Главная / Разработка мультимедийных приложений с использованием библиотек OpenCV и IPP

Разработка мультимедийных приложений с использованием библиотек OpenCV и IPP - ответы на тесты Интуит

Курс предусматривает ознакомление с основными задачами, моделями и методами создания мультимедийных приложений с акцентом на задачи компьютерного зрения и машинного обучения.

Список вопросов:

# Какие из перечисленных ниже задач относятся к задачам компьютерного зрения:
# При формировании изображения с помощью перспективной проекции размер проекции объекта
# При перспективной проекции параллельные линии:
# Какие из перечисленных ниже свойств связанных компонент являются инвариантными к повороту изображения.
# С помощью линейной фильтрации можно:
# Интегральное изображение можно использовать для
# Окрестность угловая точка на изображении:
# В цветовом пространстве YUV яркостная компонента соответствует:
# В цветовом пространстве HSV H-канал соответствует:
# Полосно-пропускающий фильтр изменяет:
# Сколько четырех связанных компонент на приведенном ниже рисунке: [Большая Картинка]
# Сколько восьми связанных компонент на приведенном ниже рисунке: [Большая Картинка]
# Аппроксимация контура объекта нужна для:
# Какие из перечисленных ниже свойств связанных компонент являются инвариантными к сдвигу связанной компоненты.
# Медианная фильтрация изображения по сравнению с линейной фильтрацией фильтром с ядром представленным единичной
# Какой из приведенных ниже фильтров сделает изображение более размытым: [Большая Картинка]
# Фильтр Собеля используется для
# Границы объектов на изображении соответствуют:
# Угловым точкам соответствуют точки, в которых:
# При повышении контраста сумма норм градиентов на изображении:
# Одним из возможных практических применений оператора Собеля является:
# Применение оператора Собеля с ядром \begin{bmatrix} -1 & 0 & 1 \\ -2 & 0 & 2 \\ -1 & 0 & 1 \end{bmatrix} позволяет выделить на изображении:
# Применение оператора Собеля с ядром \begin{bmatrix} -1 & -2 & -1 \\ 0 & 0 & 0 \\ -1 & 2 & 1 \end{bmatrix} позволяет выделить на изображении:
# Пусть заданы изображения [Большая Картинка] Изображение (2) является результатом применения к изображению (1) следующей операции:
# Пусть заданы изображения [Большая Картинка] Изображение (2) является результатом применения к изображению (1) следующей операции:
# В основе детектора ребер Канни лежит:
# Основное назначение операции выравнивания гистограммы:
# Назначение функции filter2D:
# Применение оператора дилатации:
# Пусть дано черно-белое изображение, содержащее шум, представляющий собой изолированные пиксели. Для удаления шума подобного рода целесообразно применить следующую морфологическую операцию:
# Пусть задано черно-белое изображение некоторого объекта. Чтобы уменьшить зернистость границы объекта, необходимо применить:
# Выберите верные утверждения:
# Гистограмма черно-белого изображения качественно выглядит следующим образом:
# Гистограмма изображения позволяет получить:
# Основное отличие операции нормализации гистограммы от операции линейной растяжки гистограммы:
# Пусть задано изображение: [Большая Картинка] Какое изображение получится изображение в результате применения дилатации:
# Пусть задано изображение: [Большая Картинка]Какое изображение получится изображение в результате применения эрозии:
# Пусть задано изображение: [Большая Картинка]Какое изображение получится в результате применения оператора Собеля с ядром \begin{bmatrix} -1 & -2 & -1 \\ 0 & 0 & 0 \\ -1 & 2 & 1 \end{bmatrix}? Граница дополняется посредством дублирования.
# Пусть задано изображение: [Большая Картинка]Какое изображение получится в результате применения оператора Собеля с ядром \begin{bmatrix} -1 & 0 & 1 \\ -2 & 0 & 2 \\ -1 & 0 & 1 \end{bmatrix} ? Граница дополняется посредством дублирования.
