第一章PPTP11 什么是计算机视觉采用计算机实现人类视觉功能，让计算机理解图像和视频。

P12 计算机视觉与图像处理的区别❝数字图像处理图像/视频-> 图像/视频（图像变换、图像滤波、图像复原、图像压缩、…）❝计算机视觉图像/视频-> 模型（二维基素图-> 2.5维要素图-> 三维模型表征）P14-20 计算机视觉中存在哪些难点和挑战挑战：外观、大小和形状；复杂姿态/运动；复杂和不可预测的行为；噪声和遮挡；外观变化；上下文间依赖性；视点变化P23-28 图像中存在哪些计算机视觉线索深度线索：直线透视；空间透视远近顺序线索：遮挡形状线索：纹理梯度形状和光照线索：阴影位置和光照线索：投影P30-46 计算机视觉有哪些典型应用OCR（光学字符识别）、智能交通、人脸检测、表情识别、多视点三维重建、基于视觉的生物识别、辅助驾驶、无人驾驶汽车、基于视觉的人机交互、智能机器人、工业机器人P48 CCD/CMOS传感器的成像原理：光电转换P49-54 采样与量化影响图像的哪些属性采样影响图像空间分辨率；量化影响图像幅度分辨率（灰度）P61 图像坐标系左上角为坐标原点P75-78 像素距离与邻域关系习题1.2 P19答：计算机通过图像和视频对客观世界的感知、识别和理解；对场景进行解释和描述；根据对场景的解释和描述制定行为规划。

第三章PPTP11 薄透镜成像模型P17-21 射影几何中哪些物理信息丢失和保留了？丢失信息：长度、角度保留信息：直线特性、交比不变性P22-24 灭点和灭线的概念场景中的平行线投影到图像平面后，会聚于“灭点”灭线：灭点的集合P46-49 像机成像过程中包含了哪些内参和外参？P51 像机标定的目的，思路和基本方法❝ 目的：确定像机的内参和外参。

❝ 思路：通过一组已知世界坐标的图像特征点，建立超定方程求解。

❝ 方法：最小二乘求解超定方程，寻找最优估计。

P63 径向畸变和切向畸变的概念033310310001100101x p y TX u f u Y z v f v Z γ⨯⨯⨯⎡⎤⎡⎤⎡⎤⎢⎥⎡⎤⎢⎥⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦R T 0习题第四章 PPTP4-7 图像平移、尺度、旋转和级联变换❝ 用矩阵乘实现级联变换❝ 如图像依次进行平移、尺度和旋转变换，有P14 最近邻插值 P16-18 双线性插值 P20-31 图像灰度映射灰度映射原理❝ 基于图像像素的点操作❝ 映射函数❝ 灰度映射的关键是根据增强要求设计映射函数灰度映射：图像二值化、图像反色、动态范围压缩、对比度增强 P31-32 直方图的概念和意义，用已学过的数学原理进行解释 P40 直方图均衡计算表4.3.1 L 为灰度级数（本例为8） -------------------------原始图灰度级 0 1 2 3 4 5 6 7 原始直方图 0.02 0.05 0.09 0.12 0.14 0.2 0.22 0.16 累积直方图gf 0.02 0.07 0.16 0.28 0.42 0.62 0.84 1.0四舍五入取整 0 0 1 2 3 4 6 7 注：int((L-1)*gf+0.5) 确定映射关系 0,1->0 2->1 3->2 4->3 5->4 6->6 7->7 新直方图 0.07 0.09 0.12 0.14 0.2 0 0.22 0.16 直方图均衡过程示例111u u u v v v '⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥'=⋅⋅⋅=⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦R S T AP52-66 模板滤波的概念和理解❝概念：利用像素本身以及其邻域像素的灰度关系进行图像增强的方法。

