精华内容
下载资源
问答
  • 矩阵理论——Smith标准型的学习

    万次阅读 2019-11-01 19:14:24
    矩阵理论研究生学习(一)lambda矩阵lambda矩阵的初等变换行列式因子Smith标准型与不变因子证明题 lambda矩阵 lambda矩阵是含有参数lambda的矩阵,其中有元素是关于lambda的多项式,故又称多项式矩阵。数字矩阵则不...

    lambda矩阵

    lambda矩阵是含有参数lambda的矩阵,其中有元素是关于lambda的多项式,故又称多项式矩阵。数字矩阵则不含有lambda,是全为数字的矩阵。
    注意,数字矩阵的行列式值是固定的,要么其可逆,要么不可逆。而lambda矩阵的行列式值通常是不固定的,为lambda的多项式,因此,有时可逆有时不可逆!那么怎么定义秩呢?岂不是多项式矩阵中的子式有时候为零有时候不为零呢?定义,不恒为零的子式的最高阶数为多项式矩阵的秩。
    实际上,我在最初看到这里时,发现书上并没有从行列式是否为零来讨论多项式矩阵A是否可逆,而是从能否再找到一个多项式矩阵B,s.t. A*B=B*A=I来说明A是否可逆的。其中的原因我后来才发现。实际上,若多项式矩阵A可逆,则A可以通过初等变换化为单位阵I。原因在后说明。
    

    lambda矩阵的初等变换

    lambda矩阵也有初等变换,
    (1)某一行和另外一行交换;或者某一列和另外一列交换。
    (2)某一行乘以非零常数;或者列。
    (3)某一行加上另外一行的f(lambda)倍;或者列。
    乍看上去,好象和数字矩阵的初等变换没什么区别,但是注意,第三条不再是另外一行的常数倍,而是lambda倍,即乘以lambda的多项式。
    千万注意,第二条不能是乘以lambda的多项式,因为改变多项式矩阵的行列式值。
    因为初等变换是单位阵“稍微变化”而来,即将Eii=1换到Eij=1,Ejj=1换到Eji=1;
    Eii=1换到Eii=k;
    或者加入Eij=lambda;
    显然这些初等变换对应的矩阵都是可逆的。这里的第三种矩阵,就说明了,即使是含有lambda的多项式矩阵,也可以是可逆的,必须对任何的lambda值,都可逆,则多项式矩阵可逆。实际上,该矩阵正是通过单位阵经过初等变换而来,因此可逆,后面还将看到,该矩阵的Smith标准型是单位阵,所以可逆;如果Smith标准型不是单位阵,则不可逆。

    行列式因子

    多项式矩阵A的所有k阶非零子式的最大公因式为A的k阶行列式因子。

    Smith标准型与不变因子

    多项式矩阵A经过有限次初等变换后,可以得到一个对角阵。元素个数为r(A)个。
    设为d(1),d(2),d(3),…,d®.满足d(i)|d(i+1)且d(i)为首一多项式(lambda最高次数项系数为1),该对角阵即为Smith标准型。
    d(1),d(2),…,d®即为不变因子

    证明题

    两个矩阵相似的充要条件是它们的特征矩阵等价

    证明:
    必要性:设A与B相似,则存在可逆矩阵P,s.t.
    在这里插入图片描述
    充分性:设A与B的特征多项式等价,则有可逆lambda矩阵
    在这里插入图片描述
    在这里插入图片描述

    展开全文
  • 线性代数标准型矩阵化简技巧

    万次阅读 2017-05-04 19:56:14
    一开始如果按照某一要求化简,感觉有些限制,不如先放开步子把容易化简化简,最后再调整成单位阵比较好。 分成两个阶段: 暴力处理 首先把容易化成0的化成0。不要管什么上(下)三角形或者梯形矩阵之类的要求,...

    一开始如果按照某一要求化简,感觉有些限制,不如先放开步子把容易化简的化简,最后再调整成单位阵比较好。
    分成两个阶段:

    1. 暴力处理

    首先把容易化成0的化成0。不要管什么上(下)三角形或者梯形矩阵之类的要求,直接把容易化成0化成0。

    1. 精细处理

    调整非0的位置。在把化成大部分0后,化简时,要注意非0的位置了,每列只能留下一个非零数,并且在每行的位置也不同,再排列顺序变成一个只有主对角线上有数字的行列式,然后乘以其倒数变成1即可。

    展开全文
  • 元素模式

    千次阅读 2014-07-30 16:34:56
    Smith(杰森.史密斯) 著 高博 凌杰 徐平平 译 ISBN 978-7-121-23468-2 2014年6月出版 定价:69.00元 364页 16开 编辑推荐 本书介绍一类全新的设计模式——元素模式(Elemental Design Pattern)。元素模式...

    元素模式(最新Jolt大奖得主彻底颠覆传统GoF设计模式的里程碑著作

    【美】Jason McC. Smith(杰森.史密斯) 著

    高博 凌杰 徐平平 译

    ISBN 978-7-121-23468-2

    2014年6月出版

    定价:69.00元

    364页

    16开

    编辑推荐

    本书介绍一类全新的设计模式——元素模式(Elemental Design Pattern)。元素模式植根于软件程序设计理论,目的却在于实践性和实用性。程序设计新手与资深开发工程师都是元素模式的目标受众。它能带领学生加入软件工业大军,也能为研究者打开新思路。

    √作者的非凡洞见被凝结为16种元素模式,其与四人帮设计模式的本质区别在于——元素模式建立在对象、字段、方法、类型这四个维度的设计空间上,让模式变得智能而鲜活,可以由所处位置直观感知其含义,不同模式间的关系同样可由位置表征。

    √本书用代码、图形(PIN箱)和代数(ρ演算)三种方式来描述设计模式,每一种都可以高效地转换为实际工作代码。

    √软工的本质即为结合抽象方法论与具体开发实践,因而本书提出的设计模式新术语、新方法,必将成为软件开发和软件工程的主流。

    √掌握书中一整套全新工具,你将对程序设计基本概念有更深入的理解,并知道它们是以怎样的方式联系和交互才产生了伟大的创意。

    内容提要

    即使是经验丰富的软件专业人士,也会发现要为其企业找到能带来实质价值的模式应用方式殊非易事。《元素模式》首次以全面的方法论介绍元素模式,给出标准的命名和描述,阐述它们的重要性,帮助人们比较和选用,充分利用模式的真正力量,将它们转化成实际的、更加简洁直接的软件实现,并得到非常不错的效果。

