计算机视觉期末复习提分攻略：直方图均衡、滤波与边缘检测-平芜编程栈

简介：面向计算机视觉期末备考的习题集，对应章毓晋《计算机视觉教程（微课版第3版）》核心章节，适合需要刷题和梳理计算题套路的学生。内容覆盖距离计算（欧式、城市、棋盘）、CCD/CMOS/CID图像采集器件、相机成像尺寸与空间点投影坐标、Roberts/Prewitt/Sobel梯度算子、拉普拉斯算子、Hough变换检测直线与四边形、形状分析指标（外观比、形状因子、偏心率等）、双目立体视觉视差与深度计算，以及运动分析、运动检测（图像差法/模型法）和高斯混合模型动态背景建模。题型包括单选、多选、判断、简答和综合题，并附有解答或求解思路，可对照教材章节逐项巩固。资源为单个PDF文件，压缩包大小5.77MB，方便打印和手机阅读。目前已有4521人学习，是期末快速串联图像处理与计算机视觉主干知识的实用资料。

1. 期末复习为什么总卡在这本教材的习题上：先看清它考什么

计算机视觉的期末复习，最消磨人的不是题难，而是不知道从哪下手。对着微课版第3版教程的期末复习题，很多同学第一反应是把书从头翻到尾，结果翻了三天，脑子里只剩一堆零散的算子和公式。这张卷子几乎不考死记硬背，它把「概念辨析、计算推导、小段编程」三类能力混在同一次考试里。光会看不会算，会算又说不清适用条件，都会实实在在丢分。这篇文章把「复习」当成一个小项目拆开：知识主线怎么划、概念题怎么答、计算和代码题怎么练、哪几个坑年年有人踩。适合既想拿分又不想靠熬夜硬撑的同学照着一路做下去。

2. 整本教程的知识主线与命题权重：先建坐标系再刷题

刷题之前，先花一个晚上把教材的「骨架」立起来，这个时间非常值。微课版教程在结构上分成图像获取、图像处理、图像分析三大段，期末卷子的出题位置基本就沿着这条线走。把这根主线刻进脑子，碰到一道习题就能快速定位：它考的是「原始图像怎么来」，「中间图像怎么变清晰」还是「最终信息怎么抽出来」。

2.1 从图像获取到图像理解：教材的“三段式骨架”为什么值得先背

教材第一段围绕图像获取，采样、量化、像素间的基本关系，这些内容在期末卷上通常以小分概念题出现，偶尔会搭配一道采样率或灰度级数量的计算题。第二段是图像处理，增强、恢复、彩色处理，这是计算题的主产区。第三段是图像分析，分割、描述、识别，概念题和简答题常从这里出，偶尔也会考分割阈值的计算。

理解这套编排的关键在于「退化模型」这条暗线。图像增强不考虑图像为什么变差，只按主观需要处理；图像恢复必须显式建模退化过程；图像分割则是从「怎么把目标从背景里分出来」这个任务出发。教材把这三块放在不同章节，不是因为它们没有联系，而是因为解决问题的前提假设完全不同。复习时抓住这个差异，比单独背每一章的公式更省力。

期末考试中，图像增强和图像分割的出场率最高。前者是因为它既有灰度变换、直方图操作这类简单计算，又能搭配滤波算子出中档题；后者是因为分割方法多，阈值分割、边缘检测、区域生长每一类都可以独立出题。图像恢复和图像描述次之，通常和「给出退化模型」的场景绑定出现。图像获取和彩色图像往往占少量选择、填空，但不值得投入大量时间。

我在复习时会先做一件事：把教材目录抄在一张A4纸上，在每一章标题旁边标「概念 or 计算 or 两者都考」。标完之后发现，真正需要完整掌握计算过程的章节只有六到八章，其余章节用「概念+适用条件」的粒度复习就够了。这一步能让后续投入的方向感完全不同。