# Пусть задано следующее изображение в оттенках серого: [Большая Картинка] Какое изображение получится в результате применения операции размытия с ядром размера 3x3? Граница дополняется посредством дублирования.
# Пусть задано следующее изображение в оттенках серого: [Большая Картинка] Какое изображение получится в результате применения операции размытия с ядром размера 3x3? Граница дополняется посредством дублирования.
# Пусть заданы изображения: [Большая Картинка] Изображение (2) является результатом применения следующей операции к изображению (1):
# Пусть заданы изображения: [Большая Картинка] Изображение (2) является результатом применения следующей операции к изображению (1):
# Пусть заданы изображения: [Большая Картинка] Изображение (2) является результатом применения следующей операции к изображению (1):
# Пусть заданы изображения: [Большая Картинка] Изображение (2) является результатом применения следующей операции к изображению (1):
# Пусть задано черно-белое изображение: [Большая Картинка] Какое изображение получится в результате применения медианного фильтра?
# Пусть задано изображение в оттенках серого: [Большая Картинка] Какое изображение получится в результате применения медианного фильтра?
# Пусть задано черно-белое изображение: [Большая Картинка] Какое изображение получится в результате применения операции размыкания?
# Пусть задано черно-белое изображение: [Большая Картинка] Какое изображение получится в результате применения операции замыкания?
# Пусть задано черно-белое изображение: [Большая Картинка] Какое изображение получится в результате применения медианного фильтра?
# Какая функция библиотеки OpenCV позволяет построить ребра на изображении?
# Какая оператор позволяет вычислить градиент изображения?
# Какая функция библиотеки OpenCV позволяет вычислить эрозию исходного изображения?
# Какая функция библиотеки OpenCV позволяет вычислить дилатацию исходного изображения?
# Пусть задано бинарное изображение [Большая Картинка] Какое изображение получится в результате применения дилатации?
# Пусть задано бинарное изображение [Большая Картинка] Какое изображение получится в результате применения эрозии?
# Пусть задано бинарное изображение: [Большая Картинка] Какое изображение получится в результате применения операции размыкания?
# Пусть задано бинарное изображение: [Большая Картинка] Какое изображение получится в результате применения операции размыкания?
# Пусть задано бинарное изображение: [Большая Картинка] Какое изображение получится в результате вычисления оператора Лапласа (для граничных пикселей выполняется дублирование)?
# Какое ядро используется при вызове функции blur из библиотеки OpenCV?
# Какое ядро используется при вызове функции boxFilter из библиотеки OpenCV?
# Укажите ядро Гауссова размытия?
# Выберите ядро оператора Лапласа.
# Применение морфологической операции "эрозия":
# Пусть задано бинарное изображение: [Большая Картинка] Какое изображение получится в результате применения операции дилатации?
# Пусть задано бинарное изображение: [Большая Картинка] Какое изображение получится в результате вычисления морфологического градиента?
# Пусть задано бинарное изображение: [Большая Картинка] Какое изображение получится в результате вычисления дилатации?
# Пусть задано бинарное изображение: [Большая Картинка] Какое изображение получится в результате вычисления эрозии?
# Пусть задано бинарное изображение: [Большая Картинка] Какое изображение получится в результате выполнения морфологической операции размыкания?
# Пусть задано бинарное изображение: [Большая Картинка] Какое изображение получится в результате выполнения морфологической операции размыкания?
# Пусть задано бинарное изображение: [Большая Картинка] Какое изображение получится в результате выполнения морфологической операции "верх шляпы" ("top hat")?
# Пусть задано бинарное изображение: [Большая Картинка] Какое изображение получится в результате выполнения морфологической операции "черная шляпа" ("black hat")?
# Пусть задано бинарное изображение: [Большая Картинка] Какое изображение получится в результате вычисления морфологического градиента?
# Пусть задано бинарное изображение: [Большая Картинка] Какое изображение получится в результате применения операции замыкания?
# Пусть задано бинарное изображение: [Большая Картинка] Какое изображение получится в результате применения операции размыкания?
