百度2017年计算机视觉笔试题

今年百度计算机视觉笔试题分布情况如下：
第一部分：30个选择题，每个2分
第二部分：2个简答题，一个20分，一个30分
第三部分：2个编程题，每个20分

第一部分（有些题目不记得了）

• 关于C++this指针说法正确的是： A,B,D
  A. this在成员函数的开始前构造，在成员函数的结束后清除
  B. this作用域仅限于类的内部
  C. this指针只存放在栈上
  D. 全局函数、静态函数都不能使用this

解析：
首先this指针的作用：
编译器在识别类时，要经历三个过程：
1.识别类名；
2.识别类中的成员变量；
3.识别函数并对函数进行改写（默认的为函数加上指针this）
在类中调用函数就是要通过this指针来保存这个类的地址，然后根据this指针提供的地址来对类成员变量进行操作。

this指针的特点;
this指针的类型是对应类类型*const this
this指针为类成员函数的第一个默认隐式参数，编写者不能明确的传递
this指针并不是类成员变量，所以不影响类的大小
this指针的作用域仅限于类的内部
this只能在成员函数中使用（全局函数,静态函数都不能使用this）
this 在成员函数的开始前构造，在成员函数结束后清除
this指针会因编译器不同而有不同的放置位置，可能是栈，可能是寄存器，甚至可能是全局变量。

• 下列关于模式识别的说法正确的是: A,B,C,D
  A. 从处理问题的性质和解决问题的方法等角度考虑，模式识别可分为监督分类和无监督的分类
  B. 决策理论方法引入鉴别函数，通过比较函数值进行分类
  C.statistic pattern recognition的基本原理是“物以类聚”
  D. 模式识别方法的选择取决于问题本身的性质

解析：
对于A. 模式识别又常称为模式分类，从处理问题的性质和解决问题的方法等角度，模式识别分为有监督的分类和无监督的分类两种，二者的主要差别在于，各实验样本所属的类别是否预先已知
对于B .模式识别中的决策理论方法又称为统计方法，决策理论的一般步骤：数字预处理，特征抽取，分类。为了分类，引入了鉴别函数，通过比较函数值进行分类。
对于C. 统计模式识别的基本原理是：有相似性的样本在模式空间中互相接近，并形成“集团”，即“物以类聚”。
对于D. 肯定是对的啦

• 页式存储管理下，把由4个页面构成的作业根据页表调入由8个物理块构成的存储器中，设定块长为1024B，则以下推断正确的是：A,B,C
  A. 若访问的逻辑地址为（3,1010），物理地址为3058B，则页表中3号页对应2号块
  B. 若访问的逻辑地址为(0,100),物理地址为3172B,则页表中0号页对应3号块
  C.若访问的逻辑地址为（2,785），物理地址为6929B,则页表中2号对应6号块
  D.若访问的逻辑地址为（4,21），物理地址为3172B,则页表中0号页对应3号块

考的操作系统存储的知识，看见题就吓了一跳，本来很简单的题，就是概念记不清了。。。
解析：
首先回顾一下页式存储的概念：
页式存储将程序的逻辑地址空间划分为固定大小的页（逻辑页），而物理内存划分为同样大小的页框（物理页）。【引入页式存储的优点：离散存储可以避免内存紧缩，减少碎片】
逻辑地址的组成：
逻辑地址由两部分组成，页号和页内地址（位移），其中逻辑页从0开始编号，每个页内地址也从0开始编址。

若给定逻辑地址A, 页面的大小为L, 则页号p和页内地址w(也称位移量)可以按照如下方式求得：
p=int [A/L]
w=A mod L

页式存储是根据进程页表来实现的，系统为每个进程建立一张页表，用于记录逻辑页与块之间的对应关系。地址空间里有多少页，该页表里就登记多少行，按照逻辑页的编号顺序排列：

地址映射过程：
页式存储管理采用动态重定位，在程序的执行过程中完成地址转换，处理器每执行一条指令，就将指令中的逻辑地址（p,w）,取来从中得到逻辑页号(p)，硬件机构按此页号查页表，得到内存的块号（B）,便形成绝对地址（物理地址）(B,w)，处理器即按此地址访问主页。
物理地址的计算公式：
物理地址=块的大小（即页的大小L）*块号B+页内地址w

知道上面的知识之后这个题就不难了：
首先对于A: 知道逻辑地址(3,1010)即，p=3,w=1010, 物理地址为：3058=1024*B+1010,计算得B=2, 也就是页表中的3号页对应2号块
对于B:知道逻辑地址（0,100），即p=0,w=100,物理地址为：3172=1024*B+100,计算得B=3,也就是页表中的0号页对应3号块
对于C:知道逻辑地址（2,785），即p=2,w=785,物理地址为：6929=1024*B+785,计算得B=6,也就是页表中的2号页对应6号块
对于D:知道逻辑地址（4,21），即p=4,w=21, 物理地址为：3172=1024*B+21,计算得B=3, 应该是页表中的4号页对应3号块

• 给你2G的数据2G的内存，下面哪种算法可能导致内存溢出：A
  A. 归并排序————空间复杂度O(n)
  B. 冒泡排序————空间复杂度O(1)
  C. 选择排序————空间复杂度O(1)
  D. 堆排序————–空间复杂度O(1)