❝理解：1.滤波取自信号处理中的概念；2.滤波是在图像空间通过邻域操作完成的；3.邻域操作通常借助模板运算来实现P69 中值滤波概念和基本步骤❝概念：选择局部窗口中亮度的中间值代替窗口中心像素❝步骤：◦将模板中心与图像中某像素位置重合◦读取模板下各对应像素的灰度值◦将这些灰度值从小到大排成一列◦找出这些灰度值里排在中间的一个◦将这个中间值赋给对应模板中心位置像素◦遍历图像中所有像素P71 中值滤波与均值滤波的比较➢中值滤波和线性滤波的区别：1、中值滤波可有效消除突变，线性滤波总是响应所有的变化2、中值滤波具有部分不连续保持特性，线性滤波会产生平滑过渡的效果➢中值滤波和均值滤波的区别：中值滤波器比均值滤波器更适合去除加性椒盐噪声习题4.3 P75❝设用三角形代替下图中的四边形，建立与下式相对应的校正几何形变的空间变换式。

❝ 解: 以顶点为对应点，一个对应点可列出2个公式，因此三角形的三个顶点可列出6个公式，最多求解6个几何形变参数，因此空间变换式为：习题4.11 P76❝ 将M 幅图像相加求平均可以获得消除噪声的效果，用一个n×n 的模板进行平滑滤波也可获得消除噪声的效果, 试比较两种方法的消噪效果 ❝ M 幅图像相加求平均 时间轴上的平均容易产生运动模糊(重影)❝ n×n 模板的平滑滤波 空间上的平均容易产生空间模糊(边缘模糊) 习题4.12 P76❝ 讨论用于空间滤波的平滑滤波和锐化滤波的相同点、不同点以及联系❝ 相同点：都能减弱或消除频域空间中的某些分量，而不影响或较少影响其它分量，从而达到增强效果。

❝ 不同点：平滑滤波减弱或消除高频分量，增强低频分量，平滑图像中的细节信息。

锐化滤波减弱或消除低频分量，增强高频分量，锐化图像中细节信息。

❝ 联系：两者效果相反，互为补充；从原始图像中减去平滑滤波结果可得到锐化滤波效果；而原始图像中减去锐化滤波结果可得到平滑滤波效果。

第五章 PPTP4 为什么要边缘检测和边缘的成因为什么要边缘检测：❝ 提取信息，识别目标 ❝ 恢复几何和视点 边缘的成因：曲面法线不连续、深度不连续、表面颜色不连续、亮度不连续 P10-21 用已学过的数学原理解释边缘检测的原理❝ 一阶导数极值点对应的是边缘位置，极值的正 或负表示边缘处是由暗 变亮还是由亮变暗。

❝ 二阶导数过零点来检测图像中边缘的存在。

123456x k x k y k y k x k y k '=++⎧⎨'=++⎩P15 有哪些一阶导数算子？试写出其模板形式Roberts梯度算子Prewitt梯度算子（平均差分）Sobel算子（加权平均差分）各向同性Sobel算子：将模板中的权值2改为√2，以使水平、垂直和对角边缘的梯度值相同。

P21 有哪些二阶导数算子？二阶导数算子会对噪声敏感，试解释原因拉普拉斯算子、马尔算子对噪声敏感原因：二阶导数在边缘处出现零交叉，即边缘点两边导数取异号，据此来检测边缘点。

但很容易被噪声覆盖。

P28 Canny算子的最优检测准则❝最优边缘检测的含义是：◦好的检测-- 算法能标识图像中的实际边缘，避免噪声和虚假边缘干扰。

◦好的定位-- 标识出的边缘与实际图像中的实际边缘尽可能接近。

◦最小响应-- 对图像中的每个真实边缘点只有一个像素响应。

P41 什么是角点？角点有什么特性？❝可重复性／可再现性同一角点应能在不同图像中检测出，不受几何和亮度等变化的影响❝显著性每个角点都是独特的❝局部性特征描述的是图像中的一个局部小区域P43 SUSAN角点检测的基本原理◦采用圆形模板◦统计模板中与模板核具有相同值的像素个数◦USAN面积随模板在图像中的位置变化◦利用USAN面积变化可检测边缘或角点。

