计算机图像处理面试题总结

GABOR滤波器原理
- 使用一个三角函数(如正弦函数)与一个高斯函数叠加我们就得到了一个Gabor滤波器。Gabor滤波器可以抽取空间局部频度特征，是一种有效的纹理检测工具。
- gabor分为实部和虚部，用实部进行滤波后图像会平滑；虚部滤波后用来检测边缘
- 附：图像的空域是指二维坐标系上的操作，频域指的是图像经过傅里叶变换后的频谱。在频率域中，高频分量表示图像中灰度变换比较快的那些地方，比如物体的边缘就是灰度的突然变化，所以物体边缘就是高频分量。而物体内部比较平坦的区域，灰度基本没有变化，对应的就是低频分量。比如低通滤波只让低频分量通过，往往就是使图像模糊，因为边缘信息被去除了。高频对应图像细节，低频对应图像大致轮廓。
常用的分类器有哪些
- 传统方式：特征描述和检测
- BPNN，全连接网络，计算量巨大
- CNN，卷积神经网络
- 迁移学习，利用别人训练好的参数，自定义网络
- KNN，K最近邻，判断图像与各个类别的距离
- SVM，选定特征， SVM算法输出一个最优化的分隔超平面（分类面）
- 线性分类器：Logistic回归 y=sigmoid(wx+b)
. 简述SVM，GMM，EM, SIFT/SURF和LDA/PCA的基本原理？
- SVM：SVM的一般做法是：将所有待分类的点映射到“高维空间”，然后在高维空间中找到一个能将这些点分开的“超平面”，但是仅仅找到超平面是不够的，因为在通常的情况下，满足条件的“超平面”的个数不是唯一的。SVM 需要的是利用这些超平面，找到这两类点之间的“最大间隔”。
- GMM: 高斯混合模型给出了一些点被分配到每个簇（Cluster）的概率，给出这些点的概率分布有何用呢？它表征了算法对结果的把握程度。如何理解呢，训练后的模型输出不再是一个具体值，不再是唯一决策函数y＝f(x)作用后的唯一值，而是一系列概率值。举个例子，数据点集或者点云中的某一点，比如红色和蓝色簇边缘的那些点，既有可能属于蓝色簇，也有可能属于红色簇。函数作用后，分配到某一概率只是一个概率情况。点云的输出聚类情况，本来就是用来给控制模块去决策，输出不同簇的概率分布情况后，由后续控制模块通过融合其他诸如camera的识别概率来决策
- EM:
  - （1）随机初始化一组参数θ0
  - （2）根据观测数据，和当前参数θ，求得未观测数据z的后验概率的期望
  - （3）求得的z有可能不是最优，根据最大似然法求最优的θ︐
  - （4）重复第二三步，直到收敛
  - 其中第二步叫做求期望，E步，第三步叫做求最大化，M步，合起来就是EM算法。
- SIFT/SURF:
  - 具体步骤：
    - SIFT/SURF为了实现不同图像中相同场景的匹配，主要包括三个步骤：
    - 1、尺度空间的建立；
    - 2、特征点的提取；
    - 3、利用特征点周围邻域的信息生成特征描述子
    - 4、特征点匹配。
  - 共同点：
    - 如果两幅图像中的物体一般只是旋转和缩放的关系，加上图像的亮度及对比度的不同，要在这些条件下要实现物体之间的匹配，SIFT算法的先驱及其发明者想到只要找到多于三对物体间的匹配点就可以通过射影几何的理论建立它们的一一对应。
    - 如何找到这样的匹配点呢？SIFT/SURF作者的想法是首先找到图像中的一些“稳定点”，这些点是一些特殊的点，不会因为视角的改变、光照的变化、噪音的干扰而消失，比如角点、边缘点、暗区域的亮点以及亮区域的暗点。这样如果两幅图像中有相同的景物，那么这些稳定点就会在两幅图像的相同景物上同时出现，这样就能实现匹配。因此，SIFT/SURF算法的基础是稳定点。
    - SIFT/SURF提取的稳定点，首先都要求是局部极值。但是，当两个物体的大小比例不一样时，大图像的局部极值点在小图像的对应位置上有可能不是极值点。于是SIFT/SURF都采用图像金字塔的方法，每一个截面与原图像相似，这样两个金字塔中就有可能包含大小最近似的两个截面了.这样找到的特征点会比较多，经过一些处理后滤掉一些相对不稳定的点。
  - 不同点：