2.2 用“高、中、低”三级给章节分配复习弹药：一张表定投入节奏

优先级	章节模块	期末出题特征	建议复习动作
高	图像增强（灰度变换、直方图、空间滤波）	计算题主力，概念题也出	手推一遍直方图均衡；写一遍均值/中值滤波
高	图像分割（边缘、阈值、区域）	计算与概念比例均衡	掌握Sobel/Canny计算流程；理解全局阈值局限
中	图像恢复（退化模型、逆滤波）	常给场景让判断方法	记住退化模型表达式；分清恢复与增强边界
中	图像描述与特征	简答为主	会列特征类型：形状、纹理、矩描述
低	图像获取与彩色	选择填空小分	记住采样定理、灰度级数公式即可

这个优先级表的价值在于，它把「复习期望」从「整本书都要看懂」降级为「重点章节彻底拿下」。很多人期末翻车，翻的不是难题，而是把大量时间耗在低频章节，高频章节反而只做了一遍例题。按表分配，高优先级章节每章至少做两遍习题，中优先级一遍，低优先级只用碎片时间翻概念。

「先用框架定位，再用优先级分配时间」这套方法，本质上是在应对期末题目最核心的两个特征：题型固定和重点集中。计算机视觉的期末题不像算法题那样随意，它依赖于教材给出的定义、公式和算法步骤，题目换个场景、换组数字，但考察逻辑不变。所以，复习第一晚先立坐标系，之后每一道习题都在坐标系里找到位置，效率会高很多。

3. 概念辨析题的得分套路：把术语、公式条件、适用边界打包记

概念题是最容易用最少时间换分数的部分。很多同学觉得概念题就是背书，于是把术语定义背得滚瓜烂熟，但考试遇到场景描述题还是丢分。原因是这套教材的概念题很少直接问「什么是图像恢复」，而是给一段图像现象描述，让你判断该用哪类方法、为什么。背定义没用，得背「边界」。

3.1 高频术语辨析：增强、恢复、重建，三者边界别混

「图像增强」「图像恢复」「图像重建」是期末最容易混的一组概念。增强是以改善主观视觉质量为目标，不关心图像变差的原因，典型操作是直方图均衡、对比度拉伸。恢复则必须给出退化模型，例如运动模糊加上噪声，通过逆滤波、维纳滤波去逼近原图。重建是从一系列测量数据中构造图像，例如CT断层重建、从投影数据恢复图像。

三个词的考点常常藏在题目措辞里。题目只要出现「已知退化模型」「估计原始图像」这类说法，就是恢复；只要强调「主观感受」「对比度差」，就是增强；只要提到「投影数据」「重建」字眼，就是重建。复习时如果不能一眼从场景词里判类别，说明边界还没建立起来。给每个术语想一个典型例题，比抄十遍定义管用。

另一个容易出辨析的是「空间分辨率」和「灰度分辨率」。空间分辨率对应采样密度，灰度分辨率对应量化灰度级数。一道经典习题是：把图像灰度级从256降到16，问对轮廓和细节的影响。答案是轮廓保留但出现伪轮廓（假轮廓），细节不受灰度级影响但受空间采样影响。这种题考的就是两个概念是否真正分开。

3.2 公式适用条件表：哪些公式只能在特定场景用

概念题里混合公式适用条件，是教材习题的一个常见设计。直方图均衡适合全局对比度偏低的图像，但对噪声敏感，因为噪声也会被拉伸放大。中值滤波对脉冲噪声（椒盐噪声）效果最好，却不适合高斯噪声，因为中值本身对高斯噪声的抑制能力有限，还会在纹理丰富区域造成细节丢失。

拉普拉斯算子是二阶微分算子，对噪声的敏感程度比一阶算子（Sobel、Prewitt）高，所以教材在讲边缘检测时通常会强调「先平滑再锐化」。阈值分割里，全局单一阈值成立的前提是目标和背景灰度分布呈双峰，且峰间重叠少。最大类间方差法（大津法）可以自动选阈值，但同样假设直方图近似双峰。

这些适用条件很容易在「判断题」和「简答题」里出现。例如题目说「中值滤波适合去除高斯噪声，因为它是非线性滤波」，这句话错在因果关系：非线性和去高斯噪声没有直接关系。复习时每记一个公式，顺手在旁边写一句话「这个公式什么时候不能用」，比记公式本身更重要。

