1. 项目概述一份期末复习笔记的诞生与价值又到了期末季看着电脑里散落各处的PPT截图、课堂录音、实验代码和零散的文档你是不是也感到一阵头大尤其是像计算机视觉这种知识点密集、理论与实践并重的课程复习起来更是千头万绪。今天我想分享的就是我在2021年6月29日那个时间点为自己整理的一份计算机视觉期末复习笔记。这不仅仅是一次简单的资料汇总而是一次系统性的知识重构与内化过程。它帮助我从一个被动接收知识的学生转变为一个能够梳理脉络、抓住重点、并能在面试和后续学习中快速检索的主动学习者。这份笔记的核心价值在于它是一份“活”的文档。它不是教材的复刻也不是PPT的堆砌而是融合了课堂重点、个人理解、实验踩坑经验以及常见面试考点的一次深度整合。对于正在备考的同学它能帮你快速建立知识框架明确复习优先级对于希望入门计算机视觉的学习者它可以作为一份经过验证的学习路线参考对于即将面临求职面试的朋友其中梳理的核心概念和算法思想正是面试官最爱深挖的地方。接下来我将详细拆解这份笔记的构建思路、核心内容组织以及我从中提炼出的独家复习心法。2. 笔记整体架构与设计思路2.1 为何选择“主题模块化”而非“时间线”整理最初我也尝试过按上课周次来整理笔记但很快发现这行不通。计算机视觉的知识点环环相扣前后联系紧密。比如图像滤波的知识既服务于图像预处理又是特征提取的基础。如果按周整理知识点是割裂的。因此我决定采用“主题模块化”的架构。我将整个计算机视觉的知识体系划分为几个核心大模块每个模块内部再按逻辑递进关系组织小节。这样做的优势在于复习时你能看到一个完整的知识图谱理解每个技术点在整个 pipeline 中的位置和作用。我的核心模块划分如下图像基础与预处理、图像特征提取与描述、图像分割、目标检测、三维视觉基础。这个划分覆盖了当时课程的核心内容也基本对应了从低级视觉到高级视觉的处理流程。每个模块的笔记我都遵循“概念定义 - 核心算法原理 - 数学表达关键公式- 算法优缺点与应用场景 - 代码实现关键点如果有”这样的结构来组织。这确保了笔记不仅有“是什么”更有“为什么”和“怎么用”。2.2 信息源整合教材、PPT、论文与代码的融合之道一份高质量的复习笔记信息源绝不能单一。我的素材主要来自四个方面指定的经典教材如《计算机视觉算法与应用》、授课PPT、课程推荐的经典论文如SIFT、R-CNN系列以及课程实验的代码。整理时我并非简单复制粘贴。对于教材和PPT我主要提炼核心定义和算法流程图。我会用自己的话重新表述复杂概念并绘制更清晰的思维导图。对于论文我重点记录其创新点、方法的核心思想以及实验结论这对于理解算法演进脉络至关重要。而对于代码我不会把整段代码贴进去而是记录关键函数的接口、核心参数的意义、以及我在调试时遇到的典型错误和解决方法。例如在使用OpenCV的cv2.SIFT_create()时我会注明不同OpenCV版本下API的差异以及contrastThreshold这个参数对特征点数量的实际影响。这种多源信息的融合使得笔记既有理论高度又有实践温度。2.3 工具选型为什么是Markdown Git工欲善其事必先利其器。我放弃了Word或OneNote选择了Markdown作为笔记的编写语言。原因很简单纯文本、格式简洁、专注内容。我可以快速用#定义标题用**加粗重点用代码块嵌入公式或代码片段。更重要的是Markdown文件可以被任何文本编辑器打开兼容性极强。但更关键的一步是我将整个笔记目录用Git进行版本管理。我在本地建立了Git仓库每完成一个模块的整理就做一次提交。这样做的好处太多了首先它是完美的备份我不怕文件丢失或误删。其次版本历史清晰可见我可以回溯到任何一天查看当时的理解。比如我后来对卷积神经网络反向传播的理解深化了我可以轻松地对比现在的笔记和最初的版本看到自己思维的成长轨迹。最后Git的diff功能让我能清晰地知道每次修改了哪里这对于持续迭代的复习资料来说是管理上的巨大优势。我使用VS Code作为编辑器其内置的Markdown预览和Git图形化界面让整个写作和管理过程非常流畅。