圖像處理知多少？準(zhǔn)大廠算法工程師30+場秋招后總結(jié)的面經(jīng)問題詳解

作者燈會為21屆中部985研究生，憑借自己整理的面經(jīng)，去年在騰訊優(yōu)圖暑期實習(xí)，七月份將入職百度cv算法工程師。在去年灰飛煙滅的算法求職季中，經(jīng)過30+場不同公司以及不同部門的面試中積累出了CV總復(fù)習(xí)系列，此為傳統(tǒng)圖像處理篇。

圖像濾波

圖像濾波：在盡量保留圖像細(xì)節(jié)特征的條件下對目標(biāo)圖像的噪聲進(jìn)行抑制。

平滑：也稱模糊, 是一項簡單且使用頻率很高的圖像處理方法。平滑的一種作用就是用來減弱噪聲。

1.列出常見的線性濾波器

低通濾波器 允許低頻通過

高通濾波器 允許高頻通過

帶通濾波器 允許一定范圍的頻率通過

帶阻濾波器 允許一定范圍的頻率通過并阻止其他的頻率通過

全通濾波器 允許所有頻率通過，只改變相位

陷波濾波器 阻止一個狹窄頻率范圍通過

2.線性濾波與非線性濾波

線性濾波：方框濾波 均值濾波 高斯濾波 ? 非線性濾波：中值濾波 雙邊濾波

①方框濾波（boxblur函數(shù)）：每一個輸出像素的是內(nèi)核鄰域像素值的平均值得到

②均值濾波（Blur函數(shù)）：均值濾波實際上就是用均值代替原圖像中的各個像素值。

把每個像素都用周圍的8個像素來做均值操作

原理：在圖像上，對待處理的像素給定一個模板，該模板包括了其周圍的鄰近像素。將模板中的全體像素的均值來替代原來的像素值的方法。

方法：對待處理的當(dāng)前像素，選擇一個模板，該模板為其近鄰的若干像素組成，

用模板中像素的均值來代替原像素值的方法。

優(yōu)點：把每個像素都用周圍的 8 個像素做均值操作，平滑圖像速度快、算法簡單。

缺點：1、在降低噪聲的同時，使圖像產(chǎn)生模糊，特別是邊緣和細(xì)節(jié)處，而且模糊尺寸越大，圖像模糊程度越大。2、對椒鹽噪聲的平滑處理效果不理想。（無法去掉噪聲）

不能很好地保護(hù)圖像細(xì)節(jié)，在圖像去噪的同時也破壞了圖像的細(xì)節(jié)部分，從而使圖像變模糊，不能很好去除噪聲點。

③高斯濾波（Gauss filter）

高斯濾波是一種線性平滑濾波，適用于消除高斯噪聲，廣泛應(yīng)用于圖像處理的減噪過程。

高斯濾波就是對整幅圖像進(jìn)行加權(quán)平均的過程，每一個像素點的值，都由其本身和鄰域內(nèi)的其他像素值經(jīng)過加權(quán)平均后得到。

高斯濾波的具體操作是：用一個模板（或稱卷積、掩模）掃描圖像中的每一個像素，用模板確定的鄰域內(nèi)像素的加權(quán)平均灰度值去替代模板中心像素點的值用。

高斯平滑濾波器對于抑制服從正態(tài)分布的噪聲非常有效。

④中值濾波（Median filter）

中值濾波是一種典型的非線性濾波技術(shù)，基本思想是用像素點鄰域灰度值的中值來代替該像素點的灰度值，該方法在去除脈沖噪聲、椒鹽噪聲的同時又能保留圖像邊緣細(xì)節(jié)。

⑤雙邊濾波

雙邊濾波（Bilateral filter）是一種非線性的濾波方法，是結(jié)合圖像的空間鄰近度和像素值相似度的一種折衷處理，同時考慮空域信息和灰度相似性，達(dá)到保邊去噪的目的。具有簡單、非迭代、局部的特點。

