2026年计算机视觉概论题库(含答案)

2026年计算机视觉概论题库(含答案)一、单项选择题（每题2分，共30分）1.计算机视觉的主要目标是（）。A.让计算机生成逼真的图像B.让计算机从图像或多维数据中获取信息、理解场景C.提高计算机的运算速度D.压缩图像存储空间答案B2.在数字图像中，一幅灰度图像通常用一个（）矩阵来表示。A.二维B.三维C.一维D.四维答案A3.图像平滑处理的主要目的是（）。A.增强图像对比度B.去除或抑制噪声C.突出图像边缘D.减少图像尺寸答案B4.下列哪种边缘检测算子利用高斯函数的一阶导数来检测边缘？（）A.Sobel算子B.Laplacian算子C.Canny算子D.Roberts算子答案C解析Canny边缘检测首先使用高斯滤波器平滑图像，其核心思想基于高斯函数的一阶导数寻找梯度极大值点。Sobel和Roberts是离散差分算子，Laplacian是二阶微分算子。5.在图像坐标变换中，将图像绕原点旋转30∘A.平移变换B.比例变换C.旋转变换D.错切变换答案C6.Harris角点检测算法的核心思想是（）。A.基于图像灰度梯度的二阶矩矩阵（自相关矩阵）的特征值B.基于图像灰度直方图的统计特征C.基于图像傅里叶变换的频谱特征D.基于图像颜色分量的分布特征答案A7.SIFT特征描述子是通过计算关键点邻域内像素的（）来构建的。A.颜色直方图B.梯度方向直方图C.灰度共生矩阵D.傅里叶描述子答案B8.在相机成像模型中，将世界坐标系中的三维点投影到图像坐标系，通常需要经过四个坐标系之间的变换，其正确顺序是（）。A.世界坐标系→相机坐标系→图像坐标系→像素坐标系B.世界坐标系→图像坐标系→相机坐标系→像素坐标系C.相机坐标系→世界坐标系→图像坐标系→像素坐标系D.世界坐标系→相机坐标系→像素坐标系→图像坐标系答案A9.双目立体视觉中，极线约束描述的是（）。A.左右图像中对应点必须在同一水平线上B.左图中一点在右图中的匹配点一定位于其对应的极线上C.左右图像的亮度必须一致D.相机的光心必须平行答案B10.光流法用于估计（）。A.相机的内参数B.图像序列中目标的运动场C.图像的色彩分布D.场景的深度信息答案B11.在目标检测任务中，IoU（IntersectionoverUnion）衡量的是（）。A.预测框与真实框的交叠率B.预测框的置信度C.目标的类别概率D.目标的边缘强度答案A12.在深度学习图像分类任务中，Softmax函数通常用于（）。A.提取图像特征B.输出每个类别的概率分布C.抑制过拟合D.加速模型收敛答案B13.卷积神经网络（CNN）中，池化层（Pooling）的主要作用是（）。A.增加网络参数量B.降低特征图的空间分辨率，扩大感受野C.替代激活函数D.增强图像对比度答案B14.在图像分割任务中，U-Net网络结构的显著特点是（）。A.只有编码器部分B.编码器-解码器结构，并带有跳跃连接C.完全由全连接层构成D.使用循环神经网络结构答案B15.图像直方图均衡化的主要作用是（）。A.使图像的灰度分布更加均匀，增强对比度B.降低图像的分辨率C.去除图像的噪声D.将彩色图像转换为灰度图像答案A二、判断题（每题1分，共10分）1.计算机视觉与数字图像处理研究的范畴完全相同。答案错误2.图像的傅里叶变换将图像从空间域转换到频率域，低频分量对应图像中灰度变化缓慢的区域。答案正确3.中值滤波是一种线性滤波方法。答案错误4.物体的颜色完全由其本身的固有属性决定，与光照无关。答案错误5.相机标定的目的是确定相机的内参和外参。答案正确6.在特征匹配中，最近邻距离比（NNDR）策略可以有效减少误匹配。答案正确7.卷积神经网络中的感受野是指某一层输出特征图上的一个像素点对应输入图像的区域大小。答案正确8.目标检测任务只需要输出目标的类别，不需要输出目标的位置。答案错误9.图像分割的目标是将图像划分为若干具有特定语义含义的区域。答案正确10.迁移学习可以将在大规模数据集上预训练好的模型参数作为新任务的初始化参数，以加速训练并提高性能。答案正确三、填空题（每空1分，共10分）1.一幅彩色图像通常采用RGB颜色模型，其中R、G、B分别代表红色、绿色和蓝色，每个通道通常用8bit表示，则一幅512×答案768解析512×2.图像在空间域的平滑滤波对应频率域的______操作。答案低通滤波3.常用的边缘检测算子有Roberts、Sobel、Prewitt和______等。