電腦視覺技術與應用
含有「電腦視覺技術與應用」共 72 篇內容
全部內容
發佈日期由新至舊
Stereo Vision（立體視覺）是計算機視覺的一項技術，通過使用兩個或多個相機從不同視角拍攝同一場景，從二維圖像中計算出三維空間資訊。
原理
類似人類雙眼視覺，利用左右兩張略有視差的影像，計算對應點的位移（視差disparity）。 視差越大，物體越接近相機；視差越小，物體越遠。 透過攝影
Activation Function（激活函數）是神經網絡中的一個數學函數，其作用是將神經元的輸入信號轉換成輸出信號。激活函數決定了神經元是否「激活」並將訊號傳遞給下一層。
主要用途
引入非線性：激活函數將線性組合的輸入轉換為非線性輸出，使得神經網絡可以學習複雜的資料模式與非線性關係。 控制訊
Semantic Segmentation（語義分割）是計算機視覺領域中的一項技術，目的是將圖像中的每一個像素賦予特定的語義標籤，從而理解圖像中的不同物體或區域。
主要概念
對圖像每個像素分類，使其屬於預定義的類別（例如：人、車、道路、天空等）。 不區分同一類別的不同實例，只區分語義類別。 產生
Instance Segmentation（實例分割）是一種先進的計算機視覺技術，它不僅識別圖像中的物體，還精確區分並標註每個物體的像素級邊界。
主要特點
每個物體獨立分割：對圖像中同一類的多個物體進行區分，分別賦予不同的實例ID，與傳統的物體檢測（bounding box）或語義分割（sema
Histogram of Oriented Gradients（HOG，方向梯度直方圖）是一種在計算機視覺和影像處理中常用於物體偵測和辨識的特徵描述方法。
主要原理
HOG通過計算圖像中局部區域的梯度方向（edge orientations）分佈，來描述物體的形狀與結構。具體步驟包括：
計算梯
Gaussian Filtering（高斯濾波）是一種常用的影像平滑技術，廣泛應用於影像處理及計算機視覺中。它通過對影像進行高斯函數形狀的卷積運算，使得每個像素的新值由其周圍像素根據高斯權重加權平均計算而得。
主要特點：
平滑降噪：有效去除影像中的高頻噪聲，讓影像看起來更柔和、噪點減少。 權重分
Histogram Equalization（直方圖均衡化）是一種常見的影像處理技術，用於改善影像對比度。它的原理是通過調整影像中像素的灰度分佈，使圖像的直方圖更均勻分佈，進而增加影像細節和對比度。
具體來說，直方圖均衡化將像素值重新映射，使得整張影像的亮度分布跨越全灰度範圍，原本集中在狹窄亮度區
Image Enhancement（影像增強）是指對數位影像進行處理與調整，以改善其視覺品質或突出特定特徵，使影像更適合顯示或後續分析。增強的目的是讓影像更清晰、對比度更佳、細節更豐富，便於觀察或機器分析。
常見的影像增強技術包括：
對比度調整（Contrast Adjustment）：改善明暗
CNN 中的感受野 (Receptive Field) 是指在卷積神經網路的某一層中，每個神經元（或像素）的輸出受到前一層哪些區域的輸入所影響。換句話說，它是指輸入圖像上的一個特定區域，這個區域的資訊最終會傳遞到當前層的某個特定神經元。
可以將感受野想像成一個「視野」。對於某一層的某個神經元來說，
角點偵測演算法 (Corner Detection Algorithms) 是電腦視覺中用於識別圖像中「角點」的技術。角點是指圖像中在兩個或多個方向上具有顯著強度變化的像素點，可以理解為圖像中局部區域的交叉點、尖銳的轉角或紋理的終止點。
為什麼角點偵測很重要？
角點在圖像分析中扮演著重要的角色，