# Пусть задано бинарное изображение: [Большая Картинка] Какое изображение получится в результате применения морфологической операции "верх шляпы" ("top hat")?
# Пусть заданы изображения: [Большая Картинка] Изображение (2) является результатом применения следующей операции к изображению (1):
# Пусть заданы изображения: [Большая Картинка] Изображение (2) является результатом применения следующей операции к изображению (1):
# Пусть заданы изображения: [Большая Картинка] Изображение (2) является результатом применения следующей операции к изображению (1):
# Пусть заданы изображения: [Большая Картинка] Изображение (2) является результатом применения следующей операции к изображению (1):
# Пусть заданы изображения: [Большая Картинка] Изображение (2) является результатом применения следующей операции к изображению (1):
# Пусть заданы изображения: [Большая Картинка] Изображение (2) является результатом применения следующей операции к изображению (1):
# Пусть заданы изображения: [Большая Картинка]
# Какие из перечисленных ниже задач компьютерного зрения относятся к задачам видеонаблюдения:
# Какой метод вычитания фона наиболее адаптирован к динамическому изменению фона:
# LK - метод вычисления оптического потока осуществляет следующие вычисления:
# Какие точки на изображении наиболее подходят для вычисления оптического потока LK- методом.
# Пиксель можно классифицировать как принадлежащий тени объекта если:
# Какие из следующих задач являются задачами обучения с учителем:
# Какие из следующих задач являются задачами обучения без учителя:
# Классификацией называется
# Задачей восстановления регрессии называется
# Кластеризацией называется
# Переобучением называется:
# Пусть ошибка классификатора, построенного по методу k-ближайших соседей, на тестовой выборке много больше ошибки на обучающей выборке. Какое из следующих действий разумно предпринять для исправления ситуации:
# Метод k-ближайших соседей применяется для решения задач:
# Пусть обучающая выборка состоит из объектов двух классов. Оптимальная разделяющая гиперплоскость – это гиперплоскость, разделяющая объекты этих классов, такая, что
# Если каждый из двух классов не пуст и классы линейно разделимы, то
# Пусть – обучающая выборка, причем . Указать правильную формулировку задачи нахождения оптимальной разделяющей гиперплоскости (в случае линейно разделимых классов):
# Пусть – обучающая выборка, причем . Указать правильную формулировку задачи нахождения оптимальной разделяющей гиперплоскости:
# Если точки из обучающей выборки, принадлежащие разным классам, линейно неразделимы, то:
# Машина опорных векторов с линейным ядром строит границу между объектами двух классов в виде:
# Метод деревьев решений применяется для решения задач:
# Деревья решений разбивают пространство признаков
# Какие из следующих методов нечувствительны к монотонным преобразованиям входных параметров:
# Идея баггинг-алгоритмов (bagging) заключается в:
# Идея бустинг-алгоритмов (boosting) заключается в:
# Случайный лес (Random Forests) является:
# Какой из следующих методов заключается в построении линейной разделяющей поверхности:
# Использование ядер в машине опорных векторов позволяет:
# Для чего выполняется процедура отсечений (pruning) после построения дерева решений:
# В каком из перечисленных случаев переобучение НЕ будет наблюдаться
# В алгоритме случайного леса деревья решений строятся:
# За предсказание, сделанное с помощью модели случайного леса, принимается:
# Дерево решений (CART) строится c использованием:
# Машинное обучение – это:
# Дедуктивное обучение – это:
# Индуктивное обучение – это:
# Какая из следующих задач является задачей обучения с учителем:
# Какая из следующих задач является задачей обучения с учителем:
# Какая из следующих задач является задачей обучения без учителя:
# Какая из следующих задач является задачей обучения без учителя:
# Что такое эмпирический риск?
# Что такое средний риск?
# Обобщающая способность – это:
# Метод перекрестного (скользящего) контроля предназначен для:
# Бутстрэп-выборка – это:
# Какой из следующих методов является реализацией принципа баггинга (bagging):
# Какой из следующих методов является реализацией принципа бустинга (boosting):
# Какой из следующих методов является реализацией принципа бустинга (boosting):
# Метод центров тяжестей (средних) применяется для решения задачи:
# Метод медиан применяется для:
# Метод центров тяжестей (средних) – это
# Метод центров тяжестей (средних) может принимать на вход
# Метод медиан может принимать на вход
# Детектор Моравеца предназначен для выделения на изображении
# Детектор Харриса предназначен для выделения на изображении:
# Детектор MSER предназначен для выделения на изображении:
# Какой из данных детекторов использует в своей работе алгоритмы машинного обучения:
# Какой из детекторов выделит в качестве особой точки точку (*) [Большая Картинка]
# В каком из данных дескрипторов не используются значения градиентов интенсивности при описании ключевой точки:
# Какой из данных дескрипторов использует в качестве описания ключевой точки набор бинарных тестов:
# В основе детектора GLOH лежит следующий дескриптор:
# Основное отличие дескриптора GLOH от дескриптора SIFT
# При вычислении какого дескриптора используются вейвлеты Хаара:
# На рисунке изображены ключевые точки, вычисленные для оригинального и повернутого изображения [Большая Картинка]Для какого детектора наиболее характерно такое поведение:
# Основное назначение вычисления ориентации ключевой точки в детекторе SIFT:
# Какой из данных детекторов использует пирамиду разностей гауссианов:
# Алгоритмы классификации изображений, основанные на bag-of-words подходе, в качестве итогового признакового описания изображения используют:
# Какой из следующих алгоритмов не может использоваться при построении словаря в методах, использующих bag-of-words подход:
# Размерность итогового признакового описания изображения в алгоритмах классификации изображений, основанных на bag-of-words подходе, равна
# Пусть задано изображение [Большая Картинка]Какой из детекторов выделит область, отмеченную на изображении черным квадратом:
# Направление ориентации ключевой точки в детекторе SIFT определяется как:
# Основной недостаток детектора Харриса по сравнению с детектором Моравеца:
# Какой из данных детекторов предназначен для выделения областей экстремума интенсивности:
# Какой из нижеперечисленных детекторов не является детектором углов:
# В основе дескриптора BRIEFлежат:
# Какой алгоритм машинного обучения использует в своей работе детектор FAST:
# Какому требованию в первую очередь должны удовлетворять дескрипторы ключевых точек с точки зрения качества описания особенностей изображения:
# В основе детектора SIFTлежит:
# Какой из нижеперечисленных детекторов является детектором углов:
# Инвариантность дескриптораSIFT относительно поворота изображения обеспечивается за счёт:
# В основе дескриптора SURFлежат:
# Какие данные используются при обучении словаря в bag-of-wordsметоде классификации изображений:
# Укажите правильную последовательность шагов при обучении словаря в bag-of-wordsметоде классификации изображений:
# В основе дескриптора GLOHлежат:
# Что из нижеперечисленного не является недостатком детектора Моравеца:
# В чем преимущество детектора Харриса по сравнению с детектором Моравеца:
# Какой из нижеперечисленных алгоритмов не может использовать для обучения модели классификации изображений по вычисленным признаковым описаниям:
# За счет чего достигается повышение чувствительности к шуму в детекторе