图像处理常见面试题
1.各種邊緣檢測算子：
? ?a.Sobel 檢測算子
該算子中引入了類似局部平均的運算，因此對噪聲具有平滑作用，能很好的消除噪聲的影響。
? b. ?Roberts 算子：.
? ?? ? ?
沒有經過圖像平滑處理的，因此圖像噪聲一般得不到很好的抑制
Roberts 算子的定位精度較高，對具有陡峭的低噪聲圖像
c Prewitt算子
? ?
在邊緣處達到極值檢測邊緣，去掉部分偽邊緣，對噪聲具有平滑作用
d.Laplacian算子
??
Laplace算子對孤立象素的響應要比對邊緣或線的響應要更強烈，因此只適用于無噪聲圖象。存在噪聲情況下，使用Laplacian算子檢測邊緣之前需要先進行低通濾波。
e.Canny算子?
step1: 用高斯濾波器平滑圖象；
step2: 用一階偏導的有限差分來計算梯度的幅值和方向；
step3: 對梯度幅值進行非極大值抑制
step4: 用雙閾值算法檢測和連接邊緣
2. 各種特征提取：
1.HOG??
1）灰度化（將圖像看做一個x,y,z（灰度）的三維圖像）；
2）采用Gamma校正法對輸入圖像進行顏色空間的標準化（歸一化）；目的是調節圖像的對比度，降低圖像局部的陰影和光照變化所造成的影響，同時可以抑制噪音的干擾；
3）計算圖像每個像素的梯度（包括大小和方向）；主要是為了捕獲輪廓信息，同時進一步弱化光照的干擾。
4）將圖像劃分成小cells（例如6*6像素/cell）；
5）統計每個cell的梯度直方圖（不同梯度的個數），即可形成每個cell的descriptor；
6）將每幾個cell組成一個block（例如3*3個cell/block），一個block內所有cell的特征descriptor串聯起來便得到該block的HOG特征descriptor。
7）將圖像image內的所有block的HOG特征descriptor串聯起來就可以得到該image（你要檢測的目標）的HOG特征descriptor了。這個就是最終的可供分類使用的特征向量了。
對于64*128的圖像而言，每16*16的像素組成一個cell，每2*2個cell組成一個塊，因為每個cell有9個特征，所以每個塊內有4*9=36個特征，以8個像素為步長，那么，水平方向將有7個掃描窗口，垂直方向將有15個掃描窗口。也就是說，64*128的圖片，總共有36*7*15=3780個特征。
LBP特征
1）首先將檢測窗口劃分為16×16的小區域（cell）；
（2）對于每個cell中的一個像素，將相鄰的8個像素的灰度值與其進行比較，若周圍像素值大于中心像素值，則該像素點的位置被標記為1，否則為0。這樣，3*3鄰域內的8個點經比較可產生8位二進制數，即得到該窗口中心像素點的LBP值；
（3）然后計算每個cell的直方圖，即每個數字（假定是十進制數LBP值）出現的頻率；然后對該直方圖進行歸一化處理。
（4）最后將得到的每個cell的統計直方圖進行連接成為一個特征向量，也就是整幅圖的LBP紋理特征向量；
然后便可利用SVM或者其他機器學習算法進行分類了。
（三）Haar特征
Haar特征分為三類：邊緣特征、線性特征、中心特征和對角線特征，組合成特征模板。
SIFT ORB
?
3.PCA
1.PCA過程
??
?
?
?
? ?4.圖像分割
? ? ? 1.基于區域增長的方法：
區域生長實現的步驟如下:
1. 對圖像順序掃描!找到第1個還沒有歸屬的像素, 設該像素為(x0, y0);
2. 以(x0, y0)為中心, 考慮(x0, y0)的4鄰域像素(x, y)如果(x0, y0)滿足生長準則, 將(x, y)與(x0, y0)合并(在同一區域內), 同時將(x, y)壓入堆棧;
3. 從堆棧中取出一個像素, 把它當作(x0, y0)返回到步驟2;
4. 當堆棧為空時!返回到步驟1;
5. 重復步驟1 - 4直到圖像中的每個點都有歸屬時。生長結束。
??2. 區域分裂合并
?
1.?????? 把一幅圖像分成4份，計算每一份圖像的最大灰度值與最小灰度值的差， 如果差在誤差范圍值外，則該份圖像繼續分裂。
2.?????? 對于那些不需要分裂的那些份圖像可以對其進行閾值切割了，例如某一塊圖像的最大灰度大于某個值，則該塊圖像變成255，否則變為0。
?
?
? ? ? ?
轉載于:https://www.cnblogs.com/chenbaoliang/p/7590131.html
總結
- 上一篇： JavaWeb基础之JdbcUtils工
- 下一篇： docker虚拟机动态扩展内存