3. 核心知识模块深度解析3.1 模块一图像基础与预处理——一切分析的起点这一部分是整个计算机视觉的基石看似简单却最容易在考试和面试中因细节丢分。我的笔记从这里开始重点厘清了几个关键概念。数字图像的表示我不仅记录了灰度图和彩色图RGB HSV的矩阵表示还特别强调了图像坐标系OpenCV中原点在左上角y轴向下与数学坐标系的不同。这是编程时无数bug的根源。我附上了一个简单的示例代码用cv2.circle()画点来直观展示坐标差异。基本的图像处理操作这里我按目的进行了分类整理。灰度化记录了常用的加权平均法cv2.COLOR_BGR2GRAY背后的原理并对比了与简单平均的效果差异。几何变换重点梳理了仿射变换和投影变换透视变换的联系与区别。我画了一个表格对比了它们的变换矩阵形式、自由度以及能保持的几何性质平行线、直线等。复习时我要求自己能默写出绕原点旋转的变换矩阵并理解为什么平移需要引入齐次坐标。像素关系明确了4-邻域、8-邻域、m-邻域的定义并指出在连通分量分析等算法中如何选择这是后续分割算法的基础。实操心得在实现双线性插值时很多同学只记公式却忽略了边界处理。我的笔记里记录了一个踩坑点当反向映射得到的源图像坐标是浮点数且靠近边界时直接取整会导致访问越界。正确的做法是先判断坐标是否在图像范围内对于越界点可以直接赋0或边界值或者采用边缘填充padding后再采样。这个细节在笔试编程题中经常出现。3.2 模块二图像特征提取与描述——让计算机“看见”关键这是传统计算机视觉的核心也是面试中的重中之重。我的笔记以“特征点”和“特征描述子”为两条主线展开。特征点检测我对比了几个里程碑式的算法。Harris角点检测我推导了其核心思想——通过窗口内灰度变化的自相关矩阵M的特征值来判断。我并没有死记公式而是整理了判断逻辑如果两个特征值都小是平坦区域一个大一个小是边缘两个都大是角点。我还记录了OpenCV中cv2.cornerHarris()函数中blockSize和k参数的经验取值范围。SIFT尺度不变特征变换这是复习的难点和重点。我用自己的理解梳理了四步流程尺度空间极值检测用高斯差分金字塔DoG找关键点、关键点定位剔除低对比度和边缘响应点、方向分配利用梯度直方图、生成描述子16x16邻域4x4子区域8方向梯度直方图形成128维向量。我特别绘制了描述子生成的示意图帮助记忆。SURF与ORB作为SIFT的加速版本我整理了它们的核心改进。SURF用盒式滤波器近似LoG用积分图像加速ORB则基于FAST关键点BRIEF描述子并加入了方向不变性改进。我制作了一个对比表格从专利、速度、旋转/尺度不变性、鲁棒性几个方面进行对比结论是追求精度用SIFT追求速度用ORB。特征匹配介绍了最近邻匹配NN和最近邻距离比匹配NN-DR。我强调NN-DR即Lowe‘s ratio test是实践中抑制错误匹配的关键通常比值阈值取0.7或0.8。我还简要提到了RANSAC算法用于在匹配点对中估计单应性矩阵从而进一步剔除外点这是实现稳定图像拼接或目标识别的必要后处理步骤。3.3 模块三图像分割——从像素到对象分割是将图像分解为有意义的区域。我按算法类型组织了这部分内容。基于阈值的分割记录了全局阈值、自适应阈值cv2.adaptiveThreshold和Otsu大津法。我重点推导了Otsu法的原理——最大化类间方差并附上了计算类间方差的公式和代码实现步骤因为这是考试计算题的常见考点。基于区域的分割讲解了区域生长和分水岭算法。对于分水岭我强调了它的隐喻将图像灰度看作地形局部最小值点“注水”水坝边界即为分割线。同时指出了它的过分割问题并记录了解决方案通常需要结合标记markers使用距离变换后的结果作为输入并通过cv2.findContours找到确定的前景和背景区域作为标记。基于边缘的分割核心是边缘检测算子。我对比了Sobel、Prewitt、Laplacian和Canny算子。Canny是绝对重点我详细拆解了其非极大值抑制和双阈值连接两个步骤。