1.边缘检测滤波器
一阶边缘滤波器：卷积核一侧都是正另一侧都是负。
二阶边缘滤波器：中间为高，四周为-1或+1。
如果在图像中检测到边缘并对其进行定位，那么对后续的算法将起到至关重要的作用。灰度的突然变化会在一阶导数中引起波峰或者波谷，或者在二阶导数中等效的引起零交叉。
一阶微分Prewitt算子（卷积核如下）：
一阶微分Bobel算子（卷积核发生了变化）：
二阶微分Laplace算子：
2.快速排序，归并排序，堆排序，桶排序时间复杂度。
O(nlogn)平均复杂度都是这个。
还是得尽可能手写代码。
3.patch相似度通常使用什么方法？
Patch---图像块，类似于block块这种东西（3*3, 5*5等等）
Pixel---图像像素点
①直方图方法：
直方图就是把原来的像素点根据一定的范围进行像素点统计，比如根据这些亮度范围（0-10）（10-20）等等对像素点出现的概率进行统计。
直方图归一化就是根据像素点出现的频率，把图像中像素点出现的概率压缩到和为1的范围内。
之后再对两个直方图进行匹配就是直方图匹配算法了，这种算法效果很差，信息丢失很严重，而且没有空间信息，所以出错率也很高。
直方图主要的作用还是图像增强。
②矩阵分解的方法：
将图像patch做矩阵分解，如SVD奇异值分解和NMF肺腑矩阵分解等，之后再做相似度估计。
③基于特征点的方法
SIFT、BM等匹配算法。
④基于信噪比（PSNR）的方法。（不知道怎么用）
⑤图像模板匹配。（不知道怎么用）
4. List是C++中的容器，删，插入，随机访问时间复杂度？
List a;
删除s.delete(); O(1)
插入 O(1)
随机访问 O(n)
5.Vector是C++的容器，请给出erase，insert和push_back时间复杂度？
删除某个元素：Erase O(n)
插入元素：insert O(n)
尾部插入：push_back O(n)
6.图像腐蚀膨胀原理和例子：
①腐蚀：
对Z中的集合A和B，B对A进行腐蚀的整个过程如下：
⑴ 用结构元素B，扫描图像A的每一个像素
⑵ 用结构元素与其覆盖的二值图像做“与”操作
⑶ 如果都为0，结果图像的该像素为0。否则为255（白）
0是黑色，所以0才是有意义的数值。
腐蚀处理的结果是使原来的二值图像减小一圈。
如果是灰度图，则取核函数覆盖范围内最大值作为新的核函数中心值（向中间缩一圈）。
②膨胀：
对Z中的集合A和B，B对A进行膨胀的整个过程如下：
⑴ 用结构元素B，扫描图像A的每一个像素
⑵ 用结构元素与其覆盖的二值图像做“或”操作
⑶ 如果有一个为0，结果图像的该像素为0。否则为255（白）
0是黑色，所以0才是有意义的数值。
膨胀处理的结果是使原来的二值图像扩大一圈。
如果是灰度图，则取核函数覆盖范围内最小值作为新的核函数中心值（向中间缩一圈）。
7.双线性插值图像旋转：
之前使用过CUDA在CPU和GPU下为图像缩放实现过双线性插值，不过没有涉及到旋转。
双线性插值的原理：
四个Q点是源图像上连在一起的四个点，P是缩放后的图像，在源图像上对应的点的坐标。先在X方向上做插值得到x，然后再在Y的方向上做插值得到y。以四个点的距离作为权值，计算出合适的P点的值。
使用双线性插值旋转，其实就是先根据要求缩放，之后再进行旋转：
