计算机视觉高级算法工程师高阶面试宝典 - 第3节

面试问题：请对比均值滤波和高斯滤波的异同，并说明各自适用场景。

面试官考察点：是否理解滤波的数学本质（核函数、加权平均）、能否分析对图像频谱的影响、以及边界处理等细节。

回答框架：

1. 定义：均值滤波使用等权重邻域平均；高斯滤波使用高斯核加权平均。
2. 效果：均值滤波去噪但破坏边缘；高斯滤波保留边缘更好，对高斯噪声更有效。
3. 参数：均值滤波靠核大小控制平滑度；高斯滤波多一个σ控制权重分布。
4. 延伸：可提及频域解释（低通滤波）及边界填充方式。

简短示例回答：均值滤波每个像素被邻域像素的平均值替换，去噪但边缘模糊；高斯滤波用高斯函数加权，对中心像素赋予更大权重，去高斯噪声效果更优，边缘保留更好。选择时若追求计算速度且噪声非高斯，可用均值；若需保留细节则选高斯。

可能追问：如何自动确定高斯核的σ？中值滤波与两者区别？边界像素如何处理？

避坑提醒：不要只说“高斯滤波更好”，要结合场景。例如椒盐噪声更适合中值滤波，面试官可能故意引导你对比。

面试问题：简述SIFT特征提取的主要步骤，并解释其尺度和旋转不变性是如何实现的。

面试官考察点：是否真正理解尺度空间构造、关键点定位的亚像素精度、方向分配机制、描述子梯度统计。

回答框架：

1. 尺度空间构建：高斯金字塔，DoG近似LoG。
2. 关键点检测：极值点搜索 + 精确定位（剔除低对比度点/边缘响应）。
3. 方向分配：统计邻域梯度方向直方图，主峰方向作为关键点方向。
4. 描述子生成：16×16邻域划分为4×4子区域，每个区域8方向梯度直方图，共128维。
5. 不变性：尺度不变来自金字塔；旋转不变来自方向对齐。

简短示例回答：SIFT通过高斯金字塔构建尺度空间，用DoG检测极值点并亚像素定位，再统计邻域梯度主方向作为关键点方向，最后生成128维描述子。尺度不变性源于多尺度检测，旋转不变性通过将描述子旋转到主方向实现。

可能追问：SIFT与SURF的区别？为什么用DoG代替LoG？描述子为什么是128维？

避坑提醒：避免只背诵步骤，要突出“为什么这样做”。例如DoG近似LoG是为了计算效率，而非单纯记忆流程。

面试问题：HOG特征中为什么要在block内对cell的梯度直方图进行归一化？归一化后对特征有什么影响？

面试官考察点：是否理解梯度幅值对光照变化的敏感性、局部归一化的作用、不同归一化方法（L1/L2）的区别。

回答框架：

1. 目的：消除局部光照和对比度变化的影响。
2. 原理：梯度幅值受光照强度影响，归一化后在局部block内重新缩放，使特征更关注相对梯度方向分布。
3. 效果：提高特征鲁棒性，但会丢失梯度幅值信息。
4. 实现：常用L2归一化，block大小和步长影响特征维度和重叠程度。

简短示例回答：HOG在block内对cell的直方图进行L2归一化，可以消除局部光照和阴影的影响，使特征更关注轮廓形状。例如同一物体在不同光照下梯度幅值不同，归一化后直方图分布相似，从而提升检测鲁棒性。

可能追问：为什么block要重叠？cell大小如何选择？L1归一化与L2归一化的优缺点？

避坑提醒：不要只说“归一化消除光照”，要强调“局部对比度归一化”这个核心概念。面试官可能深问block重叠带来的特征冗余问题。