3.3 概念题的回答模板：三步定位法

回答场景判断题时，我一般教学生用三步定位法。第一步，在题干里圈出描述图像问题性质的词：是噪声、模糊、对比度差，还是目标与背景混叠。第二步，把这些词映射到教材方法类别：噪声配滤波，模糊配恢复，对比度差配增强，目标与背景混叠配分割。第三步，用一句话说明为什么选这个方法，而不是列一堆公式。

完整回答的骨架通常是这样：「图像受到脉冲噪声干扰，属于图像恢复中的去噪问题。使用中值滤波，因其对孤立噪声点有抑制能力，且能较好保留边缘。」这个答案有判断、有方法、有理由，踩中了大部分给分点。比只写「用中值滤波」多两句话，得分却完全不同。

练这种题最有效的方式，是拿教材每章的习题做「只看题干，不看选项，先写判断句」的练习。十分钟能过十道题，训练的是条件反射。等到正式考试时，看到「退化模型」「双峰直方图」「脉冲噪声」这些词，就能立刻知道该往哪个章节的知识点去靠，不会出现答案写了两行还在犹豫。

4. 计算与代码题的实操模板：直方图均衡、滤波响应、边缘检测

计算题是期末卷的硬骨头，但也是提分空间最大的一块。这三类计算题在我见过的复习题里出镜率最高：直方图均衡、空间滤波响应、边缘检测。每一类都有固定的解题步骤，按模板走，基本不会丢分。配一小段Python验证代码，手算和代码互相印证，比单独刷题记得牢。

4.1 直方图均衡的手算路径与Python验证

直方图均衡的手算步骤就四步：统计各灰度级频数，计算概率密度，求累积分布，把累积分布映射到输出灰度级。期末题通常给一幅小尺寸图像，比如4×4、灰度级8级，让你手算均衡后的灰度分布。这种题丢分往往不在步骤，而在最后一步取整规则不一致。

我的习惯是统一按「四舍五入」处理映射结果：输出灰度级 = round((L-1) × 累积概率)。如果用向下取整，结果会整体偏暗，和四舍五入算出来的不是同一组数字。题目如果没有特别说明，建议在答卷上写明「四舍五入到最近灰度级」，这样即使阅卷标准和预期不同，至少步骤完整。

用Python验证手算结果非常快。下面这段代码用numpy实现8级灰度均衡，输出映射表和均衡后的灰度分布：

import numpy as np # 4x4 图像，灰度级 0~7 img = np.array([ [0, 1, 2, 1], [2, 3, 1, 0], [4, 1, 2, 3], [1, 5, 6, 7] ], dtype=np.int32) # 统计各灰度级频数 hist = np.bincount(img.ravel(), minlength=8) prob = hist / hist.sum() # 概率密度 cdf = np.cumsum(prob) # 累积分布 mapping = np.round(7 * cdf).astype(np.int32) # 映射到0~7，四舍五入 # 输出映射表和均衡后直方图 print("灰度级:", np.arange(8)) print("频数:", hist) print("累积概率:", np.round(cdf, 3)) print("映射目标:", mapping) equalized = mapping[img] print("均衡后直方图:", np.bincount(equalized.ravel(), minlength=8))

这段代码里，np.bincount用来统计灰度频数，np.cumsum算累积分布，np.round做四舍五入映射。注意最后一行mapping[img]是查表映射：把原图像每个像素值作为下标，去mapping里取均衡后的灰度值。手算和代码对不上时，99%的情况是取整规则不一致，或者灰度级数量没对齐（写了8却用256的公式），先查这两处。

4.2 空间滤波的卷积计算与中值滤波窗口选择

空间滤波题有两种考法。一种给3×3模板和图像局部区域，让手算滤波结果；另一种给一幅实际应用场景，让选滤波方法和参数。手算的关键是「模板与图像区域逐元素相乘再求和」，边界像素用补零或复制方式处理，题目会明确说用哪种。如果没说明，补零最常见。

