圖像算法面試彙總

SIFT

主要步驟

　　SIFT（Scale-invariant feature transform尺度不變特徵轉換）是一種檢測局部特徵的算法，該算法經過求一幅圖中的特徵點（interest points,or corner points）及其有關scale 和 orientation 的描述子獲得特徵並進行圖像特徵點匹配，得到了良好效果，

 

　　1)、尺度空間的生成；(尺度空間理論目的是模擬圖像數據的多尺度特徵。爲了有效的在尺度空間檢測到穩定的關鍵點，提出了高斯差分尺度空間（DOG scale-space）。利用不一樣尺度的高斯差分核與圖像卷積生成。)

 　 2)、檢測尺度空間極值點；(每個採樣點要和它全部的相鄰點比較，看其是否比它的圖像域和尺度域的相鄰點大或者小)

　　3)、精肯定位極值點；(經過擬和三維二次函數以精確肯定關鍵點的位置和尺度（達到亞像素精度），同時去除低對比度的關鍵點和不穩定的邊緣響應點)

　　4)、爲每一個關鍵點指定方向參數；(給特徵點賦值一個128維方向參數)

5)、關鍵點描述子的生成 

 

6) 根據SIFT進行Match (生成了A、B兩幅圖的描述子，（分別是k1*128維和k2*128維），就將兩圖中各個scale（全部scale）的描述子進行匹配，匹配上128維便可表示兩個特徵點match上了。)

 

Harris角點算法

當一個窗口在圖像上移動，在平滑區域如圖(a)，窗口在各個方向上沒有變化。在邊緣上如圖(b)，窗口在邊緣的方向上沒有變化。在角點處如圖(c)，窗口在各個方向上具備變化。Harris角點檢測正是利用了這個直觀的物理現象，經過窗口在各個方向上的變化程度，決定是否爲角點。

 

NCC算法

NCC（normalized cross correlation）算法，歸一化互相關匹配法，是基於圖像灰度信息的匹配方法。

  圖像匹配的方法主要有三種：基於灰度，基於特徵，基於變換域。

RANSAC算法隨機抽樣一致算法（Random sample consensus）

1）假定模型2）找出距離擬合曲線容差範圍內的點，並統計點的個數3）每一次擬合後，容差範圍內都有對應的數據點數，找出數據點個數最多的狀況，就是最終的擬合結果

Canny算子求邊緣點具體算法步驟以下：

1. 用高斯濾波器平滑圖像．

2. 用一階偏導有限差分計算梯度幅值和方向

3. 對梯度幅值進行非極大值抑制

4. 用雙閾值算法檢測和鏈接邊緣．

混合高斯模型

用GMM對背景建模的基本思想是把每個像素點所呈現的顏色用K個高斯分佈的疊加來表示，一般K取3-5之間。將像素點所呈現的顏色X認爲是隨機變量，則在每時刻t=1,…,T所獲得視頻幀圖像的像素值只是隨機變量X的採樣值（觀值）。

在進行前景檢測前，先對背景進行訓練，對每一幀圖像中每一個背景採用一個混合高斯模型進行模擬，背景一旦提取出來，前景的檢測就簡單了，檢查像素是否與背景的高斯模型匹配，匹配是背景，不匹配就是前景。

因此關鍵就是混合高斯背景模型的創建。

GMM之因此可以將前景和背景分開是基於以下兩點事實的：

(1)在長期觀測的場景中，背景佔大多數時間，更多的數據是支持背景分佈的

(2)即便是相對顏色一致的運動物體也會比背景產生更多變化，何況通常狀況下物體都是帶有不一樣顏色的

算法大體這樣：

首先初始化預先定義的幾個高斯模型，對高斯模型中的參數進行初始化，並求出以後將要用到的參數。其次，對於每一幀中的每個像素進行處理，看其是否匹配某個模型，若匹配，則將其納入該模型中，並對該模型根據新的像素值進行更新，若不匹配，則以該像素創建一個高斯模型，初始化參數，代替原有模型中最不可能的模型。最後選擇前面幾個最有可能的模型做爲背景模型，爲背景目標提取作鋪墊。

圖像去模糊

不一樣緣由致使的模糊每每須要不一樣的處理方法。從技術方面來向，模糊圖像處理方法主要分爲三大類，分別是圖像加強、圖像復原和超分辨率重構。

 

對於運動引發的圖像模糊，最簡單的方法是直接作逆濾波，可是逆濾波對加性噪聲特別敏感，使得恢復的圖像幾乎不可用。最小均方差（維納）濾波用來去除含有噪聲的模糊圖像，其目標是找到未污染圖像的一個估計，使它們之間的均方差最小，能夠去除噪聲，同時清晰化模糊圖像。

 

圖像分割

1）閾值分割 2）區域分割 a. 區域生長 b. 區域分裂合併 3) 邊緣分割4) 直方圖法

 

分水嶺算法是一種圖像區域分割法，在分割的過程當中，它會把跟臨近像素間的類似性做爲重要的參考依據，從而將在空間位置上相近而且灰度值相近（求梯度）的像素點互相鏈接起來構成一個封閉的輪廓。分水嶺算法經常使用的操做步驟：彩色圖像灰度化，而後再求梯度圖，最後在梯度圖的基礎上進行分水嶺算法，求得分段圖像的邊緣線。

分水嶺算法的計算過程是一個迭代標註過程。分兩個步驟，一個是排序過程，一個是淹沒過程。首先對每一個像素的灰度級進行從低到高排序，而後在從低到高實現淹沒過程當中，對每個局部極小值在h階高度的影響域採用先進先出(FIFO)結構進行判斷及標註。

 

Criminisi算法

基於樣例的圖像修復算法的精髓在於採用小塊填補的方法，相對於點填補的方法來講提升了填補速度和精度，使用小塊的數據值和置信度值來定義各小塊的優先級，從而使填補過程有序地進行，最終使填補出來的結構和紋理都不失流暢感。

置信度值C(p)反應了以p點爲中心的小塊所含有效點的多少，其值越大，表示p點周圍的有效點越多。數據值D(p)體現了p點周圍線性結構信息的強弱，其值越大，表示p點周圍具備更強的線性結構，即從ψ p開始修復能更好地保持這種結構信息，減小修復的偏差。

 

無監視學習下的增強人臉關鍵點檢測器

http://qy.nongcun5.com/news/20180626/42558.html