4. 图像处理基础知识面试题
工业视觉实习生面试中，图像处理基础是必考模块。面试官通过滤波、边缘检测、直方图、形态学操作、特征提取等方向考察候选人的理论理解、编码经验和工程落地能力。本章提供结构化回答框架和真实项目模板，帮助你在面试中清晰、自信地展示实力。
Q1：请简述高斯滤波的原理，并说明 σ 参数对滤波效果的影响。
- 面试官考察点：是否理解核函数、标准差与平滑程度的关系；是否了解高斯核的生成方式。
- 回答框架：
- 指出高斯滤波属于线性平滑滤波，使用高斯核加权邻域像素。
- 说明 σ 越大，核中心权重扩散越广，图像越模糊。
- 补充核大小通常取 3σ 的整数倍以保证能量集中。
- 示例回答（约 80 字）：
高斯滤波利用高斯核与图像卷积，核权值服从二维正态分布。σ 控制权重扩散程度：σ 越小，中心权重越大，保边性好但去噪弱；σ 越大，邻域参与越多，平滑更强但边缘丢失。实际中核大小常取 6σ+1 以保证有效覆盖。 - 可能追问：均值滤波与高斯滤波的差异？二维高斯核可分离性如何提升效率？
- 避坑提醒：不要只说“模糊图像”，要结合 σ 和核尺寸的关系，体现底层理解。
Q2：对比 Sobel 算子与 Canny 边缘检测的优缺点及适用场景。
- 面试官考察点：是否掌握经典边缘检测算法的原理差异；能否根据任务选择合适方法。
- 回答框架：
- Sobel：一阶梯度近似，计算快，但噪声敏感，边缘较粗。
- Canny：多级处理（去噪+梯度+非极大抑制+双阈值），定位准、单像素边缘，但参数多、计算贵。
- 场景：实时性要求高且噪声可控时选 Sobel；高精度定位首选 Canny。
- 示例回答（约 90 字）：
Sobel 通过水平和垂直差分近似梯度，运算快但边缘易断裂且双响应；Canny 先高斯滤波，再梯度计算后做非极大值抑制和双阈值连接，边缘连续且单像素。工业检测中若光照稳定、实时性高可用 Sobel；缺陷精细识别推荐 Canny。 - 可能追问：Canny 的双阈值如何设置？有没有自适应阈值方法？
- 避坑提醒：避免只背流程，要说明为什么 Canny 比 Sobel 定位更准（非极大值抑制的作用）。
Q3：直方图均衡化的原理是什么？在什么情况下效果不佳？
- 面试官考察点：是否理解直方图操作的本质；能否分析算法局限性。
- 回答框架：
- 原理：将图像灰度分布映射为近似均匀分布，提高对比度。
- 方法：累计分布函数作为映射函数。
- 缺点：灰度级合并导致细节丢失；对噪声敏感；背景过亮区域过度增强。
- 示例回答（约 80 字）：
直方图均衡化通过累积概率重新分配灰度级，使输出图像直方图近似平坦，从而增强对比度。但若图像包含大面积的均匀区域，均衡化会放大噪声；对于过暗或过亮图像，可能出现灰度级简并导致细节损失，此时可选自适应均衡化（CLAHE）。 - 可能追问：CLAHE 与普通均衡化的区别？如何避免噪声放大？
- 避坑提醒：不要说“灰度值均匀分布”，实际是累计分布线性化；要指出缺点来体现深度。
项目案例：基于机器视觉的 PCB 板表面缺陷检测系统
| 项目名称 | PCB 板表面缺陷在线检测系统 |
| 业务背景 | 某电子代工厂产线每天生产约 10 万片 PCB，人工目检漏检率高、招工困难，需自动化替代 |
| 规模指标 | 检测节拍 ≥ 12 片/s，漏检率 ≤ 0.5%，过杀率 ≤ 2% |
| 技术栈 | OpenCV 4.5 + Python 3.8 + 工业相机 (Basler) + 环形 LED 光源 + 工控机 i7 |
| 核心难点 |
|
| 面试高频追问 |
|
| 可迁移回答话术 | “针对光照不均问题，我使用同态滤波对频域分离照度与反射率，再结合局部自适应阈值完成二值化；对于细长划痕与区域污渍的区分，提取最小外接矩形长宽比、面积和灰度方差组成特征向量，用级联分类器实现分类；最终通过ROI 预裁剪 + 多线程将单帧处理时间优化到 70 ms，满足产线节拍。” |
💡 面试加分技巧：项目案例中主动提及“同态滤波”和“级联分类器”能体现对经典方法的理解；回答速度优化时具体到 70 ms 比只说“优化了速度”更有说服力。