◦USAN面积在图像角点处具有最小值，故称为SUSAN。

P51 Hough变换的基本思想（投票）以及为什么要进行Hough变换基本思想：❝通常用在边缘检测或特征点检测后。

❝每个边缘点根据其可能的几何特征，投影到参数空间，通过投票方式确定参数值。

即票数最多的参数获胜。

为什么要进行Hough变换：❝视觉场景中许多目标都可通过直线、圆弧等规则几何特征来表述。

Hough变换是获取规则几何特征的常用方法。

P55 Hough变换中参数空间的概念，试写出直线检测以及圆检测的参数空间采用(ρ,θ)表示图像空间中任意直线。

图像空间中一条直线在参数空间(ρ,θ)中为一个点。

参数空间(ρ,θ)也称为Hough空间P68 Hough变换的优点❝对边缘不连续具有较好的容忍性❝对噪声干扰具有较好的鲁棒性❝对目标遮挡具有较好的抗干扰性习题第六章PPTP2 目标分割的概念、目的、意义❝概念：将图像划分成若干具有特征一致性且互不重叠的图像区域的过程。

❝目的：有选择性地定位感兴趣对象在图像中的位置和范围。

❝意义：1.区域对于图像理解和识别非常重要，往往表征场景中的目标，或部分目标。

2.一幅图像可以包含多个目标，每个目标包含多个区域，每个区域对应目标的不同部分。

3.图像分割是将图像划分为一组有意义的区域。

P14 图像分割有哪些方法？基于哪些特征❝基于边缘的分割方法：◦先提取区域边界，再确定边界限定的区域；❝基于区域的分割方法：◦确定每个像素的归属区域，从而完成分割❝图像分割方法分类：a）自动分割算法–聚类方法–基于边缘的方法–区域融合和区域增长–混合优化方法b）交互式图像分割算法–“Snake” 或“主动轮廓法”–“魔棒” 或“魔笔”❝图像分割通常基于亮度、颜色、纹理、深度或运动。

P27 图搜索有哪些策略，以及各自特点广度优先搜索特点：完备、可获得最优解，效率低深度优先搜索特点：难以获得最优解、效率高、不易跳出无限深分支P40 试用直方图的概念解释直方图分割的思想❝基本思想：根据图像数据的特征将图像空间划分为互不重叠的区域，从而达到分割的目的。

P45 最优阈值的分割思想P52 最大类间方差(OTSU)的分割思想寻找使得类间方差最大的阈值习题6.10 P115习题6.11 P115一幅图像背景部分均值为20，方差为400，在背景上分布着一些互不重叠的均值为200，方差为400的小目标。

设所有目标合起来约占图像总面积的30%，提出一个基于取阈值的分割算法将这些目标分割出。

根据最优阈值计算公式，并假设背景和目标的概率密度函数为高斯模型，且背景和目标的方差相等：第九章 PPTP3-9 图像中包含了哪些深度线索？阴影 纹理 遮挡 运动 模糊等。

P26-27 平行光轴立体视觉系统的感知深度的原理和基本公式P32-35 75-83 立体视觉系统中有哪些约束立体匹配的约束：◦ 极线约束：匹配点必须在极线上◦ 相似性约束：左、右图像的匹配点应具有相似的亮度或颜色。

即，假定目标表面符合朗伯漫反射表面。

◦ 视差范围约束：仅在视差搜索内搜索。

21ln 2202004000.3 ln 11021082200200.7obj bg k obj bg z μμσαμμα+-⎛⎫=+ ⎪-⎝⎭+⎛⎫=+≈-= ⎪-⎝⎭◦唯一性约束：一幅图像中的一个像素，在另一幅图像中最多只有一个对应点像素。