参考:
Deep-Learning-Interview-Book/docs/传统图像处理.md at master · amusi/Deep-Learning-Interview-Book · GitHub
仅供参考
线性插值和双线性插值
参考:【图像处理】详解 最近邻插值、线性插值、双线性插值、双三次插值-CSDN博客
线性插值
双线性插值:三次线性插值
Sobel 算法(只适用于灰度图像)
思想:邻域的像素对当前像素产生的影响不是等价的,所以距离不同的像素具有不同的权值,对算子结果产生的影响也不同。一般来说,距离越远,产生的影响越小。
原理:通过水平和垂直两个方向的卷积核计算图像中每个像素点在水平和垂直方向上的梯度值,将两个方向上的梯度值合并然后进行阈值处理得到图像的边缘信息。
Canny 算法
思想:先找到图像中的明显边缘,然后计算图像中像素的梯度确定边缘的位置和方向。
原理:通过非最大值抑制保留局部最大梯度抑制所有其他梯度,只保留梯度变化中最锐利的位置,细化边缘。应用双阈值,一个高阈值和一个低阈值区分边缘像素。边缘像素点梯度值大于高阈值,则被认为强边缘点。如果边缘梯度值小于高阈值大于低阈值,标记为弱边缘点。小于阈值的点被抑制掉。高阈值将要提取轮廓的物体和背景区分开,决定目标与背景对比度的;低阈值用来平滑边缘的轮廓,有时高阈值设置太大,可能边缘不连续或者不够平滑,通过低阈值平滑轮廓线或者使不连续的部分连接起来。
Hough 变换原理(直线和圆检测)
通过投票算法检测具有特定形状的物体。运用两个坐标之间的变换将在一个空间中具有相同形状的曲线或直线映射到另一个坐标空间中的一个点形成峰值,从而把检测任意形状的问题转化为统计峰值问题。
二维高斯滤波能否分解成一维操作
答:可以分解。
二维高斯滤波分解为两次一维高斯滤波,高斯二维公式可以推导为X轴与Y轴上的一维高斯公式。
即使用一维高斯核先对图像逐行滤波,再对中间结果逐列滤波。
参考资料
HOG 算法(方向梯度直方图算法)
在一幅图像中,局部目标的表象和形状能够被梯度和边缘的方向密度很好描述。通过将整个图像分为多个小的连通区域(cell),计算每个cell的梯度或边缘方向直方图,这些直方图的组合可用于构成特征描述子。为提高准确率,将局部直方图在图像更大范围内(block)进行对比度归一化,方法是:先计算各个直方图在对应block中的密度,然后根据这个密度对blcok中所有的cell做归一化,归一化对光照变化和阴影具有更好的鲁棒性。
图像中的低频信息和高频信息
图像频率:图像中灰度变化剧烈程度的指标
- 低频信息(低频分量)表示图像中灰度值变化缓慢的区域,对应着图像中大块平坦的区域。
- 高频信息(高频分量)表示图像中灰度值变化剧烈的区域,对应着图像的边缘(轮廓)、噪声以及细节部分。
低频分量:主要对整幅图像强度的综合度量
高频分量:主要对图像边缘和轮廓的度量
从傅里叶变换的角度,将图像从灰度分布转化为频率分布。
参考资料
引导滤波
参考资料