计算机视觉/图像处理相关面经2

发表于 | 更新于: | 分类于 | 阅读次数: |
字数统计: 1,115字 | 阅读时长 ≈ 4分钟

均从网上搜集而来，非本人面经，这里做简单整理，本篇侧重于图像处理算法

图像去噪算法

均值滤波、高斯滤波、中值滤波..
non-local Means(非局部均值):出发点应该是借鉴了越多幅图像加权的效果越好的现象，它利用了整幅图像进行去噪。即以图像块为单位在图像中寻找相似区域，再对这些区域取平均，较好地滤除图像中的高斯噪声。它利用了整幅图像进行去噪。即以图像块为单位在图像中寻找相似区域，再对这些区域取平均，较好地滤除图像中的高斯噪声。
BM3D:过于复杂，暂时来不及看了

图像增强

线性变换、伽马变换、直方图均衡化：直方图均衡化实质上是减少图像的灰度级以换取对比度的加大。
一些边缘检测滤波算子参考本人博客：https://kevinj-huang.github.io/2019/06/10/%E5%8D%9A%E5%AE%A2143/

中值滤波python

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
def Median_filtering(image,window_size):   #image为传入灰度图像，window_size为滤波窗口大小
    high, wide = image.shape
    img = image.copy()
    mid = (window_size-1) // 2
    med_arry = []
    for i in range(high-window_size):
        for j in range(wide-window_size):
            for m1 in range(window_size):
                for m2 in range(window_size):
                    med_arry.append(int(image[i+m1,j+m2]))

            # for n in range(len(med_arry)-1,-1,-1):
            med_arry.sort()   				#对窗口像素点排序
            # print(med_arry)
            img[i+mid,j+mid] = med_arry[(len(med_arry)+1) // 2]        #将滤波窗口的中值赋给滤波窗口中间的像素点
            del med_arry[:]
    print("结束")
    cv2.imshow("Median_filtering",img)

原文链接：https://blog.csdn.net/qq_24872841/java/article/details/99679748

LBP/HOG算子

原始的LBP算子定义为在33的窗口内，以窗口中心像素为阈值，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，33领域内的8个点可产生8bit的无符号数，即得到该窗口的LBP值，并用这个值来反映该区域的纹理信息。

对一幅图像提取其原始的LBP算子之后，得到的原始LBP特征依然是“一幅图片”。直接对两幅图片提取这种LNP，并进行判别分析的话，会因为“位置没有对准”而产生很大的误差。后来，研究人员发现，可以将一幅图片划分为若干的子区域，对每个子区域内的每个像素点都提取LBP特征，然后，在每个子区域内建立LBP特征的统计直方图。如此一来，每个子区域，就可以用一个统计直方图来进行描述；整个图片就由若干个统计直方图组成

HOG基本思想是获得每个块区域的梯度直方图作为描述子，具体如下所示：
1）灰度化（将图像看做一个x,y,z（灰度）的三维图像）；
2）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）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）将图像划分成小cells（例如66像素/cell）；
5）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descriptor；
6）将每几个cell组成一个block（例如33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descriptor。
7）将图像image内的所有block的HOG特征descriptor串联起来就可以得到该image（你要检测的目标）的HOG特征descriptor了。这个就是最终的可供分类使用的特征向量了。‘

Harris角点检测

Harris 角点检测算法分为以下三步：

当窗口（小的图像片段）同时向 x 和 y 两个方向移动时，计算窗口内部的像素值变化量 ；
对于每个窗口，都计算其对应的一个角点响应函数 R；
然后对该函数进行阈值处理，如果 R > threshold，表示该窗口对应一个角点特征。

0%