• 利用分支限界法可以解决下列哪些问题：A,B,C,D
  A. 电路板排列问题
  B. 批处理作业调度问题
  C. 装载问题
  D. 最大团问题

分支限界法一般用来求解整数线性规划问题，具体四个问题另写一篇展开讲

• 下列关于图像边缘检测所用到的算子说法错误的是（B）
  A. Sobel算子是把各个方向上的灰度值加权之和作为输出
  B. Robinson算子是一个边缘模板算子，由八个方向的样板组成，225度角模板为{2,1,0;1,2,-1;0,-1,-2}
  C. Kirsch算子是一个边缘模板算子，由八个方向的样板组成，255度角模板为{-3，-3，-3；5，0，-3,；5，5，-3}
  D. Prewitt算子是一个边缘模板算子，由八个方向的样板组成，255度角模板为
  {-1,-1,1;-1,-2,1;1,1,1}

解析：
这个题就有点过分了，平时只注意用了，用到的时候再查，完全没有去记具体的值，又是一懵
迄今为止，已经出现了许多成熟的边缘检测算法，例如微分算法、掩膜算法。在微分算法中通常使用N*N的像素块来进行近似求导。这里 3×3 的像素块分布如下：

f(i−1,j−1)f(i,j−1)f(i+1,j−1)f(i−1,j)f(i,j)f(i+1,j)f(i−1,j+1)f(i,j+1)f(i+1,j+1)

如果设 f(i,j) 待处理的像素，而 g(i,j) 为处理后的像素那么：

• Roberts算子
  

  gx=∣∣∣100−1∣∣∣×f(x,y)
  
  
  gy=∣∣∣0−110∣∣∣×f(x,y)g(x,y)=sqrt((f(i,j)−f(i+1,j+1))2+(f(i,j+1)−f(i+1,j))2)或g(x,y)=|f(i,j)−f(i+1,j+1)|+|f(i,j+1)−f(i+1,j)|

• Sobel算子（又称加权平均差分法）
  

  gx=∣∣∣∣−1−2−1000121∣∣∣∣×f(x,y)
  
  
  gy=∣∣∣∣10−120−210−1∣∣∣∣×f(x,y)同样，g(x,y)=g2x+g2y−−−−−−√,或g(x,y)=|gx|+∣∣gy∣∣
  
  Sobel算子对数字图像的每一个像素 f(i,j) ,考察它的上、下、左、右邻域灰度的加权值，把各个方向上0度，45度，90度，135度的灰度加权之和作为输出，可以达到提取图像边缘的效果。

• Laplace算子 他是一种二阶微分算子。有两种形式：4阶邻域微分算子和8阶邻域微分算子

• 4阶微分算子
  

  g(x,y)=∣∣∣∣0−10−14−10−10∣∣∣∣×f(x,y)

• 8阶微分算子
  

  g(x,y)=∣∣∣∣−1−1−1−18−1−1−1−1∣∣∣∣×f(x,y)

• Prewitt算子
  prewitt算子是一个边缘模板算子，由八个方向的样板组成，能够在0度，45度，90度，135度，180度，225度等8个方向检测边缘。8个3*3边缘模板以及方向如下：
  -90度角
  

  g(x,y)=∣∣∣∣11−11−2−111−1∣∣∣∣×f(x,y)

  -45度角
  

  g(x,y)=∣∣∣∣−111−1−21−111∣∣∣∣×f(x,y)

  -0度角
  

  g(x,y)=∣∣∣∣−1−1−11−21111∣∣∣∣×f(x,y)

  -135度角
  

  g(x,y)=∣∣∣∣111−1−21−1−11∣∣∣∣×f(x,y)

  -180度角
  

  g(x,y)=∣∣∣∣1111−2−11−1−1∣∣∣∣×f(x,y)

  -225度角
  

  g(x,y)=∣∣∣∣−1−11−1−21111∣∣∣∣×f(x,y)

• Robinson算子
  Robinson算子是一个边缘模板算子，由八个方向的样板组成，能够在0度，45度，90度，135度，180度，225度等8个方向检测边缘。8个3*3边缘模板以及方向如下：
  -90度角
  

  g(x,y)=∣∣∣∣10−120−210−1∣∣∣∣×f(x,y)

  -45度角
  

  g(x,y)=∣∣∣∣0−1−210−1211∣∣∣∣×f(x,y)

  -0度角
  

  g(x,y)=∣∣∣∣−1−2−1000121∣∣∣∣×f(x,y)

  -135度角
  

  g(x,y)=∣∣∣∣21010−10−1−2∣∣∣∣×f(x,y)

  -180度角
  

  g(x,y)=∣∣∣∣121000−1−2−1∣∣∣∣×f(x,y)

  -225度角
  

  g(x,y)=∣∣∣∣012−101−2−10∣∣∣∣×f(x,y)

• Kirsch算子
  Kirsch算子是一个边缘模板算子，由八个方向的样板组成，能够在0度，45度，90度，135度，180度，225度等8个方向检测边缘。8个3*3边缘模板以及方向如下：
  -90度角
  

  g(x,y)=∣∣∣∣5−3−350−3−5−3−3∣∣∣∣×f(x,y)

  -45度角
  

  g(x,y)=∣∣∣∣−3−3−350−355−3∣∣∣∣×f(x,y)

  -0度角
  

  g(x,y)=∣∣∣∣−3−3−3−30−3555∣∣∣∣×f(x,y)

  -135度角
  

  g(x,y)=∣∣∣∣55−350−3−3−33∣∣∣∣×f(x,y)

  -180度角
  

  g(x,y)=∣∣∣∣555−30−3−3−3−3∣∣∣∣×f(x,y)

  -225度角
  

  g(x,y)=∣∣∣∣−355−305−3−3−3∣∣∣∣×f(x,y)