  - 性能对比：对原图像进行尺度、旋转、模糊、亮度变化、仿射变换等变化后，再与原图像进行匹配，统计匹配的效果。效果以可重复出现性为评价指标。
- LDA与PCA都是常用的降维技术
  - PCA主要是从特征的协方差角度，去找到比较好的投影方式，希望在所投影的维度上数据的方差尽量大。LDA更多的是考虑了标注，即希望投影后不同类别之间数据点尽量远离(距离尽量大)，同一类别的数据点尽量聚集(方差尽量小)。
  - PCA认为它找到的主轴要能够处理把多类(簇)分开的任务，这对应于无标签且事先不知道要分几类的无监督算法。而PCA认为不重要的次轴PC2，其实是对分类有帮助的，比如某个数据点属于哪一类的分类任务，这对应于有标签的监督算法。
  - 我们可以观察到LDA找到的第一个主轴LDA1(认为是对分类重要的轴)，各数据点投影到该轴上很集中(方差小)，并且LDA1轴正是PCA认为的不重要的轴，LDA找到的次轴是LDA2轴，可以看到LDA找到的两个轴不是正交的。
图像处理常用的颜色空间
- BGR颜色空间这是一个加色空间，通过B,G,R,之间的线性组合获得颜色
- HSV(Hue, Saturation, Value)是根据颜色的直观特性由A. R. Smith在1978年创建的一种颜色空间, 也称六角锥体模型。这个模型中颜色的参数分别是：色调（H），饱和度（S），亮度（V）。
- Lab颜色空间，L：亮度，a：从绿色到品红色的一种颜色成分，b:颜色分量从蓝色到黄色。在Lab色彩空间中，L通道独立于色彩信息，仅对亮度进行编码，另外两个通道编码颜色，这个和BGR不同。
随机森林
- 步骤：
  - 一个样本容量为N的样本，有放回的抽取N次，每次抽取1个，最终形成了N个样本。这选择好了的N个样本用来训练一个决策树，作为决策树根节点处的样本。
  - 当每个样本有M个属性时，在决策树的每个节点需要分裂时，随机从这M个属性中选取出m个属性，满足条件m << M。然后从这m个属性中采用某种策略（比如说信息增益）来选择1个属性作为该节点的分裂属性。
  - 决策树形成过程中每个节点都要按照步骤2来分裂（很容易理解，如果下一次该节点选出来的那一个属性是刚刚其父节点分裂时用过的属性，则该节点已经达到了叶子节点，无须继续分裂了）。一直到不能够再分裂为止。注意整个决策树形成过程中没有进行剪枝。
  - 按照步骤1~3建立大量的决策树，这样就构成了随机森林了。
- 优点
  - 它可以出来很高维度（特征很多）的数据，并且不用降维，无需做特征选择
  - 它可以判断特征的重要程度
  - 可以判断出不同特征之间的相互影响
  - 不容易过拟合
  - 训练速度比较快，容易做成并行方法
  - 实现起来比较简单
  - 对于不平衡的数据集来说，它可以平衡误差。
  - 如果有很大一部分的特征遗失，仍可以维持准确度。
- 缺点
  - 随机森林已经被证明在某些噪音较大的分类或回归问题上会过拟合。
  - 对于有不同取值的属性的数据，取值划分较多的属性会对随机森林产生更大的影响，所以随机森林在这种数据上产出的属性权值是不可信的
图像分割算法的优缺点比较
- 阈值分割
  - 1、原理----用一个或几个阈值将图像的灰度直方图分成几个类，认为图像中灰度值在同一类中的像素属于同一物体。（常用的二值分割）
  - 2、优点----直接利用图像的灰度特性，所以计算简单、运算效率较高、速度快。
  - 3、适用范围----相差很大的不同目标和背景能进行有效的分割。
  - 4、缺点----对噪声敏感，对灰度差异不明显以及不同目标灰度值有重叠分割不明显，所以需要与其他方法进行结合。合适的阈值查找。
- 边缘分割
  - 1、原理
    - 通常不同的区域之间的边缘上像素灰度值的变化往往比较剧烈，这是边缘检测方法得以实现的主要假设之一。常用灰度的一阶或二阶微分算子进行边缘检测。
  - 2、优点
    - 搜索检测的速度快，对边缘检测好。
  - 3、适用范围
    - 低噪声干扰，区域之间的性质差别很大（或则说边缘变化大）。
  - 4、缺点