用在對邊緣信息重要，需要保留的圖像去噪。缺點是由于雙邊濾波保證了邊緣信息，所以其保存了過多的高頻信息，對于彩色圖像里的高頻噪聲，雙邊濾波器不能夠干凈地濾去，只能對于低頻信息進(jìn)行較好地濾波。

⑥維納濾波

維納濾波是一種自適應(yīng)最小均方差濾波器。維納濾波的方法是一種統(tǒng)計方法，它用的最優(yōu)準(zhǔn)則是基于圖像和噪聲各自相關(guān)的相關(guān)矩陣，它能根據(jù)圖像的局部方差調(diào)整濾波器的輸出，局部方差越大，濾波器的平滑作用就越強(qiáng)。

椒鹽噪聲用什么濾波？ 中值濾波

邊緣檢測

邊緣檢測的目的就是找到圖像中亮度變化劇烈的像素點構(gòu)成的集合，表現(xiàn)出來往往是輪廓。如果圖像中邊緣能夠精確的測量和定位，那么，就意味著實際的物體能夠被定位和測量，包括物體的面積、物體的直徑、物體的形狀等就能被測量。

邊緣檢測算子有哪些：

一階：Roberts Cross算子, Prewitt算子, Sobel算子, Canny算子，羅盤算子

二階：Laplacian算子，Marr-Hildreth,在梯度方向的二階導(dǎo)數(shù)過零點。

1.介紹canny邊緣檢測

Canny邊緣檢測是一種非常流行的邊緣檢測算法，是John Canny在1986年提出的。它是一個多階段的算法，即由多個步驟構(gòu)成。

1.圖像降噪2.計算圖像梯度3.非極大值抑制4.閾值篩選

首先，圖像降噪。我們知道梯度算子可以用于增強(qiáng)圖像，本質(zhì)上是通過增強(qiáng)邊緣輪廓來實現(xiàn)的，也就是說是可以檢測到邊緣的。但是，它們受噪聲的影響都很大。那么，我們第一步就是想到要先去除噪聲，因為噪聲就是灰度變化很大的地方，所以容易被識別為偽邊緣。

第二步，計算圖像梯度，得到可能邊緣。我們在前面的關(guān)于《圖像梯度》文章中有所介紹，計算圖像梯度能夠得到圖像的邊緣，因為梯度是灰度變化明顯的地方，而邊緣也是灰度變化明顯的地方。當(dāng)然這一步只能得到可能的邊緣。因為灰度變化的地方可能是邊緣，也可能不是邊緣。這一步就有了所有可能是邊緣的集合。

第三步，非極大值抑制。通?；叶茸兓牡胤蕉急容^集中，將局部范圍內(nèi)的梯度方向上，灰度變化最大的保留下來，其它的不保留，這樣可以剔除掉一大部分的點。將有多個像素寬的邊緣變成一個單像素寬的邊緣。即“胖邊緣”變成“瘦邊緣”。

第四步，雙閾值篩選。通過非極大值抑制后，仍然有很多的可能邊緣點，進(jìn)一步的設(shè)置一個雙閾值，即低閾值（low），高閾值（high）。灰度變化大于high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，如果沒有，剔除。

這樣做的目的是只保留強(qiáng)邊緣輪廓的話，有些邊緣可能不閉合，需要從滿足low和high之間的點進(jìn)行補(bǔ)充，使得邊緣盡可能的閉合。

canny算子是怎么做的？簡述Canny算子的計算步驟

①將彩色圖像轉(zhuǎn)化為灰度圖；②使用高斯濾波器平滑圖像；③計算圖像梯度的幅值和方向；④對梯度幅值進(jìn)行非極大值抑制；⑤使用雙閾值進(jìn)行邊緣的檢測和連接；Canny算子使用滯后閾值，滯后閾值需要兩個閾值(高閾值和低閾值)。如果某一像素位置的幅值超過 高 閾值, 該像素被保留為邊緣像素。如果某一像素位置的幅值小于 低 閾值, 該像素被排除。如果某一像素位置的幅值在兩個閾值之間,該像素僅僅在連接到一個高于 高 閾值的像素時被保留。

