第3章 · 计算机视觉基础：图像处理、特征提取、分类器经典面试题

🎯 面试官考察点：① 是否理解尺度空间理论；② 能否清晰说出四步流程；③ 是否了解旋转/尺度不变性的来源。

📘 回答框架：定义（局部特征 + 尺度不变）→ 四步法（检测极值点→精确定位→方向分配→生成描述子）→ 核心参数（octaves、contrastThreshold）→ 适用场景（拼接、匹配）。

💬 简短示例回答（80字）：
SIFT通过构建高斯差分金字塔检测尺度空间极值点，再剔除低对比度点和边缘点。然后为每个关键点分配主方向（旋转不变），最后在16×16邻域内统计梯度直方图生成128维描述子（光照不变）。常用于图像拼接和目标识别。

🔁 可能追问：① SIFT和SURF的区别？② 为什么SIFT有专利限制？③ 如何加速SIFT计算？

🎯 面试官考察点：① 是否理解直方图分布与对比度关系；② 能否推导映射函数；③ 是否知道局限性（噪声放大、细节丢失）。

📘 回答框架：目的（增强对比度）→ 数学原理（累积分布函数CDF做映射，使输出像素近似均匀分布）→ 公式（\( h(v) = \lfloor (L-1)\sum_{i=0}^{v} p_i \rfloor \)）→ 缺点（可能放大噪声，适合背景单一图像）。

💬 简短示例回答（70字）：
直方图均衡化通过CDF将原图灰度映射到近似均匀分布，使动态范围最大。例如低照度图像对比度显著提升。但会放大背景噪声，且对过曝图像效果差。我会先做高斯模糊再均衡，或改用CLAHE限制对比度增益。

🔁 可能追问：① 均衡化后直方图为什么不是均匀？② CLAHE与全局均衡化的区别？③ 在深度学习训练中是否还需要做？

🎯 面试官考察点：① 对两种算法原理的理解深度；② 是否知道适合的图像特征类型；③ 能否根据数据规模给出选型建议。

📘 回答框架：SVM（间隔最大化 + 核技巧 → 小样本、高维特征好）↔ RF（Bagging + 决策树 → 大样本、容忍缺失值）→ 对比维度：鲁棒性、训练速度、可解释性、调参复杂度。

💬 简短示例回答（90字）：
SVM通过核函数将特征映射到高维寻找最优超平面，在HOG行人检测等应用中效果好，但需要精细调C和gamma，大数据量下训练慢。随机森林通过多棵树投票，对缺失值鲁棒、不易过拟合，但高维稀疏特征下不如SVM。我会根据数据大小选择：<100K用SVM，否则用RF。

🔁 可能追问：① SVM的核函数有哪些？如何选择？② 随机森林如何处理特征重要性？③ 能否用深度学习替代这两种方法？