计算机视觉CV：图像处理面试题.pdfVIP

计算机视觉CV：图像处理⾯试题 Canny边缘检测的流程 问题解析 Canny 的⽬标是找到⼀个最优的边缘检测算法，最优边缘检测的含义是： 好的检测- 算法能够尽可能多地标识出图像中的实际边缘。 好的定位- 标识出的边缘要尽可能与实际图像中的实际边缘尽可能接近。 最⼩响应- 图像中的边缘只能标识⼀次，并且可能存在的图像噪声不应标识为边缘。 Canny边缘检测的流程是： 图像降噪。我们知道梯度算⼦可以⽤于增强图像，本质上是通过增强边缘轮廓来实现的，也就是说是可以检测到边缘的。但是，它们受 噪声的影响都很⼤。那么，我们第⼀步就是想到要先去除噪声，因为噪声就是灰度变化很⼤的地⽅，所以容易被识别为伪边缘。 计算图像梯度，得到可能边缘。计算图像梯度能够得到图像的边缘，因为梯度是灰度变化明显的地⽅，⽽边缘也是灰度变化明显的地 ⽅。当然这⼀步只能得到可能的边缘。因为灰度变化的地⽅可能是边缘，也可能不是边缘。这⼀步就有了所有可能是边缘的集合。 ⾮极⼤值抑制。通常灰度变化的地⽅都⽐较集中，将局部范围内的梯度⽅向上，灰度变化最⼤的保留下来，其它的不保留，这样可以剔 除掉⼀⼤部分的点。将有多个像素宽的边缘变成⼀个单像素宽的边缘。即“胖边缘”变成“瘦边缘”。 双阈值筛选。通过⾮极⼤值抑制后，仍然有很多的可能边缘点，进⼀步的设置⼀个双阈值，即低阈值（low），⾼阈值（high）。灰度 变化⼤于high的，设置为强边缘像素，低于low的，剔除。在low和high之间的设置为弱边缘。进⼀步判断，如果其领域内有强边缘像 素，保留，如果没有，剔除。 答案 ⾼斯滤波 计算图像的梯度 ⾮极⼤值抑制 ⾼低阈值输出⼆值图像 问题拓展 其他的边缘检测算⼦的使⽤，⽐如sobel,scharr算⼦等 常⽤的边缘检测⽅法有哪些？ 对霍夫变换的理解 问题解析 霍夫变换常⽤来提取图像中的直线和圆等⼏何形状。它通过⼀种投票算法检测具有特定形状的物体。该过程在⼀个参数空间中通过计算累 计结果的局部最⼤值得到⼀个符合该特定形状的集合作为霍夫变换结果。 答案 针对每个像素点，使得theta从-90度到180度，使⽤极坐标p = xcos(theta) + ysin(theta) 计算得到共270组（p，theta）代表着霍 夫空间的270条直线。将这270组值存储到H中。 如果⼀组点共线，则这组点中的每个值，都会使得H（p，theta）加1。 因此找到H（p，theta）值最⼤的直线，就是共线的点最多的直线，H（p，theta）值次⼤的，是共线点次多的直线。可以根据⼀定的 阈值，将⽐较明显的线全部找出来 问题拓展问题拓展 直线检测的算法？ 请说下霍夫圆检测的原理？ 对HOG特征的理解 问题解析问题解析 HOG（Histogram of Oriented Gridients的简写）特征检测算法，⼀种解决⼈体⽬标检测的图像描述⼦，是⼀种⽤于表征图像局部梯度⽅ 向和梯度强度分布特性的描述符。其主要思想是：在边缘具体位置未知的情况下，边缘⽅向的分布也可以很好的表⽰⾏⼈⽬标的外形轮廓。 整体流程简单描述如下： 1. 将输⼊图像（你要检测的⽬标或者扫描窗⼝）灰度化，即将彩⾊图转换为灰度图 2. 颜⾊空间归⼀化：采⽤Gamma校正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，降低图像局部的阴影 和光照变化所造成的影响，同时可以抑制噪⾳的⼲扰 3. 梯度计算 ：计算图像每个像素的梯度（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. 梯度⽅向直⽅图：将图像划分成⼩cells（例如8*8像素/cell）, 统计每个cell的梯度直⽅图（不同梯度的个数），即可形成每个cell的 描述符 5. 重叠直⽅图归⼀化：将每⼏个cell组成⼀个block（例如3*3个cell/block），⼀个block内所有cell的特征descriptor串联起来便得到 该block的HOG特征描述符。 6. HOG特征：将图像image内的所有block的HOG特征描述符串联起来就可以得到该image（你要检测的⽬标）的HOG特征描述符，就 得到最终的可供分类使⽤的特征向量了 答案 HOG的主要思想是：在⼀副图像中，局部⽬标的表象和形状 （appearance and shape）能够被梯度或边缘的⽅向密度分布 （即梯度的统 计信息，⽽梯度主要位于边缘的地⽅）很好地描述。HOG特