计算机视觉面试题及答案.docx

计算机视觉面试题及答案

一、基础概念类

问题：图像的“像素”和“分辨率”有什么区别？实际项目中如何根据需求选择分辨率？

答案：像素是图像的最小色彩单元，是构成图像的基本单位；分辨率指单位长度内的像素数量（如300dpi表示每英寸300个像素），决定图像的清晰度和尺寸。

选择分辨率时，需结合场景：①若做图像识别（如商品检测），需保证目标占比≥20%像素（例：识别5cm的零件，若相机距离1m，需分辨率≥1920×1080才能让零件占约200像素）；②若做打印或高清展示，选300dpi以上；③若做实时视频处理（如监控），优先平衡帧率（≥25fps），分辨率可选1280×720（降低算力消耗）。

问题：RGB、HSV、灰度图三种色彩空间各有什么特点？分别适合什么场景？

答案：①RGB：基于红、绿、蓝三原色混合，与显示器显示原理一致，适合图像渲染、显示，但对光照变化敏感（如强光下RGB值波动大）；②HSV：分离色调（H）、饱和度（S）、亮度（V），亮度通道独立，适合光照不均场景（如阴天/晴天的物体分割，可单独调整V通道增强对比度）；③灰度图：仅保留亮度信息，像素值范围0-255，数据量是RGB的1/3，适合边缘检测、特征提取等基础处理（减少算力消耗，且亮度信息已能满足轮廓识别需求）。

二、经典算法类

问题：高斯滤波和中值滤波的去噪原理有什么不同？分别适合处理哪种噪声？

答案：①高斯滤波：基于高斯函数计算邻域像素的加权平均值（中心像素权重高，边缘低），本质是“平滑模糊”，适合处理高斯噪声（如相机传感器热噪声，噪声呈正态分布），但会轻微模糊边缘；②中值滤波：取邻域像素的中位数替换中心像素，能保留边缘细节，适合处理椒盐噪声（如图像传输中的随机黑白噪点，噪声值与正常像素差异大），但邻域尺寸过大会导致图像“块状化”（通常选3×3或5×5窗口）。

问题：Canny边缘检测的核心步骤是什么？为什么要做“非极大值抑制”和“双阈值筛选”？

答案：核心步骤：①高斯滤波去噪→②计算梯度（用Sobel算子求x/y方向梯度，得到边缘方向和强度）→③非极大值抑制→④双阈值筛选。

非极大值抑制：在梯度方向上，只保留局部梯度最大的像素（排除相邻非边缘像素），避免边缘“变粗”（例：原本1像素宽的边缘，不做抑制会变成3-5像素宽）；双阈值筛选：设高、低两个阈值（如高阈值50，低阈值20），梯度值＞高阈值的为“确定边缘”，＜低阈值的剔除，介于两者间的需判断是否与“确定边缘”连通（连通则保留），避免单阈值导致边缘断裂或噪声误判。

问题：SIFT特征和ORB特征有什么区别？实际项目中如何选择？

答案：①SIFT：具有尺度不变性、旋转不变性，但计算量大（需构建高斯金字塔、生成128维描述子），且专利受限，实时场景（如无人机避障）中帧率难达标；②ORB：基于FAST角点检测（比SIFT快10倍以上）和BRIEF描述子（二进制描述子，匹配时用异或运算，速度快），支持旋转不变性，无专利，适合实时场景（如手机扫码、机器人定位），但尺度不变性略弱于SIFT（适合目标尺度变化≤2倍的场景）。

选择原则：实时性优先选ORB，尺度变化大、精度优先选SIFT（或改进的SURF）。

三、工程实践类

问题：做图像预处理时，通常会包含哪些步骤？为什么要做“图像归一化”？

答案：常见预处理步骤：①去噪（高斯/中值滤波）→②尺寸调整（缩放/裁剪，统一输入尺寸）→③色彩空间转换（如RGB转灰度/HSV）→④对比度增强（直方图均衡化、伽马校正）→⑤归一化。

图像归一化的目的：将像素值映射到固定范围（如0-1或-1-1），避免不同图像的像素值差异影响算法（例：A图像像素值0-255，B图像0-100，不归一化会导致算法对A的权重过高）；同时能加速模型训练（如梯度下降时，归一化后参数更新更稳定）。

问题：实际项目中，若遇到“图像模糊”问题，如何排查原因并解决？

答案：排查步骤：①先判断模糊类型：若整体模糊，可能是相机失焦、镜头脏污（清洁镜头、重新对焦）；若局部模糊，可能是运动模糊（如拍摄移动物体时快门过慢，需提高快门速度或用运动模糊恢复算法）；若特定区域模糊，可能是景深问题（如近距离拍摄时背景模糊，需调整光圈或使用全景对焦）。

解决方案：①硬件层面：清洁镜头、调整相机参数（焦距、快门、光圈）；②软件层面：整体模糊用“非锐化滤波”增强边缘，运动模糊用“维纳滤波”（需估计模糊核，如运动方向和距离），景深模糊可通过多聚焦图像融合（取不同区域的清晰部分合成）。

问题：相机标定的目的是什么？若标定不准，会对后续视觉任务（如目标定位）产生什么