简介：这是一份面向计算机视觉课程期末复习的习题整理资料，基于章毓晋《计算机视觉教程》（微课版第3版）章节内容编排，覆盖距离计算、图像采集设备、相机成像、梯度与拉普拉斯算子、哈夫变换、形状分析、双目立体视觉、运动分析与动态背景建模等核心考点。资源以PDF格式提供，共1个文件，压缩包大小5.77MB，方便打印或电子阅读。目前已有4521人浏览学习，适合正在备考计算机视觉期末考试、需要针对计算题与概念题进行强化的本科生或自学者。内容包含单选、多选、判断、简答和综合习题，并附有部分解题思路与参考解析，例如基于罗伯特交叉算子、索贝尔算子的梯度图计算、哈夫变换检测直线、双目视差计算、高斯混合模型背景建模步骤等，可帮助读者系统回顾知识框架、熟悉典型题型并对照检查理解漏洞。
1. 计算机视觉教程期末复习题：看懂教材不等于做对题
我见过很多同学在期末复习时拿着一本《计算机视觉教程（第3版）》从头翻到尾，觉得每节都读得通，概念都能讲上几句，但一翻开期末复习部分的习题就卡壳——卷积核怎么摆放拿不准、直方图均衡化映射表算到一半就乱、SIFT描述子该写多少维答案时犹豫半天。问题不在记忆力，而在于教材正文是"叙述逻辑"，习题要求的是"输出逻辑"，两者之间有一道需要专门训练的鸿沟。这篇笔记想做的事情很简单：以这门课的期末复习习题为线索，把"会看"变成"会做"——先看清习题覆盖了哪些知识模块，再按题型逐个击破，最后把错题沉淀成自己的复习材料。适合正在备考这门课程、手头有配套习题但不知道从哪下手的同学，也适合想通过习题反向梳理计算机视觉核心考点的自学者。
2. 把复习题映射回教材模块：先建知识地图再做题
拿到期末复习习题，我建议不要按题目顺序从头做到尾，而是先花半小时把题目按教材的知识模块归类。原因很简单：期末复习题的编排顺序不一定等于教材章节顺序，它往往把多个章节的考点打散混编，直接顺着做容易产生"这题考哪章"的迷失感。先把题目分类，你才能看出哪些模块是考试重点，哪些模块只是零星出现。
2.1 图像增强与滤波模块：卷积和直方图的典型考法
教材前几章围绕图像增强展开，这部分几乎是期末复习习题的必考区。常见的题目形式有三种：一是给一个3×3或5×5的图像矩阵和一个2×2或3×3的卷积核，要求写出卷积后的输出矩阵；二是给一张小图像的灰度分布直方图，要求做直方图均衡化并写出新旧灰度映射关系；三是问均值滤波、中值滤波、高斯滤波分别适合处理什么类型的噪声。
做这类题的基本功是清楚卷积的计算约定：卷积核的中心对准哪个像素、边界怎么处理（补零、镜像还是截断）、步长是多少。教材里的习题通常默认补零和步长为1，但题目若没写明，要在答案开头就把假设说清楚。直方图均衡化要按"统计直方图→计算累计分布→求映射函数→代入原图灰度"的顺序写，每一步都要留出中间结果，因为阅卷时过程分占比很高。
2.2 特征提取与描述模块：SIFT、HOG、LBP各怎么考
特征提取是这本教材的中间章节重点，期末复习习题里基本不会缺席。SIFT相关的题通常让你简述特征提取流程，或者给出两幅有旋转、尺度变化的图像，问如何用SIFT完成匹配。HOG多与行人检测挂钩，问特征向量的维度怎么算、为什么要分块归一化。LBP则常以概念题出现，问它为什么对光照变化不敏感。
这类题的难点不在计算而在表述的完整性。比如答SIFT，很多同学只写"在高斯差分金字塔中检测极值点，生成128维描述子"，这些关键词单独看都对，但连在一起缺步骤。标准答案要按四步来写：尺度空间极值检测、关键点精确定位、关键点方向分配、描述子生成。缺一步就被扣一步的分。建议把这类题当作"流程默写题"来准备，每个算法的步骤在大脑中过三遍以上。
2.3 分割与检测模块：概念题和流程题的分布规律
图像分割的目标是从像素中提取有意义区域，常见方法包括阈值分割、区域生长、边缘检测辅助分割等。复习习题在该模块的考察以概念辨析和算法选择为主，例如给出一幅图像的特点（前景背景灰度差异明显、有噪声、目标形状不规则），问选择哪种分割方法更合适并说明理由。