在笔记中我画了一个小图说明非极大值抑制是如何在梯度方向上比较只保留局部最大值的点。对于双阈值我注明了一般将高阈值设为低阈值的2-3倍并解释了如何通过强边缘、弱边缘和抑制来连接断开的边缘。基于图论的分割Graph Cut / GrabCut这部分较难我主要理解了其思想。将图像建模为图像素为节点边权代表像素间相似性n-links和像素与前景/背景模型的相似性t-links。分割问题转化为求图的最小割即移除一些边使得前景和背景子图分离且移除边的总权重最小。GrabCut是交互式改进用高斯混合模型GMM建模颜色分布通过迭代优化获得更好结果。我记录了OpenCV中cv2.grabCut()函数的基本用法和掩膜参数含义。3.4 模块四目标检测——定位与识别合一这是从传统方法到深度学习过渡的关键模块。我的笔记呈现了一个清晰的演进路线。传统方法Viola-Jones 人脸检测虽然现在已不常用但其思想非常经典。我总结了它的三个核心贡献1.Haar-like特征快速计算2.积分图极速计算矩形区域像素和3.级联分类器由Adaboost训练的一系列强分类器组成快速排除负样本。我着重理解了积分图的递推公式和如何使用它计算任意矩形区域的和。深度学习时代开启R-CNN 系列这是必须捋清的主线。R-CNN开创性的两阶段框架。步骤 Selective Search提取约2000个候选区域 - 每个区域缩放到固定大小 - 用CNN如AlexNet提取特征 - 用SVM分类 线性回归修正边界框。我分析了其致命缺点对每个候选区域独立做CNN前向传播速度极慢且训练分多阶段微调CNN、训练SVM、训练BBox回归器复杂。Fast R-CNN主要改进将整张图输入CNN得到特征图 - 通过RoI投影在特征图上找到每个候选区域对应的特征区域 - 通过RoI Pooling层将不同大小的区域特征统一到固定尺寸 - 后续接全连接层同时完成分类和BBox回归。这样实现了大部分计算共享大幅提速。Faster R-CNN革命性改进用区域提议网络RPN替代了耗时的Selective Search。RPN是一个全卷积网络在特征图上滑动在每个位置生成k个不同尺度和长宽比的锚框anchor并预测每个锚框是前景的概率和初步的边界框偏移量。这样候选区域生成也融入了深度学习框架实现了端到端训练速度和质量再上新台阶。YOLO 与 SSD单阶段检测器的哲学与两阶段方法“先提议再分类”不同单阶段方法将检测视为回归问题。YOLO将图像划分为SxS的网格每个网格负责预测中心落在该网格内的物体。每个网格预测B个边界框及其置信度以及C个类别的条件概率。其核心思想是“看一遍就出结果”速度极快但早期版本对小物体和密集物体检测效果一般。SSD结合了YOLO的回归思想和Faster R-CNN的锚框机制。它在不同尺度的特征图上进行预测浅层特征图感受野小适合检测小物体深层特征图感受野大适合检测大物体。这种多尺度预测显著提升了对不同大小物体的检测能力。我的笔记里用表格对比了Faster R-CNN、YOLOv3和SSD在速度、精度、特点上的差异并指出在实际项目中如何根据需求实时性要求、精度要求、硬件资源进行选择。4. 复习策略与应试技巧实录4.1 如何高效记忆复杂算法流程面对SIFT、R-CNN这类多步骤算法死记硬背效率极低。我采用的方法是“故事化”和“图示化”。故事化给算法编一个故事。比如SIFT我想象成一个探险家检测器在不同高度的山峰尺度空间寻找宝藏极值点找到后用精密仪器剔除边缘响应和低对比度点确认宝藏真伪然后用罗盘梯度方向记录宝藏朝向最后用一张藏宝图128维描述子精确描述宝藏周围环境。这个过程让枯燥的步骤有了画面感和逻辑链。图示化在笔记的空白处或者单独用白纸亲手绘制算法的核心流程图。例如绘制Faster R-CNN的架构图标出“输入图像 - 骨干网络 - 特征图 - RPN - RoI Pooling - 分类/回归头”的数据流。画一遍胜过看十遍。对于卷积、池化等操作我会画一个小矩阵手动模拟计算过程加深理解。