面試題目

>>>圖像處理第一波（1-10）點(diǎn)擊這里查看

今天給大家分享第二波（11-20），希望能幫助到大家。

11.圖像增強(qiáng)和圖像恢復(fù)的特點(diǎn)？

12.Canny邊緣檢測(cè)的流程。

13.簡(jiǎn)介一下高斯噪聲和椒鹽噪聲的特點(diǎn)。

14.簡(jiǎn)述你熟悉的聚類(lèi)算法并說(shuō)明其步驟。

15.說(shuō)明監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)的區(qū)別。

16.說(shuō)明LBP特征向量提取的步驟。

17.SVM常用的核函數(shù)有哪些？

18.簡(jiǎn)述BP神經(jīng)網(wǎng)絡(luò)的基本原理。

19.描述一下分水嶺算法的原理。

20.描述中值濾波算法和快速中值濾波算法的特點(diǎn)。

參考答案

11、圖像增強(qiáng)和圖像恢復(fù)的特點(diǎn)？

圖像增強(qiáng)：利用一定的技術(shù)手段，不用考慮圖像是否失真而且不用分析圖像降質(zhì)的原因。

針對(duì)給定圖像的應(yīng)用場(chǎng)合，有目的地強(qiáng)調(diào)圖像的整體或局部特性，將原來(lái)不清晰的圖像變得清晰或強(qiáng)調(diào)某些感興趣的特征，擴(kuò)大圖像中不同物體特征之間的差別，抑制不感興趣的特征，使之改善圖像質(zhì)量、豐富信息量，加強(qiáng)圖像判讀和識(shí)別效果，滿足某些特殊分析的需要。

圖像復(fù)原：針對(duì)質(zhì)量降低或者失真的圖像，恢復(fù)圖像原始的內(nèi)容或者質(zhì)量。圖像復(fù)原的過(guò)程包含對(duì)圖像退化模型的分析，再對(duì)退化的圖像進(jìn)行復(fù)原。

圖像退化是由于成像系統(tǒng)受各種因素的影響，導(dǎo)致了圖像質(zhì)量的降低，稱(chēng)之為圖像退化。這些因素包括傳感器噪聲、攝像機(jī)聚焦不佳、物體與攝像機(jī)之間的相對(duì)移動(dòng)、隨機(jī)大氣湍流、光學(xué)系統(tǒng)的象差、成像光源和射線的散射等。

12.Canny邊緣檢測(cè)的流程。

（1）圖像降噪。梯度算子可以用于增強(qiáng)圖像，本質(zhì)上是通過(guò)增強(qiáng)邊緣輪廓來(lái)實(shí)現(xiàn)的。但是，它們受噪聲的影響很大。那么，我們第一步就是想到要先去除噪聲，因?yàn)樵肼暰褪腔叶茸兓艽蟮牡胤?，所以容易被識(shí)別為偽邊緣。

（2）計(jì)算圖像梯度，得到可能的邊緣。計(jì)算圖像梯度能夠得到圖像的邊緣，因?yàn)樘荻仁腔叶茸兓黠@的地方，而邊緣也是灰度變化明顯的地方。這一步只能得到可能的邊緣，因?yàn)榛叶茸兓牡胤娇赡苁沁吘?，也可能不是邊緣。這一步就有了所有可能是邊緣的集合。

（3）非極大值抑制。通常灰度變化的地方都比較集中，將局部范圍內(nèi)的梯度方向上，回答變化量大的保留下來(lái)，其他的不保留，這樣可以剔除掉一大部分的點(diǎn)。將有多個(gè)像素寬的邊緣編程一個(gè)單像素寬的邊緣，將“胖邊緣”變成“瘦邊緣”。

（4）雙閾值篩選。通過(guò)非極大值抑制后，仍然有很多的可能邊緣點(diǎn)，進(jìn)一步設(shè)置一個(gè)雙閾值，即低閾值（low），高閾值（high）?；叶茸兓笥趆igh的，設(shè)置為強(qiáng)邊緣像素，低于low的，剔除。在low和high之間的設(shè)置為弱邊緣。進(jìn)一步判斷，如果其領(lǐng)域內(nèi)有強(qiáng)邊緣像素，保留，如果沒(méi)有，剔除。