答案Canny（或Laplacian，合理即可）4.在相机成像模型中，将三维世界坐标投影到二维图像坐标，常用的数学模型是______模型。答案针孔（小孔成像）5.在立体视觉中，通过三角测量原理，可以根据左右相机视差计算场景点的______信息。答案深度（距离）6.光流场是图像中像素点在时间域上的______运动。答案瞬时速度7.在图像检索中，BoW（BagofWords）模型的核心思想是将图像特征量化为视觉单词的______表示。答案直方图（统计）8.在目标检测中，非极大值抑制（NMS）用于去除______的检测框。答案重叠且置信度较低（冗余）9.在深度学习中，BatchNormalization层的主要作用是______，加速网络训练。答案对网络中间层的输入进行归一化，缓解内部协变量偏移10.图像语义分割是对图像中的每个______进行分类。答案像素四、简答题（每题5分，共20分）1.简述图像灰度直方图的定义及其在图像增强中的应用。答案灰度直方图是图像中各个灰度级出现的频数（或概率）的统计分布，反映了图像的灰度分布范围、对比度和亮度等整体特征。在图像增强中，可通过直方图均衡化将原始图像的直方图变换为均匀分布的形式，从而扩大灰度动态范围，增强图像对比度。2.简述Canny边缘检测的主要步骤。答案(1)使用高斯滤波器对图像进行平滑去噪；(2)计算图像梯度的幅值和方向（如使用Sobel算子）；(3)对梯度幅值进行非极大值抑制，细化边缘；(4)使用双阈值（高阈值和低阈值）检测并连接边缘，得到连续的边缘图。3.简述SIFT特征点检测与匹配的基本流程。答案(1)构建尺度空间，通过高斯差分（DoG）金字塔检测尺度空间中的极值点作为候选关键点；(2)对候选关键点进行精确定位，剔除低对比度和边缘响应点；(3)为每个关键点指定主方向，并基于邻域梯度方向直方图构建128维特征描述子；(4)通过特征描述子之间的距离（如欧氏距离）进行特征匹配，常采用最近邻距离比（NNDR）策略剔除误匹配。4.简述卷积神经网络（CNN）中卷积层、池化层和全连接层各自的作用。答案卷积层通过卷积核在输入特征图上滑动，提取局部特征（如边缘、纹理等），并通过多层卷积获得从低级到高级的特征表示；池化层对特征图进行下采样，降低空间分辨率，减少计算量并增强平移不变性；全连接层将卷积和池化提取的高维特征映射到样本标记空间，用于最终的分类或回归输出。五、计算与分析题（每题10分，共20分）1.已知某相机焦距f=35mm，某空间点在世界坐标系中的坐标为Pw=答案根据针孔相机投影模型，有：x代入数据：xy所以该点在图像平面上的坐标为(3.5解析：此题考查针孔相机的基本投影关系。注意单位换算，世界坐标以米为单位，焦距以毫米为单位，计算时统一即可。投影后图像坐标单位为毫米。2.给定一个5×5的灰度图像矩阵如下，使用一个3×I答案：均值滤波核为：K滤波后中心3×位置(2,位置(2,位置(2,位置(3,位置(3,位置(3,位置(4,位置(4,位置(4,因此，滤波后的中心3×25解析：均值滤波是将滤波器窗口内所有像素的灰度值取平均，作为窗口中心像素的新灰度值。注意题目要求边缘不处理，因此只需计算中心3×六、综合论述题（10分）1.结合计算机视觉的发展历程，论述传统计算机视觉方法与基于深度学习的视觉方法各自的优缺点，并说明当前计算机视觉领域的主要研究趋势。答案（1）传统计算机视觉方法（如SIFT、HOG、Haar特征+SVM/Adaboost等）：优点：可解释性强，特征设计具有明确的物理或几何意义；计算量相对较小，在资源受限的嵌入式设备上仍可实时运行；对小样本场景适应较好，不需要海量标注数据。缺点：特征设计依赖人工经验，泛化能力有限；对光照变化、遮挡、视角变化等复杂场景鲁棒性不足；难以端到端地学习高层语义特征。（2）基于深度学习的方法（如CNN、R-CNN系列、YOLO、FasterR-CNN、MaskR-CNN、Transformer等）：优点：能够自动从数据中学习多层级特征表示，在图像分类、目标检测、语义分割等任务上大幅超越传统方法；泛化能力强，适合大规模复杂场景；支持端到端训练和多任务联合优化。缺点：依赖大规模标注数据，数据标注成本高；模型参数量和计算量大，训练和推理需要高性能硬件；可解释性较弱，模型决策过程难以直观理解。（3）当前主要研究趋势：•自监督学习与大规模预训练模型（如CLIP、SAM），降低对人工标注的依赖；•多模态融合（视觉-语