圖像處理常見面試題

1.各類邊緣檢測算子：

   a.Sobel 檢測算子

該算子中引入了相似局部平均的運算，所以對噪聲具備平滑做用，能很好的消除噪聲的影響。

  b.  Roberts 算子：.

        

沒有通過圖像平滑處理的，所以圖像噪聲通常得不到很好的抑制

Roberts 算子的定位精度較高，對具備陡峭的低噪聲圖像

c Prewitt算子

   

在邊緣處達到極值檢測邊緣，去掉部分僞邊緣，對噪聲具備平滑做用

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，所以只適用於無噪聲圖象。存在噪聲狀況下，使用Laplacian算子檢測邊緣以前須要先進行低通濾波。

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鏈接邊緣

2. 各類特徵提取：

1.HOG  

1）灰度化（將圖像看作一個x,y,z（灰度）的三維圖像）；

2）採用Gamma校訂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，下降圖像局部的陰影和光照變化所形成的影響，同時能夠抑制噪音的干擾；

3）計算圖像每一個像素的梯度（包括大小和方向）；主要是爲了捕獲輪廓信息，同時進一步弱化光照的干擾。

4）將圖像劃分紅小cells（例如6*6像素/cell）；

5）統計每一個cell的梯度直方圖（不一樣梯度的個數），便可造成每一個cell的descriptor；

6）將每幾個cell組成一個block（例如3*3個cell/block），一個block內全部cell的特徵descriptor串聯起來便獲得該block的HOG特徵descriptor。

7）將圖像image內的全部block的HOG特徵descriptor串聯起來就能夠獲得該image（你要檢測的目標）的HOG特徵descriptor了。這個就是最終的可供分類使用的特徵向量了。

對於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，由於每一個cell有9個特徵，因此每一個塊內有4*9=36個特徵，以8個像素爲步長，那麼，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個特徵。

LBP特徵

1）首先將檢測窗口劃分爲16×16的小區域（cell）；

（2）對於每一個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，若周圍像素值大於中心像素值，則該像素點的位置被標記爲1，不然爲0。這樣，3*3鄰域內的8個點經比較可產生8位二進制數，即獲得該窗口中心像素點的LBP值；

（3）而後計算每一個cell的直方圖，即每一個數字（假定是十進制數LBP值）出現的頻率；而後對該直方圖進行歸一化處理。

（4）最後將獲得的每一個cell的統計直方圖進行鏈接成爲一個特徵向量，也就是整幅圖的LBP紋理特徵向量；

而後即可利用SVM或者其餘機器學習算法進行分類了。

（三）Haar特徵

Haar特徵分爲三類：邊緣特徵、線性特徵、中心特徵和對角線特徵，組合成特徵模板。

SIFT ORB

 

3.PCA

1.PCA過程

  

 

 

 

   4.圖像分割

      1.基於區域增加的方法：　

區域生長實現的步驟以下:

1. 對圖像順序掃描!找到第1個尚未歸屬的像素, 設該像素爲(x0, y0);

2. 以(x0, y0)爲中心, 考慮(x0, y0)的4鄰域像素(x, y)若是(x0, y0)知足生長準則, 將(x, y)與(x0, y0)合併(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, 把它看成(x0, y0)返回到步驟2;

4. 當堆棧爲空時!返回到步驟1;

5. 重複步驟1 - 4直到圖像中的每一個點都有歸屬時。生長結束。

  2. 區域分裂合併

 

1.       把一幅圖像分紅4份，計算每一份圖像的最大灰度值與最小灰度值的差， 若是差在偏差範圍值外，則該份圖像繼續分裂。

2.       對於那些不須要分裂的那些份圖像能夠對其進行閾值切割了，例如某一塊圖像的最大灰度大於某個值，則該塊圖像變成255，不然變爲0。