Харриса:
# Составной частью какого детектора является дерево, описывающее иерархию связанных компонент на бинаризованном при разных значениях порога изображении:
# Что из нижеперечисленного не является преимуществом детектора MSER:
# Критерием ключевой точки в детекторе FAST является:
# В чем заключается основное преимущество дескриптора SURFнад дескриптором SIFT:
# В каком из нижеперечисленных дескрипторов используется PrincipalComponentAnalysisдля уменьшения размерности дескриптора:
# Пусть модель объекта содержит P частей, каждая часть может принимать одно из N положений на изображении. Какова вычислительная сложность алгоритма вывода, если зависимость между частями объекта описывается структурой типа constellation ("созвездие"):
# Пусть модель объекта содержит P частей, каждая часть может принимать одно из N положений на изображении. Какова вычислительная сложность алгоритма вывода, если зависимость между частями объекта описывается структурой типа star ("звезда"):
# Пусть модель объекта содержит P частей, каждая часть может принимать одно из N положений на изображении. Какова вычислительная сложность алгоритма вывода, если зависимость между частями объекта описывается структурой типа k-fan:
# Пусть словарь в алгоритме классификации изображений изображений, основанном на bag-of-words подходе, строится с использованием алгоритма k-means на наборе из M дескрипторов ключевых точек, размерность дескриптора равна N, число кластеров равно L. Чему будет равна размерность итогового признакового описания изображения:
# Результатом работы алгоритма классификации изображений является:
# В чем основное преимущество использования моделей объектов, основанных на частях, по сравнению с bag-of-words подходом:
# В чем заключается основная идея алгоритма сопоставления пространственных пирамид:
# Что из нижеперечисленного может использоваться в качестве представления отдельных частей объекта для моделей объектов, основанных на частях:
# Что из нижеперечисленного является проблемой методов класса bag-of-words, в которых не учитывается пространственная информация:
# Какие из нижеперечисленных алгоритмов могут использоваться для обучения модели классификации изображений по вычисленным признаковым описаниям:
# Пусть словарь в алгоритме классификации изображений изображений, основанном на bag-of-words подходе, строится с использованием алгоритма k-means. Число кластеров равно 3, центроиды кластеров равны, соответственно (0,0), (1, 1) и (2,2). Изображение, для которого необходимо построить признаковое описание, содержит 2 ключевых точки с дескрипторами, равными (0, 0.25) и (1.75, 1.75). Какое из нижеперечисленных признаковых описаний соответствует данному изображению:
# Пусть словарь в алгоритме классификации изображений изображений, основанном на bag-of-words подходе, строится с использованием алгоритма k-means. Число кластеров равно 3, центроиды кластеров равны, соответственно (0,0), (1, 1) и (2,2). Изображение, для которого необходимо построить признаковое описание, содержит 4 ключевых точки с дескрипторами, равными (-1, -1), (-2, -2), (3, 3) и (3.25, 3.75). Какое из нижеперечисленных признаковых описаний соответствует данному изображению:
# Какой из нижеперечисленных алгоритмов не может использоваться при обучении представления отдельных частей объекта для моделей объектов, основанных на частях:
# Какой из нижеперечисленных алгоритмов может использоваться при обучении представления отдельных частей объекта для моделей объектов, основанных на частях:
# Какие из нижеперечисленных пунктов являются основными элементами моделей, основанных на частях:
# Интегральное изображение можно использовать для
# Окрестность угловая точка на изображении:
# В цветовом пространстве YUV яркостная компонента соответствует:
# В цветовом пространстве HSV H-канал соответствует:
# Полосно-пропускающий фильтр изменяет:
# В процессе поиска движущихся объектов в отличие от задачи определения областей движения необходимо построить траектории движения Что является решением задачи определения областей движения на видео?
# Что является решением задачи определения областей движения на видео?
# В каких случаях схема вычитания фона в задаче определения движения работает неэффективно?
# Основное свойство аффинного преобразования?
# Зачем вычисляется расстояния Махаланобиса в методе вычитания фона, основанного на представлении модели фона смесью Гауссовых распределений?
# Чем определяется количество Гауссовых распределений в смеси Гауссовых распределений, которая представляет модель фона?
# Выберите среди предложенного списка функций ошибки функцию кросс-корреляции.
# За счет чего достигается ускорение при решении задачи определения областей движения с использованием иерархического схемы полного перебора?
# Выберите правильное утверждение, которое связано с понятием многоуровневого движения:
# Какое преобразование определяется моделью x'(x,y;p)=\begin{bmatrix} a_{00} & a_{01} & a_{02} \\ a_{10} & a_{11} & a_{12} \end{bmatrix}\begin{bmatrix} x \\ y \\ 1 \end{bmatrix}?