    对于开发工程师、设计师、架构师和分析师,《元素模式》都能提供有价值的指导,帮助他们在大多数语言、环境和问题领域使用模式。

    目录

    第1章 设计模式介绍 1

    1.1 部落神话和部落智慧 5

    1.2 艺术还是科学 9

    1.2.1 生搬硬套地对待模式 9

    1.2.2 模式和实现语言的相关性讨论10

    1.2.3 从神话到科学 12

    第2章 元素模式 13

    2.1 背景 14

    2.2 定位、动机和方法 17

    2.2.1 解析装饰器 18

    2.2.2 纵身兔穴 21

    2.2.3 语境 31

    2.2.4 设计空间 34

    2.3 核心EDP 44

    2.4 结论 45

    第3章 模式实例记法 47

    3.1 基本原理 47

    3.2 PIN 箱 51

    3.2.1 简易PIN 箱 52

    3.2.2 标准PIN 箱 54

    3.2.3 扩展PIN 箱 58

    3.2.4 堆叠PIN 箱与多重性 61

    3.2.5 剥离和合并 65

    3.3 结论 69

    第4章 EDP的运用 71

    4.1 模式的组成 71

    同位素 76

    4.2 改造装饰器 81

    4.3 重构 96

    4.4 大局观 108

    4.5 为什么需要阅读附录 114

    4.6 高级主题 115

    4.6.1 重点文档与培训 115

    4.6.2 指标 116

    4.6.3 程序化分析 119

    4.7 结论 119

    第5章 EDP编目 121

    创建对象 123

    检索 132

    继承 136

    抽象接口 145

    委托 151

    重定向 157

    集聚 165

    递归 171

    归复方法 178

    扩展方法 187

    委托型集聚 193

    重定向型递归 199

    信托型委托 206

    信托型重定向 215

    表亲信托型委托 222

    表亲信托型重定向 229

    第6章 中间模式结构 237

    实现方法 239

    检索型创建 243

    检索型共享 248

    对象标识符 253

    对象递归 260

    第7章 GoF设计模式构成 269

    7.1 创建型模式 270

    7.1.1 抽象工厂 270

    7.1.2 工厂方法 274

    7.2 结构型模式 278

    7.2.1 装饰器 278

    7.2.2 代理 282

    7.3 行为型模式 284

    7.3.1 职责链 284

    7.3.2 模板方法 286

    7.4 结论 291

    附录 ρ演算 293

    A.1 依赖运算符 294

    A.2 传递律和同位素 297

    A.3 相似性 298

    A.4 EDP 形式化 299

    A.5 组合及化简规则 303

    A.6 模式实例记法和角色 306

    A.7 EDP 定义 307

    A.7.1 创建对象 307

    A.7.2 检索 308

    A.7.3 继承 310

    A.7.4 抽象接口 310

    A.7.5 委托 311

    A.7.6 重定向 312

    A.7.7 集聚 312

    A.7.8 递归 313

    A.7.9 归复方法 313

    A.7.10 扩展方法 314

    A.7.11 委托型集聚 315

    A.7.12 重定向型递归 315

    A.7.13 信托型委托 316

    A.7.14 信托型重定向 317

    A.7.15 表亲信托型委托 318

    A.7.16 表亲信托型重定向 319

    A.8 中间模式定义 320

    A.8.1 实现方法 320

    A.8.2 检索型创建 321

    A.8.3 检索型共享 322

    A.8.4 对象标识符 323

    A.8.5 对象递归 324

    A.9 GoF 设计模式定义 325

    A9.1 抽象工厂 325

    A9.2 工厂方法 326

    A9.3 装饰器 328

    A9.4 代理 329

    A9.5 职责链 330

    A9.6 模板方法 331

    参考文献 333

    作者简介

    作者简介:Jason McC. Smith,2005 年毕业于北卡罗莱纳州立大学教堂山分校,获计算机科学博士学位。该校也是元素模式的诞生地,元素模式当时是模式查询和识别系统(System for Pattern Query and Recognition,SPQR)项目的组成部分。Smith 博士因其在校的研究项目而荣获两项美国国家专利,一项与SPQR 所采用的技术相关,另一项则来自 FaceTop 分布式文档协作系统。

    此前,Smith 博士在物理仿真工程和咨询界工作过多年,取得了华盛顿州立大学的物理学和数学学士学位,值得一提的项目包括声纳和海洋环境仿真、电子工程仿真、商用和军用飞机飞行仿真,以及实时图形训练系统等。

    在 IBM 沃森研究中心工作的四年,使 Smith 博士有机会将从 SPQR 和EDP 目录中获得的经验加以组织,并应用到大量的软件实体中,包括遗留系统和现代系统。

    Smith博士现在供职于华盛顿州柯克兰市的TheSoftware Revolution公司,任资深研究科学家。在那里,他持续地优化 EDP 目录,并寻找各种方法来推进公司在自动控制现代化及遗留系统改造方面的业务目标。

    译者简介:高博,1983年生,毕业于上海交通大学。目前在EMC中国卓越研发集团任首席工程师,在信息科学和工程领域有近15年实践和研究经验。酷爱读书和写作,业余研究兴趣涉猎广泛。译著包括图灵奖作者高德纳的《研究之美》和布鲁克斯的《设计原本》,以及《信息简史》等。近年来,出版翻译作品近百万字。

    媒体评论

    读完本书映入我脑海的是电影《2001 太空漫游》(2001: A SpaceOdyssey)中的一个精彩场景。

    在已遭遗弃的飞船“发现号”上度过了几个月,并把失控的超级电脑Hal 制服以后,David Bowman 博士来到一块巨石前,然后被带到了一个崭新的世界。他留给地球的最后一句话是:“满目皆星辰!”

    软件密集型系统就是我们通过脑力劳动创造出来的崭新世界。Bowman看到的世界由原子构成,所以满目皆星辰 ;而我们的这个新世界由比特构成,所以——满目皆模式。

    无论是有意栽花还是无心插柳,所有结构良好的软件密集型系统都用到了各种模式。识别系统中的模式,在分析系统时有助于提升抽象的水平;而在系统中运用模式,则有助于让系统变得更有秩序、优雅和简单。以我个人的经验来看,过去的二十多年来,模式是软件工程中最为重要的进步之一。

    我有幸与 Jason 共事,从事改进 SPQR 的工作,容我向你们保证,他对模式实践背后的思想演进做出了巨大的贡献。本书有助于你打开有关模式的全新思路,将模式应用于自己所创造和维护的软件中,并促进其改进。如果你对模式还比较陌生,这本书是极好的入门读物;如果你已经熟悉模式,我希望你能温故而知新。我本人就受益良多。

                                      ——Grady Booch  IBM 院士

    前言

    本书介绍了一类全新的设计模式,称为元素模式(ElementalDesignPattern),其为软件工程设计模式的研究和应用打下了基础。元素模式深深植根于软件程序设计理论的研究,但其目的却在于实践性和实用性。从程序设计的新手,到资深的开发工程师,都是元素模式的目标受众。它能够带领学生加入软件工业的大军,也能够为研究者打开新的思路。

    一言以蔽之,本书的写作目的在于为人所用。

    读毕掩卷之时,你将在工具箱中收获一整套全新的工具,你将对日常的程序设计基本概念有更深入的理解,并知道它们是以怎样的方式联系和交互才产生了伟大的创意。元素模式,简称EDP,是一组基础的程序设计思想,我们本能地使用它们,而几乎不会去反思。但本书给予了它们正式的描述和标准的名字,以便在讨论时使用。本书还提供了一个框架来保证概念的一致性,并针对它们各自的特点加以比较。如果你是一个刚入学的学生,你将会了解到,如雨后春笋般涌现的设计模式文献并非要么全盘接受、要么全盘弃用的铁板一块,而是可以分解为若干片段来逐个取用、采用科学的方法论来一点点地理解的鸿篇巨著。如果你早已是软件设计和模式方面的行家里手,也仍然可以找到研究老办法的新视角,并发现我们这个行业里的新机会。