4.2 公式与推导掌握核心不必面面俱到计算机视觉涉及不少数学公式如Harris矩阵、Otsu类间方差、卷积运算等。我的策略是理解公式的物理意义和推导逻辑而不是背诵符号。对于核心公式我会在笔记上留出位置尝试自己推导一遍。比如推导Otsu法的类间方差公式理解它如何衡量前景与背景的分离程度。对于卷积、相关等运算我明确其物理意义卷积是滤波相关是匹配。考试时只要理解了原理即使记不清公式的具体形式也能通过逻辑描述得分。我特别整理了3-5个最核心、最常考的公式如卷积计算、IoU计算、交叉熵损失等确保能准确默写。4.3 代码与实践题备考要点很多考试会涉及伪代码分析或简单的编程题。我从实验代码中提炼了以下备考要点OpenCV常用API记住关键函数的名字和核心参数顺序。例如cv2.imread的第二个参数读取模式cv2.cvtColor的颜色空间转换码cv2.resize的插值方法cv2.threshold的阈值类型等。算法关键步骤的代码实现对于要求实现的算法如Canny边缘检测、直方图均衡化我准备了简洁的伪代码框架。重点是描述清楚步骤比如Canny的“高斯滤波 - 计算梯度 - 非极大值抑制 - 双阈值检测”四步每一步要做什么输入输出是什么。结果分析能根据代码或算法描述预测输出结果。例如给定一个卷积核能说出它对图像会产生什么效果模糊、锐化、边缘检测等调整某个参数如Canny的高低阈值能推断结果会如何变化。4.4 面试常见问题深度准备基于笔记内容和网络上的面经我总结了几个必问的方向并准备了回答思路SIFT vs SURF vs ORB从特征点检测方法、描述子生成、是否专利保护、计算效率、不变性等方面对比。回答时要有自己的见解比如“在实时性要求高的移动端我会优先考虑ORB”。R-CNN系列演进清晰地说明从R-CNN到Faster R-CNN每一步解决了什么问题速度、精度、端到端核心改进是什么SPP Net, Fast R-CNN的RoI Pooling, Faster R-CNN的RPN。两阶段 vs 单阶段检测器理解根本区别有无显式的区域提议阶段并能分析各自的优缺点两阶段通常精度高、速度慢单阶段速度快、精度略低但SSD/YOLO后续版本差距缩小。过拟合与解决方法这是深度学习通用问题。要能说出数据增强、Dropout、L1/L2正则化、早停等具体方法并结合计算机视觉举例如数据增强可以用旋转、裁剪、颜色抖动等。项目经历即使课程实验也要能清晰阐述你做了什么用了什么方法遇到了什么问题如何解决的有什么收获。用STAR法则情境、任务、行动、结果来组织语言。5. 笔记的迭代与长效价值期末考完这份笔记的使命并未结束。我将它视为一个可以持续迭代的知识库。考后复盘考试结束后我立刻在笔记中添加了一个“考题回顾”章节记录下考试中出现的概念题、计算题和开放题。分析哪些知识点复习到了哪些是盲区。这对我理解老师的出题思路和重点有极大帮助。对接后续学习与面试在准备研究生面试或求职面试时这份笔记成了我的“武功秘籍”。我不需要再重新翻看厚厚的教材和杂乱的资料直接在这份结构清晰的笔记中检索即可。例如当被问到“详细解释一下非极大值抑制在目标检测中的应用”我不仅能说出在Canny中的用途还能延伸到它在目标检测后处理中用于剔除同一物体上重叠度高的冗余预测框并解释其算法步骤按置信度排序、计算IoU、抑制低分框。工具化我利用Markdown的易读性将笔记导出为PDF方便在平板电脑上阅读批注。同时由于笔记是纯文本我可以轻松地使用搜索功能查找任何关键词效率远超翻书。整理这份计算机视觉期末复习笔记的过程远比最终得到的那份文档更重要。它强迫我进行深度思考、建立知识连接、并形成自己的知识体系。它不仅仅是为了通过一次考试更是培养了一种高效学习与知识管理的能力。直到今天当我需要快速回顾某个传统视觉算法时我依然会打开那个标记着“20210629”的文件夹。希望我的这份经验梳理能为你自己的学习之路提供一些切实可行的参考。记住最好的笔记是你自己思考过的笔记。 计算机视觉期末复习笔记：从知识重构到面试实战的完整指南