# Какое преобразование определяется моделью x'(x,y;p)=\begin{bmatrix} a_{11} & a_{12} & a_{13} \\ a_{21} & a_{22} & a_{23} \\ a_{31} & a_{32} & a_{33} \end{bmatrix}\begin{bmatrix} x \\ y \\ 1 \end{bmatrix}?
# какое преобразование определяется моделью x'(x,y;p)=\begin{bmatrix} a & -b & p_1 \\ b & a & p_2 \\ 0 & 0 & 1 \end{bmatrix}\begin{bmatrix} x \\ y \\ 1 \end{bmatrix}?
# Выберите условия применимости метода вычисления оптического потока для определения областей движения.
# Что понимается под положением объекта на изображении?
# Что такое траектория движения объекта?
# К какой группе можно отнести методы сопоставления (matching) ключевых точек для сопровождения объектов?
# В чем разница между сопровождением компонент (kernel tracking) и сопровождением силуэта (silhouette tracking)?
# Для чего применяется алгоритм RANSAC?
# В процессе применения алгоритма RANSAC при сопоставлении ключевых точек модель представляет собой:
# Какой принцип теории управления является базовым для методов, основанных на применении фильтра Кальмана и фильтра частниц?
# Условия применимости фильтра частиц для решения задачи сопровождения объектов:
# Что представляет собой наблюдение при построении фильтра Кальмана для случая равномерного движения?
# Условия применимости фильтра Кальмана для решения задачи сопровождения объектов:
# Что представляет собой состояние системы при построении фильтра Кальмана для случая равномерного движения?
# Что из нижеперечисленного является результатом детектирования объектов на изображении:
# В чем преимущество метода «скользящего окна» для детектирования объектов на изображении:
# Что из нижеперечисленного является основными этапами алгоритма вывода в методах детектирования объектов на изображении, основанных на извлечении признаков:
# Что из нижеперечисленного может использоваться в качестве признаков, извлеченных из изображения в методах детектирования объектов на изображении, основанных на извлечении признаков:
# Что из нижеперечисленного может использоваться в качестве классификаторов в методах детектирования объектов на изображении, основанных на извлечении признаков:
# Пусть рассматривается метод детектирования объектов на изображении, основанный на извлечении признаков. В качестве признакового описания используется HoG (гистограмма ориентированных градиентов), в качестве классификатора – машина опорных векторов (обученный при фиксированной размерности пространства признаков). Известно, что на изображении имеются объекты разного масштаба. Какой из нижеперечисленных подходов возможно применить в данном случае:
# Пусть рассматривается метод детектирования объектов на изображении, основанный на сопоставлении с шаблоном, который представляет собой набор дескрипторов ключевых точек. В качестве меры совпадения ключевой точки на изображении с точкой на шаблоне используется критерий близости их дескрипторов по евклидовой метрике (значение данной величины должно быть меньше определенного порога). К чему приведет увеличение значения данного порога:
# Пусть рассматривается метод детектирования объектов на изображении, основанный на сопоставлении с шаблоном, который представляет собой набор дескрипторов ключевых точек. В качестве меры совпадения ключевой точки на изображении с точкой на шаблоне используется критерий близости их дескрипторов по евклидовой метрике (значение данной величины должно быть меньше определенного порога). К чему приведет уменьшение значения данного порога:
# О чем свидетельствует увеличение величины площади под ROC-кривой, на которой отображены значения precision/recall для алгоритма нахождения совпадений между ключевыми точками на изображении и шаблоне:
# Пусть на изображении и на шаблоне содержится n ключевых точек. Чему равна вычислительная сложность алгоритма нахождения соответствий между точками на изображении и точками на шаблоне в случае использования метода полного перебора:
# Что из нижеперечисленного является основными этапами алгоритма вывода в методах детектирования объектов на изображении, основанных на сравнении с шаблоном:
# В чем основное назначение использования пирамиды изображений при детектировании объектов на изображениях:
# Пусть дано изображение шириной и высотой в 32 пикселя. Ширина и высота «скользящего окна» равна 10 пикселям. Чему равно число различных положений «скользящего окна», полностью лежащего на исходном изображении:
# Пусть дано изображение шириной и высотой в 22 пикселя. Ширина и высота «скользящего окна» равна 8 пикселям. Чему равно число различных положений «скользящего окна» на исходном изображении:
# О чем свидетельствует уменьшение величины площади под ROC-кривой, на которой отображены значения precision/recall для алгоритма нахождения совпадений между ключевыми точками на изображении и шаблоне:
# Что нужно знать, чтобы для точки с известными трёхмерными координатами найти её координаты в пикселях на изображении?
# Зачем вводятся коэффициенты дисторсии?
# Камеры была откалибрована для изображений с разрешением 320 x 240. В результате получилась матрица внутренних параметров камеры \begin{bmatrix} f_x & 0 & c_x \\ 0 & f_y & c_y \\ 0 & 0 & 1 \end{bmatrix} и нулевые коэффициенты дисторсии. Какой станет матрица внутренних параметров, если увеличить разрешение изображений до 640 x 480?
# Изображения каких объектов связаны между собой преобразованием гомографии?
# Сколько степеней свободы в матрице гомографии?
# Что такое калибрация камеры?
# В чём заключается проблема PnP?
# Множество пар 2D-3D точек в задаче PnP содержит 80% ошибок. Сколько в среднем потребуется итераций RANSAC для её решения?
# Как записывается fundamental matrix constraint?
# Если стерео-смещение (диспарити) точки A больше, чем у точки B, и рассматривается расстояние вдоль оптической оси камер (то есть рассматривается координата Z), то:
# Когда применяется метод RANSAC?
# Что такое ошибка репроекции?
# Насколько точно можно восстановить трёхмерные координаты точки, зная её координаты на одном изображении и внутренние параметры камеры?
# Какую задачу решает алгоритм Левенберга — Марквардта?
# Что такое эпиполярная линия?
# Что такое геометрическая валидация соответствий?
# Что такое оптическая ось камеры?
# Зачем в компьютерном зрении используется проективная геометрия?
# В какой книге нужно искать ответ на сложный вопрос по геометрии в компьютерном зрении?
# Если K=\begin{bmatrix} f_x & 0 & c_x \\ 0 & f_y & c_y \\ 0 & 0 & 1 \end{bmatrix} – матрица внутренних параметров камеры, R – матрица поворота объекта, T – вектор его параллельного переноса, то чему равна проекционная матрица P?
# Если (X Y Z) – координаты трехмерной точки, P – проекционная матрица, то по какой формуле найти координаты (u v) этой точки на изображении?
# Что делает преобразование, обратное к преобразованию дисторсии (undistortion)?
# Что делает преобразование стерео-ректификации?
# Можно ли найти внутренние параметры камеры, не используя какой-либо шаблон?
# Какой ранг имеет фундаментальная матрица?
# Можно ли использовать OpenCV в коммерческих приложениях?:
# Какие языки программирования официально поддерживаются в OpenCV?:
# Для чего в OpenCV используется CMake:
# Какой из циклов реализует подсчет производной по оси X с помощью оператора Собеля:
# Чему будет равен счетчик ссылок матрицы A после вызова make_aligned_rgb_image Mat make_aligned_rgb_image(int width, int height) { Mat img(height, ((width+15)/16)*16, CV_8UC3); return img(Rect(0, 0, width, height)); } … Mat A = make_aligned_rgb_image(13, 13);
# Как в Питоне создать эффект "расфокусированного" изображения:
# Окрестность угловая точка на изображении:
# Для чего вызывается мы вызываем waitKey() в цикле обработки видео и указываем там задержку 30мс?:
# Вы работаете в Ми-6. Ваш друг, Джейс Бонд, вручил вам фотографию какого-то здания, и попросил найти по базе, что это за здание. Вы отсканировали фотографию. Ваши дальнейшие действия:
# На каких операционных системах работает OpenCV?:
# Какую функциональность содержит модуль features2d?:
# В каких случаях Питон предпочтительней C++ при работе с OpenCV:
# Как получить справку по функции OpenCV при использовании Питон?:
# Какая из приведенных программ на C++ корректно подсчитывает кол-во пикселей полутонового изображения img, яркость которых больше чем определенный порог t:
# Какой результат произведет следующий код: Mat* img = new Mat(10, 10, CV_8U); printf("sum=%g\n", sum(*img)[0]); img->release(); delete img;
# Вам нужно определить на изображении участок NxN пикселей, в котором контраст максимален (область фокусировки). Какой из приведенных фрагментов решает эту задачу наиболее оптимально и корректно?