    本书假定你对于设计模式领域曾多少有过一些了解和熟悉,但并未深度应用或研究过。仅仅知道存在这么一个领域,并对其有一些道听途说的认知,已经足够开展我们的讨论。本书并不期望你有程序设计理论或语言设计的背景,甚至不要求你精通一门面向对象的程序设计语言,只要你心怀渴望,想要学习软件设计的辩证思维即可。在本书中这些主题会有所涉及,但相关论述只能作为借助参考文献深入了解相关主题的出发点。本书将采用统一建模语言(Unified Modeling Language,UML)来描述一些小例子,如果你还不了解UML,请参考[20] 或[33]。你需要有一点点程序设计基础,面向过程或面向对象皆可,最好是后者,但这并不是必需的——本书内容已经把面向对象程序设计必知必会的信息打包成易于理解的模块了。经验丰富的面向对象程序开发工程师亦会有惊喜,发现自认为早已掌握的概念仍有新意,从而提升自己对于面向对象程序设计的整体认识。

    许多程序员都把“设计模式社区”看作一个专家怪人的群体,认为自己并非其中一员。通过带给你新的视角,让你认识到设计模式是怎么来的,本书应该能说服你接受如下观点,即每一位程序员都是设计模式社区的一员,无论其自觉与否。每一位程序员在写下每一行代码的时候,都在运用设计模式,无论其是否这样去想。正因如此,有些选项近在眼前却被人弃如草芥。设计模式是一种共享的概念空间,我们在其中编织自己的电子梦想,并由此改变世界。是时候给出一张标识地界的地图了,这样我们才能更好地工作和享受。

    遵循Gang of Four(GoF)[21] 树立的典范,本书亦分为两部分。前半部分讲述了本书为何而写,为谁而写,解释了什么是EDP,它源自何处,为何重要。该部分阐述的是基本理论,是EDP 背后的“为什么”。该部分还介绍了模式实例记法(Pattern Instance Notation),这是一种能和各种粒度级别上的模式协同工作的图表系统。前半部分的收尾章节讨论了如何使用EDP 来构建更大尺度的设计模式,以及如何与其协同工作。后半部分则是设计模式的大阅兵,以EDP为起点,通过案例来讲述它们如何以组合方式形成过渡模式,最后从EDP 组合的视角重新审视了若干GoF 设计模式。这里讲述的EDP 只是全部EDP 目录的一部分,只是首轮被定义和描述的基础模式集合。软件工程社区将不断地定义和精化更多的EDP,只要它们背后的概念能够生根发芽。我们期待你能参与其中。

    热烈欢迎你的加入!

     

    展开全文
  • 重拾图形图像处理 ---- 笔试题

    千次阅读 2020-11-30 17:00:38
    (10分) 符号 a1 a2 a3 a4 a5 a6 概率 0.1 0.4 0.06 0.1 0.04 0.3 解:霍夫曼编码: 霍夫曼化简后的信源编码: 从最小的信源开始一直到原始的信源 编码的平均长度: 3、理想低通滤波器的截止频率选择不恰当时,会有...

    一、填空题(每题1分,共15分)

    1、列举数字图像处理的三个应用领域 医学        、天文学        军事              

    2、存储一幅大小为1024*1024,256个灰度级的图像,需要  8M     bit。

    3、亮度鉴别实验表明,韦伯比越大,则亮度鉴别能力越  差

    4、直方图均衡化适用于增强直方图呈   尖峰   分布的图像。

    5、依据图像的保真度,图像压缩可分为   无损压缩    有损压缩    

    6、图像压缩是建立在图像存在 编码冗余    像素间冗余  心理视觉冗余  三种冗余基础上。

    7、对于彩色图像,通常用以区别颜色的特性是 色调     、 饱和度

        亮度   

    8、对于拉普拉斯算子运算过程中图像出现负值的情况,写出一种标定方法:

                              

    二、选择题(每题2分,共20分)

    1、采用幂次变换进行灰度变换时,当幂次取大于1时,该变换是针对如下哪一类图像进行增强。( B )

    A 图像整体偏暗             B 图像整体偏亮   

    C图像细节淹没在暗背景中   D图像同时存在过亮和过暗背景

    2、图像灰度方差说明了图像哪一个属性。( B   )

    A 平均灰度                 B 图像对比度   

    C 图像整体亮度             D图像细节

    3、计算机显示器主要采用哪一种彩色模型(  A   )

        A、RGB     B、CMY或CMYK    C、HSI      D、HSV

    4、采用模板[-1   1]T主要检测( A  )方向的边缘。

    A.水平     B.45°         C.垂直    D.135°

    5、下列算法中属于图象锐化处理的是:(  C   )

    A.低通滤波   B.加权平均法   C.高通滤波  D. 中值滤波

    6、维纳滤波器通常用于(  C   )

       A、去噪    B、减小图像动态范围     C、复原图像     D、平滑图像

    7、彩色图像增强时,     C       处理可以采用RGB彩色模型。

    A. 直方图均衡化      B. 同态滤波      

    C. 加权均值滤波      D. 中值滤波

    8、__B__滤波器在对图像复原过程中需要计算噪声功率谱和图像功率谱。

    A. 逆滤波      B. 维纳滤波     

    C. 约束最小二乘滤波      D. 同态滤波

    9、高通滤波后的图像通常较暗,为改善这种情况,将高通滤波器的转移函数加上一常数量以便引入一些低频分量。这样的滤波器叫     B        

    A. 巴特沃斯高通滤波器                B. 高频提升滤波器      

    C. 高频加强滤波器                        D. 理想高通滤波器

    10、图象与灰度直方图间的对应关系是  B  __

    A.一一对应     B.多对一       C.一对多       D.都不

     

    三、判断题(每题1分,共10分)

    1、马赫带效应是指图像不同灰度级条带之间在灰度交界处存在的毛边现象。( √  )

    2、高斯低通滤波器在选择小的截止频率时存在振铃效应和模糊现象。(  ×   )

    3、均值平滑滤波器可用于锐化图像边缘。( ×  )

    4、高频加强滤波器可以有效增强图像边缘和灰度平滑区的对比度。( √  )

    5、图像取反操作适用于增强图像主体灰度偏亮的图像。( ×  )

    6、彩色图像增强时采用RGB模型进行直方图均衡化可以在不改变图像颜色的基础上对图像的亮度进行对比度增强。(  ×  )

    7、变换编码常用于有损压缩。(  √  )

    8、同态滤波器可以同时实现动态范围压缩和对比度增强。(  √   )

    9、拉普拉斯算子可用于图像的平滑处理。( × )

    10、当计算机显示器显示的颜色偏蓝时,提高红色和绿色分量可以对颜色进行校正。(   √   )

     

    四、简答题(每题5分,共20分)

    1、逆滤波时,为什么在图像存在噪声时,不能采用全滤波?试采用逆滤波原理说明,并给出正确的处理方法。

    复原由退化函数退化的图像最直接的方法是直接逆滤波。在该方法中,用退化函数除退化图像的傅立叶变换来计算原始图像的傅立叶变换。

     

    由上式可以看到,即使我们知道退化函数,也可能无法准确复原未退化的图像。因为噪声是一个随机函数,其傅氏变换未知。当退化为0或非常小的值,N(u,v)/H(u,v)之比很容易决定的值。一种解决该问题的方法实现值滤波的频率时期接近原点值。

    2、当在白天进入一个黑暗剧场时,在能看清并找到空座位时需要适应一段时间,试述发生这种现象的视觉原理。

    答:人的视觉绝对不能同时在整个亮度适应范围工作,它是利用改变其亮度适应级来完成亮度适应的。即所谓的亮度适应范围。同整个亮度适应范围相比,能同时鉴别的光强度级的总范围很小。因此,白天进入黑暗剧场时,人的视觉系统需要改变亮度适应级,因此,需要适应一段时间,亮度适应级才能被改变。

    3、简述梯度法与Laplacian算子检测边缘的异同点

    答:梯度算子和Laplacian检测边缘对应的模板分别为

    (梯度算子)                   (Laplacian算子)           (2分)

     

    梯度算子是利用阶跃边缘灰度变化的一阶导数特性,认为极大值点对应于边缘点;而Laplacian算子检测边缘是利用阶跃边缘灰度变化的二阶导数特性,认为边缘点是零交叉点。

        相同点都能用于检测边缘,且都对噪声敏感。(1分)

    4、将高频加强和直方图均衡相结合是得到边缘锐化和对比度增强的有效方法。上述两个操作的先后顺序对结果有影响吗?为什么?

