必看！10个最新图像处理面试题，呕心沥血整理…

导读

 

图像处理应用的领域众多，和计算机视觉结合起来，或者应用到机器人及自动驾驶领域。图像处理的面试一般是偏算法岗位的，因为目前市场上没有太多的资料供大家学习。

深蓝学院根据大家的需求进行了整理，今天给大家分享图像处理第二波面试题～

面试题目

>>>图像处理第一波（1-10）点击这里查看

今天给大家分享第二波（11-20），希望能帮助到大家。

11.图像增强和图像恢复的特点？

12.Canny边缘检测的流程。

13.简介一下高斯噪声和椒盐噪声的特点。

14.简述你熟悉的聚类算法并说明其步骤。

15.说明监督学习和非监督学习的区别。

16.说明LBP特征向量提取的步骤。

17.SVM常用的核函数有哪些？

18.简述BP神经网络的基本原理。

19.描述一下分水岭算法的原理。

20.描述中值滤波算法和快速中值滤波算法的特点。

参考答案

11、图像增强和图像恢复的特点？

图像增强：利用一定的技术手段，不用考虑图像是否失真而且不用分析图像降质的原因。

针对给定图像的应用场合，有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。

图像复原：针对质量降低或者失真的图像，恢复图像原始的内容或者质量。图像复原的过程包含对图像退化模型的分析，再对退化的图像进行复原。

图像退化是由于成像系统受各种因素的影响，导致了图像质量的降低，称之为图像退化。这些因素包括传感器噪声、摄像机聚焦不佳、物体与摄像机之间的相对移动、随机大气湍流、光学系统的象差、成像光源和射线的散射等。

12.Canny边缘检测的流程。

（1）图像降噪。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。但是，它们受噪声的影响很大。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。

（2）计算图像梯度，得到可能的边缘。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。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。

（3）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，回答变化量大的保留下来，其他的不保留，这样可以剔除掉一大部分的点。将有多个像素宽的边缘编程一个单像素宽的边缘，将“胖边缘”变成“瘦边缘”。

（4）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。

13.简介一下高斯噪声和椒盐噪声的特点。

椒盐噪声就是在图像上随机出现黑色白色的像素。椒盐噪声是一种因为信号脉冲强度引起的噪声，椒盐噪声用中值滤波比较好。

原因是：

（1）椒盐噪声是幅值近似相等但是随机的分布在不同位置，图中既有污染的点，也有干净的点。

（2）图中噪声的均值不为零，所以不适合均值滤波。

（3）图中有干净的点也有污染的点，所以中值滤波可以用干净的点代替污染的点。

高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。高斯噪声用均值滤波比较好。

原因是：

（1）高斯噪声的幅值近似正态分布，但是分布在每个点上。

（2）因为所有的点都被污染所以不能中值滤波选不到正确的干净的点。

（3）因为高斯噪声服从正态分布所以均值噪声为零可以选用均值滤波处理噪声。

14.简述你熟悉的聚类算法并说明其步骤。

网格聚类：

算法思想：

这类方法的原理就是将数据空间划分为网格单元，将数据对象集映射到网格单元中，并计算每个单元的密度。根据预设的阈值判断每个网格单元是否为高密度单元，由邻近的稠密单元组形成“类”。

算法步骤：

（1）划分网格；

（2）使用网格单元内数据的统计信息对数据进行压缩表达；

（3）基于这些统计信息判断高密度网格单元；

（4）最后将相连的高密度网格单元识别为簇。

15.说明监督学习和非监督学习的区别。

监督学习和非监督学习的区别：

（1）原理不同：

监督学习是指利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程。无监督学习指根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题的过程。

（2）算法不同：

监督学习的算法是通过分析已知类别的训练数据产生的。无监督学习的算法主要有主成分分析方法、等距映射方法、局部线性嵌入方法、拉普拉斯特征映射方法、黑塞局部线性嵌入方法和局部切空间排列方法等。

