今年暑假参加了浙大软院夏令营，即在AZFT实验室实习了一个月，学到的东西还是很多很杂的。回上海一礼拜了，总结一下，以免觉得好像在这宝贵的一段时间里啥也没做。
我接到的任务是盲道分割。
阅读应用型的论文
论文1（针对盲道识别）
主要思想
- 盲道识别率、实时性；
- 提取盲道边界：对初始帧采取精确识别（灰度共生矩阵、模糊C均值聚类分割、Hough变换）
- 后续帧采取跟踪识别（图像灰度梯度特征、判断前后帧盲道边界两侧颜色分布一致性
盲道精确识别
- 预处理：去阴影（区域补偿、深度膨胀）
- 盲道精确识别：
- 灰度化、直方图均衡化：较大的灰度动态范围和较高的对比度，细节更加丰富；
- 灰度共生矩阵：空间分布关系包含图像纹理信息—>联合特征矩阵
- 模糊C均值聚类分割—>盲道区域的分割
- 轮廓提取及Hough变换
论文2（针对纹理提取）
主要思想
Gabor变换：Gabor核函数作为小波函数的基函数，实现方向和尺度不变的特征提取，具有较高的精度；
ICA、PCA与Gabor小波融合：提高识别率；
Relief算法：权值搜索的特征子集选择方法，提高识别效率；
K-means：DE（差分进化）求解最优聚类中心，优化K-means算法；
python-opencv基础学习
滤波：信号有各种频率的成分，滤掉不想要的成分；
图像平滑：区域增强，减小缺陷；
图像金字塔：pyrDown()：平滑滤波+降采样；pyrUp():升采样+高斯平滑
低通滤波（均值模糊）：blur；高斯模糊GaussianBlur()
中值滤波（中值模糊,去除椒盐噪声）：medianblur;
双边滤波：bilateralFilter();空间邻近度和像素相似度，空域信息和灰度相似性->保证边缘附近像素值的保存；
均值迁移：pyrMeanShiftFiltering();
直方图均衡化：cv.equalizeHist();
归一化：normalize();
反向投影：calcBackProject()定位模板图像出现在输入图像的位置；
模板匹配：methods = [cv.TM_SQDIFF_NORMED, cv.TM_CCORR_NORMED, cv.TM_CCOEFF_NORMED]
matchTemplate()得到匹配结果图形矩阵result：尺寸（W-w+1）*(H-h+1)?minMaxLoc()在给定矩阵中找最大和最小值
rectangle(target,tl,br,color,thickness)绘制矩形；
全局阈值：threshold
局部阈值：adaptiveThreshold
基础概念学习
gabor滤波
gabor提取纹理特征的思路：
不同纹理一般具有不同的频率和带宽，根据他们设计一组Gabor滤波器对纹理图像进行滤波；
gabor滤波器：用于边缘提取的线性滤波器；波长，方向，相位偏移，长宽比，带宽；
概念学习
例子
详细介绍
DE差分进化算法
演化算法，随机模型，反复迭代；
求解连续变量的全局优化问题；
交叉->变异(试验个体)->选择（与目标个体）
Relief特征权重算法
特征和类别的相关性
灰度共生矩阵
Gray-level Co-occurrence Matrix
假定图像各像素间的空间分布关系包含图像纹理的纹理分析方法；
两个灰阶值在指定的空间分布上出现的频率分布；
像素灰度在空间位置上的反复出现形成图像的纹理，GLCM是描述具有某种空间位置关系两个像素灰度的联合分布;
概念学习
方向梯度直方图（HOG）
CNN
简单接触了一下CNN的概念理解
- 局部感受野：一个隐藏层的神经元与局部区域输入层的神经元相连（与DNN每个都连有所不同）
（参数：窗口大小w、步数b） - 权值共享：权值和偏移值，一个窗口只能学到一种特征；
- 池化：简化卷积层的输出；
输入层学到的特征反映在卷积层，池化层检测特征是否在窗口覆盖范围的区域里
详解
RCNN
总结
主要还是去看报告吧，靠论文和伟大的互联网写出了基于图像处理的盲道识别的基本算法，后面发现局限性太大了，为何学姐一开始不让我学语义分割，我琢磨这更有用，更有意思，更能学到东西，而不是写出几个乱七八糟，并且不能应用的算法？
本次夏令营有点运气加成，还让我发现自己在接触不懂的东西还是太浮躁了，答辩怪紧张的，认识的新朋友都很不错，还有大佬处处有，可惜不是我，总体体验一般般。