    答:有影响,应先进行高频加强,再进行直方图均衡化。

    高频加强是针对通过高通滤波后的图像整体偏暗,因此通过提高平均灰度的亮度,使图像的视觉鉴别能力提高。再通过直方图均衡化将图像的窄带动态范围变为宽带动态范围,从而达到提高对比度的效果。若先进行直方图均衡化,再进行高频加强,对于图像亮度呈现较强的两极现象时,例如多数像素主要分布在极暗区域,而少数像素存在于极亮区域时,先直方图均衡化会导致图像被漂白,再进行高频加强,获得的图像边缘不突出,图像的对比度较差。

    五、问答题(共35分)

    1、设一幅图像有如图所示直方图,对该图像进行直方图均衡化,写出均衡化过程,并画出均衡化后的直方图。若在原图像一行上连续8个像素的灰度值分别为:0、1、2、3、4、5、6、7,则均衡后,他们的灰度值为多少?

    (15分)

     

    答:①,k=0,1,…7,用累积分布函数(CDF)作为变换函数T[r]处理时,均衡化的结果使动态范围增大。

     

     

     

     

     

     

     

    r0=0

    0.174

    0.174

    1/7

    s0=1/7

    0.174

    r1=1/7

    0.088

    0.262

    2/7

     

     

    r2=2/7

    0.086

    0.348

    2/7

    s1=2/7

    0.174

    r3=3/7

    0.08

    0.428

    3/7

     

     

    r4=4/7

    0.068

    0.496

    3/7

    s2=3/7

    0.148

    r5=5/7

    0.058

    0.554

    4/7

     

     

    r6=6/7

    0.062

    0.616

    4/7

    s3=4/7

    0.120

    r7=1

    0.384

    1

    1

    s4=1

    0.384

    ②均衡化后的直方图:

     

    ③0、1、2、3、4、5、6、7均衡化后的灰度值依次为1、2、2、3、3、4、4、7

    2、对下列信源符号进行Huffman编码,并计算其冗余度和压缩率。(10分)

    符号

    a1

    a2

    a3

    a4

    a5

    a6

    概率

    0.1

    0.4

    0.06

    0.1

    0.04

    0.3

    解:霍夫曼编码:

    霍夫曼化简后的信源编码:

    从最小的信源开始一直到原始的信源

     

    编码的平均长度:

     

     

    3、理想低通滤波器的截止频率选择不恰当时,会有很强的振铃效应。试从原理上解释振铃效应的产生原因。(10分)

    答:理想低通滤波器(频域)的传递函数为:

     


     

    1、给定 0-1 矩阵,求连通域。

    https://blog.csdn.net/lxy_2011/article/details/78852414

    2、写一个函数,求灰度图的直方图。

     

    3、写一个均值滤波中值滤波

     

     

    4、写出高斯算子,Sobel 算子,拉普拉斯算子等,以及它们梯度方向上的区别。

     

    sobel 算子

    索贝尔算子(Sobeloperator)主要用作边缘检测,在技术上,它是一离散性差分算

    子,用来运算图像亮度函数的灰度之近似值。在图像的任何一点使用此算子,将会产生对应的灰度矢量或是其法矢量

     

    拉普拉斯算子

    Laplace 算子和 Sobel 算子一样,属于空间锐化滤波操作。起本质与前面的 Spatial Filter 操作大同小异,下面就通过 Laplace 算子来介绍一下空间锐化滤波,并对 OpenCV 中提供的 Laplacian 函数进行一些说明。

    • 数学原理

    离散函数的导数退化成了差分,一维一阶差分公式和二阶差分公式分别为

     

     

    5、常用的特征提取方法。

     

    1. SIFT尺度不变特征变换

     

    • SIFT 特征提取的实质

    在不同的尺度空间上查找关键点(特征点),并计算出关键点的方向。SIFT 所查找到的关键点是一些十分突出、不会因光照、仿射变换和噪音等因素而变化的点,如角点、边缘点、暗区的亮点及亮区的暗点等。

    • SIFT 特征提取的方法
      1. 构建 DOG 尺度空间:

     

    模拟图像数据的多尺度特征,大尺度抓住概貌特征,小尺度注重细节特征。通过构建高斯金字塔每一层用不同的参数σ做高斯模糊加权)),保证图像在任何尺度都能有对应的特征点,即保证尺度不变性

    关键点搜索和定位:

    确定是否为关键点,需要将该点与同尺度空间不同σ值的图像中的相邻点比较,如果该点为 max min,则为一个特征点。找到所有特征点后,要去除低对比度和不稳定的边缘效应的点,留下具有代表性的关键点比如,正方形旋转后变为菱形,如果用边缘做识别,4 条边就完全不一样,就会错误;如果用角点识别,则稳定一些。去除这些点的好处是增强匹配的抗噪能力和稳定性。最后,对离散的点做曲线拟合,得到精确的关键点的位置和尺度信息。

    方向赋值:

    为了实现旋转不变性,需要根据检测到的关键点的局部图像结构为特征点赋值。具体做法是用梯度方向直方图。在计算直方图时,每个加入直方图的采样点都使用圆形高斯函数进行加权处理,也就是进行高斯平滑。这主要是因为 SIFT 算法只考虑了尺度和旋转不变形,没有考虑仿射不变性。通过高斯平滑,可以使关键点附近的梯度幅值有较大权重,从而部分弥补没考虑仿射不变形产生的特征点不稳定。注意,一个关键点可能具有多个关键方向,这有利于增强图像匹配的鲁棒性

    ​​​​​​​关键点描述子的生成:

    关键点描述子不但包括关键点,还包括关键点周围对其有贡献的像素点。这样可使关键有更多的不变特性,提高目标匹配效率。在描述子采样区域时,需要考虑旋转后进行双线性插值,防止因旋转图像出现白点。同时,为了保证旋转不变性,要以特征点为中心,在附近领域内旋转θ角,然后计算采样区域的梯度直方图,形成 n SIFT 特征矢量(如  128-SIFT。最后,为了去除光照变化的影响,需要对特征矢量进行归一化处理。

    • SIFT 特征提取的优点

    1SIFT 特征是图像的局部特征,其对旋转、尺度缩放、亮度变化保持不变性,对视角变化、仿射变换、噪声也保持一定程度的稳定性;

    2、独特性(Distinctiveness)好,信息量丰富,适用于在海量特征数据库中进行快速、准确的匹配;

