面试准备 - 简书

C++面试总结

New、Delete和malloc、free的区别？

New和Delete自动调用构造函数和析构函数
前者是运算符，后者是函数

New和Delete自动调用构造函数和析构函数

Delete调用一次析构函数，Delete []调用多次析构函数
Delete针对new，Delete []针对New []

面向对象的三个特征？

封装：将数据和算法捆绑成一个整体，这个整体就是对象，描述对象的数据被封装在其内部。
继承：指一种事物保留了另一种事物的全部特征，并且具有自身的独有特征。
多态：当多种事物继承自一种事物时，同一种操作在它们之间表现出不同的行为。

对象和类之间的关系？

对象：一个实际概念（实物）
类：一个抽象概念（类型或属性）
类的实例化生成对象，对象的抽象化生成类
一个对象可以包含多个类，一个类只能对应一个实例对象

动态空间申请使用New和不使用

New：

创建需要指针接收，一处初始化，多处使用

销毁需要使用Delete

创建在堆空间，使用广泛可作为参数和返回值

频繁调用不适合New，一边作为全局变量使用
不使用New：

栈空间申请内存

频繁调用使用

static的作用

在函数内被定义之后数值保持不变
模块内函数外，表示本地全局
修饰函数，智能在本地调用，并且使用extern也不能跨文件调用
类内定义static，只能在类外初始化，不能在类内初始化
不能使用this调用，因为属于当前文件而不是属于当前类

大华图像算法面试总结

opencv各种滤波？

限幅滤波：

设置一个Thred，设本次采样值为V1，上一次采样为V

V1 = abs(V1-V)>Thred ? V:V1

差值大于阈值就等于上一次采样，否则等于自身

均值滤波：

平均值代替当前值

void meanFilter (unsigned char* corrupted, unsigned char* smooth, int width, int height)  
{            
    memcpy ( smooth, corrupted, width*height*sizeof(unsigned char) );            
    for (int j=1;j<height-1;j++)      
    {          
        for (int i=1;i<width-1;i++)          
        {              
            smooth [ j*width+i ] = (    corrupted [ (j-1)*width+(i-1) ] + 
                                    corrupted [ (j-1)*width+i] + 
            corrupted [ (j-1)*width+(i+1) ] +                                          
            corrupted [ j*width+(i-1) ]     + corrupted [ j*width+i]     + 
            corrupted [ j*width+(i+1) ] +                                          
            corrupted [ (j+1)*width+(i-1) ] + corrupted [ (j+1)*width+i] + 
            corrupted [ (j+1)*width+(i+1) ] ) / 9;          
        }      
    }  
}

中值滤波

中位数的值代替当前值

void medianFilter (unsigned char* corrupted, unsigned char* smooth, int width, int height)
{   
    memcpy ( smooth, corrupted, width*height*sizeof(unsigned char) );
    for (int j=1;j<height-1;j++)
    {
        for (int i=1;i<width-1;i++)
        {
            char num[9];
            int k = 0;
            unsigned char window[9];
            for (int jj = j - 1; jj < j + 2; ++jj)
                for (int ii = i - 1; ii < i + 2; ++ii)
                    num[i+j]=corrupted[j+i*width];
            sort(num,num+9);//sort函数可以自己重写
            smooth[ j*width+i ] = num[4];
        }
    }
}

混合中值滤波

取上下左右拐角点+当前值得到中值V1

取上下左右+中间值得到中值V2

当前值V

V、V1、V2取中值

高斯滤波

取高斯模板去滤波

卡尔曼滤波

核心是使用正太分布，利用估计的正太分布和确定的正态分布去计算当前的正太分布

双边滤波

值域核函数+空间域核函数

[图片上传失败...(image-af0ebc-1538147338568)]

[图片上传失败...(image-ceb5e8-1538147338568)]

[图片上传失败...(image-ce4b77-1538147338568)]

1.SVM推导实现

2.项目改进和遗憾？

3.编写高通滤波器和直方图均衡化？

4.自己论文或者项目使用的算法细节

Gabor滤波器

就是sin()函数和傅里叶函数的乘积
波长：3, 6
方向：0, 45，90 , 135
空间纵横比：0.5
带宽：高斯方差：2pi

灰度共生矩阵

灰度级量化0-15
四个特征：能量、熵、逆方差、相关性
特征可视化：使用5X5，步长为1的掩膜，计算5X5的特征

5.坏点检测算法

类型：亮点、暗点与色点三类
特点：比周围点亮很多的坏点、比周围点暗很多的坏点、没有提供一个正确的像素值，但是并没有比周围点特别亮或者特别暗的像素
坏点和噪点的区别：噪点不确定性，坏点是固定的，颜色不确定
检测坏点：avg=sum（*），dif=（次max点 - 次min点），范围avg±dif，出了这个范围即定义为坏点
连续多帧判断，如果50%以上都出现这样的情况，就判断为坏点，否则为噪点，使用中值滤波去除。

1.相机防抖

运动估计，找出最优运动向量

(a) 灰度投影法

(b) 块匹配法

(c) 位平面匹配法

(d) 边缘匹配法

(e) 特征点匹配法

主要思想是这样的：在第一帧图像中选择一块特征明显的纹理Patch，然后在随后的每一帧图像中找到与该纹理Patch最相似的Patch，然后将找到的Patch“钉”到第一帧Patch的所在位置上。

运动补偿，根据运动向量补偿当前帧，去除抖动。

利用陀螺仪找到核函数，然后进行透视变换

1.图像降噪

图像增强

图像融合匹配

自动曝光

自动白平衡

自动对焦

15.常用插值方法

最近插值：

image

双线性插值：
假设已知点Q11=(x1,y1),Q12=(x1,y2),Q21=(x2,y1),Q22=(x2,y2)Q11=(x1,y1),Q12=(x1,y2),Q21=(x2,y1),Q22=(x2,y2)，并且假设图像中每个像素点服从一个未知函数ff，使得像素值R11=f(Q11)R11=f(Q11)，以此类推。那么如何求出点P=(x,y)P=(x,y)的像素值RPRP呢？首先做两次线性插值，分别求出点R1=(x,y1)R1=(x,y1)和点R2=(x,y2)R2=(x,y2)的像素值，然后再用这两个点再做一次线性插值，就可以求出点P=(x,y)P=(x,y)的像素值了。

其中opencv进行了代码优化
- 取消float为int
- 原图像和目标图像对齐

image

立方卷积插值：

权值计算方法使用三次多项式4X4个点

img

16.常用边缘检测算子

1.设计一个OCR引擎

版面分析：
预处理：
行列分割：
字符识别：
矫正识别结果：

1.数据预处理

去均值：
归一化：
PCA降维度、白化（维度归一化）：

1.图像表示几种方式

真彩色：RGB表示
假彩色：不同波段的色彩表示（YUV）
伪彩色：灰度到RGB的映射

20.最大熵分割

设定一个阈值T，分割背景A和目标B
分别计算A和B的熵
MAX（H(A)+H(B)）
其中 $H = -P(i)*logP(i) \ \ \ i=i,2...T$

21.OTSU阈值分割

设定一个阈值T，分割背景A和目标B
计算方差 $\delta^{2} = w_{a} * (\mu_{a}-\mu)^{2} + w_{a} * (\mu_{a}-\mu)^{2}$
$\mu_{a}: \mbox{背景A的均值} ， \mu_{b}: \mbox{目标B的均值} ， \mu_{}: \mbox{全部图像的均值}$
$w_{a}：\mbox{背景A的概率}，以此类推。。。$

22.均值迭代

设定阈值T，背景A和目标B
计算A、B均值： $\mu_{a} 、 \mu_{b}$
更新阈值 $T_{1} = \frac{\mu_{a}+\mu_{b}}{2}$
$abs(T{}-T_{1})<\psi$

3.区域生长

给定一个种子点
使用Vector数据结构
使用八领域进行判断标准
不断迭代vector.push()和vector.pop()

4.图像去雾

5.特征检测

SIFT检测

差分高斯金字塔（高斯模糊->LOG->DOG）
空间极值点检测（多尺度检测->泰勒二阶展开->Hessian矩阵）
特征描述子（确定半径->角度划分为八个方向0-45-90-135...->描述区域设置为4X4->最终描述为4X4X8）

（a）在高斯模糊的时候可以采用分离高斯卷积，这样可以更好的保留边缘细节。

SURF检测

构建高斯金字塔（图像大小不会变化，相同层核系数不同，不同层核大小不同）
特征点检测（二阶高斯使用盒滤波器代替计算Hessian矩阵）
特征描述子（利用Harr小波特征计算描述子，利用积分图计算Harr小波，4X4X4）
特征点匹配（不仅计算欧氏距离，还增加了一个Hessian矩阵的迹，如果方向相反则一定不匹配）

Harris角点

利用滑动窗口
使用一阶泰勒公式展开，然后计算矩阵的特征值

6.畸变矫正模型

利用相机标定取纠正图像

7.相机标定

图像坐标系到像素坐标系（仿射变换）
[图片上传失败...(image-d6f652-1538214340234)]
相机坐标系到图像坐标系（透视变换）
[图片上传失败...(image-4b7efb-1538214340234)]
世界坐标系到相机坐标系（刚体变换）
[图片上传失败...(image-d90adc-1538214340234)]
畸变：径向畸变、切向畸变
[图片上传失败...(image-999faf-1538214340234)]
[图片上传失败...(image-dd9b20-1538214340234)]