1. 项目概述一份期末复习笔记的诞生与价值又到了期末季看着电脑里散落各处的PPT截图、课堂录音、实验代码和零散的文档你是不是也感到一阵头大尤其是像计算机视觉这种知识点密集、理论与实践并重的课程复习起来更是千头万绪。今天我想分享的就是我在2021年6月29日那个时间点为自己整理的一份计算机视觉期末复习笔记。这不仅仅是一次简单的资料汇总而是一次系统性的知识重构与内化过程。它帮助我从一个被动接收知识的学生转变为一个能够梳理脉络、抓住重点、并能在面试和后续学习中快速检索的主动学习者。这份笔记的核心价值在于它是一份“活”的文档。它不是教材的复刻也不是PPT的堆砌而是融合了课堂重点、个人理解、实验踩坑经验以及常见面试考点的一次深度整合。对于正在备考的同学它能帮你快速建立知识框架明确复习优先级对于希望入门计算机视觉的学习者它可以作为一份经过验证的学习路线参考对于即将面临求职面试的朋友其中梳理的核心概念和算法思想正是面试官最爱深挖的地方。接下来我将详细拆解这份笔记的构建思路、核心内容组织以及我从中提炼出的独家复习心法。2. 笔记整体架构与设计思路2.1 为何选择“主题模块化”而非“时间线”整理最初我也尝试过按上课周次来整理笔记但很快发现这行不通。计算机视觉的知识点环环相扣前后联系紧密。比如图像滤波的知识既服务于图像预处理又是特征提取的基础。如果按周整理知识点是割裂的。因此我决定采用“主题模块化”的架构。我将整个计算机视觉的知识体系划分为几个核心大模块每个模块内部再按逻辑递进关系组织小节。这样做的优势在于复习时你能看到一个完整的知识图谱理解每个技术点在整个 pipeline 中的位置和作用。我的核心模块划分如下图像基础与预处理、图像特征提取与描述、图像分割、目标检测、三维视觉基础。这个划分覆盖了当时课程的核心内容也基本对应了从低级视觉到高级视觉的处理流程。每个模块的笔记我都遵循“概念定义 - 核心算法原理 - 数学表达关键公式- 算法优缺点与应用场景 - 代码实现关键点如果有”这样的结构来组织。这确保了笔记不仅有“是什么”更有“为什么”和“怎么用”。2.2 信息源整合教材、PPT、论文与代码的融合之道一份高质量的复习笔记信息源绝不能单一。我的素材主要来自四个方面指定的经典教材如《计算机视觉算法与应用》、授课PPT、课程推荐的经典论文如SIFT、R-CNN系列以及课程实验的代码。整理时我并非简单复制粘贴。对于教材和PPT我主要提炼核心定义和算法流程图。我会用自己的话重新表述复杂概念并绘制更清晰的思维导图。对于论文我重点记录其创新点、方法的核心思想以及实验结论这对于理解算法演进脉络至关重要。而对于代码我不会把整段代码贴进去而是记录关键函数的接口、核心参数的意义、以及我在调试时遇到的典型错误和解决方法。例如在使用OpenCV的cv2.SIFT_create()时我会注明不同OpenCV版本下API的差异以及contrastThreshold这个参数对特征点数量的实际影响。这种多源信息的融合使得笔记既有理论高度又有实践温度。2.3 工具选型为什么是Markdown Git工欲善其事必先利其器。我放弃了Word或OneNote选择了Markdown作为笔记的编写语言。原因很简单纯文本、格式简洁、专注内容。我可以快速用#定义标题用**加粗重点用代码块嵌入公式或代码片段。更重要的是Markdown文件可以被任何文本编辑器打开兼容性极强。但更关键的一步是我将整个笔记目录用Git进行版本管理。我在本地建立了Git仓库每完成一个模块的整理就做一次提交。这样做的好处太多了首先它是完美的备份我不怕文件丢失或误删。其次版本历史清晰可见我可以回溯到任何一天查看当时的理解。比如我后来对卷积神经网络反向传播的理解深化了我可以轻松地对比现在的笔记和最初的版本看到自己思维的成长轨迹。最后Git的diff功能让我能清晰地知道每次修改了哪里这对于持续迭代的复习资料来说是管理上的巨大优势。