2.簡述一下sobel算子

Sobel算子是一個主要用作邊緣檢測的離散微分算子(discrete differentiation operator)。它Sobel算子結(jié)合了高斯平滑和微分求導(dǎo)，用來計算圖像灰度函數(shù)的近似梯度。在圖像的任何一點使用此算子，將會產(chǎn)生對應(yīng)的梯度矢量或是其法矢量。

當(dāng)內(nèi)核大小為 3 時, 我們的Sobel內(nèi)核可能產(chǎn)生比較明顯的誤差(畢竟，Sobel算子只是求取了導(dǎo)數(shù)的近似值而已)。為解決這一問題，OpenCV提供了Scharr 函數(shù)，但該函數(shù)僅作用于大小為3的內(nèi)核。該函數(shù)的運算與Sobel函數(shù)一樣快，但結(jié)果卻更加精確。

3.簡述傳統(tǒng)算法中邊緣檢測的一般步驟

①濾波：濾波去除噪聲；②增強(qiáng)：增強(qiáng)邊緣的特征；③將邊緣通過某種方式提取出來，完成邊緣檢測。

4.如何求邊緣，45°邊緣

Sobel算子實現(xiàn)水平邊緣檢測、垂直邊緣檢測；45度、135度角邊緣檢測。

5. SIFT

尺度不變特征變換(Scale-invariant feature transform, SIFT)是計算機(jī)視覺中一種檢測、描述和匹配圖像局部特征點的方法，通過在不同的尺度空間中檢測極值點或特征點(Conrner Point, Interest Point)，提取出其位置、尺度和旋轉(zhuǎn)不變量，并生成特征描述子，最后用于圖像的特征點匹配。

SIFT特征是如何保持旋轉(zhuǎn)不變性的？

sift特征通過將坐標(biāo)軸旋轉(zhuǎn)至關(guān)鍵點的主方向來保持旋轉(zhuǎn)不變性，關(guān)鍵點的主方向是通過統(tǒng)計關(guān)鍵點局部鄰域內(nèi)像素梯度的方向分布直方圖的最大值得到的

SIFT特征匹配

對兩幅圖像中檢測到的特征點，可采用特征向量的歐式距離作為特征點相似性的度量，取圖像1中某個關(guān)鍵點，并在圖像2中找到與其距離最近的兩個關(guān)鍵點，若最近距離與次近距離的比值小于某個閾值，則認(rèn)為距離最近的這一對關(guān)鍵點為匹配點。降低比例閾值，SIFT匹配點數(shù)量會減少，但相對而言會更加穩(wěn)定。閾值ratio的取值范圍一般為0.4~0.6。

SIFT特征的特點

SIFT是一種檢測、描述、匹配圖像局部特征點的算法，通過在尺度空間中檢測極值點，提取位置、尺度、旋轉(zhuǎn)不變量，并抽象成特征向量加以描述，最后用于圖像特征點的匹配。SIFT特征對灰度、對比度變換、旋轉(zhuǎn)、尺度縮放等保持不變性，對視角變化、仿射變化、噪聲也具有一定的魯棒性。但其實時性不高，對邊緣光滑的目標(biāo)無法準(zhǔn)確提取特征點。

6.SURF特征匹配

加速魯棒特征(Speed Up Robust Feature, SURF)和SIFT特征類似，同樣是一個用于檢測、描述、匹配圖像局部特征點的特征描述子。SIFT是被廣泛應(yīng)用的特征點提取算法，但其實時性較差，如果不借助于硬件的加速和專用圖形處理器(GPUs)的配合，很難達(dá)到實時的要求。對于一些實時應(yīng)用場景，如基于特征點匹配的實時目標(biāo)跟蹤系統(tǒng)，每秒要處理數(shù)十幀的圖像，需要在毫秒級完成特征點的搜索定位、特征向量的生成、特征向量的匹配以及目標(biāo)鎖定等工作，SIFT特征很難滿足這種需求。SURF借鑒了SIFT中近似簡化(DoG近似替代LoG)的思想，將Hessian矩陣的高斯二階微分模板進(jìn)行了簡化，借助于積分圖，使得模板對圖像的濾波只需要進(jìn)行幾次簡單的加減法運算，并且這種運算與濾波模板的尺寸無關(guān)。SURF相當(dāng)于SIFT的加速改進(jìn)版本，在特征點檢測取得相似性能的條件下，提高了運算速度。整體來說，SUFR比SIFT在運算速度上要快數(shù)倍，綜合性能更優(yōu)。

