計(jì)算機(jī)2025年計(jì)算機(jī)視覺模擬卷考試時(shí)間：______分鐘總分：______分姓名：______一、單項(xiàng)選擇題（本大題共5小題，每小題3分，共15分。在每小題列出的四個(gè)選項(xiàng)中，只有一個(gè)是符合題目要求的，請將正確選項(xiàng)字母填在題后的括號內(nèi)。）1.在連續(xù)圖像變換中，仿射變換不能保持的性質(zhì)是（）。A.點(diǎn)的鄰接關(guān)系B.線性關(guān)系C.角度大小D.長度比例2.下列哪種圖像增強(qiáng)方法屬于空間域處理方法？（）A.主成分分析（PCA）B.高斯濾波C.K-均值聚類D.線性判別分析（LDA）3.在SIFT特征描述子計(jì)算中，用于確定關(guān)鍵點(diǎn)局部特征的尺度空間極值點(diǎn)的算法是（）。A.Hough變換B.DoG（差分高斯）濾波C.RANSAC算法D.K-近鄰（KNN）算法4.在目標(biāo)檢測任務(wù)中，通常使用哪些信息來衡量檢測框與真實(shí)目標(biāo)之間的匹配程度？（）A.中心點(diǎn)距離B.重疊面積（IoU）C.均值漂移（MeanShift）D.光流矢量5.下列關(guān)于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的表述中，錯(cuò)誤的是（）。A.CNN具有局部感知和參數(shù)共享的特性B.卷積層和池化層是CNN的基本構(gòu)成單元C.全連接層通常位于CNN的輸出層D.CNN只能用于圖像分類任務(wù)二、填空題（本大題共5小題，每空2分，共10分。請將答案填寫在答題紙上對應(yīng)題號后的橫線上。）6.衡量兩個(gè)圖像之間相似度的常用指標(biāo)有峰值信噪比（PSNR）和__________。7.在相機(jī)標(biāo)定過程中，通常需要標(biāo)定板上的__________個(gè)已知世界坐標(biāo)點(diǎn)和對應(yīng)的圖像坐標(biāo)點(diǎn)來進(jìn)行求解。8.支持向量機(jī)（SVM）在計(jì)算機(jī)視覺中可用于__________和語義分割等任務(wù)。9.深度學(xué)習(xí)中，用于衡量分類任務(wù)中預(yù)測概率分布與真實(shí)標(biāo)簽之間差異的損失函數(shù)是__________。10.光流法旨在估計(jì)圖像序列中像素點(diǎn)的運(yùn)動矢量，其中Lucas-Kanade方法是一種常用的__________光流估計(jì)算法。三、簡答題（本大題共4小題，每小題5分，共20分。請將答案寫在答題紙上對應(yīng)題號后的橫線上或方框內(nèi)。）11.簡述圖像分色的基本原理及其在計(jì)算機(jī)視覺中的應(yīng)用。12.比較并說明特征點(diǎn)檢測與特征點(diǎn)描述子的主要區(qū)別和聯(lián)系。13.描述圖像配準(zhǔn)的目的是什么？簡述基于相關(guān)性的圖像配準(zhǔn)方法的基本步驟。14.簡要解釋什么是語義分割，并列舉兩種常用的語義分割方法。四、編程題（本大題共1小題，共35分。請將答案寫在答題紙上對應(yīng)題號后的區(qū)域里。）15.（假設(shè)使用Python和OpenCV庫）閱讀以下任務(wù)描述并完成編程：設(shè)有一幅彩色圖像`input_image.jpg`。請編寫程序完成以下任務(wù)：a.讀取該彩色圖像。b.將彩色圖像轉(zhuǎn)換為灰度圖像。c.對灰度圖像應(yīng)用Sobel算子進(jìn)行邊緣檢測，分別獲得x方向和y方向的邊緣強(qiáng)度圖。d.計(jì)算梯度幅值和方向。e.使用Canny算法進(jìn)行邊緣鏈接和細(xì)化，得到最終的邊緣圖。f.