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）
标准回答
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
计算机视觉（Computer Vision）
- 关注：从图像 理解 世界
- 典型任务：分类、检测、分割、跟踪、三维重建、OCR
- 输出：语义信息（标签、坐标、深度）
- 理论：机器学习、几何、深度学习
- 工具：PyTorch + torchvision
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
面试答法：处理 = 变换图像；视觉 = 解释图像。举例：高斯模糊是 IP；识别猫是 CV。
常见误区
⚠️ 常见踩坑
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？
取决于任务而非方法。深度网络做去噪、超分、风格迁移（图入图出）属图像处理；做分类、检测、分割（图入语义出）属计算机视觉。CNN 本身只是工具，浅层像 IP 式滤波、深层抽语义，正好横跨两端。所以问的关键是输出是图像还是语义。
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？
两者方向相反：图形学是「模型→图像」的正向渲染，从三维场景、几何与光照生成图片；计算机视觉是「图像→模型」的逆问题，从图片反推三维结构与语义。如今二者融合，可微渲染、NeRF、3D Gaussian Splatting 把渲染嵌入优化回路，用 CV 损失反向求解 CG 参数。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。
🛠️ AI 工具