📚 课程目录第2章计算机视觉基础

计算机视觉算法工程师面试宝典 - 第2节

2. 计算机视觉基础

本章聚焦CV面试中最高频的基础知识模块：图像预处理与经典特征提取方法。面试官通过此类问题考察候选人对底层原理的掌握深度，而非仅仅调用API。以下内容涵盖滤波去噪、边缘检测、特征描述子三大核心。

三大经典滤波方法对比
滤波类型	线性/非线性	核心特点	最佳场景
高斯滤波	线性	平滑去噪，服从正态分布	高斯噪声去除
中值滤波	非线性	保持边缘，消除孤立噪点	椒盐噪声去除
双边滤波	非线性	保边去噪（灰度+空间距离）	美颜、高精度预处理

面试问题：请对比高斯滤波、中值滤波和双边滤波的异同点及适用场景。

面试官考察点：是否理解线性/非线性滤波本质，是否了解保边滤波的代价与权衡。

回答框架：分类（线性/非线性）→ 原理简述 → 优缺点对比 → 典型应用场景。

简短示例回答：高斯滤波是线性平滑，去高斯噪声好但会模糊边缘；中值滤波是非线性，去椒盐噪声极佳；双边滤波考虑空间和灰度距离，能保边去噪，但计算较慢，易出现梯度反转伪影。

可能追问：如何选择滤波核大小？什么是各向异性滤波？在深度学习中卷积层和滤波有什么区别？

避坑提醒：不能只背定义和使用场景，需要对比 “保边能力” 和 “计算效率” 的Trade-off。回答时最好举例说明，如“在美颜算法中我用了双边滤波来磨皮保边”。

面试问题：SIFT特征为什么具有尺度和旋转不变性？请简述其实现原理。

面试官考察点：对经典特征算法的深入程度，是否理解数学原理和设计动机。

回答框架：尺度空间理论(DoG金字塔) → 关键点精确定位 → 主方向分配 → 描述符生成(128维)。

简短示例回答：尺度不变性通过构建高斯差分金字塔，检测不同尺度下的极值点实现；旋转不变性通过统计邻域梯度直方图，取峰值作为主方向实现。然后对坐标旋转到主方向，生成128维描述子以抵抗光照和视角变化。

可能追问：SIFT和SURF谁更快？为什么ORB比SIFT快很多？（答：rBRIEF描述子，二进制串比较）。如何用FLANN加速匹配？

避坑提醒：避免只答“用了DoG”和“分配了方向”，要讲清 “为什么这能实现不变性”。面试官更看重你是否理解其背后的逻辑，而非仅仅背诵步骤。

面试问题：请从算法动机解释Canny边缘检测的“非极大值抑制”和“双阈值连接”步骤。

面试官考察点：对经典算法的深度理解，是否能解释“为什么需要”这一步，而非仅仅背诵步骤。

回答框架：细化边缘(NMS) → 筛选真实边缘(双阈值) → 连接边缘(滞后跟踪)。

简短示例回答：非极大值抑制用于将粗边缘“细化”为单像素宽，消除梯度幅值极大值点邻域内的弱响应。双阈值通过高阈值确定强边缘，保留低阈值潜在边缘，最终用滞后连接将强边缘附近的弱边缘相连，抑制噪声引起的虚假边缘。

可能追问：Canny的局限性如何改进？（答：自适应阈值、边缘连接后处理、HED/ResAT等深度边缘检测）。Canny如何得到亚像素精度？

避坑提醒：不要简单罗列步骤（高斯滤波→梯度→NMS→双阈值），要重点解释 “NMS解决了梯度响应太粗的问题” 以及 “双阈值解决了高低阈值取舍的困境”。体现你对算法设计的深度思考。

项目名称	高精度PCB板表面缺陷视觉检测系统
业务背景	某3C电子代工厂，人工质检效率低、漏检率高，需替代人工目检。
规模指标	检测速度 < 150ms/片；缺陷检出率 > 99.6%；过杀率 < 1.5%。
技术栈	OpenCV 4.x (C++/Python)，特征工程（SIFT + 模板匹配），形态学算子。
核心难点	1. 光照变化导致过检/漏检多；2. 复杂纹理背景下的微小划痕、凹陷难以定位；3. 多型号切换需自动校准。
面试高频追问	Q：为什么用传统方法而不用深度学习？ A：缺陷数据量极度匮乏（负样本少），且FPGA端部署对实时性要求极高（<150ms），传统特征工程更容易控制准确率和时延。 Q：检测精度不够如何优化？ A：采用“级联架构” —— 传统方法做初筛，保证低过检率；深度分割网络精检难例，在项目落地中取得了很好的平衡。
可迁移回答话术	“在设计工业视觉方案时，我通常采用 ‘传统方法做初筛 + 深度模型做精检’ 的级联架构。优先保证低延迟和低过检率，再通过深度神经网络处理模糊疑难样本，这样综合效果最优，且更容易Debug和迭代。”

  📌 大厂面试官核心考察逻辑：
  本章基础内容不仅要“知道”，更要“能讲出深度”。建议多从 “算法设计动机” 和 “工程落地权衡” 两个角度进行复盘总结，这在后续的项目面中会非常加分。