# CSDN_Homework **Repository Path**: Vic_Cynthia/CSDN_Homework ## Basic Information - **Project Name**: CSDN_Homework - **Description**: Used to submit CSDN assignments - **Primary Language**: C++ - **License**: Not specified - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 1 - **Forks**: 0 - **Created**: 2019-08-01 - **Last Updated**: 2024-11-04 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # CSDN_Homework #### 极线几何与立体视觉进阶作业整在查找程序 #### 极线几何与立体视觉基础作业 1. 试画图说明极线几何关系，并指出极点、极线所在，解释极线约束。 答： 极线几何主要通过三个点（两个相机对应坐标系的原点，物体上的一个特征点）确定的一个平面（极平面）， 这个极平面与两个相机成像的图像坐标平面的交线是极线。这样空间上的三维坐标，先转换为了二维坐标， 又接着转换为了一维坐标。这样的意义就是，我们可以已知基线的所在位置，再知道其中成像图片的一个特 征点的在图像坐标系上的位置，就可以得到一个极平面，那么这个极平面和另一个图像坐标系的交线，就是对应特征点所在的直线。 ![输入图片说明](https://images.gitee.com/uploads/images/2019/1027/130003_026d4951_5189355.jpeg "2.jpg") 2. 结合本质矩阵的定义，说明本质矩阵的意义，同时思考与上一周中平面点对应透视矩阵的区别。 答： 本质矩阵就是两个相机所对应的相机坐标系，其中一个坐标系相对于另一个坐标系位移矩阵和旋转矩阵的叉乘。 两个图片不一样可以看作是图片的旋转和位移。这样就可以通过足够多的相同特征点去推导本质矩阵内的值。 ![输入图片说明](https://images.gitee.com/uploads/images/2019/1027/131233_49335f36_5189355.png "2.png") 透视矩阵是为了得到三维物体的二维图像。 3. 说明三维重构的步骤，并指出输入及输出要求。 答： 步骤： 1提取特征点，建立特征匹配； 2计算视差； 3计算世界坐标； 4三角剖分； 5三维重构 三维重构主要是为了得到图片的深度信息，通过两个相机中一个点位置的体现就可以得到这个点的深 度信息。输入的的二维图像的特征点要明显，输出的三维特征需要滤除一些深度变化过于剧烈的点。 ![输入图片说明](https://images.gitee.com/uploads/images/2019/1027/132537_b302e727_5189355.png "3.png") ![输入图片说明](https://images.gitee.com/uploads/images/2019/1027/132548_91563374_5189355.png "4.png") 4. 说明特征匹配的步骤，进一步说明基于k-d树的特征匹配方法的思路。 答： 在特征匹配前，首先要通过 sift、harris 等方法进行特征点提取，得到特征点描述向量，根 据特征点描述子对两张图片上的特征点进行匹配和滤波，得到匹配结果。 k-d 树特征匹配分两步进行： 1. k-d 树建立： 统计所有样本点在每一维度的方差，选择方差最大的维度作为分裂域，将所有样本按照分裂域 维度进行排序，正中间的数据点作为分裂结点。重复上述步骤直至叶子节点。 2.k-d 树最近邻查询算法： (1). 首先按照二叉搜索的方式找到与搜索在同一子空间的最近邻叶子节点； (2). 根据搜索路径回溯，判断搜索路径上的节点及其子节点空间是否有比最近邻叶子节点更近的数据点，如果有，则跳到其他子节点空间继续搜索； (3). 重复上述步骤直至搜索路径为空。 5. 说明RANSAC方法的基本思想及实施步骤。 答： RANSAC 方法通过随机选取一组样本子集进行参数估计，然后计算估计的参数在样本中的拟合能力，重复固定次数，选取拟合能力最强的参数。 具体步骤如下： 1. 从样本中选择一组随机子集作为局内点，用一个模型去适应假设的局内点； 2.用 1 中得到的模型去测试其余的数据，如果某个点适用于 1 中估计的模型(满足 3σ 原则)，认为它也是局内点； 3.如果对于估计的模型来说，有足够多的局内点，则认为该模型合理； 4.用所有假设的局内点重新估计模型； 5.通过估计局内点和模型的错误率来评估模型。 与最小二乘相比，RANSAC 在数据噪声较大的情况下，会取得更好的结果。 #### 位姿估计基础作业 1. 简述仿射变换和透视变换的基本概念，并用实例说明。 