# Вы пишете коммерческую программу для фотосьемки для мобильного телефона, которая должна фокусироваться на лицах. Вы обнаружили, что скорость работы детектора из OpenCV недостаточна. Какие из нижепредложенных методов могут помочь и наиболее действенны?
# Что такое особые точки на изображении?:
# Что такое дескрипторы?:
# Что означает слово «бенчмарк» в контексте анализа и оптимизации производительности программ?
# Укажите желательное время работы программы на тестовых данных при оптимизации производительности (время обработки бенчмарка):
# Каким из перечисленных ниже свойств должен обладать бенчмарк:
# Каким из перечисленных ниже свойств должен обладать бенчмарк:
# С какой целью производилось искусственное увеличение размера тестового изображения при сравнении производительности функций IPP и OpenCV:
# Почему непосредственное сравнение производительности библиотек IPP и OpenCV выглядит сомнительным?
# Укажите основные области применения библиотеки Intel IPP:
# Ядро библиотеки Intel IPP поставляется:
# Какую из следующих функций можно использовать для освобождения памяти, выделенной при помощи функции ippMalloc:
# В чем основное отличие функции malloc от функции ippMalloc
# Какая из функций выделяет данные под одномерный массив, содержащий числа с плавающей запятой одинарной точности:
# Какая из функций выделяет память под одноканальное изображение, интенсивность пикселей в котором задана элементами типа unsigned int:
# Какая из функций выделяет память под трехканальное изображение, интенсивность пикселей в котором задана элементами типа unsigned char:
# Для выделения памяти под изображение используется семейство функций:
# Функция ippsMalloc выделяет память под следующую структуру данных:
# Какой из видов линковки поддерживается библиотекой Intel IPP:
# Память, выделенную под изображение с использованием функций библиотеки Intel IPP, необходимо освобождать с помощью функции:
# Функцию ippsFree необходимо использовать для освобождения памяти, выделенной:
# Что НЕ является назначением высокоуровневых API, поставляемых в виде примеров с библиотекой Intel IPP:
# Функция ippiCopy_8u_C1 предназначена для копирования:
# Функция ippsAdd_32f предназначена для поэлементного сложения:
# В каких областях могут эффективно использоваться функции библиотеки Intel IPP:
# Какая из нижеприведенных функций копирует одномерный массив, элементами которого являются числа с плавающей запятой двойной точности:
# Какой объем памяти будет выделен функцией ippiMalloc_8u_C1, если высота изображения равна 32, а ширина 5:
# Какой объем памяти будет выделен функцией ippiMalloc_32f_C3, если высота изображения равна 32, а ширина 3:
# Какую из нижеперечисленных функций необходимо использовать для автоматического выбора оптимальной реализации библиотеки при динамической линковке:
# Какое из значений возвращаемого указателя на выделенную память невозможно при использовании семейства функций ippsMalloc:
# Какие значения возвращаемого указателя на выделенную память возможны при использовании семейства функций ippsMalloc:
# Какой объем памяти будет выделен функцией ippiMalloc_8u_C3, если высота изображения равна 32, а ширина 10:
# Какая из нижеприведенных функций копирует одномерный массив, элементами которого являются целые 32-битные числа без знака:
# Пусть с помощью функции ippiMalloc_8u_C1 выделена память под изображение высотой 32 пикселя и шириной 34 пикселя. Чему равна разность указателей на данные, хранящие вторую и первую строки изображения: