图像算法面试汇总
SIFT
主要步骤
SIFT（Scale-invariant feature transform尺度不变特征转换）是一种检测局部特征的算法，该算法通过求一幅图中的特征点（interest points,or corner points）及其有关scale 和 orientation 的描述子得到特征并进行图像特征点匹配，获得了良好效果，
1)、尺度空间的生成；(尺度空间理论目的是模拟图像数据的多尺度特征。为了有效的在尺度空间检测到稳定的关键点，提出了高斯差分尺度空间（DOG scale-space）。利用不同尺度的高斯差分核与图像卷积生成。)
2)、检测尺度空间极值点；(每一个采样点要和它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小)
3)、精确定位极值点；(通过拟和三维二次函数以精确确定关键点的位置和尺度（达到亚像素精度），同时去除低对比度的关键点和不稳定的边缘响应点)
4)、为每个关键点指定方向参数；(给特征点赋值一个128维方向参数)
5)、关键点描述子的生成
6) 根据SIFT进行Match (生成了A、B两幅图的描述子，（分别是k1*128维和k2*128维），就将两图中各个scale（所有scale）的描述子进行匹配，匹配上128维即可表示两个特征点match上了。)
Harris角点算法
当一个窗口在图像上移动，在平滑区域如图(a)，窗口在各个方向上没有变化。在边缘上如图(b)，窗口在边缘的方向上没有变化。在角点处如图(c)，窗口在各个方向上具有变化。Harris角点检测正是利用了这个直观的物理现象，通过窗口在各个方向上的变化程度，决定是否为角点。
NCC算法
NCC（normalized cross correlation）算法，归一化互相关匹配法，是基于图像灰度信息的匹配方法。
图像匹配的方法主要有三种：基于灰度，基于特征，基于变换域。
RANSAC算法随机抽样一致算法（Random sample consensus）
1）假定模型2）找出距离拟合曲线容差范围内的点，并统计点的个数3）每一次拟合后，容差范围内都有对应的数据点数，找出数据点个数最多的情况，就是最终的拟合结果
Canny算子求边缘点具体算法步骤如下：
1. 用高斯滤波器平滑图像．
2. 用一阶偏导有限差分计算梯度幅值和方向
3. 对梯度幅值进行非极大值抑制
4. 用双阈值算法检测和连接边缘．
混合高斯模型
用GMM对背景建模的基本思想是把每一个像素点所呈现的颜色用K个高斯分布的叠加来表示，通常K取3-5之间。将像素点所呈现的颜色X认为是随机变量，则在每时刻t=1,…,T所得到视频帧图像的像素值只是随机变量X的采样值（观值）。
在进行前景检测前，先对背景进行训练，对每一帧图像中每个背景采用一个混合高斯模型进行模拟，背景一旦提取出来，前景的检测就简单了，检查像素是否与背景的高斯模型匹配，匹配是背景，不匹配就是前景。
所以关键就是混合高斯背景模型的建立。
GMM之所以能够将前景和背景分开是基于如下两点事实的：
(1)在长期观测的场景中，背景占大多数时间，更多的数据是支持背景分布的
(2)即使是相对颜色一致的运动物体也会比背景产生更多变化，况且一般情况下物体都是带有不同颜色的
算法大致这样：
首先初始化预先定义的几个高斯模型，对高斯模型中的参数进行初始化，并求出之后将要用到的参数。其次，对于每一帧中的每一个像素进行处理，看其是否匹配某个模型，若匹配，则将其归入该模型中，并对该模型根据新的像素值进行更新，若不匹配，则以该像素建立一个高斯模型，初始化参数，代替原有模型中最不可能的模型。最后选择前面几个最有可能的模型作为背景模型，为背景目标提取做铺垫。
图像去模糊
不同原因导致的模糊往往需要不同的处理方法。从技术方面来向，模糊图像处理方法主要分为三大类，分别是图像增强、图像复原和超分辨率重构。
对于运动引起的图像模糊，最简单的方法是直接做逆滤波，但是逆滤波对加性噪声特别敏感，使得恢复的图像几乎不可用。最小均方差（维纳）滤波用来去除含有噪声的模糊图像，其目标是找到未污染图像的一个估计，使它们之间的均方差最小，可以去除噪声，同时清晰化模糊图像。
图像分割
1）阈值分割 2）区域分割 a. 区域生长 b. 区域分裂合并 3) 边缘分割4) 直方图法
分水岭算法是一种图像区域分割法，在分割的过程中，它会把跟临近像素间的相似性作为重要的参考依据，从而将在空间位置上相近并且灰度值相近（求梯度）的像素点互相连接起来构成一个封闭的轮廓。分水岭算法常用的操作步骤：彩色图像灰度化，然后再求梯度图，最后在梯度图的基础上进行分水岭算法，求得分段图像的边缘线。
分水岭算法的计算过程是一个迭代标注过程。分两个步骤，一个是排序过程，一个是淹没过程。首先对每个像素的灰度级进行从低到高排序，然后在从低到高实现淹没过程中，对每一个局部极小值在h阶高度的影响域采用先进先出(FIFO)结构进行判断及标注。
Criminisi算法
基于样例的图像修复算法的精髓在于采用小块填补的方法，相对于点填补的方法来说提高了填补速度和精度，使用小块的数据值和置信度值来定义各小块的优先级，从而使填补过程有序地进行，最终使填补出来的结构和纹理都不失流畅感。
置信度值C(p)反应了以p点为中心的小块所含有效点的多少，其值越大，表示p点周围的有效点越多。数据值D(p)体现了p点周围线性结构信息的强弱，其值越大，表示p点周围具有更强的线性结构，即从ψ p开始修复能更好地保持这种结构信息，减少修复的误差。
无监视学习下的加强人脸关键点检测器
