国科大计算机视觉期末

### 关于中国科学院大学计算机视觉课程期末考试资料

对于希望获取中国科学院大学计算机视觉课程期末考试相关资料的需求，可以参考如下信息：

#### 复习要点
复习要点通常涵盖了课程中的核心概念和技术细节。例如，在计算机视觉领域内，重点可能包括但不限于图像预处理技术、特征提取方法（如SIFT）、目标识别算法以及三维重建理论等[^2]。

#### 往年试题
往年的试题能够帮助学生了解考试的形式和难度水平。具体到中国科学院大学，《国科大学习资料——计算机视觉》包含了详细的期末考试解析，这不仅有助于理解题目类型，还能提供解题思路指导。

#### 考试范围
根据以往的经验，考试范围往往围绕着课堂讲授的主要知识点展开。比如，在讨论相机模型时会涉及到针孔摄像机假设下的成像原理；而在探讨多视图几何学部分，则可能会考察基本矩阵\( F \)及其应用实例，即如何利用8点法来估计两幅图片之间的相对位置关系并据此构建跟踪轨迹(Tracks)[^3]。

import cv2
import numpy as np

def estimate_fundamental_matrix(points1, points2):
    """
    使用OpenCV库实现基于RANSAC的F矩阵计算
    
    参数:
        points1 (list of tuples): 图片A上的对应点坐标列表 [(x,y),...]
        points2 (list of tuples): 图片B上对应的另一组相同数量的点
        
    返回值:
        fundamental_matrix (numpy.ndarray): 基本矩阵
    """
    pts1 = np.int32(points1)
    pts2 = np.int32(points2)

    # 定义随机抽样一致性算法参数对象
    ransacReprojThreshold = 3.0
    confidenceLevel = 0.99
    maxIters = 1000

    # 执行FM_RANSAC操作获得最优的基础矩阵
    FM_RANSAC = cv2.FM_RANSAC
    fundamental_matrix, mask = cv2.findFundamentalMat(pts1, pts2, method=FM_RANSAC,
                                                      ransacReprojThreshold=ransacReprojThreshold,
                                                      confidence=confidenceLevel,
                                                      maxIters=maxIters)
    
    return fundamental_matrix