    3、多量性,即使少数的几个物体也可以产生大量的 SIFT 特征向量;高速性,经优化的 SIFT 匹配算法甚至可以达到实时的要求;

    4、可扩展性,可以很方便的与其他形式的特征向量进行联合;

    5、需要较少的经验主义知识,易于开发。

     

    SIFT 特征提取的缺点

    1、实时性不高,因为要不断地要进行下采样和插值等操作;

    2、有时特征点较少(比如模糊图像

    3、对边缘光滑的目标无法准确提取特征(比如边缘平滑的图像,检测出的特征点过少,对圆更是无能为力

    • SIFT 特征提取可以解决的问题:

    目标的自身状态、场景所处的环境和成像器材的成像特性等因素影响图像配准/目标识别跟踪的性能。而 SIFT 算法在一定程度上可解决:

     

    目标的旋转、缩放、平移(RST

    图像仿射/投影变换(视点 viewpoint) 光照影响(illumination

    目标遮挡(occlusion杂物场景(clutter

    噪声

     

    • HOG方向梯度直方图
    • HOG 特征提取的实质

    通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog 特征结合 SVM 分类器已经被广泛应用于图像识别中,尤其在行人检测中获得了极大的成功。

    • HOG 特征提取的方法

    1、灰度化;

    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 6*6 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 

    descriptor

    6、将每几个 cell 组成一个 block例如 3*3  cell/block,一个 block 内所有 cell

    的特征 descriptor 串联起来便得到该 block HOG 特征 descriptor

    7、将图像 image 内的所有 block 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。

     

    6、常用的目标检测方法。

    • 滑动窗口目标检测
    • R-CNN 系列 - Two Stage 目标检测算法

    1R-CNN

    2Fast R-CNN

    3Faster R-CNN R-FCN

    YOLOSSD - One Stage 目标检测算法

    1 YOLO You Only Look Once

    2SSD Single Shot MultiBox Detector

     

    7、常用的边缘提取方法。

     Canny 算子边缘检测

    Canny 边缘检测算法基于一个多阶边缘算子,是由 John F. Canny 1986 年首先提出的[46],他不但给出了边缘检测的方法,也提出了边缘检测的计算理论。Canny

    Sobel 算子边缘检测同上

    8、常用的插值方法。

    最邻近元法

    双线性内插法

    三次内插法

    9、常用的图像分割算法。

    基于阈值的分割方法

    灰度阈值分割法是一种最常用的并行区域技术,它是图像分割中应用数量最多的一类。

    其中 T 为阈值;对于物体的图像元素, g(i, j) =1,对于背景的图像元素g(i, j) =0

    • 基于边缘的分割方法

    基于边缘的分割方法是指通过边缘检测,即检测灰度级或者结构具有突变的地方,确定一个区域的终结,即另一个区域开始的地方。不同的图像灰度不同,边界处一般有明显的边缘,利用此特征可以分割图像。

    • 基于小波变换的分割方法

    基于小波变换的阈值图像分割方法的基本思想是首先由二进小波变换将图像的直方图分解为不同层次的小波系数,然后依据给定的分割准则和小波系数选择阈值门限,最后利用阈值标出图像分割的区域。整个分割过程是从粗到细,由尺度变化来控制,即起始分割由粗略的 L2(R)子空间上投影的直方图来实现,如果分割不理想,则利用直方图在精细的子空间上的小波系数逐步细化图像分割。分割算法的计算会与图像尺寸大小呈线性变化。

    • 基于神经网络的分割方法

    近年来,人工神经网络识别技术已经引起了广泛的关注,并应用于图像分割。基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数,然后用决策函数对像素进行分类来达到分割的目的。这种方法需要大量的训练数据。神经网络存在巨量的连接,容易引入空间信息,能较好地解决图像中的噪声和不均匀问题。选择何种网络结构是这种方法要解决的主要问题。

    10、写一个图像 resize 函数(放大和缩小

    11、彩色图像、灰度图像、二值图像和索引图像区别?(索引图像到底是啥?)

    • 彩色图像:每个像素由 RGB 三个分量表示,每个通道取值范围 0~255。数据类型一般为 8 位无符号整形。
    • 灰度图像:每个像素只有一个采样颜色的图像,这类图像通常显示为从最暗黑色到最亮的白色的灰度。
    • 二值图像(黑白图像:每个像素点只有两种可能,0  1.0 代表黑色,1 代表白色。数据类型通常为 1 个二进制位。
    • 索引图像,即它的文件结构比较复杂,除了存放图像的二维矩阵外,还包括一个称之颜色索引矩阵 MAP 的二维数组。MAP 的大小由存放图像的矩阵元素值域决定,如矩阵元素值域为[0255],则 MAP 矩阵的大小为 2563,用 MAP=[RGB]表示。MAP 中每一行的三个元素分别指定该行对应颜色的红、绿、蓝单色值,MAP 中每一行对应图像矩阵像素的一个灰度值,如某一像素的灰度值为 64,则该像素就与 MAP 中的第64 行建立了映射关系,该像素在屏幕上的实际颜色由第 64 行的[RGB]组合决定。也就是说,图像在屏幕上显示时,每一像素的颜色由存放在矩阵中该像素的灰度值作为索引通过检索颜色索引矩阵 MAP 得到。索引图像的数据类型一般为 8 位无符号整形

    int8,相应索引矩阵 MAP 的大小为 2563,因此一般索引图像只能同时显示 256种颜色,但通过改变索引矩阵,颜色的类型可以调整。索引图像的数据类型也可采用双精度浮点型double。索引图像一般用于存放色彩要求比较简单的图像,如 Windows中色彩构成比较简单的壁纸多采用索引图像存放,如果图像的色彩比较复杂,就要用RGB 真彩色图像。

    12、深度学习中目标检测的常用方法,异同

     

    13、给定摄像头范围和图像大小求分辨率。

     

    14、如何检测图片中的汽车,并识别车型,如果有遮挡怎么办?

     

    15、数字识别的流程。

     

    16、介绍神经网络、SVMAdaBoostkNN…(每一个都可能深入问各种细节)

     

    17、写梯度下降代码。

     

    18、卷积神经网络与神经网络的区别。

    以图片为例,神经网络是将图片的所有像素点作为输入然后训练网络模型进行预测,而卷积神经网络则是先通过不同的卷积核对原始图像进行卷积提取特征,然后池化,然后反复这样的操作最后提取能够标识图片特征的像素点,最后将这些能够代表图片特征的像素点作为神经网络的输入进行预测。

    19、卷积层的作用、pooling 层的作用,全连接层的作用。

    fc:

    1分类器的作用。对前层的特征进行一个加权和卷积层是将数据输入映射到隐层特征空间)将特征空间通过线性变换映射到样本标记空间(也就是 label

    21*1 卷积等价于 fc;跟原 feature map 一样大小的卷积也等价于 fc,也就是输入是一5*3*3 feature map,用一个 3x3x5 的卷积去计算就是 fc 

    3、全连接层参数冗余,用 global average pooling 替代。在 feature map 每个channel 上使用 gap,然后得到 channel 个结果,分别对应相应的类别的 confidence score,最后输入给 softmax。这样做减少参数,防止过拟合。

       4、迁移学习中,目标域和源域差别较大,不用 fc 的网络比用 fc 的网络效果差

    5、卷积层本来就是全连接的一种简化形式:不全连接+参数共享,按照局部视野的启发, 把局部之外的弱影响直接抹为零影响,同时还保留了空间位置信息。这样大大减少了参数并且使得训练变得可控。

    6fc 利用的是上一层所有输入来计算,抛弃了卷积层不同位置的权值共享。对它来说, 输入的不同位置出现同一个 pattern 是不等价的,因此不适合用于输出对于每个位置寻找类似 pattern task,比如 segmentationedge detection 以及 end-to-end object detection 等等,而比较适合用于 classification

    conv 1.相当于一个特征提取器来提取特征

         2.提供了位置信息

         3.减少了参数个数pooling1.提取特征

         2.减少参数

    激活函数:增加网络的非线性表达能力

    20、过拟合和欠拟合分别是什么,如何改善。

     

    211x1 卷积和的作用。

    1*1 卷积等价于 fc;跟原 feature map 一样大小的卷积也等价于 fc

     

    22、计算卷积神经网络某一层参数量。

    22opencv 遍历像素的方式?

    1. 使用 at<typename>(i,j)
    2. 使用指针来遍历(更高效比第一个)
    3. 采用.data 进行遍历(更高效比第一个)

    23LBP 原理?

    主要思想:原始的 LBP 算子定义在像素 3*3 的邻域内,以邻域中心像素为阈值,相邻的 8 个像素的灰度值与邻域中心的像素值进行比较,若周围像素大于中心像素值,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 个点经过比较可产生 8 位二进制数, 将这 8 位二进制数依次排列形成一个二进制数字,这个二进制数字就是中心像素的 LBP 值,

    LBP 值共有 2828 种可能,因此 LBP 值有 256 种。中心像素的 LBP 值反映了该像素周围区域的纹理信息。 (备注:计算 LBP 特征的图像必须是灰度图,如果是彩色图,需要先转换成灰度图。)

    24HOG 特征计算过程,还有介绍一个应用 HOG 特征的应用?

    1HOG 特征:

    方向梯度直方图(Histogram of Oriented Gradient, HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog 特征结合 SVM 分类器已经被广泛应用于图像识别中,尤其在行人检测中获得了极大的成功。需要提醒的是,HOG+SVM 进行行人检测的方法是法国研究人员 Dalal 2005 CVPR 上提出的,而如今虽然有很多行人检测算法不断提出, 但基本都是以 HOG+SVM 的思路为主。

     

    1. 主要思想:

    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很好地描述。(本质:梯度的统计信息,而梯度主要存在于边缘的地方)。

    1. 具体的实现方法是:

    首先将图像分成小的连通区域,我们把它叫细胞单元。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来就可以构成特征描述器。

    1. 提高性能:

    把这些局部直方图在图像的更大的范围内(我们把它叫区间或 block)进行对比度归一化

    contrast-normalized),所采用的方法是:先计算各直方图在这个区间(block)中的密度,然后根据这个密度对区间中的各个细胞单元做归一化。通过这个归一化后,能对光照变化和阴影获得更好的效果。

    1. 优点:

    与其他的特征描述方法相比,HOG 有很多优点。首先,由于 HOG 是在图像的局部方格单元上操作,所以它对图像几何的和光学的形变都能保持很好的不变性,这两种形变只会出现在更大的空间领域上。其次,在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件下,只要行人大体上能够保持直立的姿势,可以容许行人有一些细微的肢体动作,这些细微的动作可以被忽略而不影响检测效果。因此 HOG 特征是特别适合于做图像中的人体检测的。

     

    2HOG 特征提取算法的实现过程: 大概过程:

    HOG 特征提取方法就是将一个 image(你要检测的目标或者扫描窗口): 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。

    1. 将图像划分成小 cells例如 6*6 像素/cell);
    2. 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 descriptor6将每几个 cell 组成一个 block例如 3*3 cell/block),一个 block 内所有 cell 特征 descriptor 串联起来便得到该 block HOG 特征 descriptor

    7将图像 image 内的所有 block HOG 特征 descriptor 串联起来就可以得到该image(你要检测的目标)HOG 特征 descriptor 了。这个就是最终的可供分类使用的特征向量了。

     

     

    25opencv 里面 mat 有哪些构造函数?

    • 创建 Mat

    1、无参构造方法: Mat::Mat()

    2、创建行数为 rows,列为 col,类型为 type 的图像(图像元素类型,如 CV_8UC3 ) Mat::Mat(int rows, int cols, int type)

     

    3、创建大小为 size,类型为 type 的图像

    Mat::Mat(Size size, int type)

    4、创建行数为 rows,列数为 col,类型为 type 的图像,并将所有元素初始化为值 s Mat::Mat(int rows, int cols, int type, const Scalar& s)

    5、创建大小为 size,类型为 type 的图像,并将所有元素初始化为值 s Mat::Mat(Size size, int type, const Scalar& s)

    6、将 m 赋值给新创建的对象,此处不会对图像数据进行复制,m 和新对象 共用图像数据

    Mat::Mat(const Mat& m)

    7、创建行数为 rows,列数为 col,类型为 type 的图像,此构造函数不创建图像数据所需内存,而是直接使用 data 所指内存,图像的行步长由 step 指定

    Mat::Mat(int rows, int cols, int type, void* data, size_t step=AUTO_STEP) 8、创建大小为 size,类型为 type 的图像,此构造函数不创建图像数据所需内存,而是直接使用 data 所指内存,图像的行步长由 step 指定

    Mat::Mat(Size size, int type, void* data, size_t step=AUTO_STEP)

    9、创建的新图像为 m 的一部分,具体的范围由 rowRange colRange 指定,此构造函数也不进行图像数据的复制操作,新图像与 m  共用图像数据Mat::Mat(const Mat& m, const Range& rowRange, const Range& colRange)

    10、创建的新图像为 m 的一部分,具体的范围 roi 指定,此构造函数也不进行图像数据的复制操作,新图像与 m 共用图像数据

    Mat::Mat(const Mat& m, const Rect& roi)

    • Mat 中相关成员的意义

    1data

    Mat 对象中的一个指针,指向存放矩阵数据的内存(uchar* data) 2dims

    矩阵的维度,3*4 的矩阵维度为 2 维,3*4*5 的矩阵维度为 3

    3channels

    矩阵通道,矩阵中的每一个矩阵元素拥有的值的个数,比如说 3 * 4 矩阵中一共 12 个元素,如果每个元素有三个值,那么就说这个矩阵是 3 通道的,即 channels = 3。常见的是一张彩色图片有红、绿、蓝三个通道。

    4depth

    深度,即每一个像素的位数,也就是每个通道的位数。在 opencv Mat.depth()中得到的是一个 0 – 6 的数字,分别代表不同的位数:enum { CV_8U=0, CV_8S=1, CV_16U=2, CV_16S=3, CV_32S=4, CV_32F=5, CV_64F=6 },可见 0 1

    代表 8 位, 2 3 都代表 16 位,4 5 代表 32 位,6 代表 64 位。

    5elemSize

     

    矩阵中每个元素的大小,每个元素包含 channels 个通道。如果 Mat 中的数据的数据类型是 CV_8U 那么 elemSize = 1;是 CV_8UC3 那么 elemSize = 3,是 CV_16UC2 那么 elemSize = 4

    6elemSize1

    矩阵中数据类型的大小,即 elemSize/channels,也就是 depth 对应的位数。

    7step

    是一个数组,定义了矩阵的布局,参考下图若矩阵有 n 维,则 step 数组大小为 n

    step[n-1] = elemSize(每个矩阵元素的数据大小) step[n-2] = size(1 )*elemSize

    step[n-3] = size(2 )*size(1 )*elemSize

    ...

    step[0] = size(n-1 )*size(n-2 )*...size(1 )*elemSize 8step1

    step1 也是一个数组,为 step/elemSize1,若矩阵有 n 维,则 step1[n- 1]=channels

    9type

    矩阵元素的类型,即创建 Mat 时传递的类型,例如 CV_8UC3CV_16UC2 等。

    26、如何将 buffer 类型转化为 mat 类型? 27opencv 如何读取 png 格式的图片? 28opencv 如何读取内存图片?

