本节我们将学习相机标定和对极几何两部分的内容。在相机标定部分，我们将学习直接线性变换,张正友标定法和PnP这三种方法。在对极几何部分，我们将了解极平面、基线、极点和极线等概念，以及相机相对位姿估计和对极约束。

本节是计算机视觉的最后一节，我们将学习深度估计。从深度的概念和度量入手，依次学习单目深度估计和双目/多目深度估计，需要知道深度估计的经典方法，掌握深度估计的评价标准，注意结合对极几何进行分析和思考。

本文主要聚焦于图像滤波与边缘检测两部分。图像滤波部分分析的是线性移不变系统，将介绍两类滤波器，平滑滤波器和梯度滤波器。边缘检测部分将介绍高斯导数滤波器和Canny边缘检测器。为了更好的阅读体验，读者需要提前了解或掌握卷积、线性移不变系统、梯度、高斯函数等基本概念。

在本文中，我们学习了语义分割和实例分割，需要清楚二者的区别，并掌握二者的算法流程，需要重点关注语义分割和实例分割的方法举例和评价指标。

本周我们将学习计算机基础的第二章，底层视觉相关知识——图像直方图与平面几何变换。本次内容将分为三个部分进行讲解，分别是图像直方图、图像直方图变换和图像几何变换。这部分内容主要和数学有很强的相关性：图像直方图部分主要介绍图像直方图的定义、性质以及计算步骤；直方图变换部分主要介绍变换的操作步骤，包括点操作、通过单调映射函数实现直方图变换，并举例说明具体的应用之一——直方图均衡化；图像几何变换部分包括平

本节我们将学习到透视投影、齐次坐标系等基础知识，在这些基础知识上，进一步了解到相机的参数，相机参数分为相机外参和相机内参，相机外参是从世界坐标系到相机坐标系，相机内参是从相机坐标系到图像坐标系。

传统视觉算法采用手工设计特征与浅层模型，而手工设计特征依赖于专业知识，且泛化能力差。深度学习的出现改变了这一状况，为视觉问题提供了端到端的解决方案。在之前的课程中，我们已经学习了图像分类的传统知识。在本节课中，我们将学习到图像分类融合深度学习的方法。

计算机视觉（Computer Vision，简称CV）是当前计算机领域的热门研究方向，具有很广阔的发展前景。下面我将从计算机视觉的应用、学习纲要、与数字图像处理的关系、发展历程以及面临的挑战这五个部分入手，依次进行介绍。

我们将学习图像恢复相关知识。主要有图像恢复的定义、评价标准和实现图像恢复的方法。图像恢复任务包括图像去噪、去模糊、图像超分辨率、图像修复等；评价标准有峰值信噪比和结构相似性；图像超分辨的方法有传统方法和基于深度学习的方法：传统方法包括了基于插值的方法和基于字典学习，而深度学习方法有很多，包括SRCNN，VDSR等。

本章我们来学习一下图像处理基础中的运动估计。主要内容包括运动场估计和光流估计两个部分。在运动场估计中，我们将学习到运动场、光流、光流和运动场的区别；在光流估计中，我们将学习到光流估计任务、孔径问题，以及光流估计两种方法——Lucas Knade方法和深度学习方法。