计算机视觉面试题总结

概念：

最大似然估计：最大似然估计是一种统计方法，最大似然估计函数在采样样本总数趋于无穷的时候达到最小方差。步骤：1.写出似然函数 2.取对数 3.求导数并令其为0。
最小二乘法：通过最小化误差的平方和寻找数据的最佳函数匹配。
非极大值抑制（NMS）：

图像预处理方法

1. 膨胀和腐蚀操作

膨胀：将原图像 A 与任意形状的内核 B进行卷积。内核 B 有一个可定义的锚点，通常定义为内核的中心点。进行膨胀操作时，将内核 B 划过图像,将内核 B 覆盖区域的最大相素值提取，并代替锚点位置的相素。显然，这一最大化操作将会导致图像中的亮区开始”扩展” 。
作用：膨胀类似与 ‘领域扩张’ ,将图像的高亮区域或白色部分进行扩张,其运行结果图比原图的高亮区域更大.主要作用是去噪。

腐蚀：图像A用卷积模板B来进行腐蚀处理，通过模板B与图像A进行卷积计算，得出B覆盖区域的像素点最小值，并用这个最小值来替代参考点的像素值.
作用：消除物体的边界点，使边界向内收缩，可以把小于结构元素的物体去除。

开运算：图像开运算是图像依次经过腐蚀、膨胀处理后的过程。
作用：图像被腐蚀后，去除了噪声，但是也压缩了图像；接着对腐蚀过的图像进行膨胀处理，可以去除噪声，并保留原有图像。

闭运算：图像闭运算是图像依次经过膨胀、腐蚀处理后的过程。
作用：图像先膨胀，后腐蚀，它有助于关闭前景物体内部的小孔，或物体上的小黑点。

2. 常用的插值方法有哪些？简述这些方法。

（1）最近邻插值法
就是令变换后像素的灰度值等于距它最近的输入像素的灰度值，应用于图像的缩放。

（2）双线性插值
首先跟最近邻插值一样，先坐标映射，得到目标图像坐标位于原图像的位置，但是这里不再对求出来的小数坐标取整，而是通过举例所求坐标最邻近的四个坐标点，对他们先从X方向作插值，再作Y方向的插值，得到最后的结果，因此也叫双线性插值。

（3）双三次插值
函数 f 在点 (x, y) 的值可以通过矩形网格中最近的十六个采样点的加权平均得到，在这里需要使用两个多项式插值三次函数，每个方向使用一个。

（4）三线性卷积插值
三次卷积插值法可查看16个与输出最近的像元中心，并拟合一条平滑的曲线，使其穿过这些点从而找到该值。这不仅更改了输入的值，而且还可能导致输出值超出输入值的范围（可想象某表面出现汇或峰的情况）。

3. 常用的边缘提取方法有哪些

1. Sobel算子：Sobel算子是典型的基于一阶导数的边缘检测算子，由于该算子中引入了类似局部平均的运算，因此对噪声具有平滑作用，能很好的消除噪声的影响。

2. Laplacian算子(拉普拉斯)：Laplacian算子则是通过求取像素的二阶导来获取边缘，Laplacian算子没有方向之分。在只关心边缘的位置而不考虑其周围的象素灰度差值时比较合适。Laplace算子对孤立象素的响应要比对边缘或线的响应要更强烈，因此只适用于无噪声图象。

3. Canny算子：Canny算子是一个具有滤波，增强，检测的多阶段的优化算子，在进行处理前，Canny算子先利用高斯平滑滤波器来平滑图像以除去噪声，Canny分割算法采用一阶偏导的有限差分来计算梯度幅值和方向，在处理过程中，Canny算子还将经过一个非极大值抑制的过程，最后Canny算子还采用两个阈值来连接边缘。
Canny边缘检测算法流程：
step1: 用高斯滤波器平滑图象；
step2: 用一阶偏导的有限差分来计算图像梯度的幅值和方向，得到图像的边缘；
step3: 对梯度幅值进行非极大值抑制
step4: 用双阈值算法检测和连接边缘，灰度变化大于high的，设置为强边缘像素，低于low的，剔除。

4. Prewitt算子： Prewitt算子是一种一阶微分算子的边缘检测，利用像素点上下、左右邻点的灰度差，在边缘处达到极值检测边缘，去掉部分伪边缘，对噪声具有平滑作用。其原理是在图像空间利用两个方向模板与图像进行邻域卷积来完成的，这两个方向模板一个检测水平边缘，一个检测垂直边缘。

参考博客：
https://blog.csdn.net/qq_38109843/article/details/89598570
https://zhuanlan.zhihu.com/p/551665463