这类题没有唯一标准答案，但答题时要踩中关键点：阈值分割适合目标和背景灰度差异大的场景，区域生长能处理灰度不均匀的目标但种子点选择影响大，边缘检测得到的边界可能不闭合、需要后续连接处理。回答时要主动写出"选什么方法、为什么、该方法有什么局限"三要素，不要只写一个方法名就结束。检测与识别部分如果出了题，大概率是"简述某个检测框架的流程"或者"比较两种特征描述子在某一场景下的优劣"，按书上给出的流程框架往里填内容即可。
2.4 立体视觉与运动分析模块：计算题集中在哪些公式
立体视觉和运动分析是教材后半部分的难点，期末复习习题在这里出的多是计算题。最典型的是双目视觉的深度计算：给定焦距、基线长度、视差，求目标深度；其次是光流计算中约束方程的简单应用；偶尔会有相机标定相关的基本概念题。
这部分对公式的依赖很强，建议把教材中涉及的几个核心公式集中抄在一张纸上：Z = fB/d（深度与视差关系）、对极约束的矩阵表达、光流基本方程等。做题时先把公式写出来，再代入数值，最后统一单位。很多同学不是不会公式，而是算到一半发现单位不对，整个结果失去意义。后面第4章我会专门讲这个坑。
3. 分题型拆解答题方法：计算题、概念题与流程题各有一套
归完类之后，下一步是把同一类型的题目一起做。题型不同，作答策略完全不同：计算题考的是步骤严谨性，概念题考的是对比的覆盖面，流程题考的是关键词的完整性。下面按题型各给一套可操作的答题路径。
3.1 卷积与滤波计算题：从矩阵到输出的四步推演
卷积计算题在期末复习习题中出现频率很高，也是新手失分重灾区。以一道典型题为例：给定3×3图像矩阵和2×2卷积核，步长为1，边界补零，求卷积输出。我的四步推演法如下。
第一步确认参数。输出尺寸由公式 (H - K + 2P)/S + 1 计算，H为输入高，K为卷积核尺寸，P为填充数，S为步长。代入本例：(3 - 2 + 0)/1 + 1 = 2，所以输出是2×2矩阵。
第二步固定锚点。将卷积核的中心视为锚点，按锚点在输入图像上从左到右、从上到下滑动。这里的"中心"对偶数尺寸核来说有所歧义，题目一般会明确约定，没约定时按左上角对齐处理。
第三步逐点计算。每次滑动时，取输入图像上被核覆盖的区域与核逐元素相乘再求和。
第四步核对边界。补零后边界出现的额外元素要确认没有漏算或重算。
import numpy as np # 输入图像 3x3 img = np.array([[1, 2, 1], [0, 1, 2], [3, 0, 1]]) # 卷积核 2x2 kernel = np.array([[1, 0], [0, 1]]) def conv2d_manual(image, k, stride=1, padding=0): h, w = image.shape kh, kw = k.shape # 边界补零 padded = np.pad(image, padding, mode='constant') out_h = (h + 2*padding - kh) // stride + 1 out_w = (w + 2*padding - kw) // stride + 1 out = np.zeros((out_h, out_w)) for i in range(out_h): for j in range(out_w): region = padded[i*stride:i*stride+kh, j*stride:j*stride+kw] out[i, j] = np.sum(region * k) return out result = conv2d_manual(img, kernel, padding=0) print(result)这段代码用最基本的三重循环实现了卷积计算，没有任何并行或加速技巧，目的就是让你能把每一步的中间结果打印出来，跟手算过程逐项对照。参数说明：padding=0表示不补零，此时输出尺寸正好是2×2；stride=1表示核每次平移一个像素。如果你把padding改成1，输出就会变成4×4，第一步手算前先想清楚这一点。