7.LBP特征

局部二值模式(Local Binary Patter, LBP)是一種用來描述圖像局部紋理特征的算子，LBP特征具有灰度不變性和旋轉(zhuǎn)不變性等顯著優(yōu)點，它將圖像中的各個像素與其鄰域像素值進(jìn)行比較，將結(jié)果保存為二進(jìn)制數(shù)，并將得到的二進(jìn)制比特串作為中心像素的編碼值，也就是LBP特征值。LBP提供了一種衡量像素間鄰域關(guān)系的特征模式，因此可以有效地提取圖像的局部特征，而且由于其計算簡單，可用于基于紋理分類的實時應(yīng)用場景，例如目標(biāo)檢測、人臉識別等。

8.圖像特征提取之HOG特征

方向梯度直方圖(Histogram of Oriented Gradient, HOG)特征是一種在計算機(jī)視覺和圖像處理中用來進(jìn)行物體檢測的特征描述子。它通過計算和統(tǒng)計圖像局部區(qū)域的梯度方向直方圖來構(gòu)成特征。Hog特征結(jié)合SVM分類器已經(jīng)被廣泛應(yīng)用于圖像識別中，尤其在行人檢測中獲得了極大的成功。

9.簡要闡述一下SIFT和SURF算法的異同點

①尺度空間：SIFT使用DoG金字塔與圖像進(jìn)行卷積操作，而且對圖像有做降采樣處理；SURF是用近似DoH金字塔(即不同尺度的box filters)與圖像做卷積，借助積分圖，實際操作只涉及到數(shù)次簡單的加減運算，而且不改變圖像大小。

②特征點檢測：SIFT是先進(jìn)行非極大值抑制，去除對比度低的點，再通過Hessian矩陣剔除邊緣點。而SURF是計算Hessian矩陣的行列式值(DoH)，再進(jìn)行非極大值抑制。

③特征點主方向：SIFT在方形鄰域窗口內(nèi)統(tǒng)計梯度方向直方圖，并對梯度幅值加權(quán)，取最大峰對應(yīng)的方向；SURF是在圓形區(qū)域內(nèi)，計算各個扇形范圍內(nèi)x、y方向的Haar小波響應(yīng)值，確定響應(yīng)累加和值最大的扇形方向。

④特征描述子：SIFT將關(guān)鍵點附近的鄰域劃分為4×4的區(qū)域，統(tǒng)計每個子區(qū)域的梯度方向直方圖，連接成一個4×4×8=128維的特征向量；SURF將20s×20s的鄰域劃分為4×4個子塊，計算每個子塊的Haar小波響應(yīng)，并統(tǒng)計4個特征量，得到4×4×4=64維的特征向量。

總體來說，SURF和SIFT算法在特征點的檢測取得了相似的性能，SURF借助積分圖，將模板卷積操作近似轉(zhuǎn)換為加減運算，在計算速度方面要優(yōu)于SIFT特征。