    - 不能得到较好的区域结构，边缘检测时抗噪性和检测精度之间的矛盾。精度提高，则会牺牲抗噪性，反之。我们可以设置一个熵，取一个折中的办法，求取熵最大的时候的精度和抗噪性。
- 区域分割
  - 1、原理
    - 把具有某种相似性质的像索连通，从而构成最终的分割区域。它采用两种方法：分裂和合并
  - 2、优点
    - 有效地克服其他方法存在的图像分割空间小连续的缺点，有较好的区域特征。
  - 3、适用范围
    - 需得到具有区域结构的分割图。
  - 4、缺点
    - 容易造成图像的过度分割，将边缘检测与区域分割结合，可以得到良好的分割效果。
- 基于人工神经网络
  - 1、原理
    - 通过训练多层感知机来得到线性决策函数，然后用决策函数对像素进行分类来达到分割的目的。
  - 2、优点
    - 解决图像中的噪声和不均匀问题。
  - 3、适用范围
    - 可以用于抑制噪声、特性提取、边缘检测、图像分割等图像处理问题，处理灰度图像
  - 4、缺点
    - 选择何种网络结构是这种方法要解决的主要问题。需要大量数据，速度非常慢，结构复杂，分割精度与数据量有关。
图像的纹理特征
- 纹理特征刻画了图像中重复出现的局部模式与他们的排列规则，常用于图像分类和场景识别。其只能反映物体表面的特性，无法完全反映出物体的本质属性，所以仅仅利用纹理特征无法获得图像的高层次内容。
- 优点：
  - 1. 具有旋转不变性
  - 2. 具有良好的抗噪性能。
- 缺点：
  - 1. 当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差
  - 2. 有可能受到光照、反射情况的影响
  - 3. 从2-D图像中反映出来的纹理不一定是3-D物体表面真实的纹理
- 常用的纹理特征提取方法一般分为四大类：
  - 主要：基于统计的方法：灰度共生矩阵
    - 优点：方法简单，易于实现。
    - 缺点：无法利用全局信息，与人类视觉模型不匹配；计算复杂度较高，计算耗时。
分级聚类——Hierarchical cluster算法
- 根据上面算法的执行流程，我们可以发现，这个算法有点类似于哈夫曼树的构造：
  - 1，查找节点集合中，距离最近的两个节点。
  - 2，将找到的两个节点合并为一个节点，添加到节点集合中，并将先前的两个节点从节点集合中移除。
  - 3，重复第一步和第二步，直到节点集合中只剩下一个节点。
  - 根据上述算法，我们可以得到一颗聚类二叉树。
K-Means聚类算法
- 算法流程：
- 1、首先确定一个k值，即我们希望将数据集经过聚类得到k个集合。
- 2、从数据集中随机选择k个数据点作为质心。
- 3、对数据集中每一个点，计算其与每一个质心的距离（如欧式距离），离哪个质心近，就划分到那个质心所属的集合。
- 4、把所有数据归好集合后，一共有k个集合。然后重新计算每个集合的质心。
- 5、如果新计算出来的质心和原来的质心之间的距离小于某一个设置的阈值（表示重新计算的质心的位置变化不大，趋于稳定，或者说收敛），我们可以认为聚类已经达到期望的结果，算法终止。
- 6、如果新质心和原质心距离变化很大，需要迭代3~5步骤。
椒盐噪声用什么滤波处理比较有效？
- 椒盐噪声（salt-and-pepper noise）是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。
- 椒盐噪声往往由图像切割引起，去除脉冲干扰及椒盐噪声最常用的算法是中值滤波。大量的实验研究发现，由摄像机拍摄得到的图像受离散的脉冲、椒盐噪声和零均值的高斯噪声的影响较严重。噪声给图像处理带来很多困难，对图像分割、特征提取、图像识别等具有直接影响。因此，实时采集的图像需进行滤波处理。消除图像中的噪声成份叫做图像的平滑化或滤波操作。滤波的目的有两个：一是抽出对象的特征作为图像识别的特征模式；二是为适应计算机处理的要求，消除图像数字化时所混入的噪声。对滤波处理的要求有两条：一是不能损坏图像轮廓及边缘等重要信息；二是使图像清晰，视觉效果好。