13.簡(jiǎn)介一下高斯噪聲和椒鹽噪聲的特點(diǎn)。

14.簡(jiǎn)述你熟悉的聚類(lèi)算法并說(shuō)明其步驟。

網(wǎng)格聚類(lèi)：

算法思想：

這類(lèi)方法的原理就是將數(shù)據(jù)空間劃分為網(wǎng)格單元，將數(shù)據(jù)對(duì)象集映射到網(wǎng)格單元中，并計(jì)算每個(gè)單元的密度。根據(jù)預(yù)設(shè)的閾值判斷每個(gè)網(wǎng)格單元是否為高密度單元，由鄰近的稠密單元組形成“類(lèi)”。

算法步驟：

（1）劃分網(wǎng)格；

（2）使用網(wǎng)格單元內(nèi)數(shù)據(jù)的統(tǒng)計(jì)信息對(duì)數(shù)據(jù)進(jìn)行壓縮表達(dá)；

（3）基于這些統(tǒng)計(jì)信息判斷高密度網(wǎng)格單元；

（4）最后將相連的高密度網(wǎng)格單元識(shí)別為簇。

15.說(shuō)明監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)的區(qū)別。

監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)的區(qū)別：

（1）原理不同：

監(jiān)督學(xué)習(xí)是指利用一組已知類(lèi)別的樣本調(diào)整分類(lèi)器的參數(shù)，使其達(dá)到所要求性能的過(guò)程。無(wú)監(jiān)督學(xué)習(xí)指根據(jù)類(lèi)別未知(沒(méi)有被標(biāo)記)的訓(xùn)練樣本解決模式識(shí)別中的各種問(wèn)題的過(guò)程。

（2）算法不同：

監(jiān)督學(xué)習(xí)的算法是通過(guò)分析已知類(lèi)別的訓(xùn)練數(shù)據(jù)產(chǎn)生的。無(wú)監(jiān)督學(xué)習(xí)的算法主要有主成分分析方法、等距映射方法、局部線性嵌入方法、拉普拉斯特征映射方法、黑塞局部線性嵌入方法和局部切空間排列方法等。

（3）適用條件不同：

監(jiān)督學(xué)習(xí)適用于樣本數(shù)據(jù)已知的情況。非監(jiān)督學(xué)習(xí)適用于無(wú)類(lèi)別信息的情況。

16.說(shuō)明LBP特征向量提取的步驟。

（1）首先將檢測(cè)窗口劃分為16×16的小區(qū)域（cell）；

（2）對(duì)于每個(gè)cell中的一個(gè)像素，將相鄰的8個(gè)像素的灰度值與其進(jìn)行比較，若周?chē)袼刂荡笥谥行南袼刂担瑒t該像素點(diǎn)的位置被標(biāo)記為1，否則為0。這樣，3*3鄰域內(nèi)的8個(gè)點(diǎn)經(jīng)比較可產(chǎn)生8位二進(jìn)制數(shù)，即得到該窗口中心像素點(diǎn)的LBP值；

（3）然后計(jì)算每個(gè)cell的直方圖，即每個(gè)數(shù)字（假定是十進(jìn)制數(shù)LBP值）出現(xiàn)的頻率；然后對(duì)該直方圖進(jìn)行歸一化處理。

（4）最后將得到的每個(gè)cell的統(tǒng)計(jì)直方圖進(jìn)行連接成為一個(gè)特征向量，也就是整幅圖的LBP紋理特征向量；

然后便可利用SVM或者其他機(jī)器學(xué)習(xí)算法進(jìn)行分類(lèi)了。

17.SVM常用的核函數(shù)有哪些？

以下是幾種常用的核函數(shù)表示：線性核（Linear Kernel）多項(xiàng)式核（Polynomial Kernel）徑向基核函數(shù)（Radial Basis Function）也叫高斯核（Gaussian Kernel），因?yàn)榭梢钥闯扇缦潞撕瘮?shù)的領(lǐng)一個(gè)種形式：徑向基函數(shù)是指取值僅僅依賴(lài)于特定點(diǎn)距離的實(shí)值函數(shù)。

也就是任意一個(gè)滿足特性的函數(shù)Φ都叫做徑向量函數(shù)，標(biāo)準(zhǔn)的一般使用歐氏距離，盡管其他距離函數(shù)也是可以的。所以另外兩個(gè)比較常用的核函數(shù)，冪指數(shù)核，拉普拉斯核也屬于徑向基核函數(shù)。