10.比較一下SIFT，HOG和LBP這三個特征提取算法

11.說出幾種傳統(tǒng)算法中常用的特征檢測算法

①FAST：Fast Feature Detector

②STAR：Star Feature Detector

③SIFT:Scale Invariant Feature Transform

④SURF:Speeded UP Robust Feature 加速版的具有魯棒性的特征檢測算法

⑤ORB:是Oriented Brief的簡稱，是brief算法的改進(jìn)版，綜合性能相對較好的算法。

12.簡述霍夫變換的原理

使用極坐標(biāo)表示一條直線，可以由參數(shù)極徑和極角（r,θ） 表示?；舴蜃儞Q就采用這種表示直線的方式。即r=xcosθ+ysinθ ?意味著每一對（r,θ）代表一條通過點（x，y）的直線，如果對于一個給定點（x,y）,我們在極坐標(biāo)對極徑極角平面繪出通過它的直線，可以到一條正弦曲線（r>0 and 0<θ<2π）。對圖像上所有點進(jìn)行上述操作，如果兩個不同點進(jìn)行上述操作后發(fā)現(xiàn)曲線相交，則意味著他們通過同一條直線。

以上說明，一般來說，一條直線能夠通過在平面θ-r上尋找交于一點的曲線數(shù)量來檢測。越多曲線交于一點則意味著這個交點表示的直線由更多點組成。可以通過設(shè)置直線上點的閾值來定義多少條曲線交于一點才能被認(rèn)為是檢測到一條直線。

霍夫變換考察圖像中每個點對應(yīng)曲線間的交點，如果交于一點的曲線的數(shù)量超過了閾值，則可以認(rèn)為這個交點所代表的參數(shù)對（r，θ）在原圖像中為一條直線。

13.簡述霍夫圓變換原理

從平面坐標(biāo)圓上的點到極坐標(biāo)轉(zhuǎn)換的三個參數(shù)C(x0,y0,r)其中x0,y0是圓心，r 取一固定值時theta掃描360度，x y 跟著變化， 若多個邊緣點對應(yīng)的三維空間曲線交于一點，則他們在共同圓上，在圓心處有累積最大值，也可以用同樣的閾值的方法來判斷一個圓是否被檢測到。

14.簡述opencv中主要有哪些模塊？

1. Core —— 核心組件模塊

作為核心組件，Core 做的事情肯定特別多，也比較基礎(chǔ)。包括基本數(shù)據(jù)結(jié)構(gòu)、動態(tài)數(shù)據(jù)結(jié)構(gòu)、繪圖函數(shù)、數(shù)組操作相關(guān)函數(shù)、輔助功能與系統(tǒng)函數(shù)和宏、XML/YML、聚類、與OpenGL 的交互操作。

2. Imgproc 圖像處理模塊

包括圖像濾波、幾何圖像變換、混合圖像變換、直方圖、結(jié)構(gòu)分析及形狀描述、運動分析及目標(biāo)跟蹤、特征及目標(biāo)檢測。

3. Highgui——頂層GUI及視頻I/O

包括用戶界面、讀/寫圖像及視頻、QT新功能。

4. Video——視頻分析

包括運動分析及目標(biāo)跟蹤。

5. Calib3d——攝像機(jī)標(biāo)定及3維重建

包括攝像機(jī)標(biāo)定及3維重建。

6. Features2d——2維特征框架

包括特征檢測與描述、特征檢測提取匹配接口、關(guān)鍵點與匹配點繪圖及對象分類。

7. Objdetect——目標(biāo)檢測

包括級聯(lián)分類器及SVM.

8. MI——機(jī)器學(xué)習(xí)

包括統(tǒng)計模型、貝葉斯分類器、最近鄰分類器、支持向量機(jī)、決策樹、提升、梯度提升樹、隨機(jī)樹、超隨機(jī)樹、最大期望、神經(jīng)網(wǎng)絡(luò)及機(jī)器學(xué)習(xí)數(shù)據(jù)。

