展四、在百度OCR在线识别工具中体验OCR识别技术

五、调用百度OCR实现发票识别

（一）实训前准备工作百度智能云的文字识别主页五、调用百度OCR实现发票识别

（一）实训前准备工作百度智能云的实名认证五、调用百度OCR实现发票识别（一）实训前准备工作百度智能云提供的文字识别服务五、调用百度OCR实现发票识别（一）实训前准备工作“增值税发票识别”服务五、调用百度OCR实现发票识别（一）实训前准备工作创建应用五、调用百度OCR实现发票识别（一）实训前准备工作创建“财务票据识别”应用五、调用百度OCR实现发票识别（一）实训前准备工作创建好的“财务票据识别”应用五、调用百度OCR实现发票识别（二）借助DeepSeek生成发票识别的Python代码提示词请帮我生成一段最短的Python代码，用来识别增值税发票上的“发票号码、开票日期、价税合计”。要求：只使用importrequests和importbase64，不写任何函数。每行代码都要加中文注释，写给完全零编程基础的同学看。需要填写的百度智能云信息只保留APIKey和SecretKey两个空位，AppID不用出现。默认发票图片文件叫invoice.jpg