1.仿射变换 对图像进行平移、比例缩放和旋转变换都是一种称为仿射变换的特殊情况。 2.透视变换 把物体的三维图像表示转变为二维表示的过程，称为透视变换。就像用相机拍摄一张照片，实际的物体形状是不变的，但是从不同方向拍摄的图片并不一样。实际运用中就可以通过一张图片的仿射变换来的得到图片其他方位的图片 ![输入图片说明](https://images.gitee.com/uploads/images/2019/1014/021602_5a7f76b1_5189355.png "1.png") 2. 结合图简述图像坐标系、相机坐标系和世界坐标系的定义，并说明三者之间的变换关系。 [博客详解](https://blog.csdn.net/weizhangyjs/article/details/81020177) 图像坐标系是用来表示像素位于图片中具体的尺寸位置（带单位） ![输入图片说明](https://images.gitee.com/uploads/images/2019/1014/022453_723c1b89_5189355.png "3.png") 相机坐标系是以相机的CCD后方距离为焦距长度处作为作为原点的坐标系 ![输入图片说明](https://images.gitee.com/uploads/images/2019/1014/022612_3cfa91c9_5189355.png "2.png") 世界坐标系是现实中的实际坐标，一般可以用检测物体的某一点来作为坐标原点 图像坐标系与相机坐标系变换关系可看上图 世界坐标系与相机坐标系变化关系 ![输入图片说明](https://images.gitee.com/uploads/images/2019/1014/023011_43e941d0_5189355.png "4.png") 3. 什么是相机的内、外参数矩阵？实际中你能结合身边的实例(如电脑摄像头、手机镜头)说明这些参数的大致值么？ 内参数是相机的固有属性，表示成像像素的精确度和距中心的偏移度。 外参数表示相机在世界坐标系的位姿。 4. 说明使用线性法求解相对位姿时的要求输入和输出，以及求解的基本思想。 解的思路是内参数是不变且已知，而外参数实际上有12个参数需要求解，但是外参数本身的分布是有关系的，姿态的矩阵中的向量相互垂直而模为1 ![输入图片说明](https://images.gitee.com/uploads/images/2019/1014/023716_246f0854_5189355.png "5.png") 而成像的各个像素点是已知的，这样就可以通过六个特征点建立的多项式方程解出里面的未知数。 5. 说明使用Zhang方法进行相机标定需要的输入条件和得到的具体输出量，以及Zhang方法的主要步骤 Zhang方法是一个矩阵求解的过程，忽略深度，得到一个单应矩阵![输入图片说明](https://images.gitee.com/uploads/images/2019/1014/024226_86fead64_5189355.png "6.png") 目标坐标系中棋盘格各个特征点的位置是可以知道的，一张图像中相应的位置也可以知道，就可以想把单应矩阵中各个值得到。 通过外参数矩阵的关系可以得到内参数矩阵两个等式关系，求解最小二乘得到内参数。![输入图片说明](https://images.gitee.com/uploads/images/2019/1014/024638_70d15c1d_5189355.png "7.png") 得到内参了后根据第四题的方法也可以得到外参![输入图片说明](https://images.gitee.com/uploads/images/2019/1014/024859_4ed6347f_5189355.png "8.png") #### 第七周深度学习作业 _7_CSDN_Homework 里保存了Tensorflow的基础和进阶作业 #### 第六周深度学习入门作业 代码中无法得到满足异或模型参数是因为从逻辑角度来看“异或”有两次运算，而“与”、“或”都只用一次运算就可以完成。 从坐标图来看 ![输入图片说明](https://images.gitee.com/uploads/images/2019/0909/222816_75af9614_5189355.png "xor.png") 没有一条直线能够把两种类型的点分开，所以一次线性运算无法解决异或问题 #### 第五章作业 本次作业对印第安糖尿病的数据进行训练 首先需要查看数据类型和数量 ![输入图片说明](https://images.gitee.com/uploads/images/2019/0907/225134_164c8ea3_5189355.png "4.png") 然后看各个数据的分布情况，并且与糖尿病的关系 ![输入图片说明](https://images.gitee.com/uploads/images/2019/0907/225305_263d2fde_5189355.png "5.png") 再看特征数据之间的相关性 ![输入图片说明](https://images.gitee.com/uploads/images/2019/0907/225407_03b2dde2_5189355.png "6.png") 用默认参数的Logistic Regression对数据进行训练，采用5折交叉验证，看每个验证集log似然损失 ![输入图片说明](https://images.gitee.com/uploads/images/2019/0907/225649_d1c1bbc8_5189355.png "1.png") 程序自动选择给定的损失函数和超参数对模型进行训练，找出最合适损失函数和超参数 ![输入图片说明](https://images.gitee.com/uploads/images/2019/0907/225834_99bd13dc_5189355.png "2.png") 从图中可以看出L2比L1损失函数收敛更快 ![输入图片说明](https://images.gitee.com/uploads/images/2019/0907/225929_b7f12e60_5189355.png "3.png") #### 第四章作业 ### 基础作业 0. 代码原本为python2版本，我的python版本为3.7，把代码简单修改后可以正常运行 1. 对连续型特征，可以用哪个函数可视化其分布？（给出你最常用的一个即可），并根据代码运行结果给出示例。 答： 我常用分布直方图来看数据分布 sns.distplot(df["MEDV"], bins=30, kde=True) ![输入图片说明](https://images.gitee.com/uploads/images/2019/0901/131851_9b71ce7a_5189355.png "1.png") 2. 对两个连续型特征，可以用哪个函数得到这两个特征之间的相关性？根据代码运行结果，给出示例。 答： 使用pandas.corr() ![输入图片说明](https://images.gitee.com/uploads/images/2019/0901/132216_4132e60f_5189355.png "2.png") 3. 如果发现特征之间有较强的相关性，在选择线性回归模型时应该采取什么措施。 答： 数据之间存在强相关性应该去掉其中一个，如果输入Xi之间有强相关性，会使得XTX不是满秩，无法得到最小二乘解。 4. 当采用带正则的模型以及采用随机梯度下降优化算法时，需要对输入（连续型）特征进行去量纲预处理。课程代码给出了用标准化（StandardScaler）的结果，请改成最小最大缩放（MinMaxScaler）去量纲 （10分），并重新训练最小二乘线性回归、岭回归、和Lasso模型 答: ![输入图片说明](https://images.gitee.com/uploads/images/2019/0901/132806_257cea07_5189355.png "3.png") ![输入图片说明](https://images.gitee.com/uploads/images/2019/0901/132824_09ab28fb_5189355.png "9.png") 5. 代码中给出了岭回归（RidgeCV）和Lasso（LassoCV）超参数（alpha_）调优的过程，请结合两个最佳模型以及最小二乘线性回归模型的结果，给出什么场合应该用岭回归，什么场合用Lasso，什么场合用最小二乘. 答： 1. 最小二乘法：基于均方误差最小化来进行模型求解的方法 ![输入图片说明](https://images.gitee.com/uploads/images/2019/0901/133814_37474f5e_5189355.png "12.png") 2. 岭回归：在“最小二乘法”的基础上引入L2范数正则化处处可导，因此岭回归有闭式解。 ![输入图片说明](https://images.gitee.com/uploads/images/2019/0901/133823_9996ee1b_5189355.png "13.png") 3. LASSO：在“最小二乘法”的基础上引入L1范数正则化 ![输入图片说明](https://images.gitee.com/uploads/images/2019/0901/133832_3287b524_5189355.png "14.png") 超参数（alpha_）也就公式中的λ 岭回归与Lasso回归是为了解决线性回归出现的过拟合问题。通过在损失函数中引入正则化项。 λ是正则化参数，如果λ选取过大，会把w训练的过小，造成欠拟合，如果λ选取过小，可能会导致过拟合。 岭回归与Lasso回归最大的区别在于岭回归引入的是L2范数惩罚项， Lasso回归引入的是L1范数惩罚项。当WTW的逆存在时可以使用最小二乘 #### 第三章作业 1. 简述混合高斯模型的基本原理，以及通过混合高斯模型进行背景建模的基本思想。 