计算机视觉是一门涉及图像处理、机器学习和数学等多领域的综合性学科。本题主要考察了图像处理的基础知识、特征检测、图像匹配、立体视觉以及算法实现等多个方面。
1. **图像数字化**：图像数字化包括采样和量化两个步骤。采样是按照一定间隔在空间上抽取图像的亮度值，量化则是将采样得到的连续灰度值映射到离散的灰度级上。数字化的参数，如采样率和量化比特数，直接影响图像的质量。采样率过低可能导致aliasing（混叠），量化比特数少则可能导致灰度级丢失，导致图像失真。
2. **区域增长**：区域增长是一种基于像素相似性的分割方法。在本题中，可以先设定一个阈值或根据目标与背景的灰度差，从每个目标像素出发，逐步合并与其相邻且灰度值相近的像素，直至形成独立的目标区域。
3. **Harris Corner Detector**：Harris角点检测算法主要包括计算图像的差分矩阵（Ix, Iy）及其矩阵M，其中M = [Ix², IxIy; IxIy, Iy²]。接着，计算M的特征值λ1和λ2，以及特征值之积R = λ1λ2和特征值之和Tr=M(0,0)+M(1,1)。当R较大且Tr变化不大时，该点被识别为角点。
4. **模板匹配与Hough变换**：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目标，计算量主要取决于模板大小。Hough变换通过在参数空间中积累边缘点对应的直线参数，检测出图像中的直线。在检测共线点时，Hough变换通常比模板匹配的计算量大，因为它需要遍历所有可能的参数组合。
5. **立体视觉匹配**：为了减少匹配误差，可以采用半全局匹配（SGBM）、考虑上下文信息的匹配策略、多视图一致性检查、后处理（如RANSAC）等方法。同时，优化参数设置，如搜索窗口大小、成本函数、匹配阈值等，也能改善匹配精度。
6. **边界提取**：四邻域和八邻域结构元素用于边界提取时，四邻域只考虑上下左右相邻像素，而八邻域还包含对角线上的像素。这影响了边界检测的平滑性和连通性，八邻域通常能更好地保持边界连续性。
7. **计算题**：这部分涉及图像处理中的基本计算，如像素的邻接关系、直角坐标与极坐标的转换、直方图均衡化、滤波操作的计算复杂度以及图像存储位置等，需要对这些基础概念有深入理解。
8. **算法题**：自适应中值滤波是一种局部滤波方法，它根据像素周围环境动态设置滤波窗口大小。对于给定的像素序列，自适应中值滤波会选取一个合适的窗口，去除噪声并保留边缘。
9. **分析题**：一阶导数在频率域的滤波器函数H(u, v)表示为傅里叶变换后的图像的一阶导数，通常表现为高通滤波器，因为它放大高频成分，即图像的细节。周期性可通过傅里叶变换的性质得出。
以上是针对"SDU计算机视觉2020回忆版"考试内容的解析，涵盖了图像处理的基本概念、算法及应用，对于理解和掌握计算机视觉的核心知识具有重要意义。