    29opencv 里面有哪些库?

    一、core 模块

    1Mat - 基本图像容器

    二、imgproc 模块

    1、图像平滑处理

      1. 高斯滤波器 (Gaussian Filter)
      2. 中值滤波器 (Median Filter)
      3. 双边滤波 (Bilateral Filter) 2、形态学变换
      1. 腐蚀(Erosion
      2. 膨胀 (Dilation)
      3. 开运算 (Opening)
      4. 闭运算(Closing)
      5. 形态梯度(Morphological Gradient)
      6. 顶帽(Top Hat)
      7. 黑帽(Black Hat) 3、图像金字塔

    4、阈值操作

    5、给图像添加边界

    6、图像卷积

      1. 函数 filter2D 就可以生成滤波器
      2. Sobel 导数
      3. Laplace 算子

     

      1. Canny 边缘检测
      2. 霍夫线变换
      3. 霍夫圆变换

    7Remapping 重映射

    8、 仿射变换

    9、 直方图均衡化

    10、模板匹配

    30、用过 opencv 里面哪些函数?

     

    31opencv 里面为啥是 bgr 存储图片而不是人们常听的 rgb

     

    32、你说 opencv 里面的 HOG+SVM 效果很差?他就直接来了句为啥很差?差了就不改了? 差了就要换其他方法?

     

    33、讲讲 HOG 特征?他在 dpm 里面怎么设计的,你改过吗?HOG 能检测边缘吗?里面的核函数是啥?那 hog 检测边缘和 canny 有啥区别?

     

    34、如何求一张图片的均值?

     

    35、如何写程序将图像放大缩小?

     

    36、如何遍历一遍求一张图片的方差?

     

    37、高斯噪声和椒盐噪声

     

    38、常用的图像空间

     

    39HSV HSI 区别:

    解释 1hsv 里面的 v 指的是 RGB 里面的最大的值,v = max(max(r,g),b); HSI I 是平均值,I=(r+g+b) / 3; 另外两个分量应该是一样的,如果只是需要 h 或者 s 的话可以用 matlab 自带的 rgb2hsv 了。

     

    解释 2HSV 颜色空间

    HSV(hue,saturation,value)颜色空间的模型对应于圆柱坐标系中的一个圆锥形子集,圆锥的顶面对应于 V=1. 它包含 RGB 模型中的 R=1G=1B=1 三个面,所代表的颜色较亮。色彩 H 由绕 V 轴的旋转角给定。红色对应于角度 ,绿色对应于角度 120°,蓝色对应于角度 240°。在 HSV 颜色模型中,每一种颜色和它的补色相差 180° 。 饱和度 S 取值从 0 1,所以圆锥顶面的半径为 1HSV 颜色模型所代表的颜色域是 CIE 色度图的一个子集,这个 模型中饱和度为百分之百的颜色,其纯度一般小于百分之百。在圆锥的顶点(即原点)处,V=0,H S 无定义, 代表黑色。圆锥的顶面中心处 S=0V=1,H 无定义,代表白色。从该点到原点代表亮度渐暗的灰色,即具有不同 灰度的灰色。对于这些点, S=0,H 的值无定义。可以说,HSV 模型中的 V 轴对应于 RGB 颜色空间中的主对角线。 在圆锥顶面的圆周上的颜色,V=1S=1,这种颜色是纯色。HSV 模型对应于画家配色的方法。画家用改变色浓和 色深的方法从某种纯色获得不同色调的颜色,在一种纯色中加入白

     

    色以改变色浓,加入黑色以改变色深,同时 加入不同比例的白色,黑色即可获得各种不同的色调。

     

    HSI 色彩空间是从人的视觉系统出发,用色调(Hue)、色饱和度(Saturation 或Chroma)和亮度 (Intensity 或 Brightness)来描述色彩。HSI 色彩空间可以用一个圆锥空间模型来描述。用这种 描述 HIS 色彩空间的圆锥模型相当复杂,但确能把色调、亮度和色饱和度的变化情形表现得很清楚。 通常把色调和饱和度通称为色度,用来表示颜色的类别与深浅程度。由于人的视觉对亮度的敏感 程度远强于对颜色浓淡的敏感程度,为了便于色彩处理和识别,人的视觉系统经常采用 HSI 色彩空间, 它比 RGB 色彩空间更符合人的视觉特性。在图像处理和计算机视觉中大量算法都可在 HSI 色彩空间中 方便地使用,它们可以分开处理而且是相互独立的。因此,在 HSI 色彩空间可以大大简化图像分析 和处理的工作量。HSI 色彩空间和 RGB 色彩空间只是同一物理量的不同表示法,因而它们之间存在着 转换关系。

    40、简述你熟悉的聚类算法并说明其优缺点。

     

    41、常用的图像空间。

    RGB 颜色空间  :在计算机技术中使用最广泛的颜色空间是 RGB 颜色空间,它是一种与人的视觉系统结构密切相关的模型。根据人眼睛的结构,所有的颜色都可以看成三个基本颜色-红色(red)、绿色(green)和蓝色(blue)的不同组合,大部分显示器都采用这种颜色模型。对一幅三通道彩色数字图像对每个图像像素(x,y),需要指出三个矢量分量 R、G、B

     

    CMY 是工业印刷采用的颜色空间。它与 RGB 对应。简单的类比 RGB 来源于是物体发光,而 CMY 是依据反射光得到的。具体应用如打印机:一般采用四色墨盒,即 CMY 加黑色墨盒。青(C)、品(M)、黄(Y)

     

    HSV(Hue, Saturation, Value)是根据颜色的直观特性由 A. R. Smith 在 1978 年创建的一种颜色空间, 也称六角锥体模型(Hexcone Model)。HSV 色系对用户来说是一种直观的颜色模型,对于颜色,人们直观的会问”什么颜色?深浅如何?明暗如何?“, 而 HSV 色系则直观的表示了这些信息。每一种颜色都是由色相(Hue,简 H),饱和度

    (Saturation,简 S)和色明度(Value,简 V)所表示的。这个模型中颜色的参数分别是:色调(H),饱和度(S),亮度(V)。

     

    HSI〔Hue-Saturation-Intensity(Lightness),HSI 或 HSL〕:当人观察一个彩色物

     

    体时, 用色调、 饱和度、 亮度来描述物体的颜色。 HSI 〔 Hue-Saturation- Intensity(Lightness),HSI 或 HSL〕颜色模型用 H、S、I 三参数描述颜色特性,其中H 定义颜色的波长,称为色调;S 表示颜色的深浅程度,称为饱和度;I 表示强度或亮度。在 HSI 颜色模型的双六棱锥表示,I 是强度轴,色调 H 的角度范围为[0,2π],其中,纯红色的角度为 0,纯绿色的角度为 2π/3,纯蓝色的角度为 4π/3。

