46 lines
1.2 KiB
Markdown
46 lines
1.2 KiB
Markdown
|
# 计算机视觉实验报告 - 图像分割与SIFT特征提取
|
|||
|
|
|
|||
|
|
## 一、实验目的
|
|||
|
|
1. 理解图像分割的基本原理
|
|||
|
|
2. 掌握U-Net网络架构和SIFT特征提取算法
|
|||
|
|
3. 实现端到端的图像分割和特征提取流程
|
|||
|
|
|
|||
|
|
## 二、实验环境
|
|||
|
|
- 操作系统：Windows 11
|
|||
|
|
- 开发环境：PyCharm 2025.1
|
|||
|
|
- 编程语言：Python 3.9
|
|||
|
|
- 依赖库：
|
|||
|
|
- PyTorch 1.13.1
|
|||
|
|
- OpenCV 4.5.5
|
|||
|
|
- Pillow 9.2.0
|
|||
|
|
|
|||
|
|
## 三、实验原理
|
|||
|
|
### 3.1 U-Net网络结构
|
|||
|
|
- 编码器-解码器架构
|
|||
|
|
- 跳跃连接机制
|
|||
|
|
- 适用于医学图像分割
|
|||
|
|
|
|||
|
|
### 3.2 SIFT特征提取
|
|||
|
|
- 尺度不变性特征检测
|
|||
|
|
- 旋转不变性描述符
|
|||
|
|
- 关键点检测算法
|
|||
|
|
|
|||
|
|
## 四、核心代码展示
|
|||
|
|
```python
|
|||
|
|
# UNet网络核心结构示例
|
|||
|
|
self.down1 = double_conv(in_channels, 64)
|
|||
|
|
self.up3 = nn.ConvTranspose2d(512, 256, 2, stride=2)
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
## 五、算法分析
|
|||
|
|
| 算法 | 时间复杂度 | 空间复杂度 | 特点 |
|
|||
|
|
|------|-----------|-----------|------|
|
|||
|
|
| U-Net | O(n²) | O(n) | 适合高分辨率图像 |
|
|||
|
|
| SIFT | O(n log n) | O(n) | 尺度/旋转不变性 |
|
|||
|
|
|
|||
|
|
## 六、实验结果
|
|||
|
|
- 分割结果示例：`output/unet_results/`
|
|||
|
|
- SIFT特征图：`output/sift_results/sift_result.jpg`
|
|||
|
|
|
|||
|
|
## 七、实验结论
|
|||
|
|
（此处填写个人实验心得）
|