答: ![输入图片说明](https://images.gitee.com/uploads/images/2019/0816/191035_ad38732c_5189355.png "1.png") D(x, y): 帧差 I(x,y,t): 当前帧(t时刻)图像 I(x,y,t): 上一帧(t-1时刻)图像 T: 像素灰度差阈值 而即使相同的背景也会因为光照的改变造成灰度值的变化所以找出灰度变化的区间，当灰度在这个区间变化时也当作时背景像素。 高斯模型是一个统计模型，找出各个像素变化的正太分布区间，在均值附近三个方差范围内为背景 ![输入图片说明](https://images.gitee.com/uploads/images/2019/0816/191650_efa2df5c_5189355.png "2.png") 2. 解释光流计算中的恒定亮度假设，进一步简述L-K光流估计方法的基本原理。 答： 检测两帧图像中的相同像素位移， ![输入图片说明](https://images.gitee.com/uploads/images/2019/0816/203356_9d593444_5189355.png "3.png") 图像像素灰度值在x，y方向的运动假设相近很近的一个方格内像素运动方向是一致的，就可以用相邻的多个像素点作为定值去解出在这个范围内x，y方 向运动的像素个数。 ![输入图片说明](https://images.gitee.com/uploads/images/2019/0816/204430_3ca8a7f1_5189355.png "4.png") 这样方格内像素的运动幅度就可以当作这个矩阵的最小二乘解。 L-K光流估计方法的基本原理，一张很大的图意味着像素的运动幅值也会很大，不符合泰勒展开公式的中dx，dy的定义，可以把图像缩小后在进行光流计算，然后把图像放大，把小图中检测到的运动像素映射到大图中去。 ![输入图片说明](https://images.gitee.com/uploads/images/2019/0816/205104_a29dd4a3_5189355.png "5.png") 进阶作业 1. 在测试视频(OpenCV安装目录\sources\samples\data)上，使用基于混合高斯模型的背景提取算法，提取前景并显示(显示二值化图像，前景为白色)。 2. 在1基础上，将前景目标进行分割，进一步使用不同颜色矩形框标记，并在命令行窗口中输出每个矩形框的位置和大小。 ![输入图片说明](https://images.gitee.com/uploads/images/2019/0816/234051_9b9776db_5189355.png "8.png") 3. 安装ImageWatch，并在代码中通过设置断点，观察处理中间结果图像。 ![输入图片说明](https://images.gitee.com/uploads/images/2019/0816/235658_302eb416_5189355.png "9.png") 扩展作业： 4. 使用光流估计方法，在前述测试视频上计算特征点，进一步进行特征点光流估计。 ![输入图片说明](https://images.gitee.com/uploads/images/2019/0816/234107_544f52b3_5189355.png "6.png") ![输入图片说明](https://images.gitee.com/uploads/images/2019/0816/234120_bc0af8d2_5189355.png "7.png") #### 第二章作业 1. 画图解释图像卷积滤波的基本原理，并进一步简述常见的图像平滑滤波算法。 答： ![输入图片说明](https://images.gitee.com/uploads/images/2019/0812/231947_f63f9463_5189355.png "convolution_blur.png") 图像卷积滤波是由代表图像的矩阵数据与一个卷积核，对于卷积核扫描的图像进行加权平均。如高斯滤波卷积核中间数据权重大，再通过扫描，卷积核左右上下平移得到新图像各个像素点的值。 常见滤波算法有：平均滤波，中值滤波，高斯滤波，三种滤波区别在于卷积核矩阵数值不同 2. 简述边缘检测的基本原理，以及Sobel、LoG和Canny算子的原理差异。 答： 边缘检测主要是对图像进行微分，检测像素点灰度的变化来检测边缘 Sobel算子：Sobel算子卷积核 (左右分别是x、y方向 卷积核，相关模板正 好要上下、左右翻转）然后也是通过对x，y方向上求导，然后得到两个方向上倒数的模，在得到方向。 LoG算子：先通过高斯滤波，再通过拉普拉斯求导，通过检测其过零点来确定边缘位置。 Canny算子：算法步骤： 平滑图像同时计算微分； 计算梯度(幅值和方向)； 梯度幅值进行非极大值抑制； 自动边缘连接 差别：Sobel为求一阶导数，loG为先平滑再求二阶导数，Canny算子通过计算梯度幅值与8个方向来完成计算。 ![输入图片说明](https://images.gitee.com/uploads/images/2019/0811/205308_d6512635_5189355.png "Sobel_Canny.png") 可以看出canny的边缘是二值化的，Sobel是平滑的边缘 3. 简述图像直方图的基本概念，及使用大津算法进行图像分割的基本原理。 答： 直方图表示各个灰度值在图像中出现的次数，来直观体现灰度值出现的概率 大津算法的基本原理： 大津算法通过自动确定阈值的方法，确定最佳阈值，使背景和目标之间的方差最大，它通过遍历灰度取值，计算出所有的阈值下的类间方差，取其最大值。 4. 简述Harris算子对角点的定义，进行角点检测的基本原理，并说明引入角点响应函数的意义。 答： Harris算子对角点的定义：在任意方向灰度积分均剧烈变化的点。 1.在灰度变化平缓区域，窗口内像素灰度积分近似保持不变 2.在边缘区域，边缘方向：灰度积分近似不变，其余任意方向 ：剧烈变化； 3.在角点处，任意方向均剧烈变化 引入角点响应函数的意义是，图像在不同的光照条件下特征值的结果不同，此函数能量化特征值较大的情况，确切用数字表示出那种情况成为角点。 5. 简述Hough变换的基本原理(包括参数空间变换及参数空间划分网格统计)。 答： Hough变换通过将直角坐标系转换至极坐标系的方法， 平直角坐标系参数空间变化为ρ=xcosθ+ysinθ。同一条直线上的点对应的极坐标下的正弦曲线必然相交于一个点。 将(ρ,θ)空间量化为许多的小格，形成空间网格。 根据直角坐标中每个点的坐标(x,y)，θ在0-180°内以小格的步长计算各个ρ值，所得值落在某个小格内，便使该小格的累加记数器加1。 当直角坐标中全部的点都变换后，对小格进行检验，设置累积阈值T，计数值大于T的小格对应于共线点，其(ρ,θ)值对应于直角坐标中所求直线，小于T的可以丢弃不用。 6. 简述SIFT原理(重点是尺度空间和方向直方图原理)及ORB算子原理(重点是FAST和BRIEF)。 答: SIFT算子原理： 1、SIFT算子通过建立尺度空间来模拟物体在视网膜上的形成过程，通过建立高斯差分金字塔，用高斯函数与原图像卷积及降采样来处理图像，金字塔一层包含多张图像，这些图像有不同的尺度，即模糊程度，金字塔每层之间由降采样处理，上一层图像的大小为下层的二分之一。 2、在提取特征点时，中间的检测点需和它同尺度的8个相邻点和上下相邻尺度对应的18个点，共26个点进行比较。对于每一个检测的关键点，采集其所在金字塔3Ω邻域窗口内像素的梯度和方向分布特征。用直方图统计邻域内像素的梯度方向，直方图将0-360的范围分成8个柱，并对方向进行加权。方向直方图的峰值代表该特征点处领域梯度的主方向，以直方图中峰值作为该关键点的方向，并保留大于直方图峰值百分之八十的方向作为该关键点的辐方向。 3、生成特征点描述子，并用一组向量将这个关键点描述出来，用于图像匹配。首先将坐标轴旋转为关键点的方向，使描述子具有旋转不变性；然后将关键点领域划分为4*4个子区域，将关键点邻域内的像素分配至子区域中，统计每个子区域的梯度值及方向并分配到8个方向上，生成128维的特征向量。 4、归一化特征向量，并设置门限值截断较大的梯度值，向量归一会后一般取0.2。 ORB算子：ORB（Oriented FAST and Rotated BRIEF）是一种快速特征点提取和描述的算法。ORB算法的特征提取是由FAST算法改进的，这里 称为oFAST（FAST keypoint Orientation）。 ofast特征提取比较粗暴，简单测试一个点周围的像素差异是否过大，如果过大则当作疑似特征点，再通过抑制去除多余的特征点。 BRIEF算法：在一个圆内取成对的像素点，比较灰度值形成二进制串，成为这个圆形区域的特征描述。 ### 进阶作业 1. 滤波结果 ![输入图片说明](https://images.gitee.com/uploads/images/2019/0814/161910_d32f96ed_5189355.png "Blur.png") 可以看出高斯滤波比较清晰，中值滤波把像素合并，平均滤波看起来模糊 2. 边缘检测 ![输入图片说明](https://images.gitee.com/uploads/images/2019/0814/162206_3763b4a2_5189355.png "Sobel_Canny.png") Sobel像浮雕，Canny像用笔画出边缘 3.灰度直方图 ![输入图片说明](https://images.gitee.com/uploads/images/2019/0814/162348_7dfa283a_5189355.png "Hist_otus.png") 4.米粒 ![输入图片说明](https://images.gitee.com/uploads/images/2019/0814/162414_bd5d8806_5189355.png "Rice.png") 米粒检测不够准确，有多颗米检测成一个的现象。 