9. FLann——聚類及多維空間搜索

快速最近鄰搜索及聚類。

10. Gpu——計算機(jī)視覺中GPU加速

GPU模塊及數(shù)據(jù)結(jié)構(gòu)，包含圖像處理與分析模塊。

11. Photo——計算圖像

圖像修復(fù)及去噪。

12. Stitching——圖像拼接

圖像拼接頂層操作函數(shù)、旋轉(zhuǎn)、自動標(biāo)定、仿射變換、接縫估計、曝光補(bǔ)充及圖像融合技術(shù)。

15. opencv中CV_8UC3代表什么意思？

8表示8位，UC--代表--unsigned int--無符號整形，3 -代表一張圖片的通道數(shù)3

16.簡述opencv中的Scalar類

Scalar（）表示具有4個元素的數(shù)組，在opencv中被大量用于傳遞像素值，比如RGB顏色值。如果用不到第四個參數(shù)，則不需要寫出來，若只寫三個參數(shù)，則opencv會認(rèn)為只需要傳遞三個參數(shù)。

17.簡述.hpp和.h的區(qū)別

.hpp，本質(zhì)就是將.cpp的實現(xiàn)代碼混入.h頭文件當(dāng)中，定義與實現(xiàn)都包含在同一文件，則該類的調(diào)用者只需要include該.hpp文件即可，無需再將cpp加入到project中進(jìn)行編譯。而實現(xiàn)代碼將直接編譯到調(diào)用者的obj文件中，不再生成單獨的obj，采用hpp將大幅度減少調(diào)用project中的cpp文件數(shù)與編譯次數(shù)，也不用再發(fā)布lib與dll文件，因此非常適合用來編寫公用的開源庫。

18.簡述一下什么是光流？

光流(Optical flow or optic flow)是關(guān)于視域中的物體運動檢測中的概念。用來描述相對于觀察者的運動所造成的觀測目標(biāo)、表面或邊緣的運動。

19.簡述常見的顏色系統(tǒng)

①RGB是最常見的顏色系統(tǒng),采用人眼相似的工作機(jī)制，也被顯示設(shè)備所采用。②HSV和HLS把顏色分解成色調(diào)，飽和度和亮度/明度，描述顏色更加自然，可以通過拋棄最后一個元素使算法對輸入圖像的光照條件不敏感。③YCrCb顏色系統(tǒng)在JPEG圖像格式中廣泛使用。④CIELab是一種在感知上均勻的顏色空間，適合用來度量兩個顏色之間的距離。

20.簡述訪問圖像中像素的3種方法

①指針訪問，C操作符[]；②迭代器iterator；③動態(tài)地址計算。

21.簡述一下圖像處理中的膨脹和腐蝕操作

膨脹和腐蝕都是對白色（高亮）部分進(jìn)行操作的。膨脹是圖像中的高亮部分進(jìn)行膨脹，效果圖擁有比原圖更大的高亮區(qū)域，腐蝕是原圖中的高亮部分被腐蝕，效果圖擁有比原圖更小的高亮區(qū)域。從數(shù)學(xué)原理上說，膨脹就是求局部最大值，并把這個最大值賦值給參考點指定像素，這樣會使圖像中高亮區(qū)域逐漸增長，腐蝕與之相反。

22.簡述開運算的操作流程和使用場景

開運算就是先腐蝕后膨脹的過程?？梢杂脕硐∥矬w，在纖細(xì)點處分離物體，并且在平滑較大物體的邊界的同時不明顯改變其面積。

23.簡述閉運算的操作流程和使用場景

閉運算就是先膨脹后腐蝕的過程，閉運算能夠排除小型黑洞(黑色區(qū)域)。

24.簡述形態(tài)學(xué)梯度的定義和使用場景

形態(tài)學(xué)梯度是膨脹圖與腐蝕圖之差，對二值圖進(jìn)行這一操作可以將團(tuán)塊（blob）的邊緣突出出來，可以用形態(tài)學(xué)梯度來保留物體的邊緣輪廓。

25.簡述頂帽（禮帽）運算的定義和使用場景

頂帽是原圖像與開運算的結(jié)果圖之差。因為開運算的結(jié)果是放大了裂縫或者局部低亮度的區(qū)域，所以從原圖中減去開運算之后的圖，得到的效果圖突出了比原圖輪廓周圍區(qū)域更加明亮的區(qū)域。頂帽運算常用來分離比臨近點亮一些的斑塊。在一幅圖像具有大幅的背景，而微小物品比較有規(guī)律的情況下，可以使用頂帽運算進(jìn)行背景提取。

