二维卷积是图像处理的核心操作，通过滑动窗口对图像局部区域与卷积核进行乘加运算，生成新特征图。文章详细介绍了卷积原理（包括输入输出尺寸计算）、与相关运算的区别，以及模糊、边缘检测等常见应用场景。通过Python代码演示了单位卷积核和均值滤波的实现效果，展示了不同卷积核对图像处理的作用差异。该技术是计算机视觉和深度学习的基础，广泛应用于特征提取、图像增强等领域。

摘要：语义分割是计算机视觉中的像素级分类任务，为图像每个像素赋予语义标签。本文介绍了全卷积网络(FCN)在语义分割中的应用，通过替换全连接层为卷积层实现端到端预测，并利用上采样和跳跃连接解决特征图分辨率问题。实验基于VOC2012数据集，使用VGG16作为主干网络构建FCN-8s模型，通过交叉熵损失函数和Adam优化器进行训练。结果显示FCN能有效实现语义分割，预测结果与真实标签较为接近。该方法在

摘要：语义分割是计算机视觉中的像素级分类任务，为图像每个像素赋予语义标签。本文介绍了全卷积网络(FCN)在语义分割中的应用，通过替换全连接层为卷积层实现端到端预测，并利用上采样和跳跃连接解决特征图分辨率问题。实验基于VOC2012数据集，使用VGG16作为主干网络构建FCN-8s模型，通过交叉熵损失函数和Adam优化器进行训练。结果显示FCN能有效实现语义分割，预测结果与真实标签较为接近。该方法在

摘要： 模板匹配是一种基于像素比较的计算机视觉技术，用于在大图像中定位与模板相似的区域。其核心原理是通过滑动模板计算相似度（如互相关），找到最佳匹配位置。Python中可通过OpenCV实现，常用方法包括归一化平方差（TM_SQDIFF_NORMED）和归一化互相关（TM_CCOEFF_NORMED）。该技术简单高效，但对光照、旋转和尺度变化敏感。改进方法包括多目标匹配结合非极大值抑制（NMS）消

本文介绍了实例分割的基本概念及其经典方法Mask R-CNN。实例分割结合了目标检测和语义分割，不仅能区分不同类别，还能识别同一类别下的不同实例。Mask R-CNN在Faster R-CNN基础上引入特征金字塔网络(FPN)和ROI对齐(ROIAlign)技术，并增加掩模预测分支，显著提升了分割精度。文章详细阐述了FPN的多尺度特征融合机制和ROIAlign避免坐标取整误差的优势，并提供了基于P

摘要： 目标检测是计算机视觉的核心任务，旨在识别图像中目标的类别并定位其位置（通过包围盒表示）。深度学习推动了目标检测的发展，R-CNN系列模型（R-CNN、Fast R-CNN、Faster R-CNN）是关键里程碑。R-CNN通过候选区域提取和CNN特征分类实现检测；Fast R-CNN引入ROI池化，共享特征计算提升效率；Faster R-CNN结合区域提议网络（RPN），实现端到端训练，显

图片拼接（image stitching）就是将统一场景的不同拍摄出的图片拼接到一起，如图所示就是拼接全景图，是图片拼接的应用之一，手机拍照都有全景拍摄功能仔细观察全景图，寻找它们相似性，图8-2的全景图可以通过缩放，旋转，射影等操作进行拼接而成，我们首先介绍几个常用的图像变换RANSAC（Random Sample Consensus）是一种鲁棒的模型拟合算法，常用于处理包含大量噪声或异常值的数

摘要： 模板匹配是一种基于像素比较的计算机视觉技术，用于在大图像中定位与模板相似的区域。其核心原理是通过滑动模板计算相似度（如互相关），找到最佳匹配位置。Python中可通过OpenCV实现，常用方法包括归一化平方差（TM_SQDIFF_NORMED）和归一化互相关（TM_CCOEFF_NORMED）。该技术简单高效，但对光照、旋转和尺度变化敏感。改进方法包括多目标匹配结合非极大值抑制（NMS）消

介绍了视觉识别中最基本的问题之一图像分类。本章先后讲解了基于手工设计图像表正（视觉词袋模型）的图像分类算法和基于深度卷积神经网络的图像分类算法

本文介绍了无监督图像分割技术，重点探讨了两种经典算法：基于k均值的图像分割和基于归一化割的图切割算法。k均值方法通过迭代优化将像素聚类为指定数量的区域，改进版通过加入坐标信息提升了分割连续性。图切割算法则将分割转化为最小割问题，通过能量函数优化实现前景背景分离。文章还展示了使用SAM（Segment Anything Model）进行高级分割的实践，包括自动分割和交互式点击选择目标两种方式。实验结