核心要点
定义边缘：灰度剧烈变化处
解释梯度、Sobel、Canny 流程
说明边缘在分割、检测中的作用
知道深度网络可学习边缘特征
标准回答
边缘本质：物体边界、纹理、阴影线处像素强度不连续。
一阶微分
- Sobel/Prewitt：3×3 卷积近似 $G_x, G_y$，幅值 $=sqrt{G_x^2+G_y^2}$
- 对噪声敏感，常先高斯平滑
二阶微分
- Laplacian：零交叉点定位边缘，对噪声更敏感
Canny 算法（1986 金标准）
- 高斯去噪
- 计算梯度幅值与方向
- 非极大值抑制（细化边缘）
- 双阈值 + 滞后连接（强边缘保留、弱边缘视连通性）
应用
- 轮廓提取、形状分析
- 传统检测 pipeline（Hough 变换）
- 医学影像结构增强
- CNN 浅层卷积核可视化常类似 Gabor/边缘
局限：纹理也会产生边缘；光照阴影假边缘；深度学习端到端常隐式学习更好表示。
回答思路
【定义】用一句话说清「图像分析中的边缘检测是如何工作的」
【原理】讲清关键机制或步骤（2～3 点）
【例子】举一个真实项目、论文或产品中的例子
【对比】与易混淆概念或替代方案比较（如有）
【收尾】总结适用场景 + 一个局限或风险
常见误区
⚠️ 常见踩坑
不说非极大抑制与双阈值；认为边缘=物体轮廓（纹理边缘干扰）；忽略先平滑。
追问
追问 1：Canny 高低阈值怎么设？
经验 ratio 1:2 或 1:3（高:低）；或用 Otsu、中值启发。域不同需调参，或用自适应边缘检测。
追问 2：边缘检测在深度学习还有用吗？
可作为辅助损失（HED boundary detection）、显著性先验、或传统+深度混合 pipeline；多数任务端到端学习无需显式 Canny。
追问 3：Sobel 和 LoG 区别？
Sobel 一阶梯度；LoG（Laplacian of Gaussian）先平滑再二阶导，尺度空间边缘检测，是 DoG 近似 LOG 的基础（SIFT 用 DoG）。
🔗 相似问题
同一考点的不同问法，换着练更稳
没找到想看的面试题？把你想看的告诉我们 →
延伸学习
按主题分类的相关资源，便于系统复习