26.簡述黑帽運算的定義和使用場景

黑帽（Black Hat）運算為閉運算結(jié)果圖與原圖像之差。黑帽運算后的效果圖突出了比原圖輪廓周圍的區(qū)域更暗的區(qū)域，且這一操作和選擇的核的大小相關(guān)。所以，黑帽運算用來分離比鄰近點暗一些的斑塊。效果圖有著非常完美的輪廓。

27.簡述一下漫水填充法

漫水填充法是一種用特定的顏色填充算法填充連通區(qū)域，通過設(shè)置可連通像素的上下限以及連通方式來達(dá)到不同的填充效果的方法。漫水填充經(jīng)常用來標(biāo)記或者分離圖像的一部分進(jìn)行處理或分析。簡單說，就是自動選中和種子點相連的區(qū)域，接著將該區(qū)域替換成指定的顏色。

28.簡述一下仿射變換的定義

仿射變換，又稱仿射映射，是指在幾何中，一個向量空間進(jìn)行一次線性變換并接上一個平移，變換為另一個向量空間的過程。它保持了二維圖形的平直性（直線變換之后依然是直線）和平行性。一個任意的仿射變換都能表示為乘以一個矩陣（線性變換）接著再加上一個向量（平移）的形式。

29.簡述一些圖像金字塔的種類和區(qū)別

一般情況下有兩種類型的圖像金字塔，分別是：高斯金字塔(Gaussianpyramid): 用來向下采樣，主要的圖像金字塔；拉普拉斯金字塔(Laplacianpyramid): 用來從金字塔低層圖像重建上層未采樣圖像，在數(shù)字圖像處理中也即是預(yù)測殘差，可以對圖像進(jìn)行最大程度的還原，配合高斯金字塔一起使用。兩者的簡要區(qū)別：高斯金字塔用來向下降采樣圖像，拉普拉斯金字塔用來從金字塔低層圖形中向上采樣，重建一個圖像可以將拉普拉斯金字塔理解為高斯金字塔的逆形式。

30.簡述凸包的定義

給定二維平面上的點集，凸包就是將最外層的點連接起來構(gòu)成的凸多邊形，它能包含點集中所有的點。理解物體形狀或輪廓的一種比較有用的方法便是計算一個物體的凸包。

31.簡述反向投影的定義和使用場景

反向投影是一種記錄給定圖像中的像素點如何適應(yīng)直方圖模型像素分布的方式。簡單的講，就是首先計算某一特征的直方圖模型，然后使用模型去尋找圖像中存在的該特征。反向投影用于在輸入圖像（通常較大）中查找與特定圖像（通常較?。┳钇ヅ涞狞c或者區(qū)域，也就是定位模板圖像出現(xiàn)在輸入圖像的位置。

32.簡述harris角點檢測算法原理和使用場景

harris角點檢測時一種直接基于灰度圖像的角點提取算法，穩(wěn)定性高，尤其對于L型角點檢測精度高。但是由于采用了高斯濾波，運算速度相對比較的慢，角點信息有丟失和位置偏移的現(xiàn)象，而且角點提取有聚簇現(xiàn)象。

33.簡述一下分水嶺算法

分水嶺算法是一種圖像區(qū)域分割法，在分割的過程中，它會把跟臨近像素間的相似性作為重要的參考依據(jù)，從而將在空間位置上相近并且灰度值相近的像素點互相連接起來構(gòu)成一個封閉的輪廓，封閉性是分水嶺算法的一個重要特征。分水嶺算法常用的操作步驟：分水嶺算法常用的操作步驟：彩色圖像灰度化，然后再求梯度圖，最后在梯度圖的基礎(chǔ)上進(jìn)行分水嶺算法，求得分段圖像的邊緣線。

參考鏈接

如果覺得有用，就請分享到朋友圈吧！