請?jiān)谔幚砗蟮倪吘増D上用不同顏色（例如紅色、綠色、藍(lán)色）繪制出檢測到的x方向、y方向和梯度幅值大于閾值的邊緣點(diǎn)（至少10個(gè)）。g.將處理后的圖像和繪制了邊緣點(diǎn)的圖像分別保存為`sobel_edges.jpg`和`canny_edges_with_points.jpg`。請注意，程序中需要包含必要的注釋，以解釋關(guān)鍵步驟的實(shí)現(xiàn)。五、開放題（本大題共1小題，共20分。請將答案寫在答題紙上對應(yīng)題號后的區(qū)域里。）16.當(dāng)前目標(biāo)檢測領(lǐng)域廣泛采用Transformer結(jié)構(gòu)（如ViT,DETR等）。請結(jié)合你所學(xué)知識，簡述將Transformer應(yīng)用于目標(biāo)檢測的動機(jī)，并說明這類方法可能面臨的主要挑戰(zhàn)是什么？試卷答案一、單項(xiàng)選擇題1.C2.B3.B4.B5.D二、填空題6.結(jié)構(gòu)相似性指數(shù)（SSIM）7.至少48.圖像分類9.交叉熵?fù)p失（或CategoricalCross-Entropy）10.基于梯度三、簡答題11.簡述圖像分色的基本原理及其在計(jì)算機(jī)視覺中的應(yīng)用。原理：圖像配色是將多通道（如RGB）的輸入圖像轉(zhuǎn)換為三通道或更多通道（如HSV,Lab）表示的過程。不同顏色空間具有不同的特性，例如HSV/Lab空間能更好地分離顏色信息與亮度信息，使得基于顏色的操作（如閾值分割、顏色跟蹤）更加魯棒。應(yīng)用：常用于目標(biāo)檢測與跟蹤、圖像分割（特別是基于顏色的分割）、人臉識別、場景分類等任務(wù)。12.比較并說明特征點(diǎn)檢測與特征點(diǎn)描述子的主要區(qū)別和聯(lián)系。區(qū)別：特征點(diǎn)檢測旨在識別圖像中具有獨(dú)特性、對尺度、旋轉(zhuǎn)、光照變化具有一定不變性的穩(wěn)定位置（關(guān)鍵點(diǎn)），如角點(diǎn)、斑點(diǎn)等。特征點(diǎn)描述子則是在檢測到的關(guān)鍵點(diǎn)周圍提取局部區(qū)域的圖像信息，生成一個(gè)能抵抗旋轉(zhuǎn)、光照、仿射變換甚至一定程度透視變換的向量（或矩陣），用于描述該關(guān)鍵點(diǎn)的視覺特征。聯(lián)系：特征點(diǎn)描述子依賴于特征點(diǎn)檢測算法找到的穩(wěn)定位置作為基礎(chǔ)。只有先檢測到特征點(diǎn)，才能在其鄰域提取描述子。兩者共同構(gòu)成了圖像特征提取的基礎(chǔ)，用于圖像匹配、物體識別、圖像拼接等任務(wù)。13.描述圖像配準(zhǔn)的目的是什么？簡述基于相關(guān)性的圖像配準(zhǔn)方法的基本步驟。目的：圖像配準(zhǔn)是指將兩幅或多幅在不同角度、位置、尺度或傳感器上獲取的關(guān)于同一場景或物體的圖像，通過尋找最優(yōu)的變換關(guān)系，使它們在空間上對齊的過程。步驟：（以滑動窗口相關(guān)系數(shù)為例）a.選擇一個(gè)參考圖像（固定圖像）和待配準(zhǔn)圖像（移動圖像）。b.在待配準(zhǔn)圖像上選擇一個(gè)搜索窗口，其在參考圖像上的對應(yīng)位置待定。c.對于移動圖像的每個(gè)搜索窗口位置，計(jì)算該窗口與參考圖像對應(yīng)區(qū)域之間的相似性度量（如歸一化互相關(guān)NCC）。d.找到使相似性度量最大（或最?。┑奈恢茫撐恢眉礊楫?dāng)前估計(jì)的變換后位置。e.根據(jù)估計(jì)的變換參數(shù)，將移動圖像進(jìn)行相應(yīng)的幾何變換。f.重復(fù)步驟c-d，直到滿足停止條件（如收斂或達(dá)到最大迭代次數(shù)）。14.簡要解釋什么是語義分割，并列舉兩種常用的語義分割方法。