此外不太常用的徑向基核還有ANOVA核，二次有理核，多元二次核，逆多元二次核。

冪指數(shù)核（Exponential Kernel）拉普拉斯核（Laplacian Kernel）ANOVA核（ANOVA Kernel）二次有理核（Rational Quadratic Kernel）多元二次核（Multiquadric Kernel）逆多元二次核（Inverse Multiquadric Kernel）另外一個(gè)簡(jiǎn)單實(shí)用的是Sigmoid核（Sigmoid Kernel）

以上幾種是比較常用的，大部分在SVM，SVM-light以及RankSVM中可用參數(shù)直接設(shè)置。還有其他一些不常用的，如小波核，貝葉斯核，可以需要通過(guò)代碼自己指定。

18.簡(jiǎn)述BP神經(jīng)網(wǎng)絡(luò)的基本原理。

BP神經(jīng)網(wǎng)絡(luò)模型處理信息的基本原理是：輸入信號(hào)Xi通過(guò)中間節(jié)點(diǎn)（隱層點(diǎn)）作用于輸出節(jié)點(diǎn)，經(jīng)過(guò)非線性變換，產(chǎn)生輸出信號(hào)Yk，網(wǎng)絡(luò)訓(xùn)練的每個(gè)樣本包括輸入向量X和期望輸出量t，網(wǎng)絡(luò)輸出值Y與期望輸出值t之間的偏差。

通過(guò)調(diào)整輸入節(jié)點(diǎn)與隱層節(jié)點(diǎn)的聯(lián)結(jié)強(qiáng)度取值Wij和隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)之間的聯(lián)結(jié)強(qiáng)度Tjk以及閾值，使誤差沿梯度方向下降，經(jīng)過(guò)反復(fù)學(xué)習(xí)訓(xùn)練，確定與最小誤差相對(duì)應(yīng)的網(wǎng)絡(luò)參數(shù)（權(quán)值和閾值），訓(xùn)練即告停止。

此時(shí)經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)即能對(duì)類(lèi)似樣本的輸入信息，自行處理輸出誤差最小的經(jīng)過(guò)非線性轉(zhuǎn)換的信息。

19.描述一下分水嶺算法的原理。

（1）求取梯度圖像。

（2）將梯度圖像視為一個(gè)高低起伏的地形圖，原圖上較平坦的區(qū)域梯度值較小，構(gòu)成盆地原圖上的邊界區(qū)域梯度值較大，構(gòu)成分割盆地的山脊。

（3）水從盆地內(nèi)最低洼的地方深入，隨著水位不斷長(zhǎng)高，有的洼地將被連通，為防止兩塊洼地被連通，就在分割兩者的山脊上筑起水壩，水位越長(zhǎng)越高，水壩也越筑越高。

（4）當(dāng)水壩達(dá)到最高的山脊的高度的時(shí)候，算法結(jié)束。

每一個(gè)孤立的積水盆地對(duì)應(yīng)一個(gè)分割區(qū)域。

20.描述中值濾波算法和快速中值濾波算法的特點(diǎn)。

中值濾波是一種非線性空域?yàn)V波辦法。它是能夠有用按捺圖畫(huà)噪聲，進(jìn)步圖畫(huà)信噪比的非線性濾波技能。中值濾波首要對(duì)鄰域點(diǎn)的灰度進(jìn)行排序，然后挑選中心值作為輸出灰度值。

與均值濾波器和其他線性濾波器比較，中值濾波能夠很好的濾除脈沖噪聲（Impulsive Noise）和椒鹽噪聲（Salt and Pepper Noise）。一起能夠很好的維護(hù)圖畫(huà)邊際概括的細(xì)節(jié)。

中值濾波的公式：

中值濾波的進(jìn)程一般為：

（1）挑選一個(gè)（2n+1） （2n+1）的窗口（一般是3×3或許5×5），使窗口沿圖畫(huà)數(shù)據(jù)的行方向和列方向從左至右、從上至下沿每個(gè)像素滑動(dòng)。

（2）每次滑動(dòng)后，對(duì)窗口內(nèi)的像素灰度進(jìn)行排序，并用中心值替代窗口中心方位的像素灰度值。

快速中值濾波算法：

中值濾波算法的中心是快速求出中心灰度值。傳統(tǒng)的排序法如冒泡法，運(yùn)算量巨大。而用硬件完結(jié)不只需耗費(fèi)很多的資源，并且運(yùn)算速度很慢，難以滿意圖畫(huà)體系處理的實(shí)時(shí)性要求。

本文針對(duì)巨細(xì)為3×3的窗口采用了一種快速排序算法，能夠在很大程度上削減運(yùn)算量，且易于用較少的硬件資源完結(jié)。