图像处理常见面试题

1.各类边缘检测算子：

   a.Sobel 检测算子

该算子中引入了相似局部平均的运算，所以对噪声具备平滑做用，能很好的消除噪声的影响。

  b.  Roberts 算子：.

        

没有通过图像平滑处理的，所以图像噪声通常得不到很好的抑制

Roberts 算子的定位精度较高，对具备陡峭的低噪声图像

c Prewitt算子

   

在边缘处达到极值检测边缘，去掉部分伪边缘，对噪声具备平滑做用

d.Laplacian算子

  

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，所以只适用于无噪声图象。存在噪声状况下，使用Laplacian算子检测边缘以前须要先进行低通滤波。

e.Canny算子 

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梯度的幅值和方向；

step3: 对梯度幅值进行非极大值抑制

step4: 用双阈值算法检测和链接边缘

2. 各类特征提取：

1.HOG  

1）灰度化（将图像看作一个x,y,z（灰度）的三维图像）；

2）采用Gamma校订法对输入图像进行颜色空间的标准化（归一化）；目的是调节图像的对比度，下降图像局部的阴影和光照变化所形成的影响，同时能够抑制噪音的干扰；

3）计算图像每一个像素的梯度（包括大小和方向）；主要是为了捕获轮廓信息，同时进一步弱化光照的干扰。

4）将图像划分红小cells（例如6*6像素/cell）；

5）统计每一个cell的梯度直方图（不一样梯度的个数），便可造成每一个cell的descriptor；

6）将每几个cell组成一个block（例如3*3个cell/block），一个block内全部cell的特征descriptor串联起来便获得该block的HOG特征descriptor。

7）将图像image内的全部block的HOG特征descriptor串联起来就能够获得该image（你要检测的目标）的HOG特征descriptor了。这个就是最终的可供分类使用的特征向量了。

对于64*128的图像而言，每16*16的像素组成一个cell，每2*2个cell组成一个块，由于每一个cell有9个特征，因此每一个块内有4*9=36个特征，以8个像素为步长，那么，水平方向将有7个扫描窗口，垂直方向将有15个扫描窗口。也就是说，64*128的图片，总共有36*7*15=3780个特征。

LBP特征

1）首先将检测窗口划分为16×16的小区域（cell）；

（2）对于每一个cell中的一个像素，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，不然为0。这样，3*3邻域内的8个点经比较可产生8位二进制数，即获得该窗口中心像素点的LBP值；

（3）而后计算每一个cell的直方图，即每一个数字（假定是十进制数LBP值）出现的频率；而后对该直方图进行归一化处理。

（4）最后将获得的每一个cell的统计直方图进行链接成为一个特征向量，也就是整幅图的LBP纹理特征向量；

而后即可利用SVM或者其余机器学习算法进行分类了。

（三）Haar特征

Haar特征分为三类：边缘特征、线性特征、中心特征和对角线特征，组合成特征模板。

SIFT ORB

 

3.PCA

1.PCA过程

  

 

 

 

   4.图像分割

      1.基于区域增加的方法：　

区域生长实现的步骤以下:

1. 对图像顺序扫描!找到第1个尚未归属的像素, 设该像素为(x0, y0);

2. 以(x0, y0)为中心, 考虑(x0, y0)的4邻域像素(x, y)若是(x0, y0)知足生长准则, 将(x, y)与(x0, y0)合并(在同一区域内), 同时将(x, y)压入堆栈;

3. 从堆栈中取出一个像素, 把它看成(x0, y0)返回到步骤2;

4. 当堆栈为空时!返回到步骤1;

5. 重复步骤1 - 4直到图像中的每一个点都有归属时。生长结束。

  2. 区域分裂合并

 

1.       把一幅图像分红4份，计算每一份图像的最大灰度值与最小灰度值的差， 若是差在偏差范围值外，则该份图像继续分裂。

2.       对于那些不须要分裂的那些份图像能够对其进行阈值切割了，例如某一块图像的最大灰度大于某个值，则该块图像变成255，不然变为0。