（3）适用条件不同：

监督学习适用于样本数据已知的情况。非监督学习适用于无类别信息的情况。

16.说明LBP特征向量提取的步骤。

（1）首先将检测窗口划分为16×16的小区域（cell）；

（2）对于每个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，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的LBP值；

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

（4）最后将得到的每个cell的统计直方图进行连接成为一个特征向量，也就是整幅图的LBP纹理特征向量；

然后便可利用SVM或者其他机器学习算法进行分类了。

17.SVM常用的核函数有哪些？

以下是几种常用的核函数表示：线性核（Linear Kernel）多项式核（Polynomial Kernel）径向基核函数（Radial Basis Function）也叫高斯核（Gaussian Kernel），因为可以看成如下核函数的领一个种形式：径向基函数是指取值仅仅依赖于特定点距离的实值函数。

也就是任意一个满足特性的函数Φ都叫做径向量函数，标准的一般使用欧氏距离，尽管其他距离函数也是可以的。所以另外两个比较常用的核函数，幂指数核，拉普拉斯核也属于径向基核函数。

此外不太常用的径向基核还有ANOVA核，二次有理核，多元二次核，逆多元二次核。

幂指数核（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）另外一个简单实用的是Sigmoid核（Sigmoid Kernel）

以上几种是比较常用的，大部分在SVM，SVM-light以及RankSVM中可用参数直接设置。还有其他一些不常用的，如小波核，贝叶斯核，可以需要通过代码自己指定。

18.简述BP神经网络的基本原理。

BP神经网络模型处理信息的基本原理是：输入信号Xi通过中间节点（隐层点）作用于输出节点，经过非线性变换，产生输出信号Yk，网络训练的每个样本包括输入向量X和期望输出量t，网络输出值Y与期望输出值t之间的偏差。

通过调整输入节点与隐层节点的联结强度取值Wij和隐层节点与输出节点之间的联结强度Tjk以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。

此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线性转换的信息。

19.描述一下分水岭算法的原理。

（1）求取梯度图像。

（2）将梯度图像视为一个高低起伏的地形图，原图上较平坦的区域梯度值较小，构成盆地原图上的边界区域梯度值较大，构成分割盆地的山脊。

（3）水从盆地内最低洼的地方深入，随着水位不断长高，有的洼地将被连通，为防止两块洼地被连通，就在分割两者的山脊上筑起水坝，水位越长越高，水坝也越筑越高。

（4）当水坝达到最高的山脊的高度的时候，算法结束。

每一个孤立的积水盆地对应一个分割区域。

20.描述中值滤波算法和快速中值滤波算法的特点。

中值滤波是一种非线性空域滤波办法。它是能够有用按捺图画噪声，进步图画信噪比的非线性滤波技能。中值滤波首要对邻域点的灰度进行排序，然后挑选中心值作为输出灰度值。

与均值滤波器和其他线性滤波器比较，中值滤波能够很好的滤除脉冲噪声（Impulsive Noise）和椒盐噪声（Salt and Pepper Noise）。一起能够很好的维护图画边际概括的细节。

中值滤波的公式：

中值滤波的进程一般为：

（1）挑选一个（2n+1） （2n+1）的窗口（一般是3×3或许5×5），使窗口沿图画数据的行方向和列方向从左至右、从上至下沿每个像素滑动。

（2）每次滑动后，对窗口内的像素灰度进行排序，并用中心值替代窗口中心方位的像素灰度值。

快速中值滤波算法：

中值滤波算法的中心是快速求出中心灰度值。传统的排序法如冒泡法，运算量巨大。而用硬件完结不只需耗费很多的资源，并且运算速度很慢，难以满意图画体系处理的实时性要求。

本文针对巨细为3×3的窗口采用了一种快速排序算法，能够在很大程度上削减运算量，且易于用较少的硬件资源完结。