OpenCV 面试笔记

简介

OpenCV 相关编程技巧

OpenCV 面试知识点

以下是针对OpenCV面试的核心知识点总结，涵盖高频问题、核心概念及实战代码示例，帮助系统化复习：

一、OpenCV 核心数据结构

1. `cv::Mat`

核心特性：多维数组，支持图像、矩阵存储，自动内存管理（引用计数）。
浅拷贝 vs 深拷贝：
- 浅拷贝：Mat B = A;（共享数据指针，引用计数+1）。
- 深拷贝：Mat B = A.clone(); 或 A.copyTo(B);（复制数据到新内存）。

关键操作：

cv::Mat img = cv::imread("image.jpg"); // 读取BGR图像
cv::Mat roi = img(cv::Rect(10,10,100,100)); // ROI操作
cv::Mat gray;
cv::cvtColor(img, gray, cv::COLOR_BGR2GRAY); // 颜色空间转换

2. `cv::UMat`

作用：利用OpenCL加速计算（GPU/CPU异构计算），适用于大规模数据处理。

示例：

1 2	cv::UMat uSrc, uDst; cv::blur(src, uDst, cv::Size(5,5)); // 自动使用硬件加速

二、图像处理基础

1. 图像滤波

高斯滤波（去噪）：

1	cv::GaussianBlur(src, dst, cv::Size(5,5), 1.5); // 核大小需为奇数

中值滤波（去除椒盐噪声）：
1
cv::medianBlur(src, dst, 5);

2. 边缘检测

Canny边缘检测：

1	cv::Canny(src, edges, 50, 150); // 双阈值：低阈值50，高阈值150

Sobel算子（梯度计算）：

1 2	cv::Sobel(src, gradX, CV_16S, 1, 0); // X方向梯度 cv::convertScaleAbs(gradX, absGradX); // 转回8UC1

3. 形态学操作

腐蚀与膨胀：

1
2
3

cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(3,3));
cv::erode(src, dst, kernel); // 腐蚀
cv::dilate(src, dst, kernel); // 膨胀

开运算与闭运算（去噪/填充孔洞）：

1 2	cv::morphologyEx(src, dst, cv::MORPH_OPEN, kernel); cv::morphologyEx(src, dst, cv::MORPH_CLOSE, kernel);

三、特征检测与匹配

1. 关键点检测

SIFT（尺度不变特征）：

auto sift = cv::SIFT::create();
std::vector<cv::KeyPoint> keypoints;
cv::Mat descriptors;
sift->detectAndCompute(img, cv::noArray(), keypoints, descriptors);

ORB（实时特征，替代SIFT）：

1 2	auto orb = cv::ORB::create(); orb->detectAndCompute(img, cv::noArray(), keypoints, descriptors);

2. 特征匹配

BFMatcher（暴力匹配）：

1
2
3

cv::BFMatcher matcher(cv::NORM_HAMMING);
std::vector<cv::DMatch> matches;
matcher.match(descriptors1, descriptors2, matches);

FLANN匹配（高效近似）：

1 2	auto flann = cv::FlannBasedMatcher::create(); flann->match(descriptors1, descriptors2, matches);

3. RANSAC与外点剔除

1
2
3

std::vector<cv::Point2f> points1, points2;
// 提取匹配点对...
cv::Mat H = cv::findHomography(points1, points2, cv::RANSAC, 3.0);

四、视频处理与摄像头

1. 视频读取与处理

cv::VideoCapture cap("video.mp4");
while (cap.read(frame)) {
    cv::cvtColor(frame, gray, cv::COLOR_BGR2GRAY);
    // 处理每一帧...
}
cap.release(); // 释放资源

2. 摄像头实时处理

cv::VideoCapture cap(0); // 打开默认摄像头
cap.set(cv::CAP_PROP_FRAME_WIDTH, 640);
cap.set(cv::CAP_PROP_FRAME_HEIGHT, 480);
while (true) {
    cap.read(frame);
    cv::imshow("Live", frame);
    if (cv::waitKey(1) == 27) break; // ESC退出
}

五、性能优化技巧

避免冗余拷贝：
- 使用cv::Mat::rowRange/colRange或ROI操作处理局部图像。
并行化加速：
- 启用OpenCV的TBB或OpenMP支持（编译时配置-DWITH_TBB=ON）。

使用UMat加速：

1 2	cv::UMat uSrc, uDst; cv::cvtColor(uSrc, uDst, cv::COLOR_BGR2GRAY); // 自动使用OpenCL

六、实战高频问题

1. 如何实现图像拼接（Image Stitching）？

步骤：特征检测 → 匹配 → 计算单应性矩阵 → 图像融合。

OpenCV API：

1 2	cv::Ptr<cv::Stitcher> stitcher = cv::Stitcher::create(); cv::Stitcher::Status status = stitcher->stitch(imgs, panorama);

2. 如何检测并绘制轮廓？

1
2
3

std::vector<std::vector<cv::Point>> contours;
cv::findContours(binaryImg, contours, cv::RETR_TREE, cv::CHAIN_APPROX_SIMPLE);
cv::drawContours(resultImg, contours, -1, cv::Scalar(0,255,0), 2);

3. 如何计算直方图？

cv::Mat hist;
int channels[] = {0};
int histSize[] = {256};
float range[] = {0, 256};
const float* ranges[] = {range};
cv::calcHist(&grayImg, 1, channels, cv::Mat(), hist, 1, histSize, ranges);

七、OpenCV版本差异

OpenCV3 vs OpenCV4：
- CV_LOAD_IMAGE_COLOR → cv::IMREAD_COLOR。
- SIFT/SURF移至opencv_contrib，需额外编译。
- C++11 API成为主流（如cv::Ptr代替裸指针）。

附：面试常见问题分类

类别	高频问题
数据结构	Mat内存管理、浅拷贝与深拷贝、数据类型转换
图像处理	滤波、边缘检测、形态学操作、直方图均衡化
特征与匹配	SIFT/ORB原理、RANSAC、特征匹配优化
视频处理	摄像头操作、视频帧处理、光流法（Optical Flow）
性能优化	UMat、多线程、算法复杂度分析
项目经验	图像拼接、人脸检测、AR应用、算法调参技巧

掌握以上知识点后，建议结合实际项目代码（如GitHub开源项目）加深理解，并练习手写核心算法（如边缘检测、特征匹配）的伪代码。

简介