定義：語義分割是指將圖像中的每個(gè)像素分配到一個(gè)預(yù)定義的語義類別標(biāo)簽的過程，目標(biāo)是理解圖像的語義內(nèi)容，區(qū)分前景物體與背景，并識別每個(gè)像素屬于哪個(gè)類別（如人、車、樹、天空）。方法：1.基于圖割（GraphCut）的方法，如RandomWalks。2.基于深度學(xué)習(xí)的方法，如FCN（FullyConvolutionalNetwork）、U-Net。四、編程題（此處因平臺限制無法提供代碼，但應(yīng)包含以下步驟和關(guān)鍵庫調(diào)用思路）a.`img=cv2.imread('input_image.jpg',cv2.IMREAD_COLOR)`b.`gray_img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)`c.`sobelx=cv2.Sobel(gray_img,cv2.CV_64F,1,0,ksize=5)``sobely=cv2.Sobel(gray_img,cv2.CV_64F,0,1,ksize=5)`d.`magnitude=np.sqrt(sobelx2+sobely2)``direction=np.arctan2(sobely,sobelx)`e.`edges=cv2.Canny(gray_img,threshold1=50,threshold2=150)`f.（遍歷edges中的非零像素點(diǎn)，使用`cv2.circle`或`cv2.line`繪制不同顏色）例如：```python#假設(shè)edges是二值圖像，points是其中的非零像素坐標(biāo)列表forx,yinpoints:ifdirection[y,x]<0:#示例條件，實(shí)際需歸一化到[0,pi]cv2.circle(img,(x,y),2,(0,0,255),-1)#紅色elifdirection[y,x]>=0:cv2.circle(img,(x,y),2,(0,255,0),-1)#綠色ifedges[y,x]>0:cv2.circle(img,(x,y),2,(255,0,0),-1)#藍(lán)色```g.`cv2.imwrite('sobel_edges.jpg',np.hstack([gray_img,sobelx,sobely,magnitude]))``cv2.imwrite('canny_edges_with_points.jpg',img)`五、開放題簡述將Transformer應(yīng)用于目標(biāo)檢測的動機(jī)，并說明這類方法可能面臨的主要挑戰(zhàn)是什么？動機(jī)：1.全局上下文建模能力：Transformer的自注意力機(jī)制能夠捕捉圖像中任意兩個(gè)像素位置之間的依賴關(guān)系，不受局部窗口大小的限制，從而更好地理解目標(biāo)的上下文信息和長距離依賴，有助于處理尺度變化和遮擋問題。2.并行計(jì)算優(yōu)勢：自注意力機(jī)制具有較好的并行性，適合在GPU等硬件上進(jìn)行高效計(jì)算，能夠處理高分辨率圖像。3.與深度學(xué)習(xí)框架的良好兼容性：Transformer結(jié)構(gòu)可以方便地嵌入到現(xiàn)有的深度學(xué)習(xí)框架中，并結(jié)合CNN進(jìn)行特征提取。挑戰(zhàn)：1.感受野限制：原始Transformer的絕對位置編碼限制了其感受野，對于超出固定范圍的遠(yuǎn)處目標(biāo)或上下文信息可能無法有效捕捉。后續(xù)改進(jìn)方法（如相對位置編碼、SwinTransformer等）試圖緩解這個(gè)問題，但增加了模型復(fù)雜度。2.計(jì)算復(fù)雜度：自注意力機(jī)制的計(jì)算量較大（尤其是對于高分辨