中值滤波的参数选择，核心是窗口尺寸。窗口取得小，噪声滤不干净；窗口取得大，边缘和细线细节会被吃掉。教材里讲中值滤波时强调它对孤立噪声点有效，但没说窗口尺寸怎么定，这是习题里常见的一个坑。验证中值滤波效果的Python代码写出来也就十来行：

import numpy as np from scipy.ndimage import median_filter # 生成带椒盐噪声的测试图像，5%的像素被污染 rng = np.random.default_rng(42) img = np.arange(10000).reshape(100, 100) % 255 noise_mask = rng.random((100, 100)) < 0.05 img[noise_mask] = rng.choice([0, 255], size=noise_mask.sum()) # 分别用3x3和5x5窗口做中值滤波 filtered_3 = median_filter(img, size=3) filtered_5 = median_filter(img, size=5) # 对比去除率：噪声位置上的残差 def noise_removed(src, dst, mask): diff = np.abs(src.astype(int) - dst.astype(int)) return np.mean(diff[mask] < 20) print("3x3 噪声点去除率:", noise_removed(img, filtered_3, noise_mask)) print("5x5 噪声点去除率:", noise_removed(img, filtered_5, noise_mask))

这里median_filter的size参数控制窗口边长，只接受奇数。noise_mask记录噪声位置，用来单独统计噪声点处的残差。实际跑出来，3×3窗口就能把大部分孤立噪声吸收掉，5×5窗口在噪声更密时更稳，但图像中面积小于窗口一半的细节会消失。所以，细线、文字、薄结构，窗口宁可小一点；噪声密度高，才往上加尺寸。

4.3 边缘检测算子横评与阈值选择的经验值

边缘检测的期末题通常围绕Sobel算子和Canny算子出。Sobel考手算，会给出3×3的x方向、y方向模板，让你算梯度幅值；Canny考流程，让简述「去噪→梯度→非极大值抑制→双阈值→边缘连接」五步，或给参数讨论对结果的影响。Sobel手算没有捷径，模板对着图像逐像素算就行，注意梯度方向不要写反。

Canny一个常见考点是双阈值怎么设。很多人知道minVal和maxVal是低阈值和高阈值，但不知道填多少合适。经验比例是minVal:maxVal = 1:2到1:3，maxVal高一些用来确认「强边缘」，minVal低一些用来保留「弱边缘」，弱边缘只有与强边缘相连才会被保留。阈值设太高，边缘断裂；设太低，噪声被当成边缘。

用OpenCV验证Canny阈值影响，代码很短：

import cv2 import numpy as np # 生成一张带黑色文字和浅色渐变的合成图 img = np.full((200, 300), 200, dtype=np.uint8) img[50:150, 80:220] = 100 # 矩形块 cv2.putText(img, "CV", (100, 110), cv2.FONT_HERSHEY_SIMPLEX, 1.2, 0, 2) # 同一张图，三组阈值 for low, high in [(30, 60), (60, 120), (120, 240)]: edges = cv2.Canny(img, low, high) ratio = (edges > 0).mean() # 边缘像素占比 print(f"minVal={low}, maxVal={high}, 边缘占比={ratio:.4f}")

cv2.Canny第一个参数是灰度图，后两个是低阈值、高阈值。边缘占比能直观反映阈值调整带来的变化：阈值翻倍，边缘占比会明显下降，尤其是文字这种对比度高的边缘反而保留得更干净。复习时把不同阈值跑一遍，比背参数更有用。实际做题时，如果题目给了梯度直方图，可以取直方图的80%分位作为高阈值、30%~40%分位作为低阈值，这是比拍脑袋更靠谱的自适应思路。

这类计算题临考前的练习量建议是：直方图均衡手算三遍，滤波手算三遍，Sobel手算三遍，Canny流程默写三遍。手算和代码验证交替做一遍，基本就能覆盖期末卷上80%的计算题变化。剩下的是一些小计算，比如灰度级数、存储容量的简单公式，按章节扫一遍概念就能应付。

5. 期末复习典型翻车现场：4个高频丢分点的排查与纠正

刷题阶段最容易出现「做了很多题，分数没涨」的情况。归其原因，往往不是题量不够，而是同一类错误反复犯。下面这四条是围绕这套复习题最常见的翻车记录，按「现象—原因—解决」列出来，对照自己的错题本查一遍。

