计算机视觉基础题目
1. 颜色的三要素（three elements of color）：亮度(明度)、色调(色相)、饱和度(纯度)为颜色的三属性，又称颜色的三要素。
2. 方向梯度直方图（Histogram of Oriented Gradient, HOG）特征
HOG特征对光照不敏感；
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；
HOG表示的是边缘（梯度）的结构特征，因此可以描述局部的形状信息；
位置和方向空间的量化一定程度上可以抑制平移和旋转带来的影响；
采取在局部区域归一化直方图，可以部分抵消光照变化带来的影响；
由于一定程度忽略了光照颜色对图像造成的影响，使得图像所需要的表征数据的维度降低了；
由于它这种分块分单元的处理方法，也使得图像局部像素点之间的关系可以很好得到的表征。
缺点：速度慢，实时性差；很难处理遮挡问题；由于梯度的性质，该描述子对噪点相当敏感。
3. RANSAC和最小二乘法
两者的共同点都是要首先确定模型，模型分为线性模型与非线性模型。一般常见的应用是线性模型，如 f(x) = kx + t
在应用上，二者的差别是，least squares对噪声比较敏感，算法简单。而RANSAC能去除一些噪声的干扰，如果假定模型与实际的情形一致，那么一般由观测数据计算的RANSAC模型，更能接近实际情况，去除观测或过程噪声干扰，算法稍微复杂些（对噪声不敏感）
RANSAC的线性拟合算法步骤大致如下：
while 最大尝试次数
从观测点集中随机取两点，计算出直线的参数k, t（或者k用向量表示），得出一个候选的直线模型。
计算候选直线与整个点集的匹配程度，可以采用统计在直线上（或到直线的距离小于一个阈值）的点的个数。
保留匹配程度最好的直线的参数。
如果本次尝试匹配点的个数占整个点集大部分，超出预期（阈值），提前结束尝试。
endwhile
匹配程度也可以用其他指标来衡量，替换上面的匹配计算。
最小二乘法，也可以先进行去除离群点的数据预处理，应用RANSAC或穷举的方法，利用任意两点计算一条直线，将距离直线太远的点设置为离群点，距离直线较近的点为符合条件的点。循环处理，比较群内点的个数，记录下群内点数最多的集合。 这些点就是 去除离群点的点集合，利用这些点再进行最小二乘法拟合。
4. 多目标跟踪的两种方法
ABT(association based track)和CFT(category free track)
5. 均值滤波和中值滤波
均值滤波和和中值滤波都可以起到平滑图像，虑去噪声的功能。均值滤波采用线性的方法，平均整个窗口范围内的像素值，均值滤波本身存在着固有的缺陷，即它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊，不能很好地去除噪声点。均值滤波对高斯噪声表现较好，对椒盐噪声表现较差。中值滤波采用非线性的方法，它在平滑脉冲噪声方面非常有效，同时它可以保护图像尖锐的边缘，选择适当的点来替代污染点的值，所以处理效果好，对椒盐噪声表现较好，对高斯噪声表现较差。
6. 高斯滤波器
高斯滤波器是一种线性滤波器，能够有效的抑制噪声，平滑图像。其作用原理和均值滤波器类似，都是取滤波器窗口内的像素的均值作为输出。其窗口模板的系数和均值滤波器不同，均值滤波器的模板系数都是相同的且为1；而高斯滤波器的模板系数，则随着距离模板中心的增大而系数减小。所以，高斯滤波器相比于均值滤波器对图像的模糊程度较小。
高斯滤波器的模板通过对二维高斯函数离散得到。由于高斯模板的中心值最大，四周逐渐减小，其滤波后的结果相对于均值滤波器来说更好。
高斯滤波器最重要的参数就是高斯分布的标准差σ，标准差和高斯滤波器的平滑能力有很大的能力，σ越大，高斯滤波器的频带就较宽，对图像的平滑程度就越好。通过调节σ参数，可以平衡对图像噪声的抑制和对图像的模糊。
参考：https://www.cnblogs.com/wangguchangqing/p/6407717.html
7. 什么是计算机视觉
计算机视觉（Computer Vision）是指用计算机实现人的视觉功能——对客观世界的三维场景的感知、识别和理解。
这意味着计算机视觉技术的研究目标是使计算机具有通过二维图像认知三维环境信息的能力。因此不仅需要使机器能感知三维环境中物体的几何信息（形状、位置、姿态、运动等），而且能对它们进行描述、存储、识别与理解。可以认为，计算机视觉与研究人类或动物的视觉是不同的：它借助于几何、物理和学习技术来构筑模型，用统计的方法来处理数据。
人工智能的完整闭环包括感知、认知、推理再反馈到感知的过程，其中视觉在我们的感知系统中占据大部分的感知过程。所以研究视觉是研究计算机感知的重要一步。
8. Harris角点检测
9. 图像锐化 -- sharpen
图像锐化，是使图像边缘更清晰的一种图像处理方法，细节增强（detail enhancement）我理解也包含了图像锐化，常用的做法是提取图像的高频分量，将其叠加到原图上。图像高频分量的提取有两种做法，一种是用高通滤波器，得到高频分量，另一种是通过低通滤波，用原图减低频得以高频。
直接提取高频的方法有sobel算法和laplcian算子。sobel算子是图像的一阶导数，提取的是梯度信息，分水平和垂直两种，常常用来做边缘检测、方向判别，sobel算子在斜坡处不为0，因此会产生较粗的边缘。laplcian算子是图像的二阶导，在图像开始变化和结束变化的地方值不为0，渐变时结果为0，因此laplacian比sobel算子更适合做sharpen。
除了直接提取高频的方法外，我们也可以先提取低频，原图减去低频得到高频。这种方法称为非锐化掩模（unsharpen mask），我们常使用低通滤波器（高斯、双边）对图像进行滤波，这种方法滤波器很好控制（包括大小和强弱），从而可以控制高频分量的强弱。
平滑：把图像变模糊
锐化：把图像变清晰
图像锐化主要用于增强图像的灰度跳变部分，这一点与图像平滑对灰度跳变的抑制正好相反，事实上从平滑与锐化的两种运算算子上也能说明这一点，线性平滑都是基于对图像邻域的加权求和或积分运算，而锐化则通过其逆运算导数(梯度)或有限差分来实现。
10. Canny边缘检测
11. 极线约束
极线约束有用，是因为它能将匹配问题缩减为沿极线的一维搜索问题。
12. 基础矩阵(fundamental matrix)