5.角点检测 SIFT![输入图片说明](https://images.gitee.com/uploads/images/2019/0814/162625_a8917e14_5189355.png "sift.png") FAST![输入图片说明](https://images.gitee.com/uploads/images/2019/0814/162713_fe3c313e_5189355.png "fast.png") ORB![输入图片说明](https://images.gitee.com/uploads/images/2019/0814/162732_4ac39ba5_5189355.png "ORB.png") fast检测的点数最多，有很多误检，Sift检测的角点比较合理，ORB检测的点最少，但是存在漏检 #### 第一章作业 1. 视觉系统都有哪些构成要素? 以机械臂视觉控制系统为例，说明视觉系统的构成要素。 答： 照明设备：光源 成像设备：相机 处理设备：主机 算法软件：视觉处理系统 机械臂视觉系统 光源: 就是室内光线和专用照明，不可见光源（红外）也可以作为光源 相机：用于拍摄操作画面 主机：台式计算机或者嵌入式处理器，比如Jetson系列的开发主机 算法软件：使用C++或者Python的编程语言，并且使用Opencv库 2. 尝试从模仿人类视觉处理流程的角度，阐述本对课程内容组织的理解。进一步在网上搜索，找到自己认为学习过程中最值得参考的1-2本书(不要太厚) 答： 《Opencv3编程入门》，《深度学习》 3. 什么是光通量和辐照度？说明几个常见光源的光通量，以及几个常见照明环境的辐照度。 答： 光通量：人眼所能感受到的辐射功率，它等于单位时间内某一波段的辐射能量和该波段的相对视见率的乘积 ![输入图片说明](https://images.gitee.com/uploads/images/2019/0801/123623_9c97ab60_5189355.png "1.png") 辐照度：投射到一平表面上的辐射通量密度。指到达一表平面上， 单位时间，单位面积上的辐射能 ![输入图片说明](https://images.gitee.com/uploads/images/2019/0801/123654_fba5e323_5189355.png "2.png") 4. 结合颜色空间示意图，简述HSI颜色空间中各通道的物理意义，并结合图像实例说明。 答： 色调H 是描述纯色的属性（如红色、黄色等） 饱和度S 表示的是一种纯色被白光稀释的程度的度量 V亮度体现了无色的光强度概念，是一个主观的描术 ![输入图片说明](https://images.gitee.com/uploads/images/2019/0801/123818_c7ae9c3a_5189355.png "3.png") ![输入图片说明](https://images.gitee.com/uploads/images/2019/0801/123831_c4737cd1_5189355.png "4.png") 在HSV颜色空间中颜色分量Hue对应不同颜色的灰度范围如下： [输入链接说明](http://blog.csdn.net/shenseyoulan/article/details/80967992)0<=h<20， 红色 30<=h<45 45<=h<90，绿色 90<=h<125， 青色125<=h<150，蓝色150<=h<175，紫色175<=h<200，粉红色 200<=h<220，砖红色 220<=h<255，品红色 图片H灰度深浅随着左右而变化说明H表示的是色域区间（这个颜色分级与原图颜色灰度对应色彩有差别）；图V从上至下有稍微由白变灰，说明原图从上 至下亮度变暗了一些；图S饱和度由上至下也是饱和变到不饱和，从原图也可以看出来。 5. 说明彩色图像传感器及γ校正的基本原理。 答: 彩色图像传感器：主要通过红绿蓝透镜来采集对应像素点的三个通道的值。 γ校正：伽马校正就是对图像的伽马曲线进行编辑,以对图像进行非线性色调编辑的方法,检出图像信号中的深色部分和浅色部分，并使两者比例增大，从而提高图像对比度效果 ### 第一章程序结果分析 ![输入图片说明](https://images.gitee.com/uploads/images/2019/0801/130135_e08ec046_5189355.png "Lena.png") 1.lena图片在HSV图像中颜色相近，所以对应H通道很难看出lena，V通道就和黑白照片一致比较清楚，S通道饱和度差别明显也能看出是lena <<<<<<< HEAD 2.分别得到RGB各通道的值，在和原图混合分别 增强各个通道的值，所以看起来会偏红，偏绿，偏蓝 ======= 2.分别得到RGB各通道的值，在和原图混合分别增强各个通道的值，所以看起来会偏红，偏绿，偏蓝 >>>>>>> parent of c466c81... add second homework