传统图像处理面试必备知识点汇总

在图像处理领域，掌握基础且核心的知识对于面试至关重要。下面将围绕传统图像处理中常见的面试问题进行详细总结，帮助大家深入理解相关概念。

1. 图像预处理方法：包括平均滤波、中值滤波、高斯滤波等多种方式。其中高斯滤波应用广泛，它通过二维高斯函数计算模板，利用邻域像素距离确定模板值，归一化后与图像矩阵对应元素相乘再相加，可有效抑制正态分布噪声，但会使图像变模糊。通过调整标准差 σ，能平衡噪声抑制和图像模糊程度。
2. 图像增强手段：对比度拉升利用线性函数变换图像灰度值；Gamma 校正借助非线性的指数函数；直方图均衡化通过积分概率密度函数，将原始图像直方图转化，提高图像对比度，但会使图像整体变亮；此外还有直方图规定化、同态滤波器等方法。
3. 特征提取算法：HOG 基于边缘特征，通过计算图像局部区域的方向梯度直方图来提取特征；SIFT 则围绕角点，经尺度空间生成、极值点检测等多步骤，生成对尺度、旋转和光照变化具有不变性的特征描述子；SURF 是对 SIFT 的改进，运算速度更快。SIFT 与 HOG 的共同点是基于梯度方向直方图提取特征，不同点在于提取对象，SIFT 适用于复杂环境，HOG 对刚性物体特征提取效果好。
4. 膨胀、腐蚀及开闭运算：膨胀是用卷积核与图像卷积，取局部最大值，使高亮区域增长；腐蚀则相反，取局部最小值，让亮区变小、暗区变大。开运算先腐蚀后膨胀，可分离细小物体、去除小亮点；闭运算先膨胀后腐蚀，能填充空洞、连接邻近明亮物体。
5. 边缘检测算子：索贝尔算子是典型的一阶导数边缘检测算子，通过两组 3x3 矩阵分别检测横向和纵向边缘，对噪声有一定平滑作用，但不能严格区分图像主题和背景。加权平均算子（各向同性 Sobel）位置加权系数更准确，检测不同方向边缘时梯度幅度一致。罗伯茨算子简单，利用对角像素差分检测边缘，对垂直边缘检测效果好，但对噪声敏感。Prewitt 算子利用邻点灰度差检测边缘，能去除部分伪边缘，对噪声有平滑作用。拉普拉斯算子是二阶微分算子，对孤立像素响应强烈，适用于无噪声图像，常与平滑算子结合使用。Canny 算子较为复杂但效果好，经过高斯滤波、梯度计算、非极大值抑制和双阈值筛选等多阶段处理，能有效检测边缘。
6. 直方图相关知识：直方图用于展示数字图像中亮度分布，横坐标表示亮度值，纵坐标是对应像素数。直方图均衡化旨在将原始图像灰度级均匀映射到整个范围，通过累计概率并乘以最大灰度值实现，使图像灰度分布更均匀，增强对比度。
7. 图像旋转操作：使用 OpenCV 库时，先通过cv2.imread读取图像，再利用cv2.transpose进行转置，最后用cv2.flip根据不同flipCode值（0 为左旋转，1 为右旋转）实现 90 度旋转。
8. 数据增强方法：几何变换包含水平或垂直翻转、旋转、随机裁剪；颜色变换可调整灰度、对比度、饱和度、曝光等；多个区域置零有随机擦除（random erase）、CutOut、hide - and - seek、grid mask 等方式；多张图片增强如 MixUp 通过线性插值组合两张图片，CutMix 则是切割部分区域并填充其他数据像素值。
9. 图像处理基本算法：涵盖图像平滑、滤波算法、模型匹配、Blob 分析等，这些算法在图像去噪、特征提取、目标识别等方面发挥着重要作用。