计算机视觉理解：图像处理与连通分量

"计算机视觉复习整理1" 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、模式识别等多个方面。本资料主要总结了计算机视觉中的几个基础概念和原则，包括图像与背景的关系、图形组织原则以及视觉框架的三个阶段。 首先，图像与背景关系原则（figure-ground）指出在视觉感知中，物体或图形通常会比其背景更加突出，这有助于我们区分图像中的重要元素。这是视觉理解的基础，使我们能够从复杂的环境中提取关键信息。 接着，提到了几种图形组织原则，这些原则帮助我们理解和解析图像： 1. 接近原则（proximity）：当物体或图形彼此靠近时，我们会认为它们是相关联的，属于同一个组或整体。 2. 相似原则（similarity）：形状、大小、颜色、亮度等相似的元素倾向于被归类为一类。 3. 连续性原则（continuity）：如果图形的线条或边看起来可以连接，那么我们的大脑会自动将其视为一个连续的整体。 4. 封闭/闭合原则（closure）：即使图形不完全封闭，我们也会试图补全它，形成一个完整的形状。 5. 蕴含律：人们倾向于将复杂的对象简化为对称、规则的形状来理解。 格式塔法则在计算机视觉中也非常重要，其中PrimalSketch是一种早期图像处理方法，用于从原始图像中提取基本特征，如角点、边缘、纹理等，这些特征组合成“基元图”。2.5DSketch则通过基元图和输入图像来恢复场景的某些深度信息，但并不是完全的三维重建。3DModel是在此基础上进一步恢复出物体的三维表示。 视觉框架的三个阶段包括： 1. 二值图像处理：对图像进行二值化，形成黑白两部分，便于后续分析。 2. 面积和几何特性计算：例如零阶矩表示面积，一阶矩确定区域中心，通过欧拉数计算连通分量和洞的数量等。 3. 形态学特性分析：例如区域的伸长率、密度、形态比（最小外接矩形的长宽比）等，这些参数可以帮助识别和分类不同的图像结构。 连通分量标记算法在图像处理中用于找出并标记图像中的连通区域，这是一个重要的预处理步骤，为后续的特征提取和对象识别奠定基础。算法通过递归地为未标记的像素点分配标记，并维护等价表以合并相同的连通区域。 这份资料提供了计算机视觉基础理论的概览，涵盖了从图像理解的基本原则到图像处理的关键步骤，对学习和复习计算机视觉知识非常有帮助。