此文档是山东大学2019.12.12计算机视觉考题，考试之前一直苦于没有往年试题来作参考，所以在12月12号考完计算机视觉就立刻把除选择题之外的题目全部默写下来，供学弟学妹们参考学习（选择题很简单，不用担心）
计算机视觉是一门涉及图像处理、模式识别、机器学习等多个领域的学科，主要研究如何使机器“看”并理解图像。这份2019年山东大学计算机视觉的考题涵盖了多个核心概念，下面将对这些知识点进行详细阐述。
1. **图像数字化**：图像数字化包括采样和量化两个步骤。采样是指在空间上按照一定间隔获取图像的亮度信息，量化则是将连续的灰度或色彩转换为离散的数值。采样率和量化级别直接影响图像的质量，过低的采样率会导致失真，量化级别不足则可能导致颜色层次丢失。
2. **图像分割**：问题中提到的是一种基于统计背景建模的分割方法。可以通过设置阈值或者利用区域增长策略，将均值为150，方差为400的目标与背景分离。区域增长通常从一个种子像素开始，依据一定的相似性准则（如颜色、纹理等）逐步扩大区域。
3. **Harris Corner Detector**：这是用于检测图像特征点的算法，主要包括计算角点响应矩阵，通过响应矩阵的特征值判断是否存在角点，以及非极大值抑制来去除边缘响应。Harris角点检测器考虑了图像局部灰度的变化，对于图像旋转和缩放具有较好的不变性。
4. **模板匹配与Hough变换**：两者都是图像分析中的重要工具。模板匹配是通过比较模板图像与待检测区域的相似度来定位物体；Hough变换则通过在参数空间中积累图像边缘的对应关系，寻找图像中特定形状（如直线、圆）的存在。在检测共线点时，Hough变换通常比模板匹配更精确，但计算量更大。
5. **立体视觉匹配**：立体视觉匹配的误差可能源于参数估计不准确、光照变化、噪声等因素。解决办法包括使用更稳健的匹配算法（如SIFT、SURF），进行多视图一致性检查，以及采用半全局匹配等策略来减少错误匹配。
6. **边界提取**：边界提取通常涉及梯度运算，如Sobel或Prewitt算子，以及Canny边缘检测算法。四邻域和八邻域结构元素分别考虑水平、垂直和对角方向的像素差异，以确定边界位置。
计算题部分涉及到图像处理中的基础计算，例如：
- **直方图统计**：M(0,0)和M(0,1)表示图像像素的频率统计，M(1,0)/M(0,0)代表某种比例或强度变化。
- **坐标转换**：极坐标(0.8, 30°)对应直角坐标(x, y)可通过公式x = r * cos(θ)，y = r * sin(θ)转换。
- **直方图均衡化**：通过构建累积分布函数(CDF)映射原始灰度到新的灰度，以扩大图像的动态范围。
- **滤波计算**：线性滤波的乘法次数取决于图像大小和滤波核大小。可拆分的滤波核可以减少计算量。
- **图像存储与访问**：在交叉存储下，理解图像的步长(step)和存储位置(p)对于计算特定像素的邻域位置至关重要。
- **欧拉数**：欧拉数用于描述连通组件的数目，对于图像中字符的检测和分割具有重要意义。
分析题部分涉及频率域滤波器，一阶导数滤波器在频率域表现为高通滤波，能增强高频成分，即细节部分。
算法题涉及自适应中值滤波，这是一种根据局部环境调整的噪声滤波方法，适用于去除椒盐噪声。具体步骤包括计算邻域内的中值，然后用这个中值替换中心像素的值，以去除异常值。
这份考题全面覆盖了计算机视觉的基础理论和实践技能，包括图像处理、特征检测、匹配算法、立体视觉、图像分析等多个方面。理解和掌握这些知识点对于深入学习计算机视觉至关重要。
