影象處理筆試面試題整理1
1、影象處理筆試面試題(1)
1.1、給定0-1矩陣,求連通域
二值影象分析最重要的方法就是連通區域標記,它是所有二值影象分析的基礎,它通過對二值影象中白色畫素(目標)的標記,讓每個單獨的連通區域形成一個被標識的塊,進一步的我們就可以獲取這些塊的輪廓、外接矩形、質心、不變矩等幾何引數。
連通域;連通區域的標記;
基於行程的標記(演算法思路明白!;程式碼實現?);基於輪廓的標記(演算法思路明白?;程式碼實現?)
2、影象處理演算法工程師面試題
2.1、常用的影象空間
RGB/CMY/HSV/HSI/YUV(YCrCb)/Lab
HSL/HSB/Ycc/XYZ
HSV和HSI區別:
a 定義:
HSV:
HSI:
b 數學模型:
HSV: HSI:
YCrCb:
YCrCb即YUV, 其中“Y”表示明亮度(Luminance或Luma),也就是灰階值;而“U”和“V” 表示的則是色度(Chrominance或Chroma),作用是描述影像色彩及飽和度,用於指定畫素的顏色。
“色度”則定義了顏色的兩個方面─色調與飽和度,分別用Cr和CB來表示。其中,Cr反映了RGB輸入訊號紅色部分與RGB訊號亮度值之間的差異。而CB反映的是RGB輸入訊號藍色部分與RGB訊號亮度值之間的差異。
採用YUV色彩空間的重要性是它的亮度訊號Y和色度訊號U、V是分離的。如果只有Y訊號分量而沒有U、V分量,那麼這樣表示的影象就是黑白灰度影象。彩色電視採用YUV空間正是為了用亮度訊號Y解決彩色電視機與黑白電視機的相容問題,使黑白電視機也能接收彩色電視訊號。
膚色YCbCr顏色空間是一種常用的膚色檢測的色彩模型,其中Y代表亮度,Cr代表光源中的紅色分量,Cb代表光源中的藍色分量。人的膚色在外觀上的差異是由色度引起的,不同人的膚色分佈集中在較小的區域內。
2.2.簡述你熟悉的聚類演算法並說明其優缺點。
1. K-Means(K均值)聚類
優點:
1)原理簡單,容易實現
2)可解釋度較強
缺點:
1)K值很難確定
2)區域性最優
3)對噪音和異常點敏感
4)需樣本存在均值(限定資料種類)
5)聚類效果依賴於聚類中心的初始化
6)對於非凸資料集或類別規模差異太大的資料效果不好
7)K-Means的缺點在於對聚類中心均值的簡單使用。
2. 均值漂移聚類
優點:(1)不同於K-Means演算法,均值漂移聚類演算法不需要我們知道有多少類/組。
(2)基於密度的演算法相比於K-Means受均值影響較小。
缺點:(1)視窗半徑r的選擇可能是不重要的。
3. 基於密度的聚類方法(DBSCAN)
密度:統計某一半徑內的點數,直到找到最大點數位置。
4. 用高斯混合模型(GMM)的最大期望(EM)聚類
相對應K-Means假設資料點是圓形的,使用高斯混合模型(GMM)做聚類首先假設資料點是呈高斯分佈的,高斯分佈(橢圓形)給出了更多的可能性。我們有兩個引數來描述簇的形狀:均值和標準差。所以這些簇可以採取任何形狀的橢圓形,因為在x,y方向上都有標準差。因此,每個高斯分佈被分配給單個簇。
5. 凝聚層次聚類
6. 圖團體檢測(Graph Community Detection)
參考:
2.3.請描述以下任一概念:SIFT/SURF LDA/PCA