深度图解析：被动与主动测距在计算机视觉中的应用

"计算机视觉-深度图像" 计算机视觉是一门多学科交叉的领域，涉及到图像处理、机器学习、数学和传感器技术等多个方面。深度图像在计算机视觉中扮演着至关重要的角色，因为它提供了场景的三维信息，使计算机可以理解物体的形状、距离和空间布局。本讲义将探讨深度图的概念、获取方法以及相关的图像匹配和边缘检测技术。 深度图，又称为深度映射，是一种记录场景中每个像素到相机距离的数据结构。每个像素的值代表了该像素对应场景点与相机之间的距离。这种信息对于重建三维场景、计算物体的运动轨迹、实现避障等功能至关重要。获取深度图的技术通常分为被动测距传感和主动测距传感。 被动测距传感主要依赖于从环境中自然光线的反射或透射，通过分析图像的灰度、纹理、亮度等信息推断深度。例如，立体视觉是被动测距的一种常见方法，它利用两个或多个相机从不同角度捕捉同一场景，通过比较两个图像中相同特征点的位置差异（即视差）来计算深度信息。 主动测距传感则通过向场景发射能量，如激光或红外光，然后接收反射回来的能量，根据发射和接收的时间差或强度变化来确定距离。常见的主动测距系统包括雷达和三角测距系统，它们能够更直接地测量物体的距离，但通常需要额外的硬件设备。 在计算机视觉中，主动视觉是一个理论框架，它强调通过主动控制相机的参数（如位置、角度、焦距等）来获取更好的感知信息，这与主动测距传感不同，后者关注的是通过发射能量来测量距离。 立体成像是被动测距传感的一个重要实例，它基于双目视觉原理，通过两个相机的基线距离和视差计算深度。在双目立体几何中，外极平面和外极线的概念是关键，它们帮助在两幅图像中找到对应点，并减少匹配过程中的计算复杂度。 图像匹配是另一个核心概念，它寻找两幅或多幅图像间的相似区域或特征点，以建立对应关系。这对于场景重建、物体识别和运动估计等任务至关重要。边缘检测是图像处理中的基本操作，它有助于识别图像中的边界和轮廓，提供对物体形状的初步理解，为后续的分析和识别步骤提供基础。 深度图像、图像匹配和边缘检测是计算机视觉中的基础工具，它们共同构建了理解和解析现实世界的关键技术。随着技术的发展，这些方法在自动驾驶、无人机导航、增强现实、安全监控等领域有着广泛的应用。深入理解和掌握这些知识，对于推动计算机视觉技术的进步和创新至关重要。