     

    Lab 颜色空间颜色空间用于计算机色调调整和彩色校正。它独立于设备的彩色模型实现。这一方法用来把设备映射到模型及模型本社的彩色分布质量变化。

     

    YUV(亦称 YCrCb)是被欧洲电视系统所采用的一种颜色编码方法。YUV 主要用于优化彩色视频信号的传输,使其向后相容老式黑白电视。

    42、简述你熟悉的聚类算法并说明其优缺点。

     

    43概念SIFT/SURF LDA/PCA

     

    44、请说出使用过的分类器和实现原理。

     

    45 Random Forest 的随机性表现在哪里。

     

    46Graph-cut 的基本原理和应用。

     

    47GMM 的基本原理和应用。

     

    48、用具体算法举例说明监督学习和非监督学习的区别

     

    49、为什么要用数字信号处理

     

    50、小波变换原理

     

    513A 算法,图像降噪,ISP 算法,bm3d 算法原理,相机传感器传输的格式

     

    52、机器学习实现车牌识别

     

    53、红黑树,二叉平衡树的原理和应用

     

    54、简述 hough 变换的原理。请列举一些你觉得能够用 HOUGHT 变换提取的形状。理由是什么?

     

    55、图像特征:了解哪些图像像相关的特征特征描写叙述,特征算子。并举例用什么地方?

     

    56 摄像机拍摄图像与现实世界是什么变换?在这样的变换中有哪些量不变的?请写出这样的变换的代数表达式?

     

    57Deep Learning 听说过多少,并举出眼下哪些领域应用到 Deep learning 技术?

     

    58、图像增强与图像恢复是否是同一个概念?假设是。请解释什么是图像增强图像恢复假设不是,请说明其各自特点和应用领域,以及差异?

     


    一个很好的练习教程

    https://zhuanlan.zhihu.com/p/112057607

    中文原版:https://github.com/gzr2017/ImageProcessing100Wen

    展开全文
  • 2.2 Laplacian-based matting 首先,假设有一个小窗口 ,我们考虑其周围的每个像素 : 那么在这个窗口上,我们可以近似地建立第1节所述的方程关系,即: 接下来,化简、移项,可得: 为了简要表述,这里我们令: ...
  • 十年前,Michael Daconta, Leo Obrst, and Kevin T.Smith (Indianapolis: Wiley, 2004)写的一本书《The Semantic Web: A Guide to the Future of XML, Web Services, and Knowledge Management》中有句格言“只有...
  • 矩阵论 两周上课的知识总结(一)

    千次阅读 2018-10-07 17:12:31
    约当(Jordan): 行列式(det(A)): 表示一个数(行列式中所有不同行不同列的元素乘积的代数和,每一项的符号与列标的逆序数有关)。计算时,通常用任意一行或一列的各元素与其代数余子式的乘积之...
  • 嵌入式开发—C语言面试题

    万次阅读 2012-07-02 20:33:16
    这段代码的目的是用来返指针*ptr指向值的平方,但是,由于*ptr指向一个volatile参数,编译器将产生类似下面的代码: int square(volatile int *ptr) { int a,b; a = *ptr; b = *ptr; return a * b;...
  • 基于语法分析的公式分析器设计

    千次阅读 2017-05-19 01:45:52
    年代由贝尔实验室开发,已经成为标准的 UNIX 实用程序。 LEX&YACC 既适合编译程序,解释程序的专业编译程序编写用户。也适合非编译程序编写许多应用程序。 LEX&YACC 使用范围包括,应用在输入中茶盅模式的应用...
  • 电子专业 常见面试题 (四)

    千次阅读 2008-07-25 14:32:00
    26、为什么一个标准的倒相器中P管的宽长比要比N管的宽长比大?(仕兰微电子)  27、用mos管搭出一个二输入与非门。(扬智电子笔试)  28、please draw the transistor level schematic of a cmos 2 input AND gate...
  • 相应的优点、缺点,也几乎就是结构化语言和函数语言的优点、缺点。顺带一提,ML语言为解释性的,其计算效率并不高。 最后,从应用领域的角度看,二者都可谓包罗万象。控制仿真、图像处理、信号分析等等都是ML的...
  • 硬件工程师面试试题集

    千次阅读 2013-11-14 12:34:16
    26、为什么一个标准的倒相器中P管的宽长比要比N管的宽长比大?(仕兰微电子)  27、用mos管搭出一个二输入与非门。(扬智电子笔试)  28、please draw the transistor level schematic of a cmos 2 input AND ...
  • R语言与统计分析

    千次阅读 2015-12-16 11:20:00
    常用的离散与连续分布及R中有关的四类函数: 分布函数、概率函数、分位 数函数和随机数生存函数. 第四章, 探索性数据分析. 介绍了单组和多组数据 中特征量的提取方法及数据的图形展示方法. 第五章, 参数估计. ...
  • 硬件工程师面试试题06年网摘

    千次阅读 2008-11-28 09:55:00
    26、为什么一个标准的倒相器中P管的宽长比要比N管的宽长比大?(仕兰微电子)  27、用mos管搭出一个二输入与非门。(扬智电子笔试)  28、please draw the transistor level schematic of a cmos 2 ...
  • [zz]面试题集锦1

    千次阅读 2014-04-02 09:44:38
    26、为什么一个标准的倒相器中P管的宽长比要比N管的宽长比大?(仕兰微电子) 27、用mos管搭出一个二输入与非门。(扬智电子笔试) 28、please draw the transistor level schematic of a cmos 2 input AND gate ...
  • 电子工程师最全面试题大全

    千次阅读 多人点赞 2018-09-10 17:03:19
    与 门阵列等其它ASIC(Application Specific IC)相比,它们又具有设计开发周期短、设计制造成本低、开发工具先进、标准产品无需测试、质量稳定以及可实时在线检验等优点。 什么叫做OTP片、掩膜片,两者的区别何在? ...
  • 如果我们将所有主题取等可能,方程式4化简为 。  p(z|s)是现有的场景主题是s时OCR返回字符串z的概率。我们通过在方程式3中介绍的检测模型来解释检测中的噪音并且转换文本。我们引进一层现在隐藏的变量w∈V,V再一...
  • 26、为什么一个标准的倒相器中P管的宽长比要比N管的宽长比大?(仕兰微电子)  27、用mos管搭出一个二输入与非门。(扬智电子笔试)  28、please draw the transistor level schematic of a cmos 2 input AND ...
  • 硬件面试题

    万次阅读 2014-06-22 15:45:49
    26、为什么一个标准的倒相器中P管的宽长比要比N管的宽长比大?(仕兰微 电子)  27、用mos管搭出一个二输入与非门。(扬智电子笔试)  28、please draw the transistor level schematic of a cmos 2 input ...
  • 硬件工程师常见笔试题

    万次阅读 2016-08-18 14:08:38
    若滤波电路由无源元件和有源元件(双极管、单极管、集成运放)共同构成,则成为有源滤波电路。 无源滤波电路的通带放大倍数及其截止频率都随负载而变化,这缺点常常不符合信号处理的要求。 有源滤波...

空空如也

空空如也

1 2 3 4
收藏数 62
精华内容 24
关键字:

smith标准型的化简技巧