我使用VS Code作为编辑器其内置的Markdown预览和Git图形化界面让整个写作和管理过程非常流畅。3. 核心知识模块深度解析3.1 模块一图像基础与预处理——一切分析的起点这一部分是整个计算机视觉的基石看似简单却最容易在考试和面试中因细节丢分。我的笔记从这里开始重点厘清了几个关键概念。数字图像的表示我不仅记录了灰度图和彩色图RGB HSV的矩阵表示还特别强调了图像坐标系OpenCV中原点在左上角y轴向下与数学坐标系的不同。这是编程时无数bug的根源。我附上了一个简单的示例代码用cv2.circle()画点来直观展示坐标差异。基本的图像处理操作这里我按目的进行了分类整理。灰度化记录了常用的加权平均法cv2.COLOR_BGR2GRAY背后的原理并对比了与简单平均的效果差异。几何变换重点梳理了仿射变换和投影变换透视变换的联系与区别。我画了一个表格对比了它们的变换矩阵形式、自由度以及能保持的几何性质平行线、直线等。复习时我要求自己能默写出绕原点旋转的变换矩阵并理解为什么平移需要引入齐次坐标。像素关系明确了4-邻域、8-邻域、m-邻域的定义并指出在连通分量分析等算法中如何选择这是后续分割算法的基础。实操心得在实现双线性插值时很多同学只记公式却忽略了边界处理。我的笔记里记录了一个踩坑点当反向映射得到的源图像坐标是浮点数且靠近边界时直接取整会导致访问越界。正确的做法是先判断坐标是否在图像范围内对于越界点可以直接赋0或边界值或者采用边缘填充padding后再采样。这个细节在笔试编程题中经常出现。3.2 模块二图像特征提取与描述——让计算机“看见”关键这是传统计算机视觉的核心也是面试中的重中之重。我的笔记以“特征点”和“特征描述子”为两条主线展开。特征点检测我对比了几个里程碑式的算法。Harris角点检测我推导了其核心思想——通过窗口内灰度变化的自相关矩阵M的特征值来判断。我并没有死记公式而是整理了判断逻辑如果两个特征值都小是平坦区域一个大一个小是边缘两个都大是角点。我还记录了OpenCV中cv2.cornerHarris()函数中blockSize和k参数的经验取值范围。SIFT尺度不变特征变换这是复习的难点和重点。我用自己的理解梳理了四步流程尺度空间极值检测用高斯差分金字塔DoG找关键点、关键点定位剔除低对比度和边缘响应点、方向分配利用梯度直方图、生成描述子16x16邻域4x4子区域8方向梯度直方图形成128维向量。我特别绘制了描述子生成的示意图帮助记忆。SURF与ORB作为SIFT的加速版本我整理了它们的核心改进。SURF用盒式滤波器近似LoG用积分图像加速ORB则基于FAST关键点BRIEF描述子并加入了方向不变性改进。我制作了一个对比表格从专利、速度、旋转/尺度不变性、鲁棒性几个方面进行对比结论是追求精度用SIFT追求速度用ORB。特征匹配介绍了最近邻匹配NN和最近邻距离比匹配NN-DR。我强调NN-DR即Lowe‘s ratio test是实践中抑制错误匹配的关键通常比值阈值取0.7或0.8。我还简要提到了RANSAC算法用于在匹配点对中估计单应性矩阵从而进一步剔除外点这是实现稳定图像拼接或目标识别的必要后处理步骤。3.3 模块三图像分割——从像素到对象分割是将图像分解为有意义的区域。我按算法类型组织了这部分内容。基于阈值的分割记录了全局阈值、自适应阈值cv2.adaptiveThreshold和Otsu大津法。我重点推导了Otsu法的原理——最大化类间方差并附上了计算类间方差的公式和代码实现步骤因为这是考试计算题的常见考点。基于区域的分割讲解了区域生长和分水岭算法。对于分水岭我强调了它的隐喻将图像灰度看作地形局部最小值点“注水”水坝边界即为分割线。同时指出了它的过分割问题并记录了解决方案通常需要结合标记markers使用距离变换后的结果作为输入并通过cv2.findContours找到确定的前景和背景区域作为标记。基于边缘的分割核心是边缘检测算子。我对比了Sobel、Prewitt、Laplacian和Canny算子。Canny是绝对重点我详细拆解了其非极大值抑制和双阈值连接两个步骤。