核心要点
区分低层像素操作与高层语义理解
举例：滤波 vs 目标检测
说明二者在 pipeline 中的衔接
避免绝对割裂（有重叠）
简要回答
图像处理侧重像素级变换（滤波、增强、压缩），输入输出仍是图像，不一定理解内容；计算机视觉从图像提取语义（物体、场景、动作），输出标签、框或 mask。前者常是后者预处理，但 CV 也含高层推理。
标准回答
一、图像处理（Image Processing）
- 关注：信号层面质量与变换
- 典型操作：去噪、锐化、直方图均衡、几何变换、JPEG 压缩、频域滤波
- 输出：修改后的图像
- 理论：信号处理、傅里叶变换
- 工具：OpenCV imgproc 模块
二、计算机视觉（Computer Vision）
三、关系
- IP 常作为 CV 前端（去噪 → 边缘 → Hough）
- 深度学习模糊边界：CNN 一层层从 IP 式滤波到语义
- 「低级 IP」与「高级 CV」是光谱两端，非截然对立
面试里可以补一个视觉任务例子：图像处理与计算机视觉有何区别 在分类、检测、分割或多模态理解里分别会影响数据增强、模型结构、指标选择和误检漏检分析。这样回答会比单独讲概念更像真实项目经验。
四、面试答法
回答思路
【定义】用一句话说清「图像处理与计算机视觉」
【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
误区一：容易答偏的地方：绝对说 CV 不需要 IP；把 OpenCV 等同于 CV 全部；举不出各自例子。
追问
追问 1：深度学习算 IP 还是 CV？
浅层卷积类似可学习滤波（偏 IP）；端到端分类检测是 CV。现代实践多统称 CV pipeline，含可学习预处理。
追问 2：CV 工程师为什么要学 IP？
调试图像质量、设计增强、理解频域伪影、相机链路（去马赛克、HDR）、以及传统几何算法（标定、立体匹配）仍依赖 IP 基础。
追问 3：图形学（CG）和 CV 区别？
CG 从模型 生成 图像（渲染）；CV 从图像 恢复 模型/语义。生成式 AI（扩散模型）正融合两者（image synthesis + understanding）。
🔗 相似问题
同一考点的不同问法，换着练更稳
延伸学习
按主题分类的相关资源，便于系统复习