《计算机视觉》教学大纲
视觉是人类感知世界的最重要方式，据统计人类70%以上的感知信息来自于视觉。机器
视觉或者计算机视觉是研究使得机器具有人类视觉能力的学科，即以图像视频为输入，以对
环境的表达和理解为目标，研究图像信息组织、物体和场景识别、进而对事件给予解释的学
科。机器视觉是人工智能领域的研究热点，因此机器视觉课程也是人工智能专业的核心课程。
本课程在介绍经典机器视觉理论的基础上，详细叙述了涵盖初级视觉、中级视觉和高级视觉
的基本理论和方法，并结合典型的计算机视觉应用场景开展了技术实践。通过本课程的学习，
使得学生掌握机器视觉的基本概念、原理和方法，并通过实验环节培养学生理论与实际相结
合的能力、分析问题、解决问题和工程实践能力。
一、课程基本信息
?课程名称：计算机视觉
?课程性质：专业核心课
?适用专业：人工智能、计算机科学与技术、自动化
?学时学分：64学时（理论44学时+实验20学时），4学分
?先修课程：数字图像处理、线性代数、概率统计、Python编程
二、课程目标
1.知识目标：
o掌握计算机视觉的基本概念、发展历程及经典理论。
o理解图像底层特征（点、线、区域、纹理）的表示与处理方法。
o熟悉高级视觉技术（三维重建、运动分析）及其数学基础。
o了解计算机视觉在图像分类、目标检测与跟踪等领域的应用。
2.能力目标：
o能使用OpenCV、PyTorch等工具实现图像处理与特征提取算法。
o能设计并完成基于深度学习的计算机视觉任务（如三维重建、图像配
准）。
o能结合应用场景分析计算机视觉技术的挑战与解决方案。
3.素养目标：
o培养跨学科思维，结合数学、编程与工程解决复杂视觉问题。
o强化实践能力，通过案例学习提升工程应用与创新能力。
三、教学内容与学时分配
理论
章节内容概要实验学时（内容）
学时
人类视觉与计算机视觉对比，经
第1章绪论典理论（马尔理论、主动视2-
觉），应用与挑战。
第2章图像表示采样量化、直方图变换、空域/
42（直方图变换）
与处理*频域滤波、卷积神经网络基础。
Harris角点、SIFT、HardNet、
第3章图像的点
Key.Net，特征匹配与图像配62（图像拼接）
特征表示*
准。
第4章图像的线边缘检测（Sobel、Canny）、
42（ASM模型）
特征表示*Snake模型、Hough变换。
阈值分割、分水岭算法、U-
第5章区域分割*42（U-net）
Net、DeepLab、SAM大模型。
灰度共生矩阵、Gabor小波、CNN
第6章纹理分析*42（PCANet）