在笔记中我画了一个小图说明非极大值抑制是如何在梯度方向上比较只保留局部最大值的点。对于双阈值我注明了一般将高阈值设为低阈值的2-3倍并解释了如何通过强边缘、弱边缘和抑制来连接断开的边缘。基于图论的分割Graph Cut / GrabCut这部分较难我主要理解了其思想。将图像建模为图像素为节点边权代表像素间相似性n-links和像素与前景/背景模型的相似性t-links。分割问题转化为求图的最小割即移除一些边使得前景和背景子图分离且移除边的总权重最小。GrabCut是交互式改进用高斯混合模型GMM建模颜色分布通过迭代优化获得更好结果。我记录了OpenCV中cv2.grabCut()函数的基本用法和掩膜参数含义。3.4 模块四目标检测——定位与识别合一这是从传统方法到深度学习过渡的关键模块。我的笔记呈现了一个清晰的演进路线。传统方法Viola-Jones 人脸检测虽然现在已不常用但其思想非常经典。我总结了它的三个核心贡献1.Haar-like特征快速计算2.积分图极速计算矩形区域像素和3.级联分类器由Adaboost训练的一系列强分类器组成快速排除负样本。我着重理解了积分图的递推公式和如何使用它计算任意矩形区域的和。深度学习时代开启R-CNN 系列这是必须捋清的主线。R-CNN开创性的两阶段框架。步骤 Selective Search提取约2000个候选区域 - 每个区域缩放到固定大小 - 用CNN如AlexNet提取特征 - 用SVM分类 线性回归修正边界框。我分析了其致命缺点对每个候选区域独立做CNN前向传播速度极慢且训练分多阶段微调CNN、训练SVM、训练BBox回归器复杂。Fast R-CNN主要改进将整张图输入CNN得到特征图 - 通过RoI投影在特征图上找到每个候选区域对应的特征区域 - 通过RoI Pooling层将不同大小的区域特征统一到固定尺寸 - 后续接全连接层同时完成分类和BBox回归。这样实现了大部分计算共享大幅提速。Faster R-CNN革命性改进用区域提议网络RPN替代了耗时的Selective Search。RPN是一个全卷积网络在特征图上滑动在每个位置生成k个不同尺度和长宽比的锚框anchor并预测每个锚框是前景的概率和初步的边界框偏移量。这样候选区域生成也融入了深度学习框架实现了端到端训练速度和质量再上新台阶。YOLO 与 SSD单阶段检测器的哲学与两阶段方法“先提议再分类”不同单阶段方法将检测视为回归问题。YOLO将图像划分为SxS的网格每个网格负责预测中心落在该网格内的物体。每个网格预测B个边界框及其置信度以及C个类别的条件概率。其核心思想是“看一遍就出结果”速度极快但早期版本对小物体和密集物体检测效果一般。SSD结合了YOLO的回归思想和Faster R-CNN的锚框机制。它在不同尺度的特征图上进行预测浅层特征图感受野小适合检测小物体深层特征图感受野大适合检测大物体。这种多尺度预测显著提升了对不同大小物体的检测能力。我的笔记里用表格对比了Faster R-CNN、YOLOv3和SSD在速度、精度、特点上的差异并指出在实际项目中如何根据需求实时性要求、精度要求、硬件资源进行选择。4. 复习策略与应试技巧实录4.1 如何高效记忆复杂算法流程面对SIFT、R-CNN这类多步骤算法死记硬背效率极低。我采用的方法是“故事化”和“图示化”。故事化给算法编一个故事。比如SIFT我想象成一个探险家检测器在不同高度的山峰尺度空间寻找宝藏极值点找到后用精密仪器剔除边缘响应和低对比度点确认宝藏真伪然后用罗盘梯度方向记录宝藏朝向最后用一张藏宝图128维描述子精确描述宝藏周围环境。这个过程让枯燥的步骤有了画面感和逻辑链。图示化在笔记的空白处或者单独用白纸亲手绘制算法的核心流程图。例如绘制Faster R-CNN的架构图标出“输入图像 - 骨干网络 - 特征图 - RPN - RoI Pooling - 分类/回归头”的数据流。画一遍胜过看十遍。