3.2 直方图均衡化计算题：累计直方图、映射表与新灰度
直方图均衡化是期末复习的计算题常客，考察你对映射关系是否真懂。以一张4×4图像、灰度等级为0到3为例，各灰度像素数分别为3、5、4、4。给你看一套错误率很高的解法，再给正确步骤。
正确步骤第一步，写灰度分布：[0级3个，1级5个，2级4个，3级4个]，总像素数16。第二步，计算累计分布函数CDF：[3, 8, 12, 16]。第三步，归一化CDF，即每个累计值除以总像素数：[3/16, 8/16, 12/16, 16/16] = [0.1875, 0.5, 0.75, 1.0]。第四步，乘上灰度范围（3-1=2），得到连续映射值，再四舍五入取整：0级映射为1，1级映射为2，2级映射为2，3级映射为3。最终映射关系写成：0→1，1→2，2→2，3→3。
import numpy as np def hist_equalize(hist, levels): """hist: 各灰度级像素数列表，levels: 灰度级总数""" total = np.sum(hist) cdf = np.cumsum(hist) # 累计直方图 cdf_norm = cdf / total # 归一化 mapping = np.round(cdf_norm * (levels - 1)).astype(int) return mapping hist = np.array([3, 5, 4, 4]) mapping = hist_equalize(hist, 4) print("映射表:", mapping)输出结果会得到 [1, 2, 2, 3]，与手算一致。注意代码里astype(int)做了截断取整而非四舍五入，这里要和教材约定保持一致——部分版本用四舍五入，部分用向下取整，习题答案以教材采用的取整规则为准。映射表有一个现象值得注意：1级和2级映射后都变成2，这说明均衡化并不是保证每级都用上，而是尽量铺开灰度范围。
3.3 概念辨析题：把相似考点整理成对比表再作答
期末复习习题中概念题占比不低，常考的是那些长得像但本质不同的名词。比如"边缘检测"和"图像分割"是什么关系、均值滤波与高斯滤波的差异、SIFT与HOG各自适应的场景。直接空对空地答很容易说不到点子上，我的习惯是先做一张对比表，考试时遇到类似题直接调用。
均值滤波与高斯滤波的对比是高频考点之一：均值滤波用窗口内像素的平均值代替中心像素，实现简单但会模糊边缘；高斯滤波用高斯权重加权平均，中心像素权重更大，边缘保留相对更好。另一个高频对比是SIFT与HOG：SIFT基于关键点局部区域，适合旋转和尺度变化明显的场景；HOG基于密集网格的梯度统计，适合行人等刚性目标的整体描述。
做对比表时注意维度要对齐：原理、计算过程、适用场景、局限、典型应用五列各写一行。考试作答时不用把整表写出，但表中踩中的每一行都是一条得分点。准备这个表的过程比结果更重要——你写表时被迫比较两者的异同，这个比较动作本身就是最好的记忆。
3.4 算法流程描述题：套用三步模板减少漏点
流程描述题在复习习题中最容易丢分，因为你觉得"差不多说清了"，但阅卷看到的是关键词缺失。以SIFT特征匹配为例，我建议用三步模板作答。
先写输入输出：输入是两幅图像，输出是匹配的特征点对集合。再写主干流程四步：构建高斯差分金字塔检测空间极值点、剔除低对比度和边缘响应点以精确定位关键点、为每个关键点分配主方向、基于梯度直方图生成描述子。最后写匹配方式：用描述子间的欧氏距离做最近邻匹配，必要时用比值法或交叉验证提纯匹配。
这个模板的关键在于每一步都要给足限定词："空间"极值点、"非极大值抑制"去除、主方向"直方图统计"、描述子"128维"。这些关键词既是得分点，也是区分你真懂还是背过话术的依据。做题时把模板先默写一遍，再往里面补细节，比直接凭印象写要可靠得多。