5.1 直方图均衡后灰度级“少了一截”，以为自己算错

现象：手算直方图均衡，算出来的输出灰度级没有铺满0到255，甚至多个输入灰度映射到同一个输出灰度级，直方图出现「梳子状」空缺。

原因：这是量化取整的正常结果。累积分布经过四舍五入后，多个相邻输入可能映射到同一个输出，导致部分输出灰度级没有像素。这不是算错了，均衡本身就不保证每个灰度级都均匀分布。

解决：接受灰度级合并的存在，但要在答卷上写明取整规则。如果题目要求输出灰度级尽量铺满，可以改用直方图规定化，把目标直方图设为期望分布。还有一种情况是用了浮点累积概率直接当输出，没乘(L-1)，那才是真错。检查方法很简单：输出灰度级最大值是否等于L-1，如果远小于，多半是漏乘了。

5.2 中值滤波把文字边缘抹成了“虚影”

现象：用5×5或更大的窗口做中值滤波，滤波后图像里的细文字、细线边缘变糊，甚至被当成噪声整段消掉。

原因：中值滤波的输出是窗口内的中值，当窗口内的细节像素数目少于窗口一半时，这些像素会被周围的背景值「淹没」。文字笔画通常只有几个像素宽，大窗口会把笔画整个吞掉。

解决：对包含细线、文字、纹理的图像，窗口优先选3×3，只有噪声点非常密集时才升到5×5。另一个实用检查是：先对原图做一次形态学开运算估计细节尺度，窗口边长不要超过目标细节宽度的两倍。复习题里如果给了边缘保留和去噪效果的两难问题，记住一句话：噪声用中值，边缘细线用均值或高斯，鱼和熊掌不可兼得。

5.3 Canny阈值跟着感觉填，边缘断裂成虚线

现象：用Canny算子提取边缘，把minVal填成100、maxVal填成200，结果本来连续的目标轮廓断成一截一截的虚线。

原因：minVal设得太高，梯度幅值较低的「慢变化边缘」被当成弱边缘丢弃；而Canny的弱边缘保留规则是「与强边缘相连才保留」，一旦强边缘本身有缺口，弱边缘也救不回连续轮廓。

解决：不要拍脑袋填阈值。先在代码里打印梯度幅值的直方图，取80%分位数作为高阈值，30%~40%分位数作为低阈值。手头没有代码时，按minVal:maxVal=1:2到1:3的经验比例，且先把maxVal往小调，观察边缘是否由断变连。复习题里出现「边缘断裂」字眼，几乎都是低阈值偏高的锅。

5.4 概念题答出“张冠李戴”：把图像恢复写成图像增强

现象：题目描述「图像因运动模糊而退化，已知点扩散函数，需要估计原始图像」，答案却写「用拉普拉斯算子锐化来增强细节」。

原因：看到「模糊」「细节不清晰」就条件反射想到锐化，忽略了题目里「退化模型」「估计原始图像」这两个关键定语。锐化属于增强，增强不建模退化过程；恢复才需要利用退化模型反推原图。

解决：答题前先在题干上圈场景词。「退化模型」「点扩散函数」「维纳滤波」出现时，答案方向锁死为恢复；「对比度差」「主观视觉」出现时才是增强。复习时把每章习题里的场景词各列五个，写在本子上，考前扫一眼。这个动作花十五分钟，能挡住一道简答题的整分损失。

6. 考前72小时的最小提分闭环：刷题、自测、查漏一气呵成

临考最后三天，方向比努力重要。这套复习题的覆盖面很广，但期末卷的题型相对固定，三天时间足够完成一轮「刷错题—仿真自测—补漏点」的闭环，比继续盲目刷新题效率高。

6.1 把练习题当成自测卷：限定时间才能真正暴露问题

最后三天不要再逐题翻习题册，把重点章节的习题收集起来，按期末卷的题量组装成一张「模拟卷」。给自己限定80分钟，中间不看公式表、不翻书，完全模拟考场状态。做完之后统计丢分点：计算题丢分多，说明取整和步骤没固定下来；概念题丢分多，说明场景词识别还不熟。把丢分点对应到第5章的四条排查记录里，哪个中了就专门改哪个。