计算机图像处理面试题总结相关推荐

计算机操作员高级图形图像处理photoshopcs2试题解答,图形图像处理(Photoshop平台)Photoshop CS2试题汇编(图像制作员...
商品描述: 基本信息书名:图形图像处理(Photoshop平台)Photoshop CS2试题汇编(图像制作员级)(2011年修订版) 原价:39.80元作者:国家职业技能鉴定专家委员会计算机委员 ...
计算机一级考试试题文明,XP计算机文明基础模拟试题库1.doc
XP计算机文明基础模拟试题库1 XP版计算机文化基础试题库序号题目答案面向特定专业应用领域(如图形.图像处理等)使用的计算机一般是( ) A．A．D在有关计算机软件.程序.文档的描述中,下面不正确的 ...
华中科技大学计算机考博真题,2010年华中科技大学计算机考博试题
2010年华中科技大学计算机考博试题 (4页) 本资源提供全文预览,点击全文预览即可全文预览,如果喜欢文档就下载吧,查找使用更方便哦! 14.90 积分 2010 年年华中科技大学计算机考博华中科技大 ...
2018年计算机类基础课试题答案,河南省 2018年计算机类基础课试题
<河南省 2018年计算机类基础课试题>由会员分享,可在线阅读,更多相关<河南省 2018年计算机类基础课试题(8页珍藏版)>请在人人文库网上搜索. 1.河南省 2018 年普 ...
电大计算机图像处理形考作业,电大计算机图像处理形考作业任务网考试题及答案.doc...
电大计算机图像处理形考作业任务网考试题及答案.doc 最新电大<计算机图像处理>形考作业任务01-03网考试题及答案 100%通过考试说明:<计算机图像处理>形考共有3个任 ...
计算机一级考试试题如何安装,计算机一级考试试题（带答案）
计算机一级考试试题(带答案) 下文是2016年上半年的计算机一级考试试题,希望能帮助大家顺利通过考试! 一.选择题 1.下列软件中____一定是系统软件. A.自编的一个C程序,功能是求解一个一元二次 ...
计算机一级ps在线,计算机一级ps试题及答案
计算机一级ps试题及答案 ps技能越来越实用了,因此我们要努力通过计算机一级考试,下面是小编整理的计算机一级ps试题及答案,仅供大家复习. 1.图像分辩率是指图像上单位长度内的像素数量,其一般单位是像 ...
计算机专业英语期末考试b卷,计算机专业英语试题及答案(B)..doc
计算机专业英语试题及答案(B). 湖北职业技术学院2007-2008学年度第一学期期末考核试卷考核课程: <计算机专业英语> 考试类型: 理论考试方式: 闭卷笔试学生所在院系: 计科 ...
计算机英语考试试题一附答案,计算机英语考试试题一附答案
计算机英语考试试题一附答案 ================精选公文范文,管理类,工作总结类,工作计划类文档,欢迎阅读下载============== 计算机英语考试试题一附答案计算机英语考试试题一 ...

计算机图像处理面试题总结

计算机图像处理面试题总结相关推荐

最新文章

热门文章