对于卷积、池化等操作我会画一个小矩阵手动模拟计算过程加深理解。4.2 公式与推导掌握核心不必面面俱到计算机视觉涉及不少数学公式如Harris矩阵、Otsu类间方差、卷积运算等。我的策略是理解公式的物理意义和推导逻辑而不是背诵符号。对于核心公式我会在笔记上留出位置尝试自己推导一遍。比如推导Otsu法的类间方差公式理解它如何衡量前景与背景的分离程度。对于卷积、相关等运算我明确其物理意义卷积是滤波相关是匹配。考试时只要理解了原理即使记不清公式的具体形式也能通过逻辑描述得分。我特别整理了3-5个最核心、最常考的公式如卷积计算、IoU计算、交叉熵损失等确保能准确默写。4.3 代码与实践题备考要点很多考试会涉及伪代码分析或简单的编程题。我从实验代码中提炼了以下备考要点OpenCV常用API记住关键函数的名字和核心参数顺序。例如cv2.imread的第二个参数读取模式cv2.cvtColor的颜色空间转换码cv2.resize的插值方法cv2.threshold的阈值类型等。算法关键步骤的代码实现对于要求实现的算法如Canny边缘检测、直方图均衡化我准备了简洁的伪代码框架。重点是描述清楚步骤比如Canny的“高斯滤波 - 计算梯度 - 非极大值抑制 - 双阈值检测”四步每一步要做什么输入输出是什么。结果分析能根据代码或算法描述预测输出结果。例如给定一个卷积核能说出它对图像会产生什么效果模糊、锐化、边缘检测等调整某个参数如Canny的高低阈值能推断结果会如何变化。4.4 面试常见问题深度准备基于笔记内容和网络上的面经我总结了几个必问的方向并准备了回答思路SIFT vs SURF vs ORB从特征点检测方法、描述子生成、是否专利保护、计算效率、不变性等方面对比。回答时要有自己的见解比如“在实时性要求高的移动端我会优先考虑ORB”。R-CNN系列演进清晰地说明从R-CNN到Faster R-CNN每一步解决了什么问题速度、精度、端到端核心改进是什么SPP Net, Fast R-CNN的RoI Pooling, Faster R-CNN的RPN。两阶段 vs 单阶段检测器理解根本区别有无显式的区域提议阶段并能分析各自的优缺点两阶段通常精度高、速度慢单阶段速度快、精度略低但SSD/YOLO后续版本差距缩小。过拟合与解决方法这是深度学习通用问题。要能说出数据增强、Dropout、L1/L2正则化、早停等具体方法并结合计算机视觉举例如数据增强可以用旋转、裁剪、颜色抖动等。项目经历即使课程实验也要能清晰阐述你做了什么用了什么方法遇到了什么问题如何解决的有什么收获。用STAR法则情境、任务、行动、结果来组织语言。5. 笔记的迭代与长效价值期末考完这份笔记的使命并未结束。我将它视为一个可以持续迭代的知识库。考后复盘考试结束后我立刻在笔记中添加了一个“考题回顾”章节记录下考试中出现的概念题、计算题和开放题。分析哪些知识点复习到了哪些是盲区。这对我理解老师的出题思路和重点有极大帮助。对接后续学习与面试在准备研究生面试或求职面试时这份笔记成了我的“武功秘籍”。我不需要再重新翻看厚厚的教材和杂乱的资料直接在这份结构清晰的笔记中检索即可。例如当被问到“详细解释一下非极大值抑制在目标检测中的应用”我不仅能说出在Canny中的用途还能延伸到它在目标检测后处理中用于剔除同一物体上重叠度高的冗余预测框并解释其算法步骤按置信度排序、计算IoU、抑制低分框。工具化我利用Markdown的易读性将笔记导出为PDF方便在平板电脑上阅读批注。同时由于笔记是纯文本我可以轻松地使用搜索功能查找任何关键词效率远超翻书。整理这份计算机视觉期末复习笔记的过程远比最终得到的那份文档更重要。它强迫我进行深度思考、建立知识连接、并形成自己的知识体系。它不仅仅是为了通过一次考试更是培养了一种高效学习与知识管理的能力。直到今天当我需要快速回顾某个传统视觉算法时我依然会打开那个标记着“20210629”的文件夹。希望我的这份经验梳理能为你自己的学习之路提供一些切实可行的参考。记住最好的笔记是你自己思考过的笔记。