1、影象處理筆試面試題（1）

1.1、給定0-1矩陣，求連通域

二值影象分析最重要的方法就是連通區域標記，它是所有二值影象分析的基礎，它通過對二值影象中白色畫素（目標）的標記，讓每個單獨的連通區域形成一個被標識的塊，進一步的我們就可以獲取這些塊的輪廓、外接矩形、質心、不變矩等幾何引數。

連通域；連通區域的標記；

基於行程的標記（演算法思路明白！；程式碼實現？）；基於輪廓的標記（演算法思路明白？；程式碼實現？）

2、影象處理演算法工程師面試題

2.1、常用的影象空間

RGB/CMY/HSV/HSI/YUV(YCrCb)/Lab

HSL/HSB/Ycc/XYZ

HSV和HSI區別：

a 定義：

HSV:

HSI:

b 數學模型：

HSV:                                                       HSI:

YCrCb:

YCrCb即YUV, 其中“Y”表示明亮度（Luminance或Luma），也就是灰階值；而“U”和“V” 表示的則是色度（Chrominance或Chroma），作用是描述影像色彩及飽和度，用於指定畫素的顏色。

“色度”則定義了顏色的兩個方面─色調與飽和度，分別用Cr和CB來表示。其中，Cr反映了RGB輸入訊號紅色部分與RGB訊號亮度值之間的差異。而CB反映的是RGB輸入訊號藍色部分與RGB訊號亮度值之間的差異。

採用YUV色彩空間的重要性是它的亮度訊號Y和色度訊號U、V是分離的。如果只有Y訊號分量而沒有U、V分量，那麼這樣表示的影象就是黑白灰度影象。彩色電視採用YUV空間正是為了用亮度訊號Y解決彩色電視機與黑白電視機的相容問題，使黑白電視機也能接收彩色電視訊號。

膚色YCbCr顏色空間是一種常用的膚色檢測的色彩模型，其中Y代表亮度，Cr代表光源中的紅色分量，Cb代表光源中的藍色分量。人的膚色在外觀上的差異是由色度引起的，不同人的膚色分佈集中在較小的區域內。

2.2.簡述你熟悉的聚類演算法並說明其優缺點。

1. K-Means(K均值)聚類

優點：

1）原理簡單，容易實現
2）可解釋度較強

缺點：

1）K值很難確定
2）區域性最優
3）對噪音和異常點敏感
4）需樣本存在均值（限定資料種類）
5）聚類效果依賴於聚類中心的初始化
6）對於非凸資料集或類別規模差異太大的資料效果不好

7）K-Means的缺點在於對聚類中心均值的簡單使用。

2. 均值漂移聚類

優點：（1）不同於K-Means演算法，均值漂移聚類演算法不需要我們知道有多少類/組。 
（2）基於密度的演算法相比於K-Means受均值影響較小。 
缺點：（1）視窗半徑r的選擇可能是不重要的。

3. 基於密度的聚類方法(DBSCAN)

密度：統計某一半徑內的點數，直到找到最大點數位置。

4. 用高斯混合模型（GMM）的最大期望（EM）聚類

相對應K-Means假設資料點是圓形的，使用高斯混合模型（GMM）做聚類首先假設資料點是呈高斯分佈的，高斯分佈（橢圓形）給出了更多的可能性。我們有兩個引數來描述簇的形狀：均值和標準差。所以這些簇可以採取任何形狀的橢圓形，因為在x，y方向上都有標準差。因此，每個高斯分佈被分配給單個簇。 

5. 凝聚層次聚類

6. 圖團體檢測(Graph Community Detection)

參考：

2.3.請描述以下任一概念：SIFT/SURF  LDA/PCA