浙江大学计算机视觉课程作业 (ZJU Computer Vision Homework)

本仓库用于存放浙江大学计算机视觉课程的作业代码、实验报告及相关资源。包含从基础图像处理到深度学习应用的 5 次作业。

📂 作业列表与内容

[HW1] 图像基础处理 (Image Basics)

• 语言: C++
• 主要文件: main.cpp, CMakeLists.txt
• 内容: 实现了基础的图像读取与处理操作。
• 资源: resources/TRY.png

[HW2] 边缘与形状检测 (Edge & Shape Detection)

• 语言: C++
• 主要文件: main.cpp
• 内容:
  • 实现了边缘检测 (Edge Detection)。
  • 实现了霍夫变换 (Hough Transform) 检测直线和圆。
  • 应用场景包括硬币检测 (coin.png)、高速公路车道线检测 (highway.png) 等。
• 结果展示: 见 HW2/result 文件夹，包含检测到的圆、边缘及最终叠加结果。

[HW3] 图像拼接与全景图 (Image Stitching & Panorama)

• 语言: C++
• 主要文件: main.cpp
• 内容:
  • 实现了基于特征点的图像配准与拼接。
  • 处理了多张图片的融合，生成全景图像。
  • 测试数据包括 Yosemite 风景图及其他测试图片。
• 结果展示: HW3/result/result.jpg

[HW4] 卷积神经网络分类 (CNN Classification)

• 语言: Python (PyTorch/TensorFlow)
• 主要文件:
  • lenet5.py, MNIST_train.py: 使用 LeNet-5 在 MNIST 数据集上进行手写数字识别。
  • resnet.py, CIFAR_train.py: 使用 ResNet 在 CIFAR-10 数据集上进行图像分类。
• 实验分析:
  • 对比了不同优化策略（如 Cutout, Data Enhancement）对训练曲线的影响。
  • 训练曲线图见 HW4/result 文件夹。

[HW5] 特征脸与图像重建 (Eigenfaces & Reconstruction)

• 语言: Python
• 核心算法: 主成分分析 (PCA)
• 主要文件:
  • mytrain.py: 训练 PCA 模型，提取特征向量 (Eigenvectors)。
  • myreconstruct.py: 使用特征向量重建人脸图像。
  • eigenx/: 包含 PCA 核心实现、数据对齐与可视化工具。
• 内容:
  • 人脸重建: 使用 PCA 对人脸数据集进行降维与重建 (results/faces).
  • MNIST 重建: 对 MNIST 数字 '7' 进行 PCA 分析与重建 (results/mnist_7).
  • Web 展示: 包含一个简单的 HTML 前端 (HTML/index.html) 用于展示结果。

---

🛠️ 环境依赖与编译

本项目包含 C++ 和 Python 两种实现。 鉴于仓库大小与历年作业调整，本仓库不存储所有数据集，请依照需求自行download