发帖
雷达卡
期末复习知识点整理
以下内容为课程重点知识的归纳与回顾，涵盖选择题、简答题及综合应用题的核心考点。
一、选择题部分
题目整体难度适中，主要考察对基础知识的掌握程度。例如：判断哪个滤波核可用于边缘提取，以及各类算法在实际应用中的优势与局限性等。这类题目要求熟悉常见算子（如Sobel、Laplacian）的作用机制，并理解不同方法在图像处理任务中的适用场景。
二、简答题解析
1. DOG 是什么？请简要概述。
DOG（Difference of Gaussians），即高斯差分，是一种通过两个不同尺度的高斯函数卷积结果相减来增强图像局部特征的方法。常用于模拟生物视觉系统中的神经响应，也广泛应用于关键点检测和图像增强领域。
2. 计算机视觉的核心思路是什么？
其核心在于从二维图像中恢复或推断出三维世界的信息，通过对图像进行特征提取、模式识别与结构分析，实现对物体、场景的理解与判断。主要包括图像预处理、特征建模、分类识别与定位检测等步骤。
3. 如何利用二维傅里叶变换将图像从空域转换到频域？
二维傅里叶变换将图像中的像素强度分布由空间坐标系映射到频率坐标系。变换后，低频成分集中于中心区域，代表图像的整体灰度趋势；高频部分位于边缘，反映细节与突变信息。该过程有助于后续的滤波、压缩与去噪操作。
4. BoW（词袋模型）有哪些优缺点？
优点：简化了图像表示方式，忽略特征顺序后仍能有效支持分类任务；适用于大规模图像检索与识别。
缺点：丢失了特征之间的空间关系，无法表达结构信息；对视角变化和遮挡较为敏感。
5. 目标识别的主要流程包括哪些步骤？
一般流程如下：首先对输入图像进行预处理（如去噪、归一化），然后提取关键特征（如SIFT、HOG或深度特征），接着使用训练好的分类器进行匹配识别，最后通过边界框输出目标位置与类别标签。
6. 滤波的基本概念及其作用是什么？
滤波是指对图像执行某种数学运算以改变其像素值分布的过程。根据目的不同可分为平滑滤波（如均值、高斯）用于降噪，锐化滤波（如拉普拉斯）用于增强边缘。它是图像增强与特征提取的重要手段之一。
三、综合大题回顾
1. 举例说明均值滤波的计算过程及其应用场景。
假设有一个3×3的图像区域，取其中心像素周围8个邻域像素与其自身共9个值求平均，作为新的中心像素值。例如原始矩阵中某区域数值较高波动，经处理后可有效降低噪声干扰。该方法常用于去除高斯噪声，在保持整体结构的同时实现图像平滑。
[此处为图片1]
2. 描述一种常用的角点检测相关算子。
Harris角点检测是一种广泛应用的方法。它基于图像局部自相关函数的变化特性，通过构建梯度协方差矩阵并分析其特征值来判断是否为角点。若两个特征值均较大，则认为该点为角点。该方法具有旋转不变性和一定的尺度鲁棒性。
[此处为图片2]
3. 给定一个包含卷积层、池化层和ReLU激活函数的CNN结构，计算其参数数量，并说明后两者的作用。
参数数量主要来自卷积层的卷积核权重。设某层卷积核大小为3×3，输入通道数为64，输出通道数为128，则参数量为 3×3×64×128 = 73,728。池化层用于下采样，减少数据维度，提升计算效率并增强平移不变性；ReLU激活函数引入非线性因素，加快收敛速度，避免梯度消失问题。
[此处为图片3]
4. 基于所学知识，设计一个车牌检测算法。
首先对彩色图像进行灰度化与直方图均衡化处理，提升对比度；随后采用Canny算子进行边缘检测，结合形态学闭运算连接断裂边缘；利用连通域分析筛选出符合长宽比和面积条件的候选区域；最后通过投影法精确定位字符边界，并可接入OCR模块完成识别。整个流程兼顾准确率与实时性需求。
[此处为图片4]
京公网安备 11010802022788号