4. 期末复习习题中最容易踩的五个坑：看到这些现象赶紧排查
刷题过程中，有些错误你不会只犯一次，它们几乎成为每个考生的共同记忆。下面整理五类高频失分场景，每一条都按"现象→原因→解决"给出可操作的排查路径。
4.1 现象：直方图均衡化的映射结果和答案对不上
原因出在步骤选择上。最常见的是直接拿累计像素数当映射值，例如累计像素数为8就映射到8，完全忘记要除以总像素数来归一化；其次是取整规则与教材不一致，教材用四舍五入，你用了向下取整，结果自然偏离；还有一个隐蔽错误是灰度级数搞混，把灰度范围写成256而不是题目给定的灰度级总数。
解决的办法是把均衡化固定成四个步骤：统计直方图、算CDF、归一化CDF、乘灰度范围取整。每一步的中间结果写出来，最后用"原灰度→新灰度"的对账表验证一遍。如果发现映射后灰度分布逼近均匀但不完全均匀，这是正常的；如果映射后出现灰度级大量合并到一个值，就要回头检查CDF是否算错。
4.2 现象：SIFT匹配题答完感觉完整，得分却比预期低
原因是缺少匹配环节。很多同学把SIFT的流程写在特征提取就停了，没描述如何根据描述子做匹配。期末复习题目的题干常是"如何匹配两幅图像中的同一物体"，只答特征提取相当于完成了一半。
解决的办法是答题时把匹配的判定标准写全：两幅图中关键点的描述子做最近邻搜索，常用欧氏距离；为避免误匹配，用最近邻距离与次近邻距离的比值做筛选；进一步可用随机抽样一致算法剔除外点。把这几个关键词带进去，整个流程才闭环。
4.3 现象：视差计算题算出的深度数值离谱
单位不一致是元凶。双目深度公式 Z = fB/d 中，焦距 f 通常给像素单位，基线 B 给长度单位（厘米或毫米），视差 d 给像素单位。三者代入时，f 和 d 单位相消，结果单位与 B 一致。例如 f = 500 像素，B = 120 毫米，d = 32 像素，那么 Z = 500 × 120 / 32 = 1875 毫米。如果把 B 写成 12 厘米来算，得到 187.5 厘米，数值上对但单位标注不同，写错单位会被直接扣分。
解决的办法是代入前先把所有量转成统一单位制，公式写完后先看量纲是否合理。深度结果的量级也可以用来粗验：一副双目系统基线十几厘米，算出深度几十米或几毫米，大概率哪里算错了。
4.4 现象：边缘检测和阈值分割的题目混答
边缘检测和阈值分割都涉及目标轮廓，但一个是找像素梯度突变的位置，一个是按灰度分布划分像素集合。题目问"用Canny边缘检测提取目标边界"时，你答"先计算直方图再选阈值"就跑偏了。
解决的办法是在复习时就把两者的适用前提划清界线：边缘检测不做分类决策，只输出边界响应；阈值分割直接对像素做标签分配。做题时先看问题到底要求"找边界"还是"分区域"，再决定写哪套算法流程。
4.5 现象：答题只写结果和公式，略过代入步骤
期末复习的评分习惯是采点给分，跳过中间过程等于主动放弃过程分。比如视差计算题直接写个最终数值，即使结果正确也只有结果分，推导过程分全丢。
解决的办法是养成"题干摘录→公式→代换→结果→单位"的书写习惯。题干摘录用一句话写清楚已知量，公式单独一行，代换时把数字连同单位一起写出来。这个习惯平时做题时不显眼，考场上能救回不少分。
5. 把单次刷题变成可复用的自测题库：错题矩阵、三遍刷题法与验证脚本
期末复习习题不只是一份要做完的作业，更是一套可以反复使用的自测资源。做完一遍只是开始，真正的价值在于把题目拆解成你自己的错题集和知识点图谱。这一章介绍三件可落地的事：错题归因矩阵、三遍刷题法、以及用脚本验证手算结果的小工具。
5.1 错题归因矩阵：一道错题对应一个公式、一个知识点
错题不要只看答案对不对，还要归因到具体知识点。我的做法是建一个三层映射表：题目编号、错因类型、对应教材章节。错因类型分四类：计算粗心、公式记错、流程遗漏、概念混淆。每个错题在表中占一行，统计后你会发现自己的错误集中在某几类，后续复习就专攻这些类型。
例如直方图均衡化错了10道题，归因发现8道是取整规则问题，那就把教材的取整约定单独摘出来记住；SIFT错了6道，全是流程遗漏，那就只背流程七步。归因的价值在于让每一道错题都指向一个可修复的知识点，而不是停留在"这题不会做"的情绪里。
5.2 三遍刷题法：浏览、手写、复盘
同一套复习习题至少刷三遍，每一遍的目的不同。第一遍浏览，只看题不改答案，把会与不会的题做标记，时间控制在半小时内。第二遍手写，按题型做，计算题必须完整写出步骤，流程题必须默写算法步骤，这一遍是主力，也是最耗时间的。第三遍复盘，只重做第二遍做错的题，并且在旁边写一句错因描述。
三遍之间有间隔效果更好：第一天做第二遍，隔两天再做第三遍。间隔期里大脑对错误点的记忆会沉淀，重做时更能检验是否真正修复。如果你的复习时间不足一周，至少保证第二遍覆盖所有题型，第三遍只做错题。
5.3 用Python验证手算结果：卷积与直方图均衡化的小脚本
手算容易出错，尤其卷积表和映射表这种几十个数来回折腾的题。复习时我会把常见计算题写成小脚本，手算完成后跑一遍脚本对照，秒级出结果，省出的时间用来理解概念。前面3.1和3.2节的代码可以直接放到本地环境里跑，这里再补一个深度计算的验证片段。
def depth_from_disparity(f_pixel, baseline_mm, disparity_pixel): """ f_pixel: 焦距，像素单位 baseline_mm: 基线，毫米单位 disparity_pixel: 视差，像素单位 返回深度，单位毫米 """ depth_mm = (f_pixel * baseline_mm) / disparity_pixel return depth_mm # 示例：f=500, B=120mm, d=32px depth = depth_from_disparity(500, 120, 32) print(f"深度: {depth:.1f} mm / {depth/10:.1f} cm")参数说明里有个细节值得注意：函数内部没有做单位转换，单位一致性由调用者保证。这个设计是有意为之，因为考试时单位换算出错是高频失分点，脚本如果自动转换反而会掩盖问题。手动输入时每次都以毫米为单位，换算关系一目了然。
6. 考前一周的冲刺技巧：三天一轮模块轮换，把习题当试卷限时做完
考前一周里，复习习题的价值从"学会知识"转向"稳定输出"。这时候不要再逐题细抠，而是把习题当考试卷来做。我的做法是排一个三天轮换计划，每天一个模块，三天覆盖一轮，考前能轮两到三轮。
第一天做主攻模块的整套计算题，包括卷积、均衡化、视差计算，限时90分钟做完并对照答案；第二天做特征提取与分割的流程题和概念题，不需要限时，但要求每道题都按第3章的三步模板写完整；第三天把前两天做错的题重做一遍，同时把公式卡拿出来快速过一遍。轮换期间每天用半小时朗读关键流程，把SIFT四步、均衡化四步这类固定流程读成肌肉记忆。
考试当天的答题顺序也是学问。我的建议是快速浏览全卷后，先做流程题和概念题，再做计算题。理由很简单：计算题需要状态，一旦卡住容易消耗大量时间；流程题靠记忆输出，开考时头脑最清醒，先拿稳这部分分数。每道计算题先写公式再代入，最后给结果带上单位。如果某个公式一时想不起来，先跳过，不要停在那里硬想——后面的题往往能触发记忆。
这里说一个我自己的教训：当年复习时我专攻计算题，流程题只背了关键词没按顺序默写，结果考试遇到SIFT流程描述，写出来的步骤顺序颠倒，被扣了两步的分。那次之后我养成了"流程题必须完整默写、不允许跳步"的复习习惯。希望这篇笔记能帮你绕过同样的坑，期末稳稳拿下。
复习习题做透做到位，考试时你会发现，试卷上的题目全部似曾相识，区别只在于你愿不愿意平时多花那半小时把步骤写完